资讯的价值(1)(2)资料教材.pptVIP

CH4 資訊的價值 內容大綱 長鞭效應(Bullwhip Effect) 導致長鞭效應的主因 長鞭效應之量化 集中式資訊下長鞭效應之影響 分散式資訊下長鞭效應之影響 減少長鞭效應的方法 目標衝突的供應鏈設計 簡介 我們生活在「資訊」的時代中。 資訊取代了存貨。 說明資訊如何影響供應鏈的設計與運作。 藉由有效地利用可取得的資訊，可比以前更有效果、更有效率地設計與運作供應鏈。 資訊的價值 協助減少供應鏈的變異性。 協助供應商作更好的預測，即說明促銷市場的改變。 使製造和配銷系統與策略能夠協調。 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。 使零售商能更快地反應及適應供應方面的問題。 使前置時間能減少。 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。 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 長鞭效應之量化 把供應鏈中每一個階段會發生的變異性加以數量化。這麼一來將可有效的顯示出變異性增加的規模大小，也能顯示出預測技術、前置時間、及變異性增加之間的關係。 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 長鞭效應之量化 假設： 零售商所見顧客需求的變異數為Var(D) 零售商下給製造商的訂單變異數為Var(Q) 則相對於顧客需求的變異數 應滿足下式 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 當p很大、L很小時，根據預測錯誤的長鞭效應是很小的。 長鞭效應會隨著我們增加前置時間L、減少p而擴大。 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。 集中式資訊下長鞭效應之影響 集中需求資訊下，供應鏈中每一個階層都收到零售商所預測的平均需求。 可以計算出供應鏈中第k個階層所下訂單的變異數Var(Qk)，相對於顧客需求的變異數Var(D)，可得下面式子： 集中式資訊下長鞭效應之影響 Li表在第i階層及i+1階層間的前置時間 舉例來說： 零售商到批發商前置時間為兩期，即L1=2 批發商到配銷商前置時間也是兩期，即L2=2 配銷商到工廠前置時間也是兩期，即L3=2 這情形下從零售商到工廠全部的前置時間為L1+L2+L3=6 集中式資訊下長鞭效應之影響 此第k個階層所下的訂單變異數相似之前所述，不同在於前置時間必須以k階層的前置時間。 在此可發現供應鏈中某一階層所下訂單的變異數是該階層與零售商之間全部前置時間的增加函數。 這表示供應鏈的階層數越多，訂單的變異數會越大。 分散式資訊下長鞭效應之影響 分散式資訊下，供應鏈中每一個階層都必須各自採用p期移動平均法來預測下一階層的訂單需求。 依據此系統可以計算出供應鏈中第k個階層所下訂單的變異數Var(Qk)，相對於顧客需求的變異數Var(D)，可得下面式子： 分散式資訊下長鞭效應之影響 此處的變異性在供應鏈每一階層是以乘數在增加。 訂單的變異性會隨向供應鏈上移而增加，因此批發商所下之訂單的變異性會大於零售商。 集中資訊與否變異性之差異 集中式資訊下，供應鏈中訂單的變異數是依所在階層之總前置時間逐漸累加的。 分散式資訊下，供應鏈中卻是依成數增加。 然而，即使在需求資訊完全集中下，且供應鏈中每一階層都可使用相同的預測技術及存貨政策，長鞭效應還是會存在的，只是影響程度較小而已。 集中資訊與否變異性之差異 由下圖可發現，當Li=1時，k=1、k=3與k=5所下訂單，在集中資訊與分散資訊下之變異性。 減少長鞭效應的方法 1.透過資訊技術的應用，改變訂單作業程序。 傳統供貨流程 供應商與零售商之互動性低 各自的作業流程 資訊交