Referaat Bullwhip Effect (0)

1. BULLWHIP EFFECT EHK PIITSAEFEKT

Bullwhip effect ehk piitsaefekt kirjeldab olukorda, kus tarneahelas ülesvoolu (alates lõppkliendist kuni algtoorme tarnijani) liikudes leiab aset esialgsete tellimisandmete silmnähtav moonutumine. Kõik algab sellest, kui lõppkliendist kohe järgmine lüli (näiteks jaemüüja) ei prognoosi piisavalt täpselt kliendi nõudlust ning sellest ekslikust prognoosist tulenevalt esitab endast järgnevale lülile (näiteks maaletoojale) tellimuse, mis erineb sellest, mida oleks tegelikult vaja. Sellest tulenevalt on ka tellitavate koguste variatsioon suurem ostetavatest kogustest. Antud olukorda illustreerib hästi alljärgnev joonis:
Joonis 1. Tellitud ja müüdud koguste variatsioon
Allikas: Lee et al 2004
Nagu ilmselt juba arvata võib, on tarneahela viimane lüli (algtoorme tarnija) sellest tulenevalt kõige halvemas olukorras, kuna temani jõuab see kõige moonutatum informatsioon, mis pärineb eelnevalt lülilt. Eespool olevate lülide tellimuste suurustega ei ole algtoorme tarnija loomulikult kursis. Ebaõige informatsioon aga suurendab silmnähtavalt tema kulusid . Näiteks on ülemäärasest materjalihulgast põhjustatuna selle materjali laostamis- ja transpordikulud palju suuremad, kui need olla võiksid. (Lee et al 2004) Üldiselt ongi piitsaefekti peamiseks tagajärjeks ebakindlus tarneahela planeerimis- ja juhtimistegevustes, mis omakorda viib lisakuludeni (Metters 1997).
Tase 4, tootjal on info, mis on edastatud hulgimüüjale TOOTJA
▼
Tase 3, hulgimüüjal on info, mis on edastatud jaemüüjale HULGIMÜÜJA
▼
Tase 2, jaemüüjal on info, mis on edastatud kauplusele JAEMÜÜJA
▼
Tase 1, kauplusel on ainsana info, mille on edastanud tarbija KAUPLUS
▼
Tase 0, reaalne nõudluse info TARBIJA
Joonis 2. Neli tarneahela stsenaariumit
Allikas: Lozano et al 2005
Piitsaefekti esimene akadeemiline kirjeldus pärineb 1961. aastast Forresteri sulest, kes leidis, et seda põhjustavad vähene infovahetus tarneahela osaliste vahel ning vastastikmõjude ebalineaarsus (Coppini et al 2010).
Piitsaefekti täpsemate põhjustena on välja toodud järgmised neli tegurit: ebaõige nõudluse prognoosimine , ratsionaliseerimispüüdlused, tellimuste kokkukuhjamine ja hindade kõikumine. Järgnevalt räägime igaühest neist lähemalt.
Ebaõige nõudluse prognoosimine tähendab seda, et dünaamiliselt muutuva (mitte statsionaarse) nõudluse korral kasutatakse nõudluse prognoosimiseks mineviku andmeid, mis aga ei ole tegeliku olukorraga vastavuses. Enamgi veel – kui tegu on tarneahelas tagapool asetseva lüliga, siis tema saab nõudlusega seotud infot ainult endast vahetult eespool asuva lüli käest (viimase poolt tellitavate koguste põhjal). Seejuures aga on juba eespool asuva lüli poolt saadetud signaal tegelikust olukorrast erinev, kuna temagi nõudluse prognoos ei ole olnud päris täpne. Taoline situatsioon on halb eelkõige selle poolest, et see raskendab kõikide tarneahela osaliste jaoks varude haldamist. (Lee et al 2004) Miragliotta (2006) järgi on ebaõige nõudluse prognoosimine, võrreldes ülejäänud piitsaefekti põhjustajatega, see kõige kriitilisem.
Ratsionaliseerimispüüdluste all mõistetakse strateegilist ostukäitumist, mis on seotud eeldatava varude puudujäägiga. Antud olukorra näiteks sobib jaemüüja tellimisalase tegevuse kirjeldus seoses tootega , mille nõudlus kipub pakkumist ületama, tulenevalt piirangutest toote valmistamisel. Olukorras, kus nõudlus on üldjuhul pakkumisest suurem, on jaemüüja seisukohalt kõige ratsionaalsem teha kõik selleks, et lõppkliendi vajadused saaksid igal juhul rahuldatud. Selle tarvis tellitakse oma tarnijalt kaubakogus, mis on suurem sellest, kui see oleks olnud, kui tegu oleks piiramatu pakkumisega kaubaga.
Tellimuste kokkukuhjamine esineb tavaliselt siis, kui tellimise püsikulu erineb nullist (näiteks, kui tellimuse täitmiseks on muuhulgas vajalik teha suurel hulgal paberitööd), seega igal perioodil uue tellimuse esitamine ei ole majanduslikult otstarbekas. Tellimise arvelt säästmiseks tellitakse harvem ja korraga suuremaid koguseid.
Hindade kõikumine viitab muutuvatele sisseostuhindadele (näiteks tulenevalt sooduskampaaniatest), mis omakorda tingivad kõikumised nõudluses. Nii juhtub sageli, et osapool, kes parajasti ostab (näiteks jaemüüja) tellib tarnijalt (näiteks tootja) suure koguse kaupa parajasti siis, kui sisseostuhinnad on madalad. Ajal, mil sisseostuhinnad on kõrgemad, ei telli jaemüüja pikka aega midagi ning esitab tellimuse ainult siis, kui varud on langenud alla lubatud miinimumi. Seejuures on uus tellimus minimaalne. Suurema koguse kaupa tellitakse uuesti siis, kui sisseostuhinnad on taas langenud madalamale. Kõige selle juures aga ei jälgi tellitavate koguste muster loomulikult nõudluse muutumise mustrit . (Lee et al 2004)
Lisaks eespool kirjeldatud neljale piitsaefekti põhjustajale tuuakse mõnikord eraldi põhjusena välja ka käitumuslikud (behavioural) tegurid. Samas on käitumuslike teguritega seonduvat vahel nendele neljale hoopis vastandatud. Nii näiteks leidis Sterman (1989), et piitsaefekti põhjustab tarneahela lülide ebaratsionaalne käitumine ning oluliste tegurite valesti tõlgendamine, samas kui Lee et al (2004) mudeli kohaselt on tarneahela lülide käitumise mootoriks ratsionaliseerimise ja optimeerimise püüe. Täpsemalt: Stermani (1989) järgi on piitsaefekt põhjustatud eelkõige selle poolt, et tarneahela osalised tellivad aina rohkem ja rohkem, arvestamata varasemalt tellitud kaubakoguseid, mis ei ole veel nendeni jõudnud, vaid on alles nende poole teel. Lee et al (2004) väidavad aga, et piitsaefekti põhjustab hoopiski tarneahela osaliste käitumine, mis on küll ratsionaalne , kuid ebapiisava nõudlusalase info tingimustes ei too soovitud tulemust (varude ratsionaliseerimise asemel on varusid ikka kas liiga palju või liiga vähe).

NÄITEID PIITSAEFEKTI LEEVENDAMISE MEETMETEST

Lähtuvalt esimeses peatükis kirjeldatud piitsaefekti neljast peamisest põhjustajast, saab tuua mõningaid näiteid praktikast, kuidas ettevõtted on püüdnud piitsaefekti tekkimise vastu võidelda.
Esimesena sai välja toodud ebaõige nõudluse prognoosimine. Vähendamaks antud faktorist tulenevaid negatiivseid tagajärgi, on paljud ettevõtted hakanud kasutama mitmesuguseid EDI- (elektroonseid andmevahetus-) süsteeme. Sellised süsteemid lihtsustavad täpse nõudlusalase info ülekannet tarneahelas. Teiste seas kasutavad selliseid süsteeme näiteks IBM, Hewlett -Packard ja Apple .
Sajaprotsendiliselt täpseid prognoose ei ole olemas ehk tuleb elada ebatäpsete prognoosidega ning neid vastavalt muutustele parandada. Prognoosimine võimaldab eelkõige vähendada varude suurust, kuna prognoos näitab teatud täpsusega, kui suur peab olema keskmine laoseis ning kui suured võiksid olla selle potentsiaalsed hälbed. Paraneb kaubandus- ja laopinna kasutamine, muutub tootevalik. (Slepuhhov 2006)
Prognoosimine on vahetult seotud varude juhtimisega. Seetõttu tekib teatud hetkel soov need valdkonnad veelgi tihedamalt omavahel kokku siduda, kusjuures nii üksiku ettevõtte kui ka tarneahela tasemel. Selline lähenemine eelkõige võimaldab vältida Forresteri efekti tekkimist, kus niigi ebatäpsed prognoosid annavad läbi tarneahela liikudes, lõpptootjale täiesti väära pildi tegelikkusest nõudlusest. Üks väga hea lahendus on kollaboratiivse planeerimise, prognoosi ja varude täiendamise süsteem (CPFR), mis hõlmab analüütilist, strateegilist ning rakenduslikku osa. Kõige arenenum on prognoosimine rõivastelogistikas, kuna valdkond eeldab pidevat vahetut kontakti lõpptarbijaga. Viimane trend selles sektoris on läbimisaegade optimeerimine. Paljud firmad, eelkõige sellised nagu Zara ja Benetton, suutsid peatada läbimisaegade kasvu ning isegi lühendada neid kuni 35-40%. See tähendab puhverladude drastilist vähenemist ning prognoosi täpsuse paranemist. (Slepuhhov 2006)
Teise piitsaefekti põhjustajana said välja toodud ratsionaliseerimispüüdlused ja seda eeskätt piiratud pakkumisega kauba puhul. Efektiivsuse tõstmiseks võib taolises olukorras rakendada teistsugust varude jaotust tarneahelas. Tuues näiteks jaemüüjad, siis nende tarnijad võiksid neist igaühele saata kaubakoguse, mis on proportsioonis vastava jaemüüja turuosaga. Sellist skeemi rakendab teiste seas näiteks General Motors.
Tellimuste kokkukuhjamise vastu aga aitavad samuti igasugused elektroonsed andmevahetussüsteemid, kuna need võimaldavad vähendada tellimiskulusid, mis on peamisteks kaupade kuhjumise põhjustajaks. Nii näiteks kasutab Nabisco taolist süsteemi eeskätt just selleks, et vähendada tellimiskulusid.
Neljandana välja toodud piitsaefekti põhjustaja (hindade kõikumine) vastu aitab tootjapoolne loobumine sagedastest hinnaalandustest, valides näiteks hoopis püsivalt soodsate hindade pakkumise strateegia. Sellist strateegiat kasutavad näiteks Procter & Gamble ja Kraft Every Day Low Price - strateegia nime all. (Lee et al 2004)
Tarneahela osaliste omavahel koostööd tehes ja tegevusinfot jagades saab kahandada varusid, suurendades nii tarneahela paindlikkust ja vähendades varudega seonduvaid kulusid. Sajandivahetusel Massachusettsi Tehnoloogiainstituudis tehtud uuring näitas, et tegevusinfo jagamine ja koostöö võimaldavad vähendada kogu tarneahela varudega seotud kulusid 40-70% (Hewitt 2001). Tarneahela partnerite integratsioon võimaldab vähendada muidugi ka horisontaaljooni ehk tegevuste ajakulu ( Kiisler 2011).
Enam kui tõenäoline, antakse teile
leida võimalusi olukorra parandamiseks, võttes osa või kõik järgmistest meetmetest, sealhulgas
teised, et vähendada "Bullwhip Effect" ja suurendada ettevõtte tulemuslikkust.
• Minimeeri tsükli ajal saavad prognoositud ja tegeliku nõudluse kohta.
• Luua jälgimiseks tegelik nõudlus toote lähedal reaalajas kui võimalik.
• Mõista toote nõudlusele igal etapil tarneahelas.
• elavdada ja kvaliteedi koostöös läbi ühiste nõuda teavet.
• vähendada või kõrvaldada andmed järjekorrad, et luua infovoogu hilinemisi.
• Likvideerida varude täiendamiseks meetodeid, mis käivitab nõudlus tükid sisse tarneahelas. Likvideerida soodustusi klientidele, mis otseselt põhjustavad nõudluse kuhjumise ja et lavastus
enne täiendamise taotluse, nagu maht transpordi allahindlusi.
• Minimeeri incentivized tutvustusi, mis paneb kliendid viivitada tellimuste ja seeläbi
katkestada siledam tellimine mustrid .
• Paku oma tooteid pidevalt head hinnad minimeerida osta siirete esitas poolt
ajutine Allahindluskampaaniaid.
• Määrata kindlaks ja soovitavalt kõrvaldada põhjus kliendi tellimuse vähendamisest või tühistamisest.
• Anda müüja juhitud inventuur (VMI) teenused, mida üheskoos planeerimine inventari vajadused
kliendi prognoositud lõppkasutaja nõudlus siis, jälgida tegelik nõudlus häälestada
tegelik VMI tasanditel. (Märkus: VMI võib suurendada müüki ja kasumit eriti sellistes tööstusharudes, kus
ostjad saavad minna alternatiivseid allikaid kui teie või teie edasimüüja stock -out).
How to Forestall Bullwhip Effect?
Deduce Centralized Demand Information
Production and supply of goods according to the demand will help to reduce bullwhip effect. To implement this strategy , it is important to analyze the statistics of consumers who demand the particular product. For example, if the product involved is a shaving cream , it is important to estimate the number of men in a particular region who might use shaving cream. This can be found by deducting the number of woman and children in the area of demand. There are several other factors such as income , age, price, preferences, customer satisfaction, etc., that determine the demand which needs to be analyzed in order to prevent bullwhip effect.
Reduce Variability in the Supply Chain
The reducing variability concept is simple and it will be clear from the following example. Suppose , there is a bike manufacturing company X which manufactures three different types of bikes, but produces same type of tires for their bikes. X supplies the bikes to a retailer company Y, which expects the bikes with different tire sizes. In this case , variability problem comes into existence. To avoid bullwhip effect, reducing the variability is advisable.
Implement Vendor Managed Inventory Strategy
Vendor Managed Inventory (VMI) is a strategy used in production sector, where the manufacture manages the quantity of the goods produced by his industry and the manufacturer will decide how much inventory he should ship to the retailer and how much inventory he should reserve in his stock.
Reduce the Lead Time of the Supply
Lead time is the time taken for a product to reach the customer from the time of placement of order. The three stages of lead time are preprocessing time, processing time and postprocessing time.

• Preprocessing time, which is also known as the planning time, is the time needed to decide on the quantity and quality of the required product, before placing the order.
  
• Processing time is the time required by the other company to manufacture the product.
  
• Post processing time is the time required to do the quarantine and inspection process , after manufacturing.
  

After the lead time, the product will be available in the inventory after receiving the item from the manufacture or retailer. Lead time can be reduced by measuring and eliminating the errors made during the lead time process. Lead time can also be reduced by using Electronic Data Interchange (EDI) strategy. "Just-in-Time" (JIT) is a popular strategy used by manufacturing and production companies to improve efficiency in their business.
Thus, for stable supply chain and development in the business growth, it is important to understand the causes and effects of bullwhip effect. Implement the business strategies and identify the errors that pull you down in your business; more importantly, analyze the supply chain process, and take the suitable decisions without precipitation, to tackle the demand variations.

VIIDATUD ALLIKAD
De La Fuente , D., Lozano, J. (2005). Application of distributed intelligence to reduce the bullwhip effect. International Journal of Production Research, Vol. 45, No. 8, 15 April 2007, 1815–1833
Hewitt, F. (2001). After supply chains, think demand pipelines. From the pages of Supply Chain Management Review, 5/1.
Kiisler. A. (2011). Logistika ja tarneahela juhtimine. TTÜ Kirjastus. Tallinn.
Lee, H. L., Padmanabhan, V., Whang, S. (2004). Information Distortion in a Supply Chain:
The Bullwhip Effect. – Management Science , no. 12, pp. 1875 - 1886.
Metters, R. (1997). Quantifying the ‘bullwhip’ effect in supply chains. – Journal of Operations
Management, no. 2, pp. 89 - 100.
Coppini, M., Rossignoli, C., Rossi , T., Strozzi, F. (2010). Bullwhip effect and inventory oscillations analysis using the beer game model. – International Journal of Production Research, no. 13, pp. 3943 - 3956.
Miragliotta, G. (2006). Layers and mechanisms: a new taxonomy for the bullwhip effect. – International Journal of Production Economics, no. 2, pp. 365 - 381.
Slepuhhov, S. (2006). Absoluutselt täpseid nõudluse prognoose ei eksisteeri. Äripäev
Sterman, J. D. (1989). Modeling managerial behavior : Misperceptions of feedback in a dynamic decision making experiment . – Management Science, no. 3 pp. 321 - 339.