THE BULLWHIP EFFECT En reflektion med hjälp av spelet Beer Game DEN 15 NOVEMBER 2016 STEFAN ARTMAN, JOHANNES ISACSSON, ALVA KAPONEN, LISA ENGBERG Grupp 4
1.Inledning Denna rapport avser att analysera Bullwhip-effekten och dess påverkan på distributionskedjan. Spelet Beer Game går ut på att styra en distributionskanal från fabrik till konsument där kostnaderna ska hållas nere och servicenivån ska vara hög. Spelet är ett bra exempel på hur Bullwhip-effekten kan se ut och hur det påverkar företaget. Bullwhip-effekten definieras av H L. Lee, V. Padmanabhan och S. Whang (1997) som den effekt som uppstår vid ökande variation i efterfrågan i uppåtgående led i distributionskedjan. Spelet är uppbyggt som en schematisk bild över en distributionskedja med ett säljbolag, ett regionslager, ett centrallager och en fabrik. En kund och en leverantör finns också med i spelet men hanteras inte av spelarna. Varje spelare hanterar orderoch varuhantering för en enhet och mellan varje avdelning finns flöden av order- och varukort. Informationen mellan avdelningarna är begränsad till dessa kort. Spelet innehåller ett antal förenklingar, bland annat hanteras endast en produkt, endast en aktör finns i varje led, inga kapacitetsbegränsningar samt konstant ledtid med förutsättningen att varorna finns i lager. 2. Teoretisk referensram Teorin identifierar fyra grundläggande faktorer till varför Bullwhip-effekten uppstår, vilka är Demand forecast updating, Order batching, Price fluctuation och Rationing and shortage gaming (H L. Lee, V. Padmanabhan och S. Whang, 1997). Att försöka förstå dessa faktorer kan göra att förädlingskedjan börjar designa och utveckla strategier för att försöka eliminera effekten, eller åtminstone minska den. Den första faktorn som påverkar Bullwhip-effekten är Demand forecasting updating, som ofta baseras på orderhistorik från företagets direkta kunder. Desto längre uppströms man kommer i förädlingskedjan desto svårare blir det också att prognostisera mot detta vilket ger konsekvenser i form av hur efterfrågan uppfattas i varje steg. Därav skapas misstro parterna emellan. Detta kan ses i Figur 3 från Beergame, där den relativt ökande orderkvantiteten desto längre uppströms i förädlingskedjan man kommer speglar den misstro och osäkerhet om den verkliga efterfrågan som uppstår. Brist på kommunikation parterna emellan leder också till begränsad information vilket bidrar till en fördröjning i värdekedjan. Resultatet blir då att fluktuationer i orderkvantitet över tiden blir mycket större än den verkliga efterfrågan - alltså baseras efterfrågeprognoser på order. (H L. Lee, V. Padmanabhan och S. Whang, 1997) 1
Order batching syftar på hur företaget lägger sina order, antingen om det är frekvent eller om det är på exempelvis en veckobasis eller en månadsbasis. Inom Order batching brukar man skilja mellan push ordering och periodic ordering. Push ordering belyser hur ett företag får erfara jämna svallningar i efterfrågan. Om alla kunders ordercykler skulle vara utspridda jämnt över veckan skulle också Bullwhipeffekten vara minimal, men en sådan önskvärd situation existerar knappast inom de flesta marknader. Periodic ordering är en underliggande orsak till hur order placeras som resulterar i Bullwhip-effekten. Flera order är ofta mer slumpvis spritt och överlappar varandra. Svallningarna i efterfrågan är då som mest utpräglad och Bullwhip-effekten är som högst. (H L. Lee, V. Padmanabhan och S. Whang, 1997) Price fluctuation beskriver hur företag ägnar sig åt forward buying, alltså när leverantörer och tillverkare har speciella erbjudanden, exempelvis prisrabatter och kvantitetsrabatter, vilket leder till fluktuationer i pris som företag (kunder) tar tillvara på genom att köpa en större kvantitet än vad som efterfrågas på marknaden. Detta resulterar i att kundernas köpmönster inte reflekterar den verkliga konsumtionen som sker, vilket ökar Bullwhip-effekten. (H L. Lee, V. Padmanabhan och S. Whang, 1997) Sista faktorn som orsakar Bullwhip-effekten, Rationing and Shortage Gaming, uppkommer när efterfrågan överstiger utbudet. Kunder överdriver ofta då sitt behov av produkter när de lägger order, vilket blir problematiskt när efterfrågan lugnar sig och flera order plötsligt försvinner och avbeställningar sker. Kunders order ger leverantören lite information om produktens verkliga efterfrågan. Detta beteende kallas gaming. (H L. Lee, V. Padmanabhan och S. Whang, 1997) I artikeln benämns flera sätt att hantera Bullwhip-effekten inom varje orsakande faktor. För att bemöta Demand forecast update kan värdekedjan använda sig av POS (Point-of-sales) data, och då krävs en fungerande kommunikation i alla leden. Detta är den mest fundamentala lösningen när det kommer till både spelet och verkligheten. Order batching kan lösas genom att införa EDI (Electronic data interchange) vilket kommer minska pappersarbetet och därmed tiden att beställa. Samtidigt nämner artikeln att mixa vid varubeställning istället för att vänta med att fylla upp en hel lastbil med en sorts vara kan leda till att orderfrekvensen stiger. (H L. Lee, V. Padmanabhan och S. Whang, 1997) För att motverka Price fluctuation gäller det att stabilisera priser och inte tro att köp av större kvantiteter vid rabatter leder till förbättring, utan få företag klarar av att göra detta lönsamt. Kostnaden för lagerökningar överstiger ofta den inbesparing som sker vid det tillfälliga köpet med nedsatt pris. Till sist kan Shortage gaming motverkas genom att integrera informationssystem vars syfte är att dela försäljnings-, 2
kapacitets- och lagerdata mellan aktörerna. (H L. Lee, V. Padmanabhan och S. Whang, 1997) Det finns två olika perspektiv, eller anledningar, till att vilja minska Bullwhip-effekten: Avdelningar som finns uppströms, längre bak i förädlingskedjan, vill minska risken för svallvågor av order och ha ett jämnare flöde. Avdelningar mer nedströms vill minska effekten för att kunna optimera laget (Yungao Ma et al, 2013). Yungao Ma et al (2013), presenterar vidare i sin studie olika tekniker för hur man kan prognostisera efterfrågan och testar utfallet för vilken som är mest lämplig. De fram till att de olika teknikerna fungerar olika bra i olika fall beroende på produktegenskaper, priskänslighet och pris-korrelation (Yungao Ma et al, 2013). Jizhou Lu et al (2016), undersöker i: The bullwhip effect on inventory: a perspective on information quality, kvaliteten på informationen om man använder sig av en informationsdelningsstrategi för att minska effekten av Bullwhip-effekten. De visade att man kan minska Bullwhip-effekten för producenten, genom att använda historisk orderkvantitet för att prognostisera framtida efterfrågan, om konsumentens efterfrågan och återförsäljarens order är fördröjd (Jizhou Lu et al, 2016). De visar även på att en informationsdelsningsstrategi inte är värd att implementera om man delar med sig av felaktig information, vid leverans och nyttjande. På grund av detta kan man ibland minska bullwhip-effekten mycket mer, om man inte använder sig av informationsdelningsstrategin (Jizhou Lu et al, 2016). 3. Reflektioner kring diagrammens utseende De första diagrammen visar lagernivåerna i respektive avdelning under spelets gång (bilaga 1, figur 1-2). En fördröjningseffekt mellan avdelningarna uppvisas, vilket beror på en dragande försörjningskedja. Överlag synliggörs Bullwhip-effekten genom att variationen i lagernivåerna stiger i uppstigande led i distributionskedjan. Ett undantag är att centrallagret hade störst variation i lagernivå. Enligt teorin om Bullwhip-effekten är variationen ökande uppströms i distributionskedjan vilket skulle innebära att fabriken borde uppvisat störst variation i lagernivå. Att detta inte var fallet i spelomgången kan bero på begränsad information och det faktum att individens rationella besluttaganden ser olika ut. Beslut hos enskilda aktörer kan påverka utfallet och därmed påverka lagernivån. 3
I början av spelet var kundens efterfrågan fyra enheter, efter ett par spelomgångar fördubblades kundefterfrågan till åtta enheter. Då lagernivåerna inte var tillräckligt stora för att täcka denna ökning av kundefterfrågan uppkom brist längs ned i kedjan. Bristerna skapade reaktioner från spelarna som innebar höjda orderkvantiteter för att kunna täcka bristen samt för att kunna bygga upp ett lager igen som skulle kunna täcka en eventuellt höjd kundefterfrågan i framtida spelomgångar. Detta ökade successivt upp längs kedjan (Se bilaga 1, figur 1,2,3, samt 4). Efter ett tag minskade variationen något i orderkvantiteter längs med kedjan då kundefterfrågan visade sig vara mer konstant, vilket kan ses i bilaga 1 figur 4 där kurvorna varierar mindre kring 30 dagar och framåt. Detta kan även ses i graferna för lagernivåer där kurvorna kring dag 30 och framåt har en negativ trend (se bilaga 1, figur 2). Detta kan bero på att spelarna försöker minska lagernivåerna som byggdes upp under det tidiga skedet av brist. Lagernivåerna som byggdes upp för att undvika framtida brist skapade stora kostnader. Detta berodde på att efterfrågan från kund inte fortsatte att gå upp utan förblev konstant och därför fanns det ett stort överskott i lager längs kedjan. Kostnaderna blev därmed stora vilket syns tydligast mellan dag 15-20 i figur 5. Att bygga upp ett lager kan ses som ett rationellt beslut för att undvika brist då en brist inte bara skapar kostnader utan även kan medföra en negativ effekt på relationen mellan avdelningarna. Bristfälliga leveranser kan skada förtroendet och på sikt leda till en avslutat kontakt och därmed en utebliven inkomstkälla. Att ha lager kan, ur denna aspekt, väger tyngre än att potentiellt inte kunna leverera trots de kostnader som lagret medför. 4. Analys 4.1 Vad kunde vi ha gjort annorlunda? Som nämnt i teorin identifierades fyra grundläggande faktorer som orsakar Bullwhipeffekten; Demand forecast updating, Order batching, Price fluctuation och Rationing and shortage gaming. Då spelet innebär en mängd förenklingar är det endast faktorn Demand forecasting som är applicerbar i det här fallet och då med avseende på den begränsade informationen. Detta upplevdes även som det mest problematiska under spelomgången. Vikten av kommunikation och information är även något som flera av artiklarna tar upp och vertikal information ses som något som kan minska Bullwhipeffekten (H L. Lee, V. Padmanabhan och S. Whang, 1997). Den begränsade informationen under spelet ledde till att orderkvantiteterna var väldigt varierande vilket skapade en osäkerhet kring framtida efterfrågan, något som även resulterade i att stora lager byggdes upp. Mer information hade möjliggjort 4
jämnare orderkvantiteter, vilket hade kunnat minska förvirring och stabiliserat lagernivåerna och därmed minskat kostnaderna som nu byggdes upp i lagret. Under spelet förekom en fördröjningseffekt mellan signal om förändring och möjlighet till agerande. Det tog fyra dagar från tidpunkten vid lagd inköpsorder till mottagande av varor för respektive avdelning. Detta resulterade i ökad planering från parterna, för att veta hur mycket som har beställts och förväntas levereras inom nästkommande dagar. Genom mer information hade lagernivån kunnat optimeras och därmed hålla kostnader nere och undvika brist. 4.2 Reflektioner kring Bullwhip-effekten i verkligheten Genom vertikal information hade svängningarna kunnat motverkas betydligt bättre i spelet men i verkligheten är komplexiteten mycket större vilket gör att Bullwhipeffekten inte kan motverkas helt och hållet. I en distributionskedja finns det många aktörer att ta hänsyn till och även yttre faktorer som påverkar vilket gör det mycket mer komplext att lösa. Företaget förädlar också väldigt många fler än en produkt vilket såklart påfrestar utformningen av distributionskedjan. Ett exempel på ett företag som upplever Bullwhip-effekten är P&G. De undersökte ordermönster för deras produkt Pampers och fann stora variationer högt upp i distributionskedjan trots att konsumentens efterfrågan var väldigt stabil. (H L. Lee, V. Padmanabhan och S. Whang, 1997) Detta är identiskt med situationen i Beer game. Under hela spelets gång skedde bara en efterfrågeförändring från slutkund, från fyra till åtta enheter, vilket ändå får ses som en stabil efterfrågan över sextio dagar. Som beskrivit tidigare resulterade detta ändå i enorma variationer i orderkvantiteter mellan avdelningarna i distributionskedjan och skapade oro och ledde till extra lager. 5
5.Källor 5.1 Artiklar Jizhou Lu, Gengzhong Feng, Kin Keung Lai, Nengmin Wang, (2016), The bullwhip effect on inventory: a perspective on information quality, Applied Economics, Vol. 48 Lee H L, Padmanabhan V & Whang S (1997) The Bullwhip Effect in Supply Chains, Sloan Management Review, Vol.38, No.3, pp. S. 93-102. Yungao Ma, Negmin Wang, Ada Che, Yufei Huang och Jinpeng Xu, (2013), The Bullwhip effect on product orders and inventory: a perspective of demand forecasting techniques, International Journal of Production Research, Vol. 51, No1, s 281-302 6
Bilaga 1 Figur 1: Lagernivåer, dag 1-30 Figur 2: Lagernivåer, dag 1-60 Kommentar till figur 1 & 2: På grund av bokföringsfel alt. fel i excel är våra grafer något felvisande, säljbolaget uppvisar brist dag 8-20, något som inte återfinns i graferna. Även lagernivåerna för säljbolaget är missvisande då grafen visar en för hög lagernivå genom spelets gång, bland annat hålls en konstant lagernivå på 4 enheter från dag 49, inte 20 enheter som graferna visar. Det vill säga, lagernivåerna för säljbolaget är 16 enheter för högt nästan genom hela spelet. Som referensbild finns nedanstående exempelbild. Detta innebär följdfel på samtliga grafer vilka kompletteras med respektive exempelbild för dag 1-60. 7
Figur 2.1: Exempelbild lagernivåer, dag 1-60 Figur 3: Orderkvantiteter, dag 1-30 Figur 4: Orderkvantitieter, dag 1-60 8
Figur 4.1: Exempelbild orderkvaniteter, dag 1-60 Figur 5: Dagliga kostnader, dag 1-30 9
Figur 6: Dagliga kostnader, dag 1-60 Figur 6.1: Exempel dagliga kostnader, dag 1-60 Figur 7: Aggregerade kostnader, dag 1-30 10
Figur 8: Aggregerade kostnader, dag 1-60 Figur 8.1: Exempelbild aggregerade kostnader, dag 1-60 11