称之为长鞭效应bullwhipeffect.ppt

內容 5.1 簡介 5.2 長鞭效應 5.3 資訊分享與誘因 5.4 有效的預測 5.5 系統協調的資訊 5.6 找出需要的產品 5.7 前置時間的縮短 5.8 資訊與供應鏈的取捨 5.9 資訊的邊際價值遞減 5.1 簡介（1） 我們生活在「資訊」的時代中 “In modern supply chains, information replaces inventory”（資訊取代了存貨） Why is this true? Why is this false? Information is always better than no information 資訊如何影響供應鏈的設計與運作 我們藉由有效地利用可取得的資訊，我們可以比以前更有效果及更有效率地設計與運作供應鏈 簡介（2） 豐富的資訊將： Helps reduce variability（協助減少供應鏈的變異性） Helps improve forecasts （協助供應商作更好的預測） Enables coordination of systems and strategies （使製造和配銷系統與策略能夠協調） Improves customer service （藉由提供工具來配置所需的商品項目，使零售商能提供顧客更好的服務） Facilitates lead time reductions （使前置時間能減少） Enables firms to react more quickly to changing market conditions （使零售商能更快地反應及適應供應方面的問題） 長鞭效應(Bullwhip Effect) 何謂長鞭效應(Bullwhip Effect)？ 在供應鏈中愈往上游走，訂單數量變異性愈增大的現象就是長鞭效應。 長鞭效應(Bullwhip Effect) 為了解決訂購數量問題，批發商必須要依據零售商所下的訂單來做預測。 零售商所下的訂單變動會比外部需求高。 批發商被迫持有較零售商多的安全存貨，或保持較高存貨以維持服務水準。 同樣的結果發生在配銷商與工廠上，產生更大的變異與存貨水準，進而造成更高的成本。 導致長鞭效應的主因 傳統存貨管理面的因素 需求預測的變異 前置時間 批量訂購 供應鏈成員對於市場力量的反應 價格波動 被誇大的訂單 5.2.1 長鞭效應之量化 若能將供應鏈的長鞭效應加以數量化與模式化，那麼就可有效了解供應鏈各階層所面對需求變異。 同時也也可顯示出預測技術、前置時間以及增加變異性之間的關係，進而加以控制與改善 。 基本存貨水準： 長鞭效應之量化 在一個二階層的供應鏈中假設 零售商面對一個固定的前置時間L 採用(s,S)存貨政策 需求預測採用p期移動平均法 根據需求預測Yt為t期的訂購量上限 長鞭效應之數量化 過去學者在供應鍊各階層使用移動平均法來預測需求的假設條件下，推導出上下游廠商需求變異的比例。 長鞭效應之量化 下圖顯示變異數值增加的下限，在不同前置時間L下，為p的函數。 長鞭效應之量化 舉例來說： 假設零售商根據最近五個觀察值，即p=5來計算平均需求。 在t期期末所下訂單在t+1期期初被收到，即L=1。 在這情形下，零售商從製造商收到訂單的變異數，將會較零售商本身所看見的顧客需求多48%即： 長鞭效應之量化 舉例來說： 當零售商根據最近十個觀察值來預測時，即p=10來計算平均需求。 在這情形下，零售商從製造商收到訂單的變異數，將會較零售商本身所看見的顧客需求多22%即： 換句話說，使用移動平均法時，增加的觀察的次數，零售商將可大大降低他給製造商的訂單變異性。 5.2.2 長鞭效應下資訊集中的影響 降低長鞭效應常被提出的建議就是在供應鏈中集中需求的資訊。 即根據實際的顧客需求，在供應鏈中每一個階層提供完整的資訊 若需求資訊是集中的，那麼在供應鏈中的每一個階層都可使用正確的顧客需求資料，並以此產生正確的預測，而不是依賴前幾個階層來的訂單，而其可能會比真實的顧客需求變動的更多。 5.2.2 長鞭效應下集中式資訊之影響 集中式供應鏈 集中式供應鏈的每一個階層，接受到零售商所預測的平均需求資訊，並且根據此平均需求訂購存貨上限水準的存貨政策。 在此情形下，將需求的資訊、預測的技術，及存貨政策集中化處理。 5.2.2 長鞭效應下資訊集中的影響 供應鏈中某一階層所下訂單的變異數，是此階層與零售商之間的全部前置時間的遞增函數。 愈往供應鏈的上游階層，其訂單的變異數則愈大。 5.2.2 長鞭效應下資訊集中的影響 分散式供應鏈中，零售商不會提供其需求平均與變異數預測給供應中的其他成員，批發商必須根據零售商所下的訂單估計其需求平均與變異數。 批發商必須要根據從零售商那裡收到的訂單，計算平均需