Supply Chain Management

Supply Chain Management Beer game 722A29 Grupp 5 Denise Niemi Jennie Östh Martin Andersson Amanda Svensson 2014-11- 04

Innehållsförteckning Inledning... 3 Förutsättningar... 3 Resultat... 4 Lagerhållning... 4 Ordrar... 5 Kostnader... 5 Analys... 5 Slutsats... 6 Bilagor... 7 Lagernivåer 30 dagar... 7 Lagernivåer 60 dagar... 7 Beställda kvantiteter 30 dagar... 8 Beställda kvantiteter 60 dagar... 8 Dagliga kostnader 30 dagar... 9 Dagliga kostnader 60 dagar... 9 Sammanlagda kostnader 30 dagar... 10 Sammanlagda kostnader 60 dagar... 10 Referenser... 11 Artiklar... 11

Inledning Den 3/11-2014 deltog grupp 5 i ett seminarium där vi spelade Beer Game med uppgiften att styra en distributionskedja från fabrik till konsument så att kostanden hålls nere så mycket som möjligt samtidigt som en hög nivå på servicen skulle hållas. Under hela spelomgången var vi tvungna att fatta beslut om hur mycket som skulle beställas till kommande dag för att ha möjlighet att leverera till kund samtidigt som vi vill hålla nere lagernivåerna för att inte binda för mycket kapital. Vårt team bestod av 4 personer där varje person hade ansvar över en varsin enhet: säljbolag, regionslager, centrallager eller fabrik. Beroende på vilka beslut varje enhet valde att fatta påverkades distributionskedjan olika och det är detta vi kommer att reflektera kring i kommande text: Vad hände och varför? Vad hade vi kunna göra annorlunda? Vi har valt att lägga ihop del 1 och del 2 till en rapport. Förutsättningar Beer Game är ett förenklad version av en distributionskedja där vi som studenter fick i uppgift att simulera ett företags tillvägagångssätt vid orderhantering mellan olika stationer i distributionskedjan. Under spelets gång var reglerna att vi inom varje lag inte fick kommunicera med varandra gällande något som rörde spelet. Utifrån detta var det upp till varje enskild student att själv bestämma vilken ordermängd den egna stationen skulle leverera från dag till dag. Inför spelet hade vi inte läst någon teori angående fenomenet Bullwhip effect vilket gjorde att de beslut vi fattade endast berodde på vår egna analys av de inkommande ordrarna från andra stationer. Teori Bullwhip effekten Lee (1997) skriver i sin artikel The Bullwhip Effect In Supply Chains att informationsförvrängningar kan skapa stora problem inom företag. Han skriver även om hur överdrivna orderförändringar uppkommer och vad som kan göras för att motverka dessa. I artikeln tar han upp att företag i många fall har stora svängningar i beställningar till leverantör trots att efterfrågan från slutkunden är relativt linjär. Detta leder ofta till konsekvenser som övertid och dyr lagring vilket beskrivs som Bullwhip effekten i artikeln. (Lee, 1997) Lee (1997) menar att vanliga orsaker till att Bullwhip effekten uppstår är bland annat att varje led justerar sina prognoser efter det förgående ledets förändringar och tolkningar. Det kan också handla om order batching eller prissvängningar vilket innebär att beställningar ofta görs periodvis istället för frekvent för att slippa transport- och orderkostnader. Gällande prissvängningar handlar det ofta om att

företaget beställer en större kvantitet under den period då leverantören erbjuder ett bra priserbjudande, så kallad forward buying. Den sista orsaken han tar upp är gaming vilket handlar om att leverantörer ofta tror att kunderna kommer att minska sina beställningar och börjar därför producera mindre, om kunderna blir medvetna om detta lägger de därför större beställningar vilket leder otydlig efterfrågan och en ond cirkel. (Lee, 1997) Lee (1997) upp fyra saker som kan göras för att undvika Bullwhip effekten: Undvik flera prognoser i kedjan: genom informationsdelning och IT kan den verkliga efterfrågan göras mer synlig. Exempel på detta kan vara att försöka minska mellanled och därmed ledtiderna. Minska ordersärkostnaderna och hitta bättre logistiklösningar. Stabilisera priserna: enklaste sättet är att jämna ut priserna; jobba mot konstanta prisreduceringar istället för tillfälliga sänkningar i priser. ABC kan hjälpa att synliggöra kostnader. Eliminera gaming: detta kan göras via en högre grad av informationsdelning. (Lee, 1997) Chatfield (2013) skriver i sin artikel att Bullwhip effekten är ett fenomen som handlar om förvrängningar i efterfrågevarians. Det handlar i huvudsak om att beställningar från aktörer uppströms i distributionskedjan varierar jämfört med order lämnade i senare led. Det blir en snedvridning av information vilket resulterar i förvrängningar i efterfrågevariansen. Bullwhip effekten påverkar distributionskedjan på flera områden och ökad efterfrågevarians kräver högre nivåer av säkerhetslager för att upprätthålla önskade servicenivåer vilket binder kapital. Lee (2004) argumenterar att efterfrågeförvrängningar uppkommer som ett resultat av optimerande beteende från aktörerna i distributionskedjan. I en försörjningskedja finns flera aktörer som var och en får order från en aktör i kedjan, dessa ordrar från en aktör fungerar som en värdefull informationsinput till nästa aktör och dess produktions- och lagerbeslut. Denna artikel hävdar att den information som överförs i form av order tenderar att vara förvrängd och kan vilseleda uppströms aktörer i sina lager- och produktionsbeslut. Resultat Lagerhållning I förhållande till exempelfilen har vår fabrik, centrallager och försäljningsstation självständigt valt att satsa på en hög service gentemot kunden i form av att alltid kunna leverera de produkter som efterfrågas. Detta ledde till hög lagerhållning vilket efter hand även leder till ökade kostnader då produkter ligger på lager under en lång tid och kapital binds. Generellt sett kan vi se att tänkte kring en hög lagernivå och även servicenivå var genomgående under hela spelet där kurvorna inte har en lika hög volatilitet som i exempelfilen. Man kan även utläsa att centrallagret och fabriken har en bättre relation än vad fabriken och regionallagret har genom att se på hur kurvorna följer varandra. Detta anser vi logiskt då fabriken agerar på siffror från centrallagret och inte har full koll på regionallagret.

Ordrar Orderkvantiteten håller sig för det mesta mellan 0 och 20 i orderkvantitet. Stationerna närmast varandra, sälj och regionallager följer varandra relativt bra medan centrallager och fabriken gör detsamma. Dessa mönster går också att återfinna i exempelfilen där dessa stationer följer varandra på ett liknande sätt. Dock har exempelfilen större förändringar i sina kurvor i jämförelse med vårt utförande. Kostnader Då alla stationer valde att anta ett serviceinriktat tillvägagångssätt har vi relativt höga kostnader under hela spelets gång vilket inte är fallet i exempelfilen. I exempelfilen ser man tydligt att de höga kostnaderna uppstod när lagernivån var låg, alltså då man valde att lägga ett större orderantal. Eftersom alla stationer valde att upprätthålla en hög lagernivå, beställdes hela tiden ett högre orderantal än vad som egentligen behövdes vilket ledde till genomgående höga kostnader. Analys Det vi hade svårigheter med var att vi inte fick kommunicera med varandra och det var därför svårt att veta hur det gick för de andra aktörerna i distributionskedja och vilken nivå lagersaldot låg på i de olika stationerna. Det blev därför en utmaning att samarbeta för att överföra ordrar mellan de olika stationerna på ett sätt som gynnade alla. Behövdes mer lager på ett ställe så skickade denna station en stor order vilket i sin tur kanske missgynnade nästa station som inte heller hade tillräckligt mycket produkter i lager för att kunna leverera den stora ordern. Vi gick däremot från reglerna lite då vi stundvis glömde bort att det var förbjudet att kommunicera med varandra. Vi började ibland diskutera mellan varandra för att försöka förstå oss på hur sambandet mellan de olika stationerna såg ut. Här ser vi ett samband med de orsaker som Lee (1997) tar upp till att Bullwhip effekten utspelar sig; vi började agera och justera våra prognoser utefter varandras förändringar och tolkningar. Enligt Chatfield (2013) kan detta leda till att man behöver högre nivåer av säkerhetslager för att upprätthålla önskade servicenivåer vilket binder kapital. Vi tror att kommunikationen mellan oss i gruppen är en av orsakerna till att exempelfilen har större förändringar i sina kurvor i jämförelse med våra. Att hitta ett samband för antalet ordrar en station la och hur mycket denna station hade i lagersaldo var dock svårt att hitta trots kommunikation mellan stationerna och även om vi stundvis trodde vi hade hittat ett samband så var det svårt att genomföra en förändring som gynnade alla led i distributionskedjan. Vi upplevde stundvis att antingen hade samtliga stationer överskott eller underskott i lagret och det var svårt att hitta en jämn förbrukning. Hade vi inte kommunicerat mellan stationerna hade kanske ett tydligare mönster visat sig i diagrammen där vi hade kunnat utläsa hur Bullwipeffekten utspelar sig i verkligheten. Lee (2004) hävdar att information som överförs i form av en order kan vara förvrängd vilket leder till att aktörer tar fel lager- och produktionsbeslut. Vi upplevde att vi alla tog fel beslut för att vi förlitade oss på information från den aktör som låg närmst uppströms och nedströms. Det blev svårt att kontrollera svängningarna i lagersaldot,

svängningarna var ofta ganska stora och antingen var det ett kraftigt överskott eller ett kraftigt underskott i respektive lager. Lyckades en station hålla sig nära noll i sitt lagersaldo så varade detta endast en liten stund. Detta berodde på att vi var fyra parter som var inblandade och eftersom alla la ordrar baserat på vad de trodde skulle hända och inte baserat på faktiska försäljningssiffror så varierade orderstorlekarna mycket från dag till dag. Slutsats Vid ett rationellt beteende följer företaget endast tillgängliga siffror vilket bidrar till försening av information och därmed stor variation i förändring av lagerhållning och orderläggning. Hur detta går till syns tydligt i exempelfilen där kurvorna är baserade på rationellt tänkande utifrån de siffror man har. Samma mönster går inte att återfinna i våra grafer då vi på ett annat sätt hade möjlighet att se hur de andra stationerna agerade och därmed agera utefter mer information än siffror. Vi kunde ändå se en tendens till Bullwhip effekt i form av förvrängningar i efterfrågevariansen och vi anser att man i enlighet med Lee (1997) skulle kunna motverka detta genom en högre grad av informationsdelning. Spelet i sig var lärorikt i den aspekt att det skapar en bättre förståelse för vilka problem företag upplever i verkligheten och hur svårt det är att hitta optimala lösningar på dessa.

Bilagor Lagernivåer 30 dagar Lagernivåer 60 dagar

Beställda kvantiteter 30 dagar Beställda kvantiteter 60 dagar

Dagliga kostnader 30 dagar Dagliga kostnader 60 dagar

Sammanlagda kostnader 30 dagar Sammanlagda kostnader 60 dagar

Referenser Artiklar Dean C. Chatfield (2013): Underestimating the bullwhip effect: a simulation study of the decomposability assumption Hau L. Lee, V. Padmanabhan, Seungjin Whang (1997): "The Bullwhip Effect In Supply Chains" Hau L. Lee, V. Padmanabhan, Seungjin Whang (2004): Information Distortion in a Supply Chain: The Bullwhip Effect