Совершенствование системы управления запасами в металлургической компании с использованием имитационного моделирования
Положение компании на рынке металлургической продукции. Анализ существующих подходов к управлению запасами, логистической деятельности и системы управления товародвижением компании. Специфика подходов к управлению запасами в металлургической отрасли.
Рубрика | Менеджмент и трудовые отношения |
Вид | дипломная работа |
Язык | русский |
Дата добавления | 02.09.2018 |
Размер файла | 5,4 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Итак, в данном разделе рассмотрены основные подходы к построению и оптимизации схем пополнения - основы системы управления запасами. При этом для металлургической отрасли важно применение интегрированного подхода к управлению запасами, поскольку существенные ограничения может накладывать производство, т.е. металлургическое предприятие имеет свою специфику, и рассмотренные подходы должны быть модифицированы, либо их выбор должен быть обоснован наличием возможности удовлетворить специфические ограничения. Подробнее специфика управления запасами в металлургической отрасли будет рассмотрена в следующем разделе.
2.2 Специфика подходов к управлению запасами в металлургической отрасли
Как было сказано, металлургические предприятия вносят существенный вклад в экономику, при этом они часто работают неэффективно в части использования мощностей - рынок характеризуется их существенным профицитом. При этом российские компании в настоящее время сталкиваются с ростом некоторых статей затрат: Россия, являясь третьим крупнейшим экспортером стали, сталкивается с потребностью крупнейших импортеров, в частности, США, перейти к политике протекционизма для защиты внутреннего рынка, характеризующегося высоким предложением импортной стали - импортные пошлины растут на 25%. Специфика продукта металлургической отрасли позволяет хранить запасы на полузакрытых, открытых площадках, срок годности товаров является достаточно большим, они почти не подвержены износу, что сокращает издержки на хранение и содержание запасов, однако крупные металлургические компании характеризуются высокой средневзвешенной стоимостью капитала (Weighted Average Cost of Capital, WACC) и наличием потребности в инвестициях в инновационное развитие, поэтому заморозка средств в запасах приводит к большому размеру упущенной выгоды. Оборачиваемость экспортных товарных запасов в металлургических компаниях зачастую является низкой - длительность оборота может составлять около 100 дней, что приводит к заморозке большого объема средств, которые можно было бы использовать в обороте компании с доходностью около 20% или вкладывать в развитие оборудования. Все это обуславливает необходимость обратить внимание на сокращение величины запасов, увеличение их оборачиваемости в металлургических компаниях.
В отечественной литературе можно встретить только, в основном, примеры организации управления запасами ресурсов, незавершенного производства и вспомогательных материалов в металлургических компаниях, но не товарными запасами готовой продукции и не запасами в цепи поставок. Популярность исследований в области оптимизации запасов ресурсов связана с тем, что простой металлургического производства или отсутствие запасов ресурсов недопустимы, так как по технологическим причинам возникают длительные переналадки, которые приводят к недоиспользованию мощностей, просрочке обязательств по выполнению заказа, штрафам и упущенной выгоде. Кроме того, согласно информации компании BCG [20], длительность производственного цикла в металлургической отрасли может составлять до шести месяцев, что приводит к высокому уровню запасов незавершенного производства, их доля может составлять 50% всех запасов. При этом по отрасли разброс средней длительности периода, который покрывается запасом ресурсов огромен: от 4 до 60 дней в зависимости от специфики компании. Это создает необходимость разрабатывать собственный подход к управлению запасами ресурсов для каждой компании. На деятельность металлургических предприятий оказывают влияние колебания цен на ключевые ресурсы: цены на железную руду в период с июля по сентябрь 2017 г увеличились на 40%, а затем упали на 20% за один месяц, после чего снова начался рост [21, 47]. Такие колебания происходят циклически и стимулируют специалистов по управлению запасами в снабжении создавать резервы ресурсов с целью хеджировать риски роста цен, причем создание таких резервов не приводит к явным последствиям в виде порчи или устаревания ресурсов и скрывает наличие проблемы заморозки средств. При этом традиционно потребители металлургической продукции готовы идти на уступки в части увеличения длительности выполнения заказа [46], что в краткосрочной перспективе снижает уровень внимания к проблемам управления запасами готовой продукции. Поэтому практикующие специалисты в управлении запасами обращают внимание именно на область совершенствования системы управления запасами в снабжении и производстве. Среди отечественных работ на эту тему следует выделить описание 2015 г. имитационного подхода к оптимизации запасов материалов металлургического производства с учетом затрат на хранение, транспортировку и простой производства вследствие дефицита [39]. Авторы рассматривают модель пополнения (t, R, S), оптимизируя параметры t и S по критерию минимальных совокупных затрат при детерминированном спросе и сроках доставки, но при допущении о нелинейной зависимости затрат от факторов, входящих в модель. Предложенный авторами подход к поиску оптимума состоит в следующем: выясняется вид функции совокупных затрат от входящих в модель факторов путем накопления результатов прогона имитационной модели с различными параметрами и построении уравнения регрессии по ним методом наименьших квадратов. По полученной аппроксимирующей функции производится спуск методом Ньютона для выяснения оптимальных значений максимального размера запаса S и интервала между заказами t. Существенными ограничениями данной работы выступает то, что не используется случайность, и не проверяются ограничения, однако данный подход может быть улучшен с учетом любых других компонентов затрат для применения в управления запасами в том числе готовой продукции.
Не менее важной проблемой является сокращение запасов готовой продукции. Запасы готовой продукции в российских металлургических компаниях в денежном выражении составляют 4-9% выручки на конец 2017 г [44], при этом именно эффективное управление запасами готовой продукции обеспечивает достижение уровня сервиса. Данная проблема не может быть решена без учета особенностей производства, поскольку появление готовой продукции связано с выполнением производственного плана, который накладывает ограничения на частоту и размер заказов, т.е. на параметры схем пополнения, согласно которым происходит управление запасами в компаниях-потребителях. Поступившие заказы должны быть при производственном планировании объединены в партии или производственные серии так, чтобы минимальным было число переходов: по толщине, ширине и химическому составу. Стоимость переналадки, связанной с одним из указанных переходов, очень высока за счет затрат на установку новой оснастки и простоя - переналадка по толщине может занимать 8 часов. Число марок с разным химическим составом может составлять несколько сотен, что усложняет не только процесс управления запасами, но и производственное планирование: переход с одной марки на другую внутри одной серии ведет к отбраковке продукции. Производство стали связано с использованием плавильного оборудования, накладывающего ограничения на объем сырья, единовременно запускаемого в производство, что предъявляет требование к объему заказа, размещаемого клиентом: он должен быть не менее установленного минимального объема ковша. В связи с этим производственному плану присуща низкая гибкость и необходимость иметь заказы на месяц вперед, что приводит к редким большим заказам, высоким уровням запаса и его низкой оборачиваемости как минимум у потребителей.
Таким образом, задача управления запасами готовой продукции должна интегрировано рассматриваться с задачей оптимизации производственного графика. В России интегрированный подход к управлению запасами освещается слабо, а отечественные работы, касающиеся его применения в металлургии отсутствуют. Зарубежная практика разработана немного лучше: с середины 2000-х годов инструменты интегрированного планирования в управлении запасами металлургии набирают популярность. В 2001 г. шведская металлургическая компания SSAB реализовала проект внедрения интегрированного планирования как части концепции APS (Advanced Planning Systems) на базе программных продуктов i2. Исходя из фактически поступивших заказов и прогноза спроса осуществлялось планирование спроса, данные которого использовались в модуле планирования цепи поставок для соотнесения с имеющимися мощностями. Результатом являлись планы пополнения запасов потребителей во времени в привязке к заказам. Согласно отчету 2008 г., содержащему анализ шведской металлургической отрасли компании стремятся к улучшению координации и повышению качества обмена информацией, однако существующие возможности использования интегрированного планирования остаются недоиспользованными. Интересной с точки зрения использования имитационного моделирования для оптимизации запасов в цепи поставок металлургической компании является работа 2013 г. [30]. Авторы рассматривали модель цепи поставок сталелитейной компании, включая сферы снабжения, производства, поступления и выполнения заказов. На основе поступающих заказов по разработанному авторами оптимизационному алгоритму формировался график производства. В случае необходимости формировался заказ на пополнение запасов ресурсов. Реализация производственного графика и порядка отгрузки приводила к динамике запасов готовой продукции. Авторы рассматривали два варианта механизма обмена информацией с потребителями, каждый из которых приводил к особому сценарию функционирования цепи поставок. Условия функционирования рассматриваемой в данной работе цепи поставок позволили с использованием разработанной модели за счет совершенствования процесса планирования и обмена информацией сократить страховой запас на 38%, а длительность цикла выполнения заказа на 15%.
Итак, в данном разделе рассмотрены существующие подходы к организации управлением запасами в металлургических компаниях, обоснована необходимость рассмотрения производственных ограничений при управлении запасами готовой продукции в рамках интегрированного подхода к планированию. Лишь в последние годы начинают появляться работы, освещающие применение современных технологий, имитационного моделирования для поддержки управления запасами. Польза использования таких подходов велика: имитационная модель позволяет эффективно формировать схемы пополнения с учетом случайности и нелинейных зависимостей, производственных и логистических ограничений, достоверно копируя поведение реальной цепи поставок и убедительно транслируя особенности и мотивацию функционирования смежных подразделений: логистики и производства, давая возможность наблюдать влияние принимаемых решений в локальной зоне ответственности отдельных руководителей на ключевые показатели эффективности цепи поставок, в частности ее рентабельность и совокупные затраты на владение (Total Cost of Ownership, TCO) запасами. Кроме того, такой подход позволит повысить гибкость производственной системы в части проверки жизнеспособности сценариев развития, сокращения периода заморозки (frozen zone) производственного плана, что, в свою очередь, даст возможность проверить целесообразность перехода от месячного к понедельному планированию. На основе описанных принципов разработан собственный подход к повышению эффективности управления запасами на основе имитационного моделирования.
2.3 Разработка подхода к управлению запасами в компании НЛМК
ПАО НЛМК реализует различные виды продукции: стальные слябы, прокатные листы, бруски, чугун и т.п. на российский и зарубежные рынки. Экспорт при этом составляет 61% дохода от продаж. Продажи слябов составляют наибольшую долю в объемном и денежном выражении. Средняя доходность в расчете на тонну по ним при этом выше доходности всех продуктов кроме горячекатаного проката и продуктов с высокой добавленной стоимостью. При этом прокат производится из слябов. В силу указанных, подробно описанных в первой главе причин рассматривается управление запасами слябов, предназначенных для экспорта, в частности, для пяти дочерних компаний, которые обеспечивают рынки Америки и Европы продукцией металлургии, произведенной из поставленных из России слябов.
Целью создания имитационной модели является поиск оптимальной политики пополнения запасов для каждой из пяти дочерних компаний и для каждого вида продукта по критерию минимизации совокупных затрат на производство, доставку в порт, демередж простоя судов, упущенной выгоды, связанной с заморозкой средств в запасах при учете ограничений производства и достижения целевого уровня сервиса при наличии случайного спроса, сроков доставки.
Для достижения цели необходимо разработать и интегрировать три модуля:
1. Пополнение - моделирование различных схем пополнения, функционирующих в условиях реального спроса. Схемы пополнения на входе имеют спрос, длительность доставки. На выходе - основные показатели уровня запасов на складах дочерних компаний, их оборачиваемости, уровень сервиса
2. Производство - формирование производственного плана исходя из заказов на пополнение и его реализация. Данный модуль на входе имеет заказы, на выходе - слябы во времени
3. Логистика - моделирование погрузки произведенных слябов в вагоны и их доставки в порт по железной дороге в условиях случайных факторов времени прохода железнодорожной сети, прихода судов. Данный модуль на входе имеет слябы, на выходе - вагоны, доставленные в порт с учетом времени, показатель уровня, оборачиваемости запасов в пути
Взаимодействие модулей, показатели их функционирования можно представить на схеме рис. 2.4:
Размещено на http://www.allbest.ru/
Рис. 2.4 Концептуальная схема взаимодействия модулей интегрированной модели управления запасами
Перейдем к подробному рассмотрению каждого модуля.
Модуль 1. Схемы пополнения. В процессе моделирования оценивается работа четырех схем пополнения: (t, Q), (t, S), (t, R, S), (R, S), (R, Q). Запас расходуется в соответствии со спросом, полученным из эмпирического распределения, созданным по историческим данным для каждого вида продукции (Stock Keeping Unit, SKU). Исторические данные предоставлены в разрезе недель, при этом необходимо, чтобы недельное и месячное распределение спроса в модели совпадало с соответствующими распределениями в истории наблюдений.
Всего компания экспортирует 340 видов марок стали, множества марок, заказываемых разными дочерними компаниями, частично пересекаются. Кроме марки сляб, SKU характеризуется толщиной, шириной и длиной. Число SKU по всем дочерним компаниям вырастает с учетом дополнительных параметров до 1063. Не для всех SKU целесообразно формировать запас, поскольку некоторые являются редко потребляемыми. Выбор таких SKU производится для каждой дочерней компании на основе классификации АВС по вкладу в выручку и XYZ по вариации потребления. Для SKU, попавших в категории BZ, CY и CZ осуществляется переход от производства по заказу схем пополнения MTS (Make to stock) к производству по требованию MTO (Make to order), т.е. дочерние компании не содержат запасы слябов и готовой продукции для SKU вида MTO, а при поступлении заказа на такие SKU конечный клиент ожидает полный цикл производства. В моделировании SKU MTO не участвуют (см. Табл. 2.1).
Таблица 2.1 Выбор марок, участвующих в моделировании на основе ABC XYZ классификации
X |
Y |
Z |
||
A |
MTS |
MTS |
MTS |
|
B |
MTS |
MTS |
MTO |
|
C |
MTS |
MTO |
MTO |
После выбора SKU для моделирования происходит создание логики для каждой схемы на основе дискретно-событийного подхода программными средствами среды разработки AnyLogic 8.
На практике заказ осуществляется в соответствии с прогнозом спроса, который позволяет иметь запас только тогда, когда он необходим, сокращая его средний уровень и повышая оборачиваемость, однако не для всех SKU возможно адекватное прогнозирование, и прогнозу присуща ошибка. В связи с этим для каждой схемы можно выделить два сценария ее моделирования: со стационарными параметрами и с динамическими параметрами на основе прогнозируемого спроса. Для первого сценария все параметры схем пополнения задаются перед прогоном модели и не меняются с течением модельного времени. Во втором сценарии используется прогнозируемый спрос, и параметры схем с периодическим отслеживанием меняются каждый интервал между заказами t, а параметры схем с непрерывным отслеживанием пересчитываются каждый квант модельного времени - день. Уровень страхового запаса в обоих случаях является фиксированным и задается перед прогоном. Параметры схем с учетом прогноза рассчитываются следующим образом:
где
-случайная точность прогнозирования, равная отношению прогноза к факту на основе исторических данных
прогноз спроса на предстоящий период, равный интервалу между заказами - неделе или месяцу в зависимости от выбранного сценария и дочерней компании
, где
- прогноз спроса на предстоящий период, равный среднему сроку доставки
SS - страховой запас, заданный перед прогоном модели
Поскольку на практике прогноз может отличаться от истинного значения в большую и меньшую сторону, причем поведение ошибки носит случайный характер, точность прогноза задается на основе усеченного нормального распределения, определенного на отрезке [], концы которого получены на основе исторических данных о прогнозе, либо исходя из экспертной оценки для тех SKU, данные о точности прогнозирования которых отсутствуют.
Эффективность работы схем пополнения можно оценить рядом показателей:
· Уровнем сервиса за период - отношение удовлетворенного спроса к совокупному валовому
· Средним уровнем запаса - рассчитывается по формуле средней хронологической
· Оборачиваемостью - отношению валового спроса к среднему запасу
Агрегированным показателем выступают издержки, связанные с заморозкой средств в запасах, рассчитываемые исходя из размера упущенной выгоды как произведение среднего запаса на средневзвешенную стоимость капитала WACC.
Схемы пополнения в соответствии с заданной в них логикой создают заказы для производства. С одной стороны, заказы должны создаваться с такой частотой и в таком размере, чтобы уровень запаса был минимальным при достижении заданного уровня сервиса, с другой, необходимо учитывать деятельность других частей цепи поставок, описываемых модулями 2 и 3. Таким образом, возможны два сценария оптимизации параметров схем пополнения:
1. Независимо от других модулей на основе критерия минимизации среднего запаса, повышения оборачиваемости при:
· Существующих интервалах между заказами - месяце для трех компаний и неделе для двух других,
· Планируемых интервалах в рамках перехода на понедельный заказ, при ограничении на уровень сервиса, с учетом требований к интервалу и размеру заказа. Сроки доставки в этом случае разыгрываются из эмпирического распределения, полученного на основе исторических данных
2. На основе интегрированного подхода с учетом эффективности функционирования производства и логистики доставки в порт
В рамках данного модуля рассмотрим подход к независимой оптимизации по первому сценарию.
Известно, что оптимизация параметров схем пополнения может проводиться на базе аналитической модели EOQ, однако в данном случае эту модель использовать нельзя, поскольку:
· Поставки накладываются друг на друга, порядок заказов не соответствует порядку поставок: поставка, заказ на которую был размещен раньше, может прийти позже той поставки, для которой заказ был размещен позже. Особенно это актуально при еженедельном заказе
· Используется эмпирическое распределение спроса для каждого SKU. Неизвестен точный вид функции совокупных затрат в зависимости от значений параметров. Трудно свести распределение спроса каждого SKU к одному из теоретических распределений
· Необходимо соблюдать ограничение на уровень сервиса, который для практических целей рассматриваемой компании рассчитывается как доля удовлетворенного спроса за период. На такой показатель влияет динамика поступлений и расхода во времени
· Присутствует случайный спрос и срок доставки, формула страхового запаса, как было показано, приводит к избыточному запасу, когда, как и в данном случае, не накапливаются неудовлетворенные заявки, используется альтернативная PO метрика расчета уровня сервиса
Таким образом, в указанных условиях применение имитационного подхода полностью оправдано.
Поиск допустимого оптимума параметров пополнения проводится для каждой схемы независимо средствами среды AnyLogic, алгоритмом OPTQUEST с репликациями - повторными прогонами с фиксированными параметрами при другом розыгрыше случайных чисел. Значение агрегированного показателя по репликациям усредняется арифметически. Для сценария без прогнозирования возможны два варианта оптимизации - с изменением всех параметров схем и с изменением страхового запаса. В первом случае до начала прогона задаются параметры схем:
· t - интервал между заказами, не менее недели для схем (t, Q), (t, R, Q), (t, S)
· Q - размер заказа, не менее заданного минимального объема для схем (t, Q), (t, R, Q)
· R - точка размещения заказа для схем (R, S), (R, Q)
· S - максимальный уровень запаса для схем (R, S), (t, R, S)
Во втором случае используется алгоритм бинарного поиска минимального страхового запаса, обеспечивающего целевой уровень сервиса, остальные параметры рассчитываются так, как указано в работе [Ivanov], но размер заказа округляется так, чтобы он не был меньше минимального объема, а интервал между заказами не должен быть менее недели:
- минимальный объем заказа, - минимальный интервал между заказами в днях - неделя, - средний спрос за день, - средний срок доставки
После того, как оптимумы для обоих вариантов для каждой схемы найдены можно сравнить результирующие показатели. Поскольку расчет по второму варианту проводить быстрее, проще, и он легок в интерпретации, то нужно использовать его, если результаты несущественно отличаются от результатов OPTQUEST.
Кроме того, в целях исследования пространства затрат, для того, чтобы понять механизмы влияния параметров пополнения на уровень сервиса и издержки, связанные с заморозкой средств в запасах, оборачиваемость, нужно провести серию экспериментов с моделью, варьируя параметры. Далее статистическими программными средствами проводится анализ результатов экспериментов для аппроксимации функции совокупных затрат. Выяснение зависимости среднего уровня запаса, фактического уровня сервиса от заданных параметров схем пополнения может пригодиться при моделировании графика производства: на основе выявленной функции или построенной мета-модели можно без прогона модели схем пополнения определять, будут ли выполнены ограничения и какими будут затраты на пополнение - все это ускоряет поиск решения. Авторы описанного ранее исследования [28] рассмотрели подход к такой аппроксимации путем применения регрессионного анализа. Такой подход применяется и в данной работе, с учетом ряда модификаций:
· Изменяется состав функции совокупных затрат - она включает издержки, связанные с заморозкой средств в запасах
· Учитывается случайность, число экспериментов растет за счет применения репликаций
· Аппроксимация проводится не только линейной регрессией, но и другими моделями
Итак, в данном разделе рассмотрены основные принципы разработанного подхода к выбору SKU на основе ABC XYZ анализа, моделированию схем пополнения в условиях стохастического спроса на выбранные SKU и сроки доставки. Указаны основные показатели функционирования модуля и способы их расчета. Определены способы оптимизации параметров схем пополнения.
Модуль 2. Производство. Данный модуль состоит из двух частей, первая из которых отвечает за формирование производственного плана, а вторая за его реализацию. Входным потоком данного модуля являются заказы на плавку слябов с заданными характеристиками: маркой, шириной, толщиной, длиной. Заказы могут иметь несколько позиций, каждая из которых содержит следующую информацию:
· Дата поступления
· Планируемая дата отгрузки из цеха
· Потребитель - одна из дочерних компаний
· Марка, толщина, ширина, длина
· Объем в тоннах
Сейчас производственный план в очередной момент времени формируется на основе множества заказов, предназначенных к отгрузке в течение следующего месяца. Длительный горизонт производственного планирования объясняется особенностями производственной системы.
Разливка стали осуществляется партиями определенного объема в соответствии с вместимостью конвертерного ковша, объем заказов превышает эту минимальную вместимость, и, следовательно, заказы можно дробить на так называемые плавки. При этом разливка плавок происходит на нескольких параллельно работающих агрегатах - установках непрерывной разливки стали (УНРС). До поступления на УНРС плавки могут обрабатываться на агрегате циркуляционного вакуумирования (АЦВ), который является узким местом производственной системы и еще более усложняет планирование. Одна плавка может быть произведена на нескольких УНРС в зависимости от выбора специалиста по производственному планированию исходя из того, что слябы, получившиеся из плавки, должны иметь определенные химический состав, ширину, толщину, а у УНРС есть параметры настройки по толщине и ширине. Для разных УНРС множества допустимых к производству на них толщин, ширин, химических составов частично или полностью пересекаются. В течение разливки на одной УНРС очень важен порядок плавок, поскольку если предыдущая и следующая плавка различаются по ширине, то возникает необходимость перенастройки УНРС на новую ширину, что связано с простоем и образованием клиновидных слябов, имеющих разную ширину на концах и частично списываемых как брак. Наиболее затратны переходы на отличающуюся по толщине плавку, т.к. возникает 8-ми часовой простой и необходимость менять оснастку стоимостью несколько миллионов. Такая же необходимость возникает и после производства на УНРС определенного числа плавок. Множество плавок, производимых между двумя сменами оснастки называется серией. Кроме того, при формировании последовательности плавок в рамках одной УНРС и серии необходимо учитывать химический состав плавок. Требования к химическому составу готовых слябов диктуются стандартами марки, указанной в заказе, по допустимому содержанию химических элементов. При последовательной разливке двух плавок с разными химическими составами химический состав второй плавки изменяется. Для каждой марки существует набор допустимых переходов на другие марки, однако в любом случае, и для допустимых переходов, при наличии отличий в химических составах последовательных плавок возникают переходные слябы, которые частично отбраковываются. Поэтому целью формирования производственного плана является минимизация числа переходов по толщине, ширине, химическому составу или совокупных затрат, связанных с переналадками и браком. Процесс разливки представлен на схеме Рис. 2.5
Рис. 2.5 Схема производственного процесса
Ограничениями производственного планирования выступает необходимость соблюдения двух нормативов:
· По доле вовремя отгруженных объемов исходя из плановой и фактической даты отгрузки каждой тонны (At Time In Full, ATIF)
· По равномерности отгрузки слябов, предназначенных для одной судовой партии. Этот норматив под давлением директора по логистике был введен лишь недавно с целью сократить время между выходом из цеха первого и последнего предназначенного для одной судовой партии сляба, снизив уровень запасов в портах и замороженных в них средств. До его введения не до конца сформированная судовая партия могла находиться в порту в течение 60 дней
Все это необходимо понимать и учитывать при формировании схем пополнения запасов дочерних предприятий. Мотивация производственного планирования состоит в отказе от гибкости в пользу оптимизации собственных затрат. Это приводит к тому, что заказы в производство, в основном, направляются не позднее чем за месяц до их возможной отгрузки из цеха, поскольку чем больше заказов будет иметь специалист по производственному планированию в момент составления плана, тем менее затратную последовательность плавок можно сформировать при удовлетворении того же валового спроса. Такая ситуация влечет увеличение интервала между заказами и размера заказа, что способствует росту уровня запаса. Кроме того, увеличение интервала способствует также росту ошибки прогнозирования продаж на дочернем предприятии, что дополнительно стимулирует создание запаса тогда, когда в нем нет потребности. При этом внесение изменений в работу производственного планирования без ясного и серьезного обоснования невозможно.
Основной задачей данного модуля является наглядное и гибкое формирование производственного графика исходя из набора заказов, поступивших в соответствии с логикой схемы пополнения, с учетом всех указанных особенностей и ограничений производственной системы. Механизм формирования графика должен позволять менять длительность периода планирования для того, чтобы оценивать соотношение увеличения затрат на производство и сокращения затрат на заморозку средств в запасах при сокращении горизонта.
Формирование графика является сложной задачей с точки зрения реализации. Для этого необязательно использовать имитационное моделирование, поскольку задача относится к области комбинаторной оптимизации, однако этот механизм должен позволять моделировать производство слябов во времени. Поэтому его удобно интегрировать в модель на основе программы на языке Java, поддерживающегося средой AnyLogic. Реализовать этот механизм можно путем подключения к модели пакета CPLEX, тогда нужно формализовать задачу в виде целевой функции и ограничений. Это позволит находить единственное оптимальное решение. Другим вариантом является написание собственного решения на основе обхода дерева вариантов с отрезанием заведомо недопустимых ветвей. Это позволит отслеживать и настраивать перебор. В данном случае был выбран второй вариант. Технические детали опущены, поскольку не относятся к теме управления запасами.
Разработанный механизм формирования графика позволяет исследовать пространство затрат на производственные переналадки путем прогона модели с различной длительностью горизонта планирования. Результаты этого исследования могут пригодиться в процессе интегрированной оптимизации всех модулей по критерию совокупных затрат.
Для работы производственной модели необходимы следующие данные:
· Заказы от всех дочерних предприятий минимум за месяц
· Правила переходов и серий
· Длительность обработки каждого SKU на УНРС
· Длительность обработки на АЦВ
· Удельные затраты на переходы и длительность простоев
· Себестоимость тонны для каждого SKU для расчета упущенной выгоды от простоя и списанного брака
Эффективность функционирования производственной модели можно оценить показателями:
· Число переналадок
· Коэффициент использования УНРС и АЦВ
· Равномерность отгрузки судовых партий
Агрегированным показателем эффективности являются совокупные затраты на смену оснастки, издержки списания брака и простоя.
Итак, в данном разделе рассмотрены основные принципы функционирования и моделирования производственной системы. Определены необходимые данные, указаны показатели эффективности. Указан подход к оптимизации. Данный модуль взаимодействует со схемами пополнения через прием заказов, с логистическим модулем через выдачу слябов - реализацию графика производства.
Модуль 3. Доставка заказа до клиента
. Слябы, отгружаемые производственным цехом, загружаются в вагоны и отправляются в один из четырех портов по железнодорожной сети, где разгружаются на склад порта, затем грузятся на судно, отправляются на нем до порта разгрузки, откуда железнодорожным транспортом доставляются на склад дочернего предприятия (ИДП). В течение процесса доставки до порта происходит консолидация и разукрупнение партий слябов, вагонов, каждая из которых может ожидать в очереди за ресурс, например, локомотив, цеховой кран, кран в порту некоторое случайное время, связанное с графиком работы ресурса, его занятостью в момент поступления в очередь и т.п. Этот процесс состоит из множества этапов, которые можно условно представить на схеме (Рис. 2.6):
Рассмотрим этапы более подробно:
1. После разливки слябы остывают, отправляются на склад, где параллельно загружаются в группу вагонов кранами цеха
2. Загруженные группы вагонов перемещаются на станцию накопления по примыкающей к заводу железнодорожной сети. В зависимости от нагрузки на сеть время перемещения может немного отличаться, поскольку число локомотивов ограничено
3. На станции накопления происходит формирование состава. Состав подается на железнодорожную сеть РЖД исходя из ее текущей пропускной способности, регулируемой в течение времени ПАО «РЖД». Состав может ожидать на станции накопления, если пропускная способность изменится, что периодически случается
4. Состав перемещается до станции примыкания порта, где расцепляется на группы вагонов для доставки до разгрузочного фронта
5. Маневрирование групп до разгрузочного фронта происходит за время, зависящее от текущей загруженности станции примыкания, его можно считать случайным. Группы вагонов у фронта разгружаются портовыми кранами на портовый склад
6. Загрузка судна может начаться только при наличии на портовом складе всей судовой партии, поэтому прибывшие слябы могут длительное время ожидать ее накопления
7. Время готовности судна к отправлению, длительность нахождения слябов на этапе между окончанием накопления судовой партии и доставкой в порт назначения зависит от погодных условий, штормов. Это вносит в совокупный срок доставки случайность
8. После прибытия в порт слябы снова грузятся в вагоны портовыми кранами
9. Происходит доставка до станции примыкания завода дочернего предприятия
Таким образом, срок доставки слябов до конечного потребителя после их выхода из производственного цеха подвержен влиянию случайных факторов. Большую часть объемов доставляется на основе базиса поставки FOB, и фокусная компания оплачивает и несет риски только до доставки слябов на борт судна. Кроме того, вторая часть пути после прихода судна в порт назначения менее подвержена влиянию случайности, и диапазон возможных изменений срока невелик. Поэтому в модели данную часть можно представить в виде фиксированной задержки.
Эффективность функционирования логистической части процесса выполнения заказа напрямую связана с тем, как организовано производственное планирование, зависящее, в свою очередь, от частоты поступления заказов. Эта часть формирует наибольшую долю срока выполнения заказа, и здесь проявляется необходимость сокращения капитала, замороженного в запасах. Эффективность работы данного модуля определяется следующими показателями:
· Длительностью ожидания накопления судовой партии
· Уровнем запасов в порту, их оборачиваемостью
Агрегированным показателем является сумма валовых затрат на аренду вагонов и издержек, связанных с заморозкой средств в запасах.
Итак, в данном разделе рассмотрены основные этапы процесса доставки готовых слябов до дочерних предприятий. Данный модуль является связующим производства и схем пополнения - он принимает слябы из производственного модуля и реализует их доставку, передавая в модуль схем пополнения ее длительность. Оптимизация данного модуля происходит в рамках интегрированной оптимизации модели.
В процессе интегрированной оптимизации происходит подбор схем пополнения, их параметров для каждого SKU и горизонта производственного планирования таким образом, чтобы совокупные затраты за год были минимальными при достижении целевого уровня сервиса по всем SKU. Поскольку каждый прогон модели требует перебора вариантов в рамках механизма производственного планирования и реализации работы всех модулей в течение года, перебор достаточного числа вариантов в процессе интегрированной оптимизации за разумное время невозможен и требует технических и концептуальных упрощений. В связи с этим в рамках данной работы будет оцениваться только эффект от перехода двух дочерних предприятий на еженедельный заказ путем сравнения результатов работы модели по двум сценариям: с интервалом заказа, кратным одной неделе и интервалом, кратным одному месяцу. Сравнение оценок позволит оценить целесообразность перехода. В целом процесс применения разработанного подхода для решения описанной задачи можно представить в виде следующих этапов:
1. Проведение ABC XYZ анализа на основе исторических данных о потреблении для определения редко потребляемых SKU с высокой вариацией спроса
2. Анализ возможностей прогнозирования всех SKU - по данным отдела планирования спроса дочерних компаний. Исключение из моделирования непрогнозируемых редко потребляемых, высоко вариативных SKU
3. Поиск параметров схем пополнения по сценарию независимой оптимизации первого модуля с интервалом между заказами, кратным месяцу - оценка среднего уровня запаса по всем SKU, сохранение графика поступления заказов и их параметров
4. Аналогичный поиск параметров схем пополнения, но в условиях кратности интервала между заказами одной неделе - оценка среднего уровня запаса по всем SKU, сохранение графика поступления заказов и их параметров
5. На основе графика заказов с этапа 3 прогон производственного модуля, формирование графика производства, его реализация, обработка модулем 3 - оценка затрат на производственные переналадки и доставку заказа
6. Аналогичная процедура для графика заказов с этапа 4
7. Сравнение оценок увеличившихся затрат на производственные переналадки при переходе на еженедельный заказ и сократившихся издержек иммобилизации средств в запасах дочерних предприятий
Итак, в данной главе произведен теоретический обзор существующих подходов к управлению запасами на основе аналитических и имитационных методов, описаны их недостатки и достоинства, определены области применения. Освещены проблемы и особенности использования имитационного моделирования к управлению запасами металлургии.
Рассмотрен ряд работ практической направленности, содержащих описание применения современных методов определения параметров системы управления запасами. Описан подход к управлению запасами на основе оптимизации интегрированной имитационной модели в фокусной компании НЛМК с учетом особенностей производственной системы, процесса доставки до потребителей. Определен фокус данной работы на проверке целесообразности перехода дочерних предприятий на систему еженедельных заказов с учетом возможного увеличения затрат на производственные переналадки. Предложенный подход к управлению запасами позволяет заранее оценивать влияние внедрения локальных изменений на производстве, в процессе доставки до порта, в политиках пополнения и т.п. на эффективность функционирования всех цепи от производства слябов до потребления готовой продукции, произведенной из них на местных рынках дочерних предприятий. Такой подход, основанный на использовании имитационного моделирования является масштабируемым, модель можно уточнять, добавлять к ней модули по необходимости. Внедрение подхода происходит в рамках масштабного, долгосрочного проекта, и на текущий момент получены лишь результаты в первом приближении к их достоверной оценке - согласно им переход на еженедельный заказ оправдан. Рассмотрим путь получения такого вывода подробнее.
Глава 3. Совершенствование системы управления запасами металлургического предприятия с использованием имитационного моделирования
В результате анализа хозяйственной деятельности предприятия была выявлена проблема низкой оборачиваемости запасов экспортных слябов. Предложен подход к ее решению на основе построения имитационной модели, интегрирующей три модуля, позволяющие учесть производственные и логистические ограничении при выборе параметров схем пополнения дочерних предприятий. Существующая организационная структура не позволяет решить проблему и внедрить предложенный подход без внесения в нее изменений. В данной Главе будет рассмотрен процесс реализации предложенного ранее подхода, описаны результаты, приведено их экономическое обоснование, предложены рекомендации по организационным изменениям в поддержку внедрения подхода.
3.1 Методика поэтапного применения разработанного подхода
Ранее было приведено описание семи этапов процесса обоснования перехода дочерних компаний на недельную кратность интервала между заказами. Рассмотрим эти этапы подробнее.
ABC XYZ анализ ассортимента. Анализ ABC проводился по стандартной процедуре независимо для каждой дочерней компании:
1. Определение доли каждого SKU в совокупной выручке дочерней компании
2. Сортировка по убыванию доли
3. Формирование накопленной доли
4. Отнесение SKU к классам по накопленной доле:
·
·
·
Графики накопленных долей в выручке представлены на Рис. 3.1 - заметно, что 80% выручки приносит, в среднем, около 18% SKU, в классы B и C попадает примерно одинаковая доля SKU.
Рис. 3.1 Результаты ABC анализа SKU дочерних компаний по накопленной доле в выручке
Лидером по доле класса A является NLMK Dansteel, ассортимент этой компании наиболее сбалансирован (Рис. 3.2)
Рис. 3.2 Результаты ABC анализа SKU дочерних компаний по доле SKU в классах
В ассортименте компаний NLMK Clabecq, USA и La Louviere класс больше половины ассортимента составляет класс C.
Далее был проведен XYZ анализ ассортимента. Данные о продажах SKU компания хранит в системе SAP, в разрезе недель. Количество данных для различных SKU при этом отличается: для одних есть информация о потреблении в течение полутора лет с 25 недели 2016 г. по 50 неделю 2017 г., для других - в течение одной, 35-ой, недели 2017 г., причем для тех недель, когда SKU не продавался, данные отсутствуют, и неизвестно, равно ли потребление нулю или SKU не был введен в продажу. Для анализа необходимо было привести их к подходящему виду: было выяснено, что почти 100% SKU существуют на рынке давно, и было сделано допущение, что пропущенные значения означают нулевое потребление. Потребление всех SKU является очень вариативным (Рис. 3.3) - минимальный коэффициент вариации составляет около 43% - если брать классические значения для границ классов в анализе XYZ, то в класс X и Y не попадет ни один SKU.
Рис. 3.3 Динамика потребления разных SKU для одной из дочерних компаний
Для анализа XYZ были выбраны следующие границы классов: .
Рис. 3.4 Результаты анализа XYZ по вариации потребления
Результаты показывают, что только около 10% ассортимента принадлежит к классу средней вариативности Y, SKU класса X отсутствуют. Наиболее вариативен ассортимент бельгийской - La Louviere и итальянской - Verona компаний. Области постоянной вариации в правой части графика относятся к SKU, которые по историческим данным потреблялись единственный раз - в этом случае все, кроме одного значения ряда имеют нулевое значение, и стандартное отклонение, как и среднее, зависят только от числа наблюдений и единственного ненулевого потребления, коэффициент вариации всегда равен: , т.е. не зависит от среднего потребления, и на графике выше является постоянным. Наиболее стабильно потребляется ассортимент американских дочерних предприятий, к классу Y относится 18% ассортимента (Рис. 3.5). У остальных - ассортимент на 95% состоит из SKU чрезвычайно вариативны ассортиментом.
Рис. 3.5 Результаты анализа XYZ по доле SKU в классах
В целом агрегированный результаты ABC XYZ анализ представлены в Таблице 3.1:
Таблица 3.1 Доля совмещенных классов в ассортименте по результатам ABC XYZ анализа
AX |
AY |
AZ |
BX |
BY |
BZ |
CX |
CY |
CZ |
||
CLABECQ |
0% |
5% |
13% |
0% |
1% |
31% |
0% |
0% |
50% |
|
DANSTEEL |
0% |
6% |
14% |
0% |
1% |
41% |
0% |
0% |
39% |
|
LALOUVIERE |
0% |
6% |
12% |
0% |
0% |
33% |
0% |
0% |
49% |
|
USA |
0% |
14% |
6% |
0% |
4% |
25% |
0% |
0% |
51% |
|
VERONA |
0% |
5% |
8% |
0% |
0% |
40% |
0% |
0% |
47% |
Таким образом, ассортимент на 39-50% состоит из неприбыльных SKU с нестабильным потреблением. Как было указано ранее предполагается, что классы CZ, CY, BZ не участвуют в моделировании, однако коэффициент вариации является грубым статистическим показателем -вариация потребления только в общем случае прямо пропорциональна ошибке прогнозирования, дочерние компании могут адекватно, с абсолютной точностью в 60-100% со средней 85% прогнозировать некоторые SKU. Доли прогнозируемых SKU в ассортиментах компаний представлены на Рис.
Рис. 3.6 Доли прогнозируемых SKU в ассортименте дочерних компаний
Данные о возможности прогнозирования получены на основе проверки наличия данных об использовании прогноза, которые передали специалисты по планированию спроса дочерних компаний. С учетом этих данных необходимо скорректировать результаты ABC XYZ анализа, новые результаты, доли оставшихся для моделирования SKU представлены в Таблице 3.2
Таблица 3.2 Доля оставшихся для моделирования SKU после ABC XYZ анализа с учетом возможности прогнозирования спроса
AX |
AY |
AZ |
BX |
BY |
BZ |
CX |
CY |
CZ |
Итого |
||
CLABECQ |
0% |
5% |
13% |
0% |
1% |
11% |
0% |
0% |
28% |
58% |
|
DANSTEEL |
0% |
6% |
14% |
0% |
1% |
10% |
0% |
0% |
22% |
52% |
|
LALOUVIERE |
0% |
6% |
12% |
0% |
0% |
5% |
0% |
0% |
24% |
47% |
|
USA |
0% |
14% |
6% |
0% |
4% |
5% |
0% |
0% |
23% |
52% |
|
VERONA |
0% |
5% |
8% |
0% |
0% |
16% |
0% |
0% |
23% |
53% |
Итоговые результаты ABCXYZ анализа показаны на Рис. 3.7. 37% всех SKU являются прогнозируемыми, из которых большая часть, 65% приходится на класс C, 25% на класс B и лишь 10% - на класс A. При этом среди всех SKU класса C прогнозируемых - 50%, в классе B - 26%, а в классе A - 20%. Оказалось, что SKU с более высокой вариацией потребления лучше поддаются прогнозированию - 96% прогнозируемых SKU относятся к классу Z. При этом внутри класса Z прогнозируется 38% SKU, в то время как для класса Y эта доля составляет 18%. Это объясняется тем, что дочерние компании имеют постоянных клиентов, которые регулярно, но не каждую неделю, а, например, раз в полтора месяца, заказывают, в среднем, постоянный ассортимент, причем заказываемые ими SKU, в основном, потребляются несколькими такими компаниями с разной, но известной частотой, что делает такие виды продукции прогнозируемыми, но вариативными при рассмотрении динамики потребления в разрезе недель.
Рис. 3.7 Результаты ABC XYZ анализа с учетом возможностей прогнозирования
Таким образом, в результате данного анализа около половины SKU были переведены на систему MTO и исключены из процесса моделирования. Далее производился поиск оптимальных параметров схем пополнения и формирование графиков заказов для сценариев кратности интервалов между заказами неделе и месяцу.
Определение параметров схем пополнение и формирование графиков заказов. На предыдущем этапе было сформировано множество моделируемых SKU, и определены возможности прогнозирования. Теперь необходимо определить параметры схем пополнения, которые обеспечат минимальные затраты на содержание запаса в дочерних компаниях. Поскольку необходимо моделировать два сценария с различным фиксированным интервалом, были выбраны схемы пополнения (T, S), (T, R, Q) и (T, R, S), схема (T, Q) была заранее исключена, поскольку не подходит для ситуации случайных спроса и сроков доставки, т.к. рост запаса в случае случайного снижения спроса не ограничивается - схема не адаптируется. Для схем (T, R, Q) и (T, R, S) период проверки уровня запаса T равен сценарному варианту - неделе или месяцу, для схемы (T, S) - кратен ему. Схемы моделируются в двух вариантах - с прогнозированием, для прогнозируемых SKU, и без прогнозирования - для обоих сценариев. Алгоритмы подбора параметров для каждого из вариантов отличаются. Для первого варианта значения параметров устанавливаются на весь период прогона и подбираются следующим образом:
· (T, S) - подбираются оба параметра T и S:
1. , где - минимальный допустимый интервал между заказами исходя из минимального размера заказа и максимального спроса (исходя из среднедневного ) за сценарный интервал между заказами . Таким образом, перебор начинается с такого интервала, который покрывает минимальный размер заказа, если спрос будет максимальным. Из этих же соображений устанавливается начальный целевой уровень: - максимальный допустимый. ;
2. Прогон модели в течение года с 10-ю репликациями. На каждой репликации вычисляется средний запас , уровень сервиса. Показатели после окончания репликаций усредняются
3. Если заданная точность определения целевого уровня не достигнута: , то переход на шаг 4. Иначе, шаг 5.
4. Если достигнутый средний уровень сервиса равен или больше целевого, то: ; . Иначе, - бинарным поиском осуществляем поиск минимального целевого уровня S, при котором при заданном интервале будет достигаться целевой уровень сервиса. Переход на шаг 2
5. Если - новый средний запас меньше или равен предыдущего, то - увеличиваем интервал для того, чтобы проверить, уменьшится ли средний запас: такое может быть из-за наличия минимального размера заказа, переход на шаг 2. Иначе, выход, целевой уровень и интервал найдены
· (T, R, Q) - подбираются только параметры точки размещения заказа R и размера заказа Q, . Логика подбора похожа, но все же отличается от предыдущей: сначала производится поиск минимальной точки размещения заказа, при которой при максимальном размере заказа будет удовлетворен целевой уровень сервиса, затем для найденной точки размещения заказа подбирается минимальный размер заказа. Далее точка размещения заказа увеличивается, пока уменьшается средний запас:
1.
2. Прогон модели в течение года с 10-ю репликациями. На каждой репликации вычисляется средний запас , уровень сервиса. Показатели после окончания репликаций усредняются
3. Если заданная точность определения точки размещения заказа не достигнута: , то переход на шаг 4. Иначе, шаг 5.
4. Если достигнутый средний уровень сервиса (по репликациям) равен или больше целевого, то: ; . Иначе, - бинарным поиском осуществляем поиск минимальной точки размещения заказа, при которой при заданном максимальном размере заказа будет достигаться целевой уровень сервиса. Переход на шаг 2
5. Прогон модели аналогично шагу 2, если необходимо (кроме первого перехода на данный шаг). Вычисление среднего запаса и уровня сервиса
6. Если заданная точность определения размера заказа не достигнута: , то переход на шаг 7. Иначе, шаг 8.
7. Если достигнутый средний уровень сервиса (по репликациям) равен или больше целевого, то: ; . Иначе, ; - бинарным поиском осуществляем поиск минимального размера заказа, при котором при найденной ранее точке размещения заказа будет достигаться целевой уровень сервиса. Переход на шаг 5
8. Если - новый средний запас меньше или равен предыдущего, то - увеличиваем размер точки размещения заказа для того, чтобы проверить, уменьшится ли средний запас: такое может быть из-за наличия минимального размера заказа, переход на шаг 5. Иначе, выход, точка размещения заказа и размер заказа найдены
· (T, R, S) - подбираются только параметры точки размещения заказа R и целевой уровень запаса S, . Логика подбора полностью совпадает с логикой подбора параметров (T, R, Q), но там, где участвовал размер заказа, теперь участвует целевой уровень S, вычисляется его значение аналогично тому, как показано в подборе (T, S)
...Подобные документы
Раскрытие сущности, характеристика моделей и изучение элементов системы управления материальными запасами предприятия. Анализ системы управления материальными запасами организации ООО "Звезда". Совершенствование системы управления материальными запасами.
курсовая работа [332,5 K], добавлен 21.01.2012Характеристика спроса на рынке мебели: первичного и на замену. Модель оптимального размера заказа, выбор склада и транспортной компании. Система управления запасами с фиксированным интервалом времени между поставками и установленным объемом поставки.
курсовая работа [439,6 K], добавлен 29.03.2011Классификация запасов как элемент стратегии управления запасами. Организационная характеристика предприятия. Организация эффективного управления запасами. Закупки и потребление материальных ресурсов. Логистические концепции процесса управления.
курсовая работа [801,0 K], добавлен 21.01.2012Понятие запасов и раскрытие экономической сущности теории управления запасами. Изучение потребительского спроса и описание основных типов моделей управления запасами. Модель Уилсона и элементы обобщённой модели управления потребительскими запасами.
контрольная работа [111,2 K], добавлен 17.12.2014Изучение систем управление качеством продукции Японии, США и Европы. Сравнительный анализ западного и восточного подходов к управлению качеством продукции. Анализ системы управления качеством продукции американской автомобилестроительной компании "Ford".
курсовая работа [189,7 K], добавлен 15.01.2013Понятие систем управления запасами. Комбинированная система управления материально-техническим обеспечением в ОАО "Газпром нефть". Стратегия развития и организационная структура компании. Организация процесса годового планирования и документооборота.
курсовая работа [2,3 M], добавлен 24.07.2014Экономическая сущность запасов и технология управления ими на предприятии. Детерминированный факторный анализ. Повышение оборачиваемости запасов путем увеличения объема реализованной продукции. Анализ системы управления запасами и динамики запасов.
курсовая работа [1,6 M], добавлен 29.09.2014Анализ методологий управления предприятием. Логистика как механизм управления запасами. Исследование хозяйственной и финансовой деятельности торгового предприятия ИП Мокеева А.А. Составление плана мероприятий по совершенствованию управления запасами.
дипломная работа [207,8 K], добавлен 29.06.2015Сущность запасов и их классификация на производственных предприятиях. Логистические системы управления запасами и их роль в обеспечении производственного процесса на предприятиях. Анализ организации управления запасами на примере СП "ВитарАвтомотив".
курсовая работа [63,9 K], добавлен 05.03.2016Характеристика систем управления запасами, их функций и видов. Изучение процесса и политики планирования при управлении запасами на примере предприятия "САН ИнБев". Расходование, распределение запасов со склада, затраты на хранение сырья и материалов.
дипломная работа [155,2 K], добавлен 16.04.2011Характеристика оптимизации логистических затрат промышленного предприятия при управлении запасами сырья и материалов. Работа с запасами: классификация, понятие, принципы. Совершенствование работ по управлению запасами на примере ОАО "Рудоавтоматика".
курсовая работа [416,8 K], добавлен 09.07.2012Обзор существующих методов управления запасами. Необходимость в существовании запасов, риски их создания, поддержания. Особенности управления запасами в торговых компаниях на примере ассортимента аптеки. Анализ фармацевтического рынка и в частности аптек.
курсовая работа [951,2 K], добавлен 31.05.2014Рассмотрение моделей и методов теории управления запасами. Исследование и оценка эффективности действующей системы на предприятии. Анализ и усовершенствование применяемых методов. Основные факторы, влияющие на управление производственными запасами.
курсовая работа [50,8 K], добавлен 15.10.2014Особенности разработки проекта оптимизации управления запасами на примере работы ООО "Народный пластик". Ситуационный анализ деятельности предприятия, разработка проекта оптимизации управления запасами предприятия. Разработка бизнес-плана на 6 месяцев.
дипломная работа [606,2 K], добавлен 22.02.2014Управление оборотными активами как наиболее обширная часть операций финансового менеджмента. Основные признаки классификации оборотных активов, оптимизация их объема. Эффективное управление товарными запасами. Логистический подход к управлению запасами.
контрольная работа [190,0 K], добавлен 01.12.2009Преимущества и недостатки систем управления запасами, их содержание и классификация. Анализ эффективности управления запасами сырья и материалов на предприятии ООО "САРРРО", пути оптимизации производства товаров с применением логистического подхода.
курсовая работа [782,3 K], добавлен 02.06.2012Роль логистической системы в управлении закупочной деятельности и запасами для обеспечения конкурентоспособности предприятия ресторанного бизнеса. Принципы выбора поставщика материальных ресурсов. Влияние закупочной логистики на достижение цели компании.
дипломная работа [1,1 M], добавлен 10.01.2017Общая характеристика исследуемого предприятия, анализ внешней, внутренней среды. Анализ деятельности логистической службы компании, оценка ее эффективности и пути совершенствования, принципы управления запасами. Анализ и оценка соответствующей концепции.
отчет по практике [188,0 K], добавлен 23.12.2014Роль запасов и управления запасами для предприятий. Анализ существующих моделей, методов, концепций, информационные технологий в сфере управления запасами. Совершенствование моделей расчета в управлении поставками при расчете оптимального размера заказа.
контрольная работа [271,5 K], добавлен 08.01.2017Оценка эффективности действующей системы управления персоналом компании сферы услуг и разработка мероприятий по ее совершенствованию. Анализ основных финансово-экономических показателей деятельности организации. Использование трудовых ресурсов в компании.
дипломная работа [404,1 K], добавлен 09.06.2015