Yedek parça stok optimizasyonu ve olasılıksal talep tahmini

Yedek parça stok optimizasyonu, her parça için tek bir rakam yerine olasılıksal bir tahmin, yani olasılıklarıyla birlikte bir talep aralığı üretildiğinde en iyi sonucu verir. Uygulamalı makine öğrenmesi danışmanlığı Data Department, otomotiv ve endüstriyel distribütörlerle bu yaklaşımı kullanarak stoku, eksik kalmanın maliyeti ile elde tutmanın maliyetine göre ve parça tipine göre belirler. Böylece kritik parçalarda bulunurluk korunurken stok maliyeti düşer.

Yedek parça talebini tahmin etmek neden bu kadar zor?

Yedek parçaların çoğu seyrek satılır. Tipik bir katalogda filtre, fren balatası gibi az sayıda hızlı dönen kalem ve yılda birkaç kez, çoğu zaman tek adet satılan uzun bir kuyruk vardır. Buna seyrek (aralıklı) talep denir: satışın sıfır olduğu çok sayıda dönem ve araya giren düzensiz siparişler.

Seyrek talep, alışılmış tahmin araçlarının doğru sonuç vermesini engeller. 0, 0, 3, 0, 0, 1 adet satmış bir parçanın hareketli ortalaması "ayda 0,67" der; bu hiçbir zaman gerçekleşmeyen bir rakamdır. Asıl soru başkadır: bir sonraki teslimat gelmeden bir veya daha fazla adete ihtiyaç duyulma olasılığı nedir ve kaç adet?

Yedek parçada üç zorluk daha vardır. Kataloglar büyüktür; çoğu zaman 100.000'i aşan aktif kalem içerir. Parçalar yeni numaralarla değişir ve birbirinin yerine kullanılır; bu yüzden bir parçanın geçmişi birkaç parça numarasına dağılır. Eksik kalmanın maliyeti de yüksektir, çünkü eksik bir parça müşterinin aracını veya makinesini durdurabilir.

Croston tipi yöntemler ile olasılıksal modeller arasındaki fark nedir?

Croston tipi yöntemler seyrek talep için klasik çözümdür. Basitçe anlatmak gerekirse, geçmişi iki ayrı seriye böler: sipariş geldiğinde ne kadar büyük olduğu ve iki sipariş arasında kaç dönem geçtiği. Her ikisini düzleştirir ve büyüklüğü aralığa bölerek ortalama bir talep hızı bulur. SBA (Syntetos-Boylan yaklaşımı) adlı bir türevi, bilinen yukarı yönlü sapmayı düzeltir. Bu yöntemler basit ve hızlıdır; hareketli ortalamaya göre daha iyi sonuç verir. Sınırları ise bir dağılım değil, tek bir ortalama hız vermeleridir. "Teslim süresi boyunca yaklaşık 1,1 adet" gibi bir sonuç verirler; ancak "%45 ihtimalle sıfır, %7 ihtimalle dört veya daha fazla" gibi bir dağılım bilgisi sunmazlar.

Olasılıksal modeller her parça için talep dağılımının tamamını tahmin eder: sıfır, bir, iki, üç adet talep olasılığı ve devamı. Parçanın kendi geçmişinden fazlasını kullanabilirler: bölgelere göre araç veya makine parkı, uyumluluk ve muadil parça verisi, mevsimsellik, hava durumu ve satış kanalı. Hiyerarşik Bayes modelleri seyrek parçalar için özellikle kullanışlıdır; benzer parçalardan bilgi ödünç aldıkları için geçmişi çok kısa olan bir parça için de makul bir dağılım elde edilir.

Stok kararı için önemli olan dağılımdır, çünkü stok seviyesi dağılımın üst kuyruğunun ne kadarını karşılamak istediğinize bağlıdır.

Her parçanın hizmet seviyesi ne olmalı?

Hizmet seviyesi, talebin veya ikmal döngülerinin stoktan karşılanmasını istediğiniz oranıdır. Her parça için aynı olmamalıdır. ABC/XYZ analizi iyi bir başlangıç noktasıdır:

• ABC, parçaları yıllık tüketim değerine göre sıralar. A parçalar değerin kabaca %80'ini oluşturan az sayıdaki kalemdir, B sonraki %15, C uzun kuyruktur.
• XYZ, parçaları talep oynaklığına göre sıralar. X parçaların talebi istikrarlıdır, Y dalgalıdır, Z seyrek ve öngörülmesi zordur.

İkisinin birleşimi, farklı politikalar gerektiren dokuz segment verir:

Kritikliği üçüncü boyut olarak ekleyin: aracı durduran ucuz bir parça, değerinin gösterdiğinden daha yüksek bir hizmet seviyesini hak eder.

Gazete satıcısı mantığı stok seviyesini nasıl belirler?

Gazete satıcısı (newsvendor) modeli, yöneylem araştırmasından basit bir kuraldır. Bir gazete satıcısı, talebi bilmeden kaç gazete alacağına karar vermek zorundadır. Satılmayan gazete zarara, kaçırılan satış ise marj kaybına yol açar. En iyi miktar, son adedi satma olasılığının kritik oran denen bir değere eşit olduğu noktadır:

Kritik oran = eksik kalmanın maliyeti ÷ (eksik kalmanın maliyeti + fazla kalmanın maliyeti)

Ardından, talep dağılımının bu olasılığa ulaştığı noktaya kadar stok tutarsınız. Düzenli olarak yeniden sipariş edilen yedek parçalarda "fazla kalmanın maliyeti", parçanın tüm bedeli değil, fazladan bir adedi bir ikmal döngüsü boyunca tutmanın yaklaşık maliyetidir.

Sayısal örnek: aynı tahmin, farklı kararlar

Aşağıdaki rakamlar varsayımsaldır ve yalnızca mantığı göstermek için seçilmiştir.

Olasılıksal model, iki parça için bir sonraki ikmal döngüsünde aynı talep dağılımını veriyor:

Beklenen talep 1,1 adettir. Nokta tahmin veya Croston tipi bir yöntem "yaklaşık 1" der ve çoğu sistem iki parçadan da 1 adet stoklar.

A parçası kritiktir. Eksik kalınan her adedin tahmini maliyeti 100 avrodur (acil sevkiyat artı kayıp marj). Fazladan bir adedi bir döngü boyunca tutmanın maliyeti 10 avrodur. Kritik oran = 100 ÷ 110 = 0,91. Kümülatif olasılığı en az %91 olan en küçük stok 3 adettir.

B parçası kritik değildir. Eksik kalmak da fazla tutmak da adet başına yaklaşık 10 avroya mal olur. Kritik oran = 10 ÷ 20 = 0,50. Doğru stok seviyesi 1 adettir.

A parçası için döngü başına beklenen maliyet, stokta 1 adet varken yaklaşık 59,50 avro, 3 adet varken yaklaşık 30,00 avrodur. Tahmin aynı olmasına karşın karar farklıdır ve beklenen maliyet yarı yarıya düşer. On binlerce parçada tasarrufun büyük kısmı buradan gelir.

Muadil ve yerine geçen parçalar tahmini nasıl değiştirir?

Bir parça numarası yenisiyle değiştirildiğinde veya birkaç parça birbirinin yerine kullanılabildiğinde talep geçmişi bölünür. Her numarayı ayrı tahmin etmek, grubun gerçek talebini olduğundan düşük gösterir ve stokun yanlış lokasyonda tutulmasına yol açar. Çözüm, değişim zincirlerini eşleştirmek, birbirinin yerine geçen parçaları grup düzeyinde tahmin etmek ve stoku gerçekten sevk edilecek parça numarasına dağıtmaktır. Muadil verisi seyrek parçaların tahminine de katkı sağlar; çünkü bir parça ailesinin talebi tek bir numaranınkinden daha istikrarlıdır.

Hangi sonuçları bekleyebilirsiniz?

100.000'den fazla aktif parçası olan büyük bir otomotiv dağıtım grubuyla yürüttüğümüz projede eski nokta tahminlerin yerine olasılıksal ve segmentlere ayrılmış modeller kurduk: sık satılan parçalar için gradient boosting, seyrek parçalar için muadil verisini kullanan hiyerarşik Bayes modelleri, yüksek değerli parçalar için temkinli modeller. Çözüm, AWS (Amazon Web Services) SageMaker üzerinde günlük çalışacak ve ERP (kurumsal kaynak planlama) ile planlama araçlarına entegre olacak şekilde tasarlandı. Elde edilen sonuçlar: yaklaşık %30 daha iyi tahmin doğruluğu ve yaklaşık %10 daha düşük stok taşıma maliyeti. Ayrıntılar için yedek parça projesine ve talep tahmini doğruluğu neden tek başına yeterli değildir yazısına bakabilirsiniz.

Sık sorulan sorular