LPW (1997a) argumentują, że wykorzystanie metod prognozowania popytu przez poszczególne etapy łańcucha dostaw jest główną przyczyną powstawania efektu
3 W dalszej części pracy LPW.
4 Praca ta została włączona do grupy najbardziej wpływowych artykułów, które zostały opublikowane w ubiegłym wieku przez prestiżowe czasopismo naukowe „Management Science” wydawane przez the Institute of Operations Research and the Management Sciences (INFORMS). Zobacz, Lee, Padmanabhan, Whang (2004a).
bykowca w łańcuchu dostaw (ang. demand forecast updating). Menedżerowie stosują metody prognozowania popytu w oczekiwaniu, że uaktualnianie bieżące-go „stanu wiedzy” o popycie przyczyni się do redukcji oczekiwanych kosztów ponoszonych z tytułu braków towaru oraz utrzymywania zapasów. Bieżące pro-gnozy popytu są wykorzystywane w procesie uaktualniania reguł decyzyjnych sterujących procesem składania zamówień (innaczej mówiąc, sterujących pozio-mem zapasów). Efekt bykowca obecny jest zwłaszcza wtedy, gdy każdy z eta-pów systemu prognozuje popyt niezależnie od innych uczestników łańcucha, wnioskując o popycie wyłącznie z zamówień otrzymywanych z etapu położonego bezpośrednio niżej w łańcuchu dostaw. Istotnym czynnikiem, który wzmacnia zmienność zamówień „podróżujących” w górę łańcucha jest czas realizacji tych zamówień: im dłuższy jest czas realizacji zamówień pomiędzy sąsiednimi ogniwa-mi systemu, tym silniejszy jest efekt bykowca.
Podstawowym środkiem przeciwdziałania efektowi bykowca jest zapewnie-nie dostępu wszystkim etapom łańcucha dostaw do dokładnej oraz bieżącej in-formacji o popycie konsumenta (zob. LPW 1997a; Chopra & Meindl 2007). Jed-nym z praktycznych rozwiązań jest przesyłanie informacji o popycie z punktów sprzedaży detalicznej (ang. POS lub point-of-sale-data) w górę łańcucha do-staw. Inną proponowaną strategią jest redukowanie czasu realizacji zamówień, co ma dodatni wpływ na redukcję niepewności popytu w trakcie oczekiwania na dostawę, a w konsekwencji prowadzi do niższej zmienności wielkości zamówień składanych u dostawcy. Zastosowanie nowoczesnych technologii wymiany in-formacji (Internetu, e-commerce oraz elektronicznej wymiany danych EDI) uła-twia proces wymiany informacji oraz skraca czas realizacji zamówień w łańcu-chu dostaw.
Innym rozwiązaniem stosowanym w praktyce jest centralizacja procesów decyzyjnych dotyczących kontroli zapasów oraz składania zamówień: efekt by-kowca może być ograniczony, jeśli procesy kontrolowania zapasów oraz składa-nia zamówień zostaną powierzone jednemu etapowi łańcucha. W rezultacie, za-miast wielorakich prognoz opartych na zamówieniach przepływających przez łań-cuch dostaw, jeden decydent opracowuje wspólną progozę dla całego łańłań-cucha w oparciu o dostępną informację o popycie konsumenta. Przykładem centrali-zacji procesów decyzyjnych może być eliminowanie pośrednich etapów w pro-cesie produkcji oraz dystrybucji (np. model bezpośredniej sprzedaży firmy Dell). Inną strategią jest przejmowanie przez producenta odpowiedzialności za procesy prognozowania popytu oraz kontrolowania poziomu zapasów u detalistów: przy-kładami takich podejść są systemy „zarządzanie zapasami przez dostawcę” (ang.
Vendor Managed Inventories lub VMI) oraz systemy „ciągłego uzupełniania
zapasów” (ang. Continuous Replenishment Program lub CRP). Korzyści wy-nikające z zastosowania takich strategii są dobrze udokumentowane (zob. Clark & Hammond 1997; Raghunathan & Yeh 2001; Yao & Dresner 2008).
Wiele firm wdrożyło tzw. strategię wspólnego planowania, prognozowania, oraz uzupełniania zapasów (ang. Collaborative Planning, Forecasting and
Replenishment lub CPFR), zgodnie z którą firmy mogą zredukować efekt
by-kowca, jeśli procesowi wymiany informacji o popycie towarzyszy wspólne pro-gnozowanie popytu oraz wspólne planowanie zapasów, produkcji oraz dystrybu-cji towarów. Aby ułatwiać firmom koordynację działań w łańcuchach dostaw,
Voluntary Interindustry Commerce Standards Association ustanowiła komitet,
którego zadaniem jest dokumentowanie najlepszych praktyk oraz opracowanie reguł według których firmy powinny tworzyć programy CPFR (zob. Aviv 2004; Chopra & Meidl 2007).
W ostatnim okresie, pojawiło się szereg publikacji analizujących wpływ wy-miany informacji pomiędzy uczestnikami łańcucha dostaw dla ograniczenia skali efektu bykowca. Większość zaproponowanych modeli matematycznych ma struk-turę dwuetapowego systemu dostawca–detalista (ewentualnie, dostawca–detali-ści) oraz wykorzystuje stochastyczne, niestacjonarne, modele szeregów czaso-wych dla modelowania popytu konsumenta. Modele te różnią się między sobą m.in. ze względu na typ udostępnianej przez detalistę informacji, która jest wyko-rzystywana przez dostawcę w procesie prognozowania popytu (np. dane o aktu-alnej sprzedaży, informacja o stosowanym modelu popytu, informacja o regule decyzyjnej składania zamówień, bieżące prognozy popytu, prognozowane zamó-wienia). Zaznaczyć należy, że rezultaty tych badań nie są jednoznaczne. Poniżej przytaczamy kilka reprezentatywnych publikacji dotyczących tej tematyki (bar-dziej szczegółowy przegląd literatury dotyczący wymiany informacji w łańcu-chach dostaw – zob. Chen 2003; Chen & Lee 2009).
LPW (1997b) analizują system złożony z dostawcy oraz detalisty, który ob-serwuje popyt modelowany stochastycznym procesem AR (1). Detalista stosuje niestacjonarną politykę kontroli zapasów sterującą procesem składania zamówień, która polega na okresowej modyfikacji tzw. docelowego poziomu zapasów (S)5. LPW dowodzą, że proces modyfikowania reguły decyzyjnej zapasów w oparciu o nadchodzące sygnały o popycie prowadzić musi do efektu bykowca. Ponadto wzrost zmienności zamówień w łańcuchu dostaw jest tym silniejszy, im dłuższy jest czas realizacji zamówień. Efekt bykowca objawia się nawet wtedy, gdy de-talista posiada pełną wiedzę na temat parametrów (niestacjonarnego) modelu popytu. Chen, Drezner, Ryan & Simchi-Levi (2000) kwantyfikują wzrost zmien-ności popytu przy podobnych założeniach, przy czym detalista stosuje metodę prostej średniej ruchomej w procesie prognozowania popytu. Efekt bykowca wzmacnia się wraz ze wzrostem czasu dostawy, natomiast maleje wraz z uży-ciem większej liczby obserwacji dla wyznaczenia prognozy. Autorzy demonstrują też wpływ dostępności informacji o popycie na funkcjonowanie łańcucha do-staw: w przypadku, gdy detalista dzieli się informacją o bieżącej sprzedaży z pozostałymi etapami łańcucha dostaw, efekt bykowca, choć nadal obecny, osłabia
5 W okresowym systemie kontroli zapasów (S) (ang. periodic order-up-to-level policy,
perio-dic base-stock policy), wielkość zamówienia odpowiada różnicy pomiędzy docelowym (bazowym)
się. Chen, Drezner, Ryan, Simchi-Levi (1999) kwantyfikują wzmocnienie zmien-ności popytu w łańcuchu dostaw dla różnych metod prognozowania, w tym dla medody wygładzania wykładniczego.
Cachon & Fisher (2000) badają wpływ wymiany informacji w systemie zło-żonym z dostawcy oraz N identycznych detalistów, przy założeniu stacjonarności popytu konsumenta. Dostawca ma możliwość wykorzystywania bieżącej infor-macji o popycie m.in. dla lepszego przydziału dostępnych zapasów pomiędzy poszczególnych detalistów. Praca demonstruje, że dostęp dostawcy do bieżą-cych danych o sprzedaży ma na ogół niewielki wpływ na poprawę funkcjonowa-nia systemu. Z drugiej strony łańcuch dostaw może odnieść znaczne korzyści w wyniku skracania czasu realizacji zamówień oraz redukowania kosztów obsłu-gi zamówień, co w konsekwencji prowadzi do możliwości składania mniejszych oraz częstszych zamówień. Autorzy konstatują, że w sytuacji stacjonarności po-pytu, zastosowanie technologii informacyjnych w celu przyspieszenia przepływu towarów przez łańcuch dostaw może przynosić znacznie większe korzyści niż wykorzystanie tych technologii dla wymiany informacji o bieżącej sprzedaży.
Graves (1999) kwantyfikuje skalę efektu bykowca w dwuetapowym łańcu-chu dostaw w sytuacji, gdy popyt jest modelowany niestacjonarnym procesem ARIMA oraz detalista stosuje metodę wygładzania wykładniczego w procesie prognozowania popytu. Graves wykazuje, że dostęp dostawcy do bieżącej infor-macji o popycie nie powoduje osłabienia skali efektu bykowca. Przy podobnych założeniach, Miyaoka & Hausman (2004) modelują system dostawca–producent, w którym „stare” prognozy popytu są wykorzystywane przez producenta w pro-cesie uaktualniania reguły decyzyjnej zapasów, natomiast bieżące prognozy popytu są przesyłane do dostawcy zamiast bieżącej informacji o sprzedaży. Autorzy demostrują, że proponowana polityka składania zamówień prowadzi do zredukowania skali efektu bykowca w porównaniu m.in. z metodą opartą o wy-korzystywanie przez dostawcę bieżącej informacji o popycie.
Lee i wsp. (2000) dowodzą, że w dwuetapowym łańcuchu dostaw, gdzie po-pyt jest zgodny z modelem AR (1) oraz parametry procesu popo-pytu są znane dostawcy, dzielenie się informacją o sprzedaży może prowadzić do znacznych korzyści dla procesu prognozowania popytu przez dostawcę, przy czym korzyści te są tym większe, im wyższa jest autokorelacja popytu. Z kolei Raghunathan (2001), przy podobnych założeniach, wykazuje, że jeśli tylko dostawca ma moż-liwość wyznaczania prognoz popytu w oparciu o historię zamówień detalisty, to dostęp do bieżącej informacji o popycie nie niesie ze sobą dodatkowej wartości. Ta obserwacja prowadzi autora do wniosku, że inteligentne wykorzystanie histo-rii zamówień może w pewnych sytuacjach zastąpić korzyści wynikające z inwe-stycji w międzyorganizacyjne technologie wymiany informacji. Gaur i wsp. (2005) analizują korzyści wymiany danych o sprzedaży przy założeniu, że popyt detalisty jest opisany modelem autoregresyjnym ARMA.
Chen & Lee (2009) odnotowują, że większość badań nad korzyściami wyni-kającymi z wymiany informacji w łańcuchu dostaw jest oparta na założeniu, iż
dostawca posiada pełną wiedzę na temat modelu popytu oraz reguły decyzyjnej zamówień stosowanych przez detalistę. Autorzy demonstrują, że w sytuacji gdy taka informacja nie jest udostępniona dostawcy, dzielenie się przez detalistę in-formacją o planowanych zamówieniach jest bardziej efektywnym sposobem prze-ciwdziałania efektowi bykowca, niż przesyłanie informacji o bieżącej sprzedaży czy też dzielenie się prognozami popytu. Taka strategia eliminuje bowiem potrze-bę odgadywania przez detalistę metody prognozowania oraz reguły decyzyjnej zamówień stosowanych przez detalistę; zamiast tego dostawca może odkryć istotną dla siebie informację poprzez porównanie procesów opisujących planowane oraz rzeczywiste zamówienia detalisty zaobserwowane w przeszłości.
Kilka prac zajęło się zagadnieniem modelowania procesów planowania popy-tu oraz realizacji zamówień w łańcuchu dostaw w kontekście wspomnianych wcześniej programów CPFR. Korzyści związane m.in. z wymianą informacji o popycie oraz skoordynowanego prognozowania są analizowane m.in. w Ca-chon & Lariviere (2001), Aviv (2001) oraz Aviv (2007). Ewolucja koncepcji oraz przegląd najważniejszych modeli matematycznych opisujących strategie CPFR jest zawarty w Aviv (2004).