مدیریت موجودی و بهینه‌سازی در صنعت کالاهای تند مصرف(FMCG)

مسئله

شرکت ITC Infotech یک ارائه دهنده بین‌المللی خدمات فناوری و راه‌حل‌ها در صنعت کالاهای تند مصرف یا (FMCG) Fast-Moving Consumer Goods و صنایع دیگر از جمله بانکداری، مراقبت‌های بهداشتی، تولید و زنجیره‌ تامین است. این شرکت با استفاده از تکنیک‌های شبیه‌سازی و بهینه‌سازی و همچنین تحلیل‌های پیشرفته، راه‌حل‌هایی را برای مشکلاتی مانند طراحی و برنامه‌ریزی شبکه، برنامه‌ریزی موجودی، زمان‌بندی و غیره طراحی و ارائه می‌دهد.

این مطالعه موردی یکی از پروژه‌های این شرکت در صنعت کالاهای تند مصرف را شرح می‌دهد. هدف این پروژه تعیین معیارهای مربوط به موجودی برای نگهداری محصولات با ماندگاری محدود است. راه‌حل مورد بحث با استفاده از بهینه‌سازی مبتنی بر شبیه‌سازی در AnyLogic به دست آمده است.

مسئله: مدیریت موجودی و بهینه سازی در صنعت کالاهای تند مصرف

کالاهای تند مصرف یا (FMCG) Fast-Moving Consumer Goods که کالاهای بسته بندی شده مصرفی یا Consumer-Packaged Goods (CPG) نیز نامیده می‌شوند، به محصولاتی گفته می‌شود که به سرعت و با قیمت نسبتا پایین به فروش می‌رسند. برخی از کالاهای تند مصرف مانند نوشیدنی‌ها و مواد غذایی، برای مدت طولانی در قفسه‌ها نمی‌مانند زیرا تقاضای زیادی دارند یا فاسد شدنی هستند و یا هر دو. برای کاهش چالش این گردش سریع، شرکت‌ها دائما به دنبال راه‌حل‌های جدید مدیریت موجودی هستند.

یکی از شرکت‌های پیشرو در بازار جهانی علاقه‌مند به بهینه‌سازی فرایند مدیریت موجودی محصولات غذایی خود با توجه به پیچیدگی شبکه توزیع چند لایه‌اش بود. مشکلی که شرکت با آن روبه‌رو بود، پایین آمدن کیفیت محصول (خراب یا فاسد شدن محصولات) و نرخ پر شدن (درصد برآورده شدن سفارش مشتری با محصول موجود در انبار) کمتر از حد انتظار بود. این شرکت می‌توانست برای افزایش نرخ پرشدن میزان تولید را بالا ببرد، اما این کار منجر به بالارفتن نرخ خرابی محصول می‌شود. از طرف دیگر، می‌توانست تولید کمتری داشته باشد تا خرابی را پایین نگه دارد، اما این راه هم نرخ پر شدن را نیز کاهش می‌دهد. برای حل این چالش، آن‌ها به شرکت ITC Infotech مراجعه کردند تا یک مقدار و تناوب تولید بهینه و همچنین یک خط مشی بهینه بازپرسازی (بازگرداندن موجودی یا عرضه به سطح یا شرایط قبلی) را بیابند.

راه‌حل: ساخت یک مدل شبیه‌سازی برای بهینه‌سازی مقدار تولید

فرض کنید تاریخ مصرف کالای بسته‌بندی شده ۱۰۰ روز پس از تولید منقضی می‌شود. طبق قرارداد، یک خرده فروش باید حداقل ۳۰ روز قبل از انقضای محصول، آن را در انبار خود داشته باشد. این بدان معناست که تولیدکننده بیش از ۷۰ روز فرصت ندارد تا محصول را به خرده فروش تحویل دهد. در صورت نقض مهلت، محصول باید دور ریخته شود و سازنده متحمل ضرر می‌شود.

برای برنامه‌ریزی تولید و محاسبه زمانی که تولیدکننده می‌تواند محصول را قبل از ارسال به خرده فروش در موجودی خود نگه دارد، ITC از فاکتور ماندگاری استفاده کرد. این ضریب نسبتی است از تعداد روزهایی که یک تولیدکننده می‌تواند محصول را در موجودی خود نگه دارد به دوره‌ای که یک محصول باید به خرده فروش تحویل داده شود. به عنوان مثال، با ضریب ۰.۶، تولید کننده ۴۲ روز (۰.۶ از ۷۰ روز) فرصت دارد تا محصول را قبل از ارسال به خرده‌فروش در انبار و شبکه توزیع خود نگه دارد.

هدف متخصصان ITC محاسبه این ضریب ماندگاری برای هر واحد انبارداری یا (Stock-Keeping Unit (SKU و همچنین مقدار تولید بهینه برای جلوگیری از پایین آمدن کیفیت محصول بود. همچنین، هدف آن‌ها تعیین تناوب بازپرسازی و تولید با حفظ حداکثر نرخ پر شدن بود. برای این منظور، تصمیم گرفتند یک مدل بهینه سازی مبتنی بر شبیه سازی در AnyLogic بسازند و سناریوهای مختلف را آزمایش کنند.

مروری کوتاه بر مدل بهینه‌سازی موجودی مبتنی بر شبیه‌سازی

یک شبکه توزیع چند لایه معمولا از یک کارخانه، یک انبار و چندین مرکز توزیع تشکیل شده است. در این مدل شبیه‌سازی موجودی، متخصصان دو جمعیت عامل را در نظر گرفتند: یک کارخانه و یک مرکز توزیع. آن‌ها همچنین چندین نوع عامل، از جمله حمل‌ونقل (حمل‌ونقل کالا از کارخانه به مرکز توزیع)، تقاضا و دسته (تعداد معینی از محصولات یکسان) را تعریف کردند.

یک نماینده مرکز توزیع به تقاضا پاسخ می‌دهد و نرخ پر شدن را بر اساس میزان تقاضایی محاسبه می‌کند که برآورده شده است. این به نوبه خود به تعیین سطح خدمات کمک می‌کند. عامل کارخانه سفارشات تولید را بر اساس تناوب تولید ایجاد می‌کند. دسته‌های تولید شده قبل از ارسال به مراکز توزیع در لیست موجودی کارخانه قرار می‌گیرند. در طول فرآیند صف‌بندی، این مدل کاهش کیفیت محصول را برای کارخانه محاسبه می‌کند.

عامل مرکز توزیع، دسته‌ها را از نماینده کارخانه دریافت می‌کند، آن‌ها را پردازش می‌کند و سپس در انبار ذخیره می‌کند. محصولات غذایی موجود که فروخته نشده‌اند، زیرا تقاضا برای آن‌ها وجود نداشته، خراب می‌شوند. مدل این اطلاعات را هنگام محاسبه کاهش کیفیت محصول برای مراکز توزیع نیز در نظر گرفته است.

وابستگی متقابل فاکتور ماندگاری و نرخ پرشدن (سطح خدمات)

نتایج: مزایای مدل بهینه‌سازی موجودی مبتنی بر شبیه‎‌‌سازی

پس از اجرای چندین مدل شبیه‌سازی با فاکتورهای ماندگاری مختلف، متخصصان ITC فاکتور ماندگاری بهینه را برای هر خط‌مشی بازپرسازی پیدا کردند. آن‌ها تناوب تولید را نیز تعیین کردند که حداکثر نرخ پرشدن و حداقل کاهش کیفیت محصول را فراهم می‌کرد.

با توجه به داده‌های خروجی، با افزایش ضریب ماندگاری، نرخ پرشدن بهبود یافت. این طبیعی است زیرا افزایش فاکتور به معنای افزایش مقدار تولید است. سطح خدمات بهتر را تضمین می‌کند، اما خطر افت کیفیت محصول را نیز افزایش می‌دهد. با استفاده از نتایج شبیه‌سازی، ITC منحنی را ترسیم کرد که نشان‌دهنده وابستگی متقابل بین نرخ پرشدن و کاهش کیفیت محصول است.

منحنی نشان دهنده وابستگی متقابل بین نرخ پر شدن و افت کیفیت محصول

همانطور که در سمت راست نمودار زیر مشاهده می‌شود، ITC همچنین توزیع مقدار به دست آمده را در ۱۰۰ مدل اجرا برای هر یک از عوامل ماندگاری ارائه کرد. این به کسب‌وکار کمک کرد تا در مورد ضریب ماندگاری بهینه تصمیم بگیرد.

گسترش مقدار به دست آمده از اجرای ۱۰۰ مرتبه‌ای مدل برای هر مقدار فاکتور ماندگاری

منبع