CC BY
40Исследование зарубежного опыта классификации номенклатуры и прогнозирования потребности в запасных частях
Грызлов Артём Андреевич,
соискатель, Финансовый университет при Правительстве РФ artem_gr@bk.ru
Касаев Борис Султанович,
д.э.н., профессор, Финансовый университет при Правительстве РФ, bkasaev@mail.ru
В статье рассматриваются подходы к решению проблемы эффективного управления запасами. Анализируются подходы к классификации запасных частей и методы прогнозирования потребности в запасных частях. Обосновывается необходимость классификации запасных частей по типам спроса и выбора приемлемого метода прогнозирования. Утверждается, что применение специальных методов прогнозирования для запасных частей дает результат лучше, чем классические методы прогнозирования. Рассмотрен кейс по прогнозированию и управлению запасами запасных частей на примере Королевских военно-воздушных сил Великобритании (RAF). Классические методы прогнозирования основаны на допущениях не приемлемых для спорадического спроса на запасные части. Данные методы, как правило, приводят к избыточным запасам. На основе ранее рассмотренного кейса было доказано, что метод SBA является наиболее приемлемыми для запасных частей, позволяя сократить уровень запаса. Данная работа представляет интерес для организаций, имеющих дело с запасными частями, например авиакомпаний или ремонтных организаций. Предложенный подход позволяет выбрать наиболее подходящий метод прогнозирования потребности в запасе для эффективного управления запасами. С целью того, чтобы данная работа носила практический характер, автором работы выполнена реализация рассмотренных ранее методов прогнозирования в среде Microsoft Excel.
Ключевые слова: запасные части, запас, классификация запасных частей, методы прогнозирование потребности.
Введение. В современных условиях ведения бизнеса управление запасами становится одной из актуальных потребностей компании для повышения конкурентоспособности. На практике, менеджеры по управлению запасами сталкиваются с трудностями нахождения компромисса между минимизацией общих логистических издержек и максимизацией уровня логистического сервиса. Логистика запасных частей становится неотъемлемой часть управления цепями поставок. На сегодняшний день размер мирового рынка запасных частей превышает 400 млрд. долл. и продолжает расти. Согласно исследованию Deloitte Research, проведенного в 2006 году, доходы от оказания послепродажных услуг составляют в среднем 25% от общего дохода крупнейших мировых производственных компаний. Все больше компаний осознают стратегическую важность логистики запасных частей для обеспечения их доступности и как следствие сокращения цикла заказа, нахождения оптимального уровня запаса и повышения качества логистического сервиса. Основной целью любой системы управления запасами является достижение требуемого уровня логистического сервиса с минимально возможными логистическими издержками. Так, излишний запас запасных частей приводит к высоким затратам на содержание запаса и замораживанию денежных средств в запасе, тогда как дефицит запасных частей может привести к простоям оборудования, сложных технических систем и снижению качества логистического сервиса. Отказ оборудования, машины, технической системы может повлечь за собой высокие издержки для компании, поэтому своевременное устранение неполадки с наименьшими затратами становится первостепенной задачей для многих компаний. В большинстве случаев неполадки устраняются за счет замены запчасти либо по факту выявления неисправности, либо как превентивная мера в процессе технического обслуживания. Важнейшими особенностями систем снабжения запасными частями являются [5]:
■ глобальный характер подобных систем, сложность их структуры и функционирования;
■ включение в систему функций и органов ремонта вышедших из строя деталей и узлов;
■ колоссальное число планируемых номенклатур;
■ высокая цена хранения и «штрафов» за дефицит;
■ большая роль фактора взаимозаменяемости.
При этом поиск компромисса между уровнем логистического сервиса и издержками осложняется самой природой спроса на запасные части, имеющей стохастический и неравномерный характер, не подчиняющийся нормальному закону распределения, а также широкой номенклатурой. Таким образом, для эффективного управления запасами запасных частей необходимо рассмотреть методы прогнозирования, учитывающие данные особенности и подходы к классификации запасных частей.
Подходы к классификации запасных частей. Запасы запасных частей отличаются от запасов незавершенного производства и готовой продукции. Если запасы незавершенного производства и готовой продукции создаются для бесперебойного обеспечения товарно-материальными ценностями производственного процесса или клиентов, то запасные части предназначаются для поддержания исправности и работоспособности сложных технических систем (оборудования, автомобилей, самолетов и т.п.) [3]. Ghobbar и Friend выделяют четыре вида потребности в запасных частях [10]:
■ Прерывистый (intermittent) спрос, возникающий в случайном порядке с большим количеством периодов отсутствия потребности и незначительной вариацией объема потребности;
■ Неравномерный (erratic) спрос, имеющий высокую вариацию объема потребности в большей степени и вариацию частоты возникновения спроса в меньшей;
О
3
ю
5
г
5
сч ni £
Б
а
2 ©
■ Медленно меняющийся (slow moving) спрос, обладающий такими же характеристиками как и прерывистый спрос, но при этом объем потребности ограничивается одной или несколькими запасными частями;
■ Нестабильный (lumpy) спрос, который также характеризуется большим количеством периодов отсутствия потребности и высокой вариацией объема потребности.
В связи с тем, что запасные части характеризуются широким разнообразием по стоимости, номенклатуре, критичности для технического обслуживания (ТО) и вариативности спроса на них, то классификация запасных частей является важнейшим аспектом для принятия решений в области прогнозирования и управления запасами.
Boylan и Syntetos отмечают, что классификация номенклатуры запаса позволяет уделить достаточное внимание каждой группе, выбрать приемлемые методы прогнозирования и модели управления запасами, а также установить показатели оборачиваемости и уровня логистического сервиса по каждой группе [14]. В табл. 1 представлен анализ академической литературы связанной с классификацией запасных частей, проведенный Bacchetti и Saccani в 2011 году. Всего проанализировано 25 работ, 18 из которых предлагают методы классификация специально разработанные для запасных частей. Остальные 7 работ рассматривают нерегулярный спрос [7]. Из табл. 1 видно, что в большинстве работ рассматривается многокритериальный подход и только четыре работы предлагают использовать один критерий для классификации.
Среди предложенных критериев наиболее популярными являются стоимость запчасти (издержки хранения) и критичность отсутствия запасной части, которые отмечены в 15 работах. Объем спроса как критерий отмечается в 13 работах, неопределенность поставки (время восполнения запаса, наличие у поставщика, риски недопоставки) отмечена в 12 работах, а вариативность спроса в 8 работах.
При этом стоит отметить, что выбор критериев в первую очередь зависит от специфики бизнеса и будет индивидуален для каждой компании. В большинстве работ применяется количественный подход, основным из которых является ABC-анализ, как однокритериальный, так и многокритериальный. При этом качественные подходы нацелены на оценку
Таблица 1
Анализ подходов к классификации запасных частей [7]
Aarop(oi) Год Подход Методология
Одно Крите риаль ный Много Крите риаль ный Критерии Количеств, Качеств.
п < 0 i о о н <г Критичность X я о э 5 Я £ □ m s 5 £ го S х о г> г 0 ai в1 £ л ■о 0 л я Вариативность сп роса э "О о г А rt > to п и i и а X и Прочее МАИ •о 1 a a
Gelders and Van Looy 1978 X X X
Williams 1934 X X X
Duchessi et al. 1988 X X X X
Flores and Whybark 1988 X X X X
Yamashina 1989 X X X X
Ernst and Cohen 1990 X X X X X X
Petrovie and Petrovic 1992 X X X X X X
Gajpal et al. 1994 X X X X
Nagarur et al. 1994 X X X
Huiskonen 2001 X X X X X X
Sha ra f and Helmy 2001 X X X X X X X
Partovi and Anandarajan 2002 X X X X X
Braglia et al. 2004 X X X X X
Eaves and Kingsman 2004 X X X X
Syntetos et a!. 2005 X X X
Ramanathan 2006 X X X X X X
Zhou and Fan 2006 X X X X X X
Ne 2007 X X X X X
Boylan et al. 2008 X X X
Cavalier i et al. 2008 X X X X X X X
Chen et al. 2008 X X X X X
Chuet al. 2008 X X X X
Porras and Dekker 2008 X X X X X X
Persson and Saccani 2009 X X X X X X X
Syntetos et al. 2009 X X X
важности содержания запасной части в запасе, основанной на специфике ее использования или критичности.
Так Сфа! Р.Р предложил VED-анализ на основе метода аналитической иерархии, позволяющий выделить три группы запасных частей: жизненно важные, необходимые и второстепенные [9]. Кроме того, большинство подходов [7] представленных в табл. 1.носят теоретический характер и могут встретить трудности при практическом использовании. Лишь несколько работ были успешно
реализованы на практике, которые целесообразно рассмотреть далее.
АВС-анализ предложенный R. Ramathan осуществляет классификацию по взвешенному критерию.
Веса критериев определяются с помощью метода аналитической иерархии. После получения взвешенного критерия дальнейшие этапы аналогичны классическому АВС-анализу [13]. В качестве критериев выбраны [13]:
-цена закупки - вес критерия 0,18;
Рис. 1. Разделение спроса на регулярный и нерегулярный [11].
СVs
ADI = 1,32 (граница)
CVS= 0,49 (граница)
Неравномерный (умеренно прерывистый) спрос Нестабильный спрос
"Плавный" спрос Прерывистый (умеренно неравномерный) спрос
ADI
Рис.2. Классификация методов прогнозирования, предложенная J.E. Boylan [14].
-общая стоимость отгруженных запасных частей - вес критерия 0,30;
-критичность отсутствия - вес критерия 0,52.
Если первые два критерия в представлении не нуждаются, то стоит пояснить значение третьего критерия. Критичность отсутствия запасной части определяется в соответствии со списком рекомендованных к хранению запасных частей (Recommended Spare Part List), составляемый производителем. Выделяется три уровня критичности:
-рейс не может быть выполнен с неисправной деталью;
-рейс может быть выполнен с неисправной деталью в зависимости от указаний в Перечни Минимального Оборудования (MEL);
-рейс всегда может быть выполнен с неисправной деталью.
Таким образом, для деталей первого уровня критичности устанавливается значение 1, для второго - 0,5 и третьего -0,01[25,3].
М. Ка^БС^й! рассматривает кейс производителя бытовой техники. В данном кейсе цепь поставок является многоуровневой, в которой клиентами выступают не конечные потребители, а чаще ремонтные организации, импортеры, оптовики и дочерние компании. Авторы предают особое значение различиям между клиентами как источнику нестабильности, так как размер компании сильно влияет на размер и частоту заказов.
Авторы разделили спрос на два вида: постоянный спрос, формируемый маленькими и частыми заказами, и нерегулярный спрос, формируемый крупными и редкими заказами [11]. Данное разделение наглядно показано на рис. 1. Для постоянного спроса применяется прогнозирование на основе простого экспоненциального сглаживания, а также модель управления запасами с фиксированным размером заказа.
Для нерегулярного спроса используется метод прогнозирования предложенный Кростоном, где прогнозное значе-
ние и будет являться размером заказа на пополнение запаса. В результате авторам удалось сократить затраты на содержание запаса на 75% и 69,5% при уровне обслуживания в 83% и 95% соответственно [11].
В связи с нерегулярным/спорадическим спросом на запасные части, и.Е. Воу1ап предложил классификацию нерегулярного спроса основанную на двух критериях: коэффициента вариации объема потребности в квадрате (СТ2) и среднего количества периодов между возникновением спроса (ДО!) [14]:
,
(1)
где ст - стандартное отклонение, единиц; х - средняя арифметическая величина статистического ряда, единиц.
ADI =
(2)
N
где ti - период между двумя последовательными спросами, единиц; N - количество периодов с ненулевым спросом.
На рис. 2 представлена классификация спроса, предложенная J.E. Boylan [14,3].
Если обозначить границу ADI как x, а границу CV2 как у, то имеем следующие характеристики для каждой группы:
Если ADI < x, CV2 < у, то спрос не является сильно прерывистым и неравномерным, например высоко оборачиваемые запасные части, которые не имеют трудностей с прогнозированием или управлением запасами.
Если ADI > x, CV2 < у, то спрос характерен для низко оборачиваемых запасных частей с прерывистом спросом и постоянной или слабой вариацией объема потребности (умеренно неравномерный).
Если ADI > x, CV2 > у, то данный спрос является нестабильным.
Если ADI < x, CV2 > у, то спрос является неравномерным с довольно частыми периодами возникновения спроса (умеренно прерывистый) [14].
Значения критериев (CV2 = 0,49, ADI = 1,32) получены в результате анализа истории спроса 3000 номенклатурных позиций автозапчастей в течение двух лет.
Ghobbar и Friend также использовали данные значения критериев для анализа спроса на авиационные запасные части. Использование данной классификации позволяет выбрать наиболее приемлемые методы прогнозирования [10].
О
3
ю
5
г
5
см
1Л £
Б
а
2 ©
Подводя итог, можно сказать, что если спрос не подчиняется нормальному закону распределения то, скорее всего, возникнут трудности с прогнозированием потребности. Понимание источника неопределенности спроса позволяет менеджеру повлиять на источник и тем самым снизить неопределенность. Целью классификации номенклатуры является выбор наиболее подходящих методов прогнозирования. При этом критериями для классификации являются коэффициент вариации объема потребности в квадрате и среднего количества периодов между возникновением спроса.
Методы прогнозирования потребности в запасных частях. Существуют два основных подхода к прогнозированию потребности в запасе: количественный и качественный. Сочетание качественного и количественного подхода формирует комбинированный подход, в котором результаты количественного подхода корректируются в соответствии с экспертными оценками [6].
Качественный подход к прогнозированию потребности в запасе строится на основе суждений, интуиции и экспертных оценках специалистов. В данном подходе не используются строгие математические вычисления, а результат прогноза имеет субъективный характер. Количественный подход к прогнозированию потребности в запасе строится на основе накопленной статистики потребления за прошедшие периоды или статистики изменения фактической величины спроса [3].
Рассмотрим наиболее известные методы, применяющиеся на практике. К таким методам можно отнести прогноз на основе скользящего среднего значения потребности в запасе и метод экспоненциального сглаживания, которые можно считать классическими. Однако данные методы не являются эффективными при работе с нерегулярным/спорадическим спросом по следующим причинам:
■ классические методы не учитывают наличия большего количества периодов нулевого потребления;
■ классические методы не обращают внимания на функции распределения прогноза спроса во время выполнения заказа.
Использование неправильных методов прогнозирования потребности в запасных частях ведет либо к образованию дефицита и как следствие отменам заказов, либо к избыточному запасу, что влечет за собой рост логистических издержек. В связи с этим необходимо также
рассмотреть методы, учитывающие данные особенности, а именно метод Крос-тона (Сгоз1оп'зтеШой) и метод SBA ^уп1е1о8-Воу1апАрргох1та1юп).
Метод прогнозирования на основе скользящего среднего значения потребности в запасе использует значение средней арифметической величины потребности за прошедшие периоды наблюдений. Скользящая средняя рассчитывается по формуле (3) [6,3].
_ Ei
Pi =——
(3)
п
где р - прогнозируемый объем потребности в периоде времени j, единиц; I - индекс предыдущего периода времени; р - объем потребления в предыдущем периоде времени I; п - число периодов, используемых в расчете скользящей средней [6].
Метод простого экспоненциального сглаживания основывается на учете значения прогноза предыдущего периода и его отклонения от фактического значения. Прогнозируемое значение рассчитывается как сумма значения фактической потребности в предыдущем периоде и прогнозируемого значения предыдущего периода, умноженные на соответствующее значение константы сглаживания. Прогнозное значение определяется по формуле (4) [6,3].
Р. = а Р1 + (1 - а) Р.., (4)
где Р. - прогнозируемый объем потребности в периоде времени единиц; а - константа сглаживания; Р, - фактическая потребность в периоде (.-1), единиц; Р.-1 - прогнозируемый объем потребности 13 периоде (.-1), единиц [6].
Когда количество периодов между возникновением спроса является большим, прогноз методом простого экспоненциального сглаживания приводит к завышенным результатам сразу после возникновения спроса и к заниженным после возникновения спроса. Для таких ситуаций Кростон внес корректировки в метод простого экспоненциального сглаживания. Согласно подходу Кростона, прогноз обновляется только для периодов с ненулевым спросом. При возникновении спроса обновляются два значения с помощью простого экспоненциального сглаживания: объем потребности и количество периодов между возникновением спроса. При нулевом спросе прогнозные значения не меняются [8,3]. Таким образом: если Р1 = 0,
то К = К-1, ' (5)
d. = j (6) Если F1 > 0,
то K ='a Fj + (1 - a) К,, (7) D = a FDj.1 -+(1 - a) DH, (8) где К - прогнозируемое количество периодов между возникновением спроса в периоде времени j, единиц; К, - прогнозируемое количество периодов между возникновением спроса в периоде времени j-1, единиц; D - прогнозируемый объем потребности в периоде времени j, единиц; Dj_1 - прогнозируемый объем потребности в периоде (j-1), единиц; a -константа сглаживания; Fj - фактическое количество периодов между возникновением спроса в периоде времени j-1, единиц; FDj-1 - фактический объем потребности в периоде (j-1), единиц [3].
Соответственно прогнозное значение p. определяется по формуле (9). j Pj = Dj / К, (9)
где Pj - прогнозируемый объем потребности в периоде времени j, единиц; Dj - прогнозируемый объем потребности в периоде времени j, единиц; К - прогнозируемое количество периодов между возникновением спроса в периоде времени j единиц [3].
Многие авторы отмечают превосходство метода Кростона над классическими методами прогнозирования при работе с нерегулярным спросом. Так, Willemain отмечает, что метод Кростона дает результаты лучше чем простое экспоненциальное сглаживание, хотя иногда расхождения незначительны [16].
При этом Syntetos and Boylan отмечают, что метод Кростона работает лучше при значение среднего количества периодов между возникновением спроса больше 1,25. Кроме того, метод Кростона довольно просто в реализации. Недостатком метода Кростона является ряд допущений, сделанных автором, таких как:
■ нормальное распределение объема потребности;
■ спрос возникает согласно распределению Бернулли;
■ независимость между объемом потребности и периодом между возникновением спроса;
■ независимость между последовательно возникающим объемом потребности и периодом между возникновением спроса.
Тем не менее, метод Кростона получил широкую огласку и используется во многих компаниях. Кроме того, существует большое количество его различных модификаций. Так, Syntetos и Boylan показали, что при использовании метода
Таблица 2
Результаты оценки точности прогноза [17]
Методы прогнозирования
Период л рогноза Ошибка Метод SB А Экспоненциальное сглаживание Метод Кростона Скользящая средняя
Прогноз на един период
Квартал МАО 19,43 20,08 20,79 19,37
MRSE 26,53 26,% 27,62 27,15
МАРЕ 110,58 117,62 127,3 119,®
Месяц МАО 9,5 9,22 9,81 8,71
MRSE 14,22 14,04 14,38 13,92
МАРЕ 95,94 101,06 98,46 102,%
Неделя МАО 3,47 3,11 3,52 2,94
MRSE 6,44 6,28 6,46 6,24
МАРЕ 90,32 94,2 90,42 95,68
Прогноз потребности во «рема выполнения заказа по всем периодам
Квартал МАО 16,88 14,88 18,6 15,29
MRSE 21,56 19,56 25,16 19,86
МАРЕ 200,2 173,29 303,95 181,07
Месяц МАО 5,3 5 5,77 5,18
MRSE 6,66 6,63 7,16 6,79
МАРЕ 300,78 174,76 342,52 182,48
Неделя MAD 1,36 1,17 1,45 1Д1
MRSE 1,72 1,56 1,81 1,59
МАРЕ 322,5 171,29 348,63 179,25
Потребности so время выполнения заказа по периодам, когда возникает спрос
Квартал MAD 16,61 16,46 18 16,43
MRSE 21,09 19,95 24,42 20,69
МАРЕ 144,4 254,14 216,74 233,8
Месяц МАО 5,46 5,71 6,02 5,66
MRSE 7,19 6,93 8,24 7,16
МАРЕ 172,05 256,78 222,7 233,42
Неделя МАО 1,57 1,38 1,79 1,34
MRSE 2,27 1,66 2,76 1,7
МАРЕ 173,84 252,72 226,3 228,12
Кростона систематическая ошибка смещения увеличивается при увеличении вариации объема потребности и большом количестве периодов между возникновением спроса. С целью снижения данной ошибки был предложен метод SBA (Syntetos-Boylan Approximation), в котором прогнозное значение умножается на коэффициент (1-a/2) [14,3]:
D,
Р il „2)
' К ,
(10)
где P - прогнозируемый объем потребности в периоде времени j, единиц; a - константа сглаживания; D - прогнозируемый объем потребности в периоде времени j, единиц; К - прогнозируемое количество периодов между возникновением спроса в периоде времени j [3].
Другим методом прогнозирования нерегулярного спроса является бутстрап-пинг, предложенный Willemain. Данный
подход не требует допущений о распределении спроса, так как мы сами будем формировать распределение объема потребности. Для этого необходимо из статистики случайным образом отобрать k периодов, где k время выполнения заказа и просуммировать объемы потребности в эти периоды. Повторять процедуру до тех пор, пока не сформируется достаточное количество k-наборов, после чего можно определить распределение вероятностей частоты спроса во время выполнения заказа [16].
Для оценки точности прогноза традиционно используются показатели ошибки прогноза, такие как: средняя абсолютная ошибка (MAD), среднеквадра-тическая ошибка (RMSE) и средняя относительная (MAPE).
Практический кейс. Для наглядности и понимания какой из рассмотренных методов прогнозирования является наиболее точным целесообразно рас-
смотреть кейс по прогнозированию и управлению запасами запасных частей на примере Королевских военно-воздушных сил Великобритании (RAF). RAF обладает большим запасом запасных частей, насчитывающий порядка 685000 номенклатурных позиций с общей стоимость более 2 млрд. долл. При этом менее половины номенклатурных позиций были использованы за предыдущие 2 года. Значительная часть запаса имеет прерывистый и медленно меняющийся характер спроса с редкими периодами потребления, что создает проблемы при прогнозировании потребности в запасе [17].
В качестве исходных данных для прогноза была использована история спроса по 18750 номенклатурным позициям с различными типами спроса.
Для построения прогноза использовались следующие методы: прогноз по скользящей средней (12 месяцев), простое экспоненциальное сглаживание, метод Кростона и метод SBA. Оценка точности осуществлялась с помощью средней абсолютной ошибки (MAD), средне-квадратической ошибки (RMSE) и средней относительной ошибки (MAPE) поквартально, по месяцам и неделям. При этом рассматриваются 3 сценария прогноза: прогноз на один период вперед, прогноз потребности во время выполнения заказа по всем периодам и прогноз потребности во время выполнения заказа по периодам, когда возникает спрос. Результаты оценки точности прогноза представлены в табл. 2 [17].
Из табл. 2 видно, что ни один подход не является лучшим для всех 3 сценариев. Метод SBA даёт наименьшую ошибку MAPE при прогнозе на один период вперед, в то время как прогноз по скользящей средней даёт наименьшую ошибку MAD. Простое экспоненциальное сглаживание является наилучшим вариантом для прогноза потребности во время выполнения заказа по всем периодам. Метод SBA показывает хорошие результаты прогноза потребности во время выполнения заказа по периодам возникновения спроса, хотя экспоненциальное сглаживание дает наименьшую ошибку RMSE.
Вполне очевидно, что при уменьшении периода прогнозирования ожидаемый спрос будет снижаться и MAPE будет возрастать.
Тем не менее, есть случаи, когда MAPE снижается при уменьшении периода прогнозирования, что может быть обусловлено различными константами сглаживания для каждого периода, различным количественным соотношением нулево-
0 г
ю
S
г
5
CM ni £
Б
2 ©
го спроса и невозможностью вычислить МАРЕ при нулевом спросе. С помощью ретроспективного моделирования авторы рассчитали средний уровень запаса при использовании каждого метода прогнозирования, результаты которого представлены в табл.3.
Из табл.3 видно, что метод SBA обеспечивает наименьший уровень запаса во всех случаях за исключением поквартального прогноза средне прерывистого спроса, где простое экспоненциальное сглаживание дает лучший результат. Наилучший результат достигается при недельном прогнозировании методом SBA. Кроме того, авторы выразили уровень запаса в денежном выражении и определили, насколько увеличится запас в денежном выражении при использовании других методов прогнозирования относительно понедельного прогноза методом SBA. Результаты представлены в табл.4, из которой видно, что использование простого экспоненциального сглаживания повлечет за собой увеличение запаса на 4,67 млн. фунтов, а в пересчете на все имеющиеся номенклатурные позиции инвестиции в запас составят порядка 285 млн. фунтов или 13,6% от общей стоимости запаса [17].
Таким образом, метод SBA можно считать одним из наилучших методов прогнозирования потребности в запасных частях, которая характеризуется нерегулярным, медленно меняющимся и прерывистым спросом.
Выводы. Прогнозирование потребности в запасе является одним из ключевых аспектов управления запасами и берется за основу для дальнейшего планирования уровня запаса. Одним из сложнейших аспектов прогнозирования является работа с нерегулярным спросом характерным для запасных частей. Менеджеры по управления запасами, например в автомобильной или авиационной промышленности, постоянно имеют дело со спросом, имеющим высокую вариативность, как по объему потребности, так и по частоте возникновения спроса.
Классические методы прогнозирования основаны на допущениях не приемлемых для спорадического спроса на запасные части. Данные методы, как правило, приводят к избыточным запасам. На основе ранее рассмотренного кейса было доказано, что метод SBA является наиболее приемлемыми для запасных частей, позволяя сократить уровень запаса. Данная работа представляет интерес для организаций, имеющих дело с запасными частями, например авиаком-
Таблица З.
Средний уровень запаса по типам спроса [17]
Таблица 4.
Стоимость запаса относительно понедельного прогноза методом вВА [17]
Методы прогнозирования
Период прогноза Метод SEA Экспоненциальное сглаживание Метод Просто на Скользящая средняя
Квартал 0,97 2,4 U2 23,32
Месяц 0,23 5,37 0,3В 20,14
Неделя 0 4,67 0,1 194
пании или ремонтных организации.
Предложенный подход позволяет выбрать наиболее подходящий метод прогнозирования потребности в запасе для эффективного управления запасами. С целью того, чтобы данная работа носила практический характер, автором работы выполнена реализация рассмотренных ранее методов прогнозирования в среде Microsoft Excel.
Литература
1. Бауэрсокс Д.Дж, Клосс Д.ДЖ. Логистика. Интегрированная цепь поставок.-М.: ОЛИМП-БИЗНЕС, 2001. - 640c.
2. Букан Дж., Кенигсберг Э. Научное управление запасами - М.: Наука, 1967. - 424с.
3. Корпоративная логистика в вопросах и ответах / Под общ. и науч. ред. проф. В.И. Сергеева. - 2-е изд., перераб. и доп. - М.: ИНФРА-М, 2013. - 634с.
4. Рыжиков Ю.И. Теория очередей и
управления запасами. - М.:Питер, 2001. - 384 с.
5. Стерлигова А.Н. Управление запасами в цепях поставок. - М.: ИНФРА-М, 2008. - 430с.
6. Bacchetti, A., Saccani, N. (2011). Spare parts classification and demand forecasting for stock control: Investigating the gap between research and practice. Currently under review, OMEGA: International Journal of Management Science, inpress. 10 (8), 723-737.
7. Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3), 289303.
8. Gajpal PP, Ganesh LS, Rajendran C. (1994). Criticality analysis of spare parts using the analytic hierarchy process. International Journal of Production Econom-ics;35:293-7.
9. Ghobbar, A.A., Friend, C.H. (2002). Sources of intermittent demand for aircraft spare parts within airline operations. Journal of Air Transport Management 8 (4), 221-231.
10. Kalchschmidt, M., Zotteri, G., Verganti, R. (2003). Inventory management in a multi-echelon spare parts supply chain. International Journal of Production Economics 81-82, 397-413.
11. Nagarur, N.N., Hu, T., Baid, K. (1994). A Computer based Inventory Management System for Spare Parts. Industrial Management & Data Systems 94, 22-28.
12. Ramathan, R. (2006). ABC inventory classification with multiple-criteria using weighted linear optimization. Computers & operations research, 33, 695700.
13. Syntetos, A. A., & Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21, 303-314.
14. Syntetos, A.A., Keyes, M., Babai, M.Z. (2009). Demand categorisation in a European spare parts logistics network. International Journal of Operations & Production Management 29, 292-316.
15. Willemain TR, Smart CN, Shockor JH and DeSautels PA. (1994). Forecasting intermittent demand in manufacturing: a comparative evaluation of Croston's method. Int J Forecasting 10: 239-538
16. A. H. C. Eaves and B. G. Kingsman. (2004). Forecasting for the Ordering and Stock-Holding of Spare Parts. The Journal of the Operational Research Society 55 (4), 431-437.
Prerequisites of formation of the mechanism of management of a sustainable development of the enterprise in modern conditions Gryzlov A.A., Kasayev B.S. Financial University under the Government of the Russian Federation
In article approaches to a solution of the problem of effective management of stocks are considered. Approaches to classification of spare parts and methods of forecasting of need for spare parts are analyzed. Need of classification of spare parts by types of demand and the choice of the acceptable forecasting method is proved. It is claimed that application of special methods of forecasting for spare parts yields result better, than classical methods of forecasting. The case on forecasting and stockpile management of spare parts on the example of the Royal Air Force of Great Britain (RAF) is considered. Classical methods of forecasting are based on the assumptions which aren't accepted for sporadic demand for spare parts. These methods, as a rule, lead to excess stocks. On the basis of earlier considered case it has been proved that the SBA method is the most acceptable for spare parts, allowing to reduce stock level. This work is of interest to the organizations dealing with spare parts, for example airlines or the repair organizations.
Keywords: spare parts, stock, inventory, spares classification, demand forecasting methods.
References
1. Bowersox D.J, Closs D.J. Logistics.
Integrated supply chain .- Moscow: OLYMPUS BUSINESS, 2001. - 640c.
2. Bukan J., Koenigsberg E. Scientific
management of stocks - M .: Nauka, 1967. - 424p.
3. Corporate logistics in questions and
answers / Under total. And scientific. Ed. Prof. IN AND. Sergeeva - 2 nd ed., Pererab. And additional. - Moscow: INFRA-M, 2013. - 634p.
4. Ryzhikov Yu.I. The theory of queues
and inventory management. - M.: Peter, 2001. - 384 p.
5. Sterligova AN. Inventory management
in supply chains. - Moscow: INFRA-M, 2008. - 430s.
6. Bacchetti, A, Saccani, N. (2011).
Spare parts classification and
demand forecasting for stock control: Investigating the gap between research and practice. Currently under review, OMEGA: International Journal of Management Science, inpress. 10 (8), 723-737.
7. Croston, J. D. (1972). Forecasting and
stock control for intermittent demands. Operational Research Quarterly, 23 (3), 289-303.
8. Gajpal PP, Ganesh LS, Rajendran C.
(1994). Criticality analysis of spare parts using the analytic hierarchy process. International Journal of Production Economics, 35: 293-7.
9. Ghobbar, AA, Friend, C.H. (2002).
Sources of intermittent demand. Journal of Air Transport Management 8 (4), 221-231.
10. Kalchschmidt, M., Zotteri, G., Verganti, R. (2003). Inventory management in a multi-echelon spare parts supply chain. International Journal of Production Economics 81-82, 397-413.
11. Nagarur, N.N., Hu, T., Baid, K. (1994). A Computer based Inventory Management System for Spare Parts. Industrial Management & Data Systems 94, 22-28.
12. Ramathan, R. (2006). ABC inventory classification with multiple-criteria using weighted linear optimization. Computers & operations research, 33, 695-700.
13. Syntetos, A A, & Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21, 303-314.
14. Syntetos, A A, Keyes, M., Babai, M.Z. (2009). Demand categorization in a European spare parts. International Journal of Operations & Production Management 29, 292316.
15. Willemain TR, Smart CN, Shockor JH and DeSautels PA (1994). Forecasting intermittent demand in manufacturing: a comparative evaluation of Croston's method. Int J Forecasting 10: 239-538
16. A H. C. Eaves and B. G. Kingsman. (2004). Forecasting for the Ordering and Stock-Holding of Spare Parts. The Journal of the Operational Research Society 55 (4), 431-437.
О À
I
i? 5
