Dlaczego wzór daje złą odpowiedź
Standardowy wzór na safety stock — Z × σd × √L — jest elegancki i powszechnie stosowany. Zakłada, że zmienność popytu ma rozkład normalny, czasy dostaw są niezależne od popytu, braki towaru nie wpływają na przyszły popyt, a uzupełnienie następuje natychmiast po osiągnięciu punktu zamówienia. żadne z tych założeń nie sprawdza się w rzeczywistych łańcuchach dostaw.
W praktyce popyt jest nieregularny — kilka dużych zamówień pojawia się nieprzewidywalnie między spokojnymi okresami. Czasy dostaw przez większość czasu skupiają się wokół średniej, a następnie okazjonalnie się wydłużają — i te wydłużenia korelują ze szczytami popytu, kiedy towar jest najbardziej potrzebny. Braki towaru tworzą zaległości, które zawyżają następne zamówienie, generując efekt bicza łańcucha dostaw, którego wzór nie widzi.
Skutek: Polityki zapasów oparte na wzorach są albo przezapasowane (bo analitycy dodają bufory z powodu braku zaufania do wzoru), albo niedoborowe gdy założenia wzoru załamują się podczas szczytów popytu. Symulacja zastępuje założenia rzeczywistymi rozkładami dopasowanymi do Twoich danych.
Na co odpowiada symulacja zapasów
Poziomy safety stock
Ile zapasów buforowych potrzeba, aby osiągnąć docelowy poziom obsługi — 95%, 98%, 99,5% — przy rzeczywistej zmienności popytu i rozkładzie czasów dostaw, nie przy założonym rozkładzie normalnym wzoru.
Punkt i wielkość zamówienia
Kiedy wyzwolić zamówienie uzupełniające i w jakiej ilości — balansując częstotliwość zamówień (koszt transakcji), koszt utrzymania i ryzyko braku towaru między zamówieniem a jego dostawą.
Ryzyko czasów dostaw dostawcy
Która zmienność czasów dostaw dostawcy najbardziej przyczynia się do ryzyka niedoboru — i jaki dodatkowy bufor jest wymagany na dostawcę, aby utrzymać docelowy poziom obsługi.
Zapasy wielopoziomowe
Dla sieci dystrybucji z centralnym magazynem i regionalnymi DC — jak podzielić zapasy między poziomy, aby zminimalizować łączne zasoby sieciowe przy zachowaniu poziomów obsługi w każdym punkcie.
Popyt sezonowy i promocyjny
Ile należy wyprodukować przed wzrostem popytu — sezonowy rozruch, akcje promocyjne, wprowadzanie nowych produktów — aby wzrost nie wyczerpał safety stock przed reakcją uzupełnienia.
Scenariusze zaklóceń dostaw
Jaki poziom zapasów przetrwa określone zakłócenie w dostawach — 2-tygodniowe opóźnienie, 40% redukcja zdolności, całkowite wstrzymanie — bez awarii poziomu obsługi. Stosowane do oceny ryzyka łańcucha dostaw.
Monte Carlo vs symulacja zdarzeń dyskretnych: które podejście?
Obie metody mają swoje miejsce — i stosujemy obie, w zależności od potrzeb:
| Podejście | Najlepsze dla | Typowe zastosowanie |
|---|---|---|
| Symulacja Monte Carlo | Czyste pytania o politykę zapasów | Safety stock i punkt zamówienia gdy zapasy są niezależne od przepływów operacyjnych |
| Zdarzenia dyskretne (Simio / AnyLogic) | Zapasy + operacje razem | Gdy uzupełnienia oddziałują z przepustowością magazynu, dokami odbiorczymi lub harmonogramowaniem produkcji |
| Dynamika systemowa | Efekt bicza i polityka sieciowa | Sieci wielopoziomowe, analiza wzmocnienia popytu w wielostopniowych łańcuchach dostaw |
| Wzór arkuszowy | Proste, stabilne środowiska | Odpowiedni gdy popyt jest naprawdę normalny i czasy dostaw są stabilne — rzadkie w praktyce |
W przypadku większości pytań o politykę zapasów zaczynamy od Monte Carlo i przechodzimy do symulacji zdarzeń dyskretnych, gdy kontekst operacyjny ma znaczenie — np. gdy pytanie brzmi: „ile safety stock potrzebujemy, jeśli nasz dok odbiorczy obsługuje również zwroty w szczycie?”
Nasz proces
Dopasowanie danych i analiza rozkładów
Dopasowujemy rozkłady statystyczne do danych o popycie i czasu dostaw — testujemy normalność, identyfikujemy ciężkie ogony i sezonowość, oznaczamy wartości odstąpiące, które powinny być modelowane osobno. Ten krok często ujawnia, że popyt jest znacznie bardziej zmienny niż zakłada wzór, i wyjaśnia, dlaczego obecne poziomy safety stock wydają się błędne.
Budowa modelu i walidacja bazowa
Model symulacyjny jest budowany i walidowany względem historycznych wyników: czy przy rzeczywistym popycie i czasach dostaw, jakich doświadczyłeś, model odtwarza zaobserwowaną częstotliwość braków towaru i poziomy zapasów? Zwalidowany model daje pewność, że rekomendacje polityki sprawdzą się w rzeczywistej działalności.
Macierz scenariuszy polityki
Testujemy warianty polityki, które chcesz ocenić — różne poziomy safety stock, różne punkty zamówienia, różne wielkości partii — względem historycznych rozkładów popytu i czasów dostaw, plus scenariusze stresowe (skoki popytu, zakłócenia dostaw). Każdy scenariusz uruchamia tysiące symulowanych okresów, aby uzyskać stabilne oszacowania poziomu obsługi i zapasów.
Rekomendacja i analiza kosztów
Otrzymujesz rekomendację polityki ze specyficznym safety stock i punktem zamówienia dla każdej grupy SKU lub rodziny produktów, krzywe kompromisu między poziomem obsługi a kosztem utrzymania, ranking ryzyka dostawców oraz model symulacyjny — Twój do ponownego uruchomienia gdy wzorce popytu się zmieniają lub dodawani są nowi dostawcy.
Co otrzymujesz na końcu
Połączenie z cyfrowym bliźniakiem i planowaniem produkcji
Symulacja zapasów odpowiada na pytanie strategiczne: jaką politykę powinniśmy stosować? Cyfrowy bliźniak odpowiada na pytanie operacyjne: biorąc pod uwagę dzisiejsze stany i przychodzce zamówienia, co powinniśmy robić teraz? To podejścia uzupełniające się, a nie konkurencyjne.
Często budujemy oba: badanie symulacyjne ustala docelowy safety stock i parametry uzupełnień, a cyfrowy bliźniak konsumuje żywe dane ERP/WMS, aby monitorować czy parametry te utrzymują się w rzeczywistej działalności i sygnalizuje, gdy wzorce popytu odbiegają od założeń modelu.
Jeśli masz już cyfrowego bliźniaka, symulacyjne badanie zapasów można przeprowadzić równolegle, a jego wyniki załadować bezpośrednio do logiki uzupełnienia bliźniaka. Jeśli nie masz jeszcze cyfrowego bliźniaka, model zapasów jest w pełni użyteczny samodzielnie.
Narzędzia i technologia
Badania zapasów Monte Carlo są budowane w Pythonie z dopasowanymi rozkładami statystycznymi i równoległym wykonywaniem scenariuszy. Modele zapasów zdarzeń dyskretnych — gdy liczy się interakcja operacyjna — są budowane w Simio lub AnyLogic. Do badań sieciowych, wielopoziomowych lub efektu bicza stosujemy możliwości dynamiki systemowej AnyLogic. Wszystkie modele są dostarczane z udokumentowaną dokumentacją założeń i interfejsem Python lub Excel do ponownych uruchomień bez specjalistycznego oprogramowania.
Jakich danych potrzebujemy?
- Historia popytu — 12–24 miesięcy danych o zamówieniach lub zużyciu na SKU, z datami i ilościami (eksport z ERP lub WMS)
- Dane czasów dostaw — historia zamówień zakupu z datą złożenia i datą odbioru towaru dla każdego dostawcy i SKU
- Aktualna polityka zapasów — istniejące poziomy safety stock, punkty zamówienia i wielkości partii
- Docelowe poziomy obsługi — docelowy wskaźnik realizacji lub wskaźnik uzupełnienia zamówień według grupy produktów
- Parametry kosztowe — stopa kosztu utrzymania i koszt transakcji zamówienia, jeśli wymagana jest optymalizacja kosztowa (nie jest wymagana przy badaniach wyłącznie poziomu obsługi)
- Planowane zmiany — nowi dostawcy, nowe SKU, nadchodzące zdarzenia popytowe lub plany restrukturyzacji łańcucha dostaw
Zobacz to w praktyce
Huta stali — safety stock przy nieregularnym popycie i zmiennych czasach dostaw walcowni
Python · Łańcuch dostaw
Dostawca motoryzacyjny — wymiarowanie buforów WIP w 4-etapowej linii produkcyjnej
Simio · Produkcja