Höst 14 Beergame Inlämningsuppgift Eriksson, Sofia Larsson, Josefin Leinar, John Nyman, Hanna Supply Chain Management & Industriell Marknadsföring, 722A29
Bakgrund och Syfte Beer Game är ett spel som simulerar en distributionskedja från en ölproducent hela vägen till konsument, genom ett antal distributionssteg. Vi anser att syftet med spelet var att förstå vikten av informationsutbyte mellan de olika stegen i kedjan samt att skapa en ökad förståelse för vad som kan hända om informationsutbytet är bristfälligt, eller som i spelets fall: icke- existerande. Frågeställningar 1. Mata in respektive stations Lagda order i Excelfilen Beer Game excelmodell 2. Diskutera varför kurvorna ser ut som de gör. Är det någon speciell aktör som orsakar problemen? Är det enstaka händelser som orsakar problemen eller är det systematiska misstag? 3. Vad kunde ha gjorts annorlunda? Kunde svängningarna ha undvikits helt och hållet? Om ni inte tycker det, vad beror det i så fall på? På kurshemsidan finns en artikel av Hau Lee (modul 1) som berör ämnet. Som ni ser i artikeln så kallas fenomenet som Beer Game illustrerar Bullwhip effekten. Leta upp några artiklar som kan hjälpa er att svara på frågorna. Teori The Bullwhip Effect Hau Lee (1997) diskuterar i sin artikel The Bullwhip Effect in Supply Chains hur överdrivna svängningar och varianser i order uppstår och vad man kan göra för att undvika dessa. The Bullwhip Effect introducerades först av Jay Forrester. I Hau Lees artikels nämns P&G som ett exempel, men effekten återfinns även i andra industrier under andra benämningar, så som "The Whiplash Effect" eller The Whipsaw Effect. Begreppet beskriver ett fenomen som har observerats i prognosdrivna distributionskanaler: En förändring i kundens efterfrågan leder till en större svängning i lager, ju längre bak i distributionskedjan vi når. Detta kan bero på flera aspekter som överskott i lager, bristfällig produktprognostisering, bristfällig eller överdriven kapacitet, eller otillräcklig kundservice (Hau Lee, 1997). Utförande De fyra personerna i vårt lag tog följande roller: en ölproducent (Factory), en distributör (Central Warehouse), en grossist (Regional Warehouse), och en butiksinnehavare (Sales Company). Spelet inleds med att samtliga funktioner får fyra backar öl i sina lager. Sales Company lägger en orderbeställning till Regional Warehouse, som lägger en beställning hos Central Warehouse, som i sin tur måste beställa hos Factory. Factory måste även planera för nästa periods produktion. Enligt reglerna måste samtliga funktioner leverera den mängd som beställts. Om detta ej är möjligt blir det en brist i lagret och en avgift. Att ha ett stort lager kostar också pengar, men den kostnaden uppgår till halva bötesbeloppet för brist. Spelets svårighet ligger främst i att de olika funktionerna inte får diskutera leveranserna med varandra under spelets gång. 2
Vi spelade 60 dagar och fick följande resultat: Factory Central Warehouse Regional Warehouse Sales Company IB 12 12 12 12 UB 368 547 53 33 Del 1: Inmatning och reflektion kring spelet 1. Mata in respektive stations Lagda order i Excelfilen Beer Game excelmodell Under spelets gång fyllde varje enhet i orderstorlek, antal levererade ölenheter och därigenom synliggjordes huruvida lagret var bristfälligt eller om det var ett orderunderskott. Under vår spelade omgång startade Sales Company snabbt med att bygga upp ett stort lager, vilket skapade en brist på varor hos Central Warehouse som var näst i tur. Central Warehouse ökade i sin tur sitt varulager, vilket ökade beställningarna till Regional Warehouse. Dessa fick brist på varor och ökade beställningarna till fabriken. Factory kunde i sin tur inte leverera varor så snabbt, vilket i samband med ett fortsatt stort beställningstryck från Sales Company skapade stor brist på varor i mellanleden. Denna brist på varor gjorde att varje enhet beställde stora mängder öl och eftersom det inte fanns någon kommunikation mellan enheterna var det problematiskt att kunna se den framtida efterfrågan på öl och hur mycket lager varje enhet tillskaffat sig. När Factory väl ökade produktionen och kunde leverera de beställda varorna var efterfrågan från kunden så pass liten att försäljningsenhetens lager kunde försörja marknaden själv. Varje enhet hade alltså byggt så stora lager att ytterligare nyproduktion var överflödig. Därav slutade alla enheter att beställda nya varor och Factory fick sluta producera då efterfrågan i mellanleden var obefintlig. I Graf 1 Stock Level syns tydligt händelserna som utspelade sig under spelomgången. Alla enheter fick snabbt stora underskott i lagerhållningen för att sedan erhålla överskott. Ju längre ut i ledet från försäljningsenheten, desto större svängningar i lagerunderskott/överskott. Dock fick Centrala Warehouse större svängningar vilket kan bero på missförstånd inom enheten i vad som skulle levereras och beställas. Detta problem löstes dock med hjälp av en konsultfirma som snabbt kunde se och lösa missförståndet. Dessa samband kan även utläsas från graf 2, order-chart och graf 3, daily cost-chart där orderantalet och dagliga kostnaderna visas som en effekt av de tidigare stationernas kostnad/orderantal, dock med större effekter ju längre ut i leden från försäljaren. 3
Graf 1: Stock chart Graf 2: Order chart Graf 3: Daily cost chart 4
2. Diskutera varför kurvorna ser ut som de gör. Är det någon speciell aktör som orsakar problemen? Är det enstaka händelser som orsakar problemen eller är det systematiska misstag? Stock chart: Lagerhållningen höll sig på en någorlunda jämn nivå vid samtliga stationer fram till dag 11, då Sales Company fick ett växande bristfälligt varulager som högst uppgick till 30 under dag 27. De övriga stationerna fick följaktligen bristfälliga varulager med kraftigare utveckling under samma period. Nästkommande station, Regional Warehouse, uppgick till 136, Central Warehouse uppgick till 278 samt 132 för Factory. Order chart: Antal order låg på en jämn nivå fram till dag 22, då antal order till dag 26 ökade med 12,5 % för Sales Company, 250 % för Regional Warehouse, 500 % för Central Warehouse samt 750 % för Factory. Daily cost chart: Varulagerkostnaderna ökade som en konsekvens av det ökade antalet order. Den högsta sammanlagda varulagerkostnaden var under dag 27 och 28, då den dagliga varulagerkostnaden för Sales Company uppgick till 805 kr, 1 360 kr för Regional Warehouse, 2 780 kr för Central Warehouse samt 1 320 kr för Factory. Samtliga utvecklingar i bristfälligt varulager, antal order och varulagerkostnad är effekter av den första aktören, Sales Company. Om än denna station hade relativt låga nivåer med ökningar/sänkningar, följde nästkommande aktörers kurva samma systematiska mönster med brantare utveckling. När exempelvis Sales Company ökade antal beställningar av order från dag 22 till 24, följde samtliga aktörer samma mönster med högre antal order, vilket resulterade i en lavineffekt effekt av första aktörens beslut. Detta sker främst hos Central Warehouse vilket resulterar i höga antal order och ökning i bristfälligt varulager. Slutligen ger detta hög lagerhållning med höga kostnader och ett utbudsöverskott som inte möter kundernas efterfrågan i antalet beställningar. Aktörerna slutade därmed att beställa varor för att minska respektive varulager och Factory fick inte fler order efter dag 30. 3. Vad kunde ha gjorts annorlunda? Kunde svängningarna ha undvikits helt och hållet? Under spelet var de olika stationerna uteslutna från kommunikation, vilket innebar att de beslut som togs var en effekt av antaganden kring kundens efterfrågan. Vi möttes till en början av en progressiv ökning av efterfrågan på order vid Sales Company, vilket ledde till en ännu högre ökning av order hos de övriga stationerna, varvid vi fick uppleva Bullwhip effekten. Spelet kan ha sett annorlunda ut om det fanns plats för kommunikation mellan stationerna och en universell prognos. Att ha en klar strategi över hur många enheter som borde beställas mellan varje led skulle kunna göra att reaktionen på en stor beställning blir mindre. Att ha en tydlig beställningsnivå skulle möjliggöra att vi inte skulle uppleva de enorma svängningarna i lagerhållning som uppkom i samband med olika beställningsorder mellan stationerna (Hau Lee, 1997). 5
Mycket av detta som har diskuterats har en enkel teoretisk lösning: kommunikation. Vi gjorde alltför stora beställningar utifrån varje station i tron om att marknaden skulle efterfråga större antal öl. På grund av hur långsamt informationsflödet var, minskade våra beställningar för sent och vårt lager kunde aldrig förbrukas av kundefterfrågan. I praktiken är ett effektivt informationsflöde dock mycket svårare sagt än gjort. Empiriska studier visar på stora kommunikationssvårigheter, vilket gör Bullwhip effekten till ett vanligt förekommande fenomen. Del 2: Reflektioner kring Bullwhip effekten i verkligheten I vårt fall illustrerades fenomenet i att en liten ökning i efterfrågan hos kund ledde till en större ökning i lagerhållning hos Regional Warehouse, en ännu större ökning hos Central Warehouse, samt den största ökningen hos Factory. Den sistnämnda ökningen var betydligt större än ökningen i kundefterfrågan. Som vi tidigare nämnt identifieras fyra huvudsakliga faktorer till Bullwhip-effekten. Dessa är Demand Forecasting Updating, Order Batching, Price Fluctuation samt Rationing and Shortage Gaming (Hau Lee, 1997), (Vinaya Shukla, 2008). Beer Game är ett väldigt förenklat spel med ett begränsat antal variabler. Detta leder till att den enda relevanta faktorn var Demand Forecasting Updating, med begränsad information i värdekedjan. Ett exempel ur verkligheten som illustrerar de problem vi stötte på i Beer Game är från pastatillverkaren Barilla. Företaget erbjöd under en period en rabatt till kunder som var villiga att beställa en full lastbil med pasta. Detta skapade en efterfrågan från kunderna som blev väldigt ostabil med stora variationer eftersom de stora beställningarna skapade lager hos återförsäljarna. När dessa lager sedan var slut krävdes en ny stor beställning, vilket gjorde att Barilla i sin tur var tvungna att ha stora lager redo för att kunna leverera till sina kunder snabbt. Kostnaden för denna typ av Supply- Chain blev så hög att vinsten från leveranserna blev obetydliga. (Werner, Hartmut, 2008) Slutsats Våra resultat i spelet är en konsekvens av informationsasymmetri och gav upphov till Bullwhip effekten. Då ingen kommunikation fick ske mellan gruppmedlemmarna och samtliga var ansvariga över respektive led, anser vi att systematiska misstag begicks genom hela spelet och i alla leden. Teori som stärks av empiriska exempel visar att Bullwhip effekten är vanligt förekommande i verkligheten, bland annat i vårt valda exempel med pastatillverkaren Barilla. Även om effekten hade kunnat reduceras med en fungerande kommunikation anser vi att de svängningar som uppstod i vårt lager inte hade kunnat reduceras helt. 6
Källförteckning Lee H L, Padmanabhan V & Whang S (1997) "The Bullwhip Effect in Supply Chains", Sloan Management Review, Vol.38, No.3, pp. 93-102 Werner, Hartmut, (2008) Supply Chain Management: Grundlagen, Strategien, Instrumente und Controlling 7