3. Zarządzanie asortymentem i sterowanie zapasami w sklepie internetowym
3.5. Model obrotów towarów dla sklepu internetowego
3.5.2. Strumień wpływający do magazynu
Strumień wpływający do magazynu jest uzależniony od przyjętej metody zama-wiania. W proponowanym modelu symulacyjnym wykorzystano zmodyfikowany model re-order point [Sarjusz-Wolski, 1997]. W modelu tym zamówienie uzupełnia-jące generowane jest wtedy, gdy poziom zapasu w magazynie znalazł się poniżej alarmowego (bezpieczeństwa). W modelu re-order-point, w którym poziom zapasu wyznacza moment zamawiania należy obliczyć:
• wielkość zamawianej partii Q;
• poziom zapasu alarmowego A, informujący o konieczności złożenia zamówienia u dostawcy.
Modyfikacja klasycznego modelu re-order-point (por. [Sarjusz-Wolski, 1997], [Skowronek, Sarjusz-Wolski, 1995]) polega na tym, że wielkość zamawianej partii nie jest ekonomiczną wielkością zamówienia (ang. EOQ Economic order quantity),
__________
21 „Ścieżka przeglądania” jest sekwencją odwiedzonych przez klienta sklepu internetowego stron, może być wyznaczona na podstawie analizy zapytań skierowanych do serwera www.
lecz wynika z prognozy popytu oraz czasu realizacji zamówienia przez dostawcę. Zapas minimalny (alarmowy, bezpieczeństwa) może być wyznaczany ze wzoru:
C D A M t t+ =
∑
=1 (3.7) gdzie: A – zapas minimalny,t – krok czasowy (np. dzień),
Dt – prognoza popytu w okresie jednostkowym,
M – przyjęty parametrycznie czas realizacji zamówienia,
C – wskaźnik bezpieczeństwa wynikający z przyjętego poziomu obsługi klienta (parametr modelu).
W zrealizowanym modelu prognoza popytu wyznaczana jest na podstawie okre-ślonej wcześniej funkcji popytu. W prognozie tej uwzględniony jest błąd prognozy22. Uzależnienie zapasu alarmowego od błędu prognozy wydaje się w tej sytuacji uzasad-nione. W przypadku gdy błąd identyfikacji funkcji popytu jest duży, oznacza to naj-prawdopodobniej (zakładając, że identyfikacja została przeprowadzona prawidłowo), że popyt nie jest stabilny i nie daje się dobrze przybliżyć do założonej funkcji. Wtedy można się spodziewać dużych wahań popytu i wydaje się zasadne przyjęcie wysokie-go poziomu zapasu bezpieczeństwa [Chodak, 2004].
Współczynnik bezpieczeństwa ma gwarantować, że w magazynie nie zabraknie towaru w przypadku niedoszacowania przyszłego popytu. Należy jednak zauważyć, że konsekwencje braku towaru w magazynie tradycyjnego sklepu są zwykle poważ-niejsze niż w przypadku sklepu internetowego, gdyż w tym pierwszym wiążą się z rezygnacją zakupu towaru przez klienta. Sklep internetowy może ukryć brak towaru w magazynie, narażając klienta na nieco dłuższy czas oczekiwania. Z tej przyczyny w przedstawionym modelu przyjęto, że wartość współczynnika bezpieczeństwa jest równa zeru i dlatego może wystąpić niedobór w magazynie, uzyskując w zamian zmniejszenie średniego poziomu zapasu. Rezygnacja ze współczynnika bezpieczeń-stwa oznacza, że wielkość zapasu alarmowego jest równa wielkości zamówienia, wy-nikającej z przewidywanego popytu i czasu jego realizacji.
Należy zwrócić uwagę na opóźnienie, jakie pojawia się od momentu powstania niedoboru w magazynie (zapas magazynowy spada poniżej zapasu alarmowego) do czasu dostawy do magazynu. W proponowanym modelu zamówienie do dostawcy może zostać wysłane w momencie, gdy spełnione są dwa warunki [Chodak, 2004]:
_________
22 Do zamodelowania błędu prognozy została wykorzystana funkcja Excela: ROZKŁAD.NORMALNY. ODW(V1;V2;V3), gdzie V1 – wartość oczekiwana z błędu identyfikacji krzywej popytu, V2 – odchylenie standardowe z błędu identyfikacji krzywej popytu, V3 – liczba losowa z przedziału (0; 0,5).
• poziom zapasu magazynowego jest niższy niż zapasu alarmowego,
• zapas towaru, znajdującego się w drodze, jest niewystarczający na pokrycie przewidywanego popytu.
Budując model przeznaczony dla sklepu internetowego, należy pamiętać o opisy-wanym wcześniej zapotrzebowaniu niezrealizoopisy-wanym. Tak więc sygnał niedoboru w magazynie pojawi się, jeśli suma zapasu magazynowego oraz dostawy w drodze, pomniejszona o wielkość niezrealizowanego zapotrzebowania, jest mniejsza od po-ziomu zapasu alarmowego
ZMZwD
DZASN (3.8) gdzie: ZM – zapas magazynowy, ZwD – dostawa w drodze, D – niezrealizowany popyt, ZA – zapas alarmowy,SN – sygnał niedoboru, oznaczający konieczność wygenerowania zamówienia
do dostawcy.
Gdy wygenerowany zostaje sygnał niedoboru, wysyłane jest zamówienie do do-stawcy. W kolejnym kroku czasowym t0 wyrusza dostawa, która dociera do odbiorcy w czasie t0 + M, gdzie M jest danym parametrycznie czasem realizacji dostawy. W kolejnym kroku czasowym (np. dniu) t0 + M + 1 towar trafia do magazynu i w ko-lejnym kroku czasowym t0 + M + 2 może być sprzedawany. Przyjęcie takiego czasu realizacji zamówienia uwzględnia sytuację, w której towar nie jest wysłany w dniu złożenia zamówienia, a sprzedaż nie rozpoczyna się w dniu dostarczenia towaru do magazynu. Opóźnienie w wysyłce towaru spowodowane jest najczęściej koniecz-nością zapakowania oraz dostarczeniem go do punktu spedycyjnego. Opóźnienie w sprzedaży towaru wynika najczęściej z konieczności sprawdzenia go pod względem ilości i jakości oraz wprowadzenia stanów magazynowych do komputerowego sytemu gospodarki magazynowej (obecnie coraz popularniejsze jest automatyczne wprowa-dzanie do systemu informatycznego danych o towarach, dzięki technologii RFID, jednak w przypadku małych i średnich sklepów internetowych ta technologia jest na razie rzadko stosowana ze względu na znaczne koszty jej wdrożenia). Niewielka mo-dyfikacja modelu umożliwia realizację symulacji uwzględniającą sytuację, w której towar jest wysyłany w dniu otrzymania zamówienia oraz sprzedawany w dniu dostar-czenia do magazynu [Chodak, 2004].
Pierwotna wersja proponowanego symulatora zbudowana została w programie STELLA®, będącym narzędziem do tworzenia modeli symulacyjnych opartych na metodologii dynamiki systemów Forrestera. Wyniki eksperymentów symulacyjnych modelu wstępnego potwierdziły użyteczność proponowanego podejścia. Ta wstępna wersja została przeniesiona ze STELLI® do środowiska Excela, dzięki wykorzystaniu
języka Visual Basic for Applications. Wybór został podyktowany wieloma zaletami tego języka, takimi jak: możliwość graficznej wizualizacji wyników oraz praca użyt-kownika w trybie interaktywnym, dzięki zintegrowaniu ze środowiskiem arkusza kal-kulacyjnego [Chodak, 2003].
Zaproponowany symulator obrotów magazynowych umożliwia przeprowadzenie symulacji typu what-if. Na wejściu modelu występuje wielkość sprzedaży wraz z po-ziomem cen, na podstawie której identyfikowana jest krzywa popytu. Na wyjściu mo-delu otrzymujemy poziomy stanów magazynowych. Użytkownik może określić nastę-pujące parametry [Chodak, 2004]:
• cenę sprzedaży towaru, • funkcję popytu (opcjonalnie).
Po ustawieniu w arkuszu wartości parametrów uruchamiana jest symulacja. Sys-tem umożliwia obejrzenie jej wyników w arkuszu kalkulacyjnym oraz na trzech następujących wykresach: wykresie prognozy sprzedaży, wykresie prognozy sprze-daży zagregowanej z dotychczasową sprzedażą rzeczywistą i na wykresie poziomu zapasów. Należy zaznaczyć, że zaletą symulatora jest umieszczenie wyników symulacji w arkuszu kalkulacyjnym, co ułatwia analitykowi, zaznajomionemu z obsługą np. Excela, przeprowadzenie dodatkowych obliczeń (np. dowolną agre-gację danych), bez konieczności przenoszenia wyników do innego programu [Chodak, 2003].
Jako czynniki określające poprawność doboru wartości parametrów, użytkownik systemu może wziąć pod uwagę sumaryczny lub średni zapas towaru w okresie sy-mulacji określający na ile wybrana metoda zamawiania spowodowała zmniejszenie stanów magazynowych. Szczególnie istotne jest zwrócenie uwagi na to, czy i jak czę-sto występowały braki w magazynie. Taka sytuacja oznaczałaby zbyt niski poziom zapasu bezpieczeństwa. Kolejną możliwością obserwacji efektów doboru parametrów jest wartość przychodu ze sprzedaży towaru. Można zaproponować funkcję będącą np. kombinacją liniową dwóch wymienionych czynników, określającą w jednym wskaź-niku wielkość zapasów oraz wartość przychodu. Należy jednak pamiętać o dokonaniu wcześniejszej normalizacji danych. W obecnej formie symulator może służyć za na-rzędzie edukacyjne umożliwiające obserwację skutków podejmowanych przez mene-dżera decyzji. Wykorzystanie go w rzeczywistym przedsiębiorstwie wymagałoby do-stosowania oprogramowania do konkretnego środowiska sklepu internetowego [Chodak, 2003].