SCM - Gestione dell'inventario

Come visto negli obiettivi principali della catena di fornitura, uno degli obiettivi fondamentali di SCM è assicurarsi che tutte le attività e le funzioni all'interno e in tutta l'azienda siano gestite in modo efficiente.

Ci sono casi in cui l'efficienza nella catena di approvvigionamento può essere garantita da efficienze nelle scorte, per essere più precisi, mantenendo l'efficienza nella riduzione delle scorte. Sebbene l'inventario sia considerato una responsabilità per una gestione efficiente della catena di approvvigionamento, i responsabili della catena di approvvigionamento riconoscono la necessità di inventario. Tuttavia, la regola non scritta è mantenere l'inventario al minimo indispensabile.

Molte strategie sono sviluppate con l'obiettivo di razionalizzare le scorte oltre la catena di approvvigionamento e mantenere l'investimento in scorte il più basso possibile. I gestori della catena di approvvigionamento tendono a mantenere le scorte il più basse possibile a causa degli investimenti nelle scorte. Il costo o l'investimento relativo alla proprietà delle scorte può essere elevato. Questi costi comprendono l'esborso di cassa necessario per l'acquisto delle scorte, i costi di acquisizione delle scorte (il costo di aver investito in scorte piuttosto che in qualcos'altro) ei costi relativi alla gestione delle scorte.

Ruolo dell'inventario

Prima di comprendere il ruolo dell'inventario nella catena di fornitura, dobbiamo comprendere il rapporto cordiale tra il produttore e il cliente. Gestire i clienti, far fronte alle loro richieste e creare relazioni con il produttore è una parte fondamentale della gestione delle supply chain.

Ci sono molti casi in cui vediamo il concetto di relazione collaborativa contrassegnato come l'essenza della gestione della catena di fornitura. Tuttavia, un'analisi più approfondita delle relazioni della catena di fornitura, in particolare quelle che includono i flussi di prodotti, rivela che al centro di queste relazioni ci sono il movimento e lo stoccaggio delle scorte.

Più della metà si basa sull'acquisto, il trasferimento o la gestione dell'inventario. Come sappiamo, l'inventario gioca un ruolo molto importante nelle catene di approvvigionamento, essendo una caratteristica saliente.

Le funzioni fondamentali che l'inventario ha nelle catene di approvvigionamento sono le seguenti:

• Fornire e sostenere l'equilibrio tra domanda e offerta.
• Affrontare efficacemente i flussi diretti e inversi nella catena di approvvigionamento.

Le aziende devono gestire gli scambi di fornitori a monte e le richieste dei clienti a valle. In questa situazione, l'azienda entra in uno stato in cui deve mantenere un equilibrio tra soddisfare le richieste dei clienti, che è per lo più molto difficile da prevedere con precisione o accuratezza, e mantenere un'adeguata fornitura di materiali e merci. Questo equilibrio può essere ottenuto tramite l'inventario.

Modelli di ottimizzazione

I modelli di ottimizzazione della catena di approvvigionamento sono quei modelli che codificano le questioni pratiche o della vita reale in un modello matematico. L'obiettivo principale per costruire questo modello matematico è massimizzare o minimizzare una funzione obiettivo. Oltre a ciò, a questi problemi vengono aggiunti alcuni vincoli per la definizione della regione ammissibile. Cerchiamo di generare un algoritmo efficiente che esaminerà tutte le possibili soluzioni e alla fine restituirà la soluzione migliore. Vari modelli di ottimizzazione della catena di approvvigionamento sono i seguenti:

Programmazione lineare mista intera

La programmazione lineare mista intera (MILP) è un approccio di modellazione matematica utilizzato per ottenere il miglior risultato di un sistema con alcune limitazioni. Questo modello è ampiamente utilizzato in molte aree di ottimizzazione come la pianificazione della produzione, i trasporti, la progettazione della rete, ecc.

MILP comprende una funzione obiettivo lineare insieme ad alcuni vincoli di limitazione costruiti da variabili continue e intere. L'obiettivo principale di questo modello è ottenere una soluzione ottimale della funzione obiettivo. Questo può essere il valore massimo o minimo, ma dovrebbe essere raggiunto senza violare nessuno dei vincoli imposti.

Possiamo dire che MILP è un caso speciale di programmazione lineare che utilizza variabili binarie. Se confrontati con i normali modelli di programmazione lineare, sono leggermente difficili da risolvere. Fondamentalmente i modelli MILP vengono risolti da risolutori commerciali e non commerciali, ad esempio: Fico Xpress o SCIP.

Modellazione stocastica

La modellazione stocastica è un approccio matematico per rappresentare i dati o prevedere i risultati in situazioni in cui vi è casualità o imprevedibilità in una certa misura.

Ad esempio, in un'unità di produzione, il processo di produzione ha generalmente alcuni parametri sconosciuti come la qualità dei materiali in ingresso, l'affidabilità delle macchine e la competenza all'interno dei dipendenti. Questi parametri hanno un impatto sull'esito del processo produttivo ma è impossibile misurarli con valori assoluti.

In questi tipi di casi, dove abbiamo bisogno di trovare un valore assoluto per parametri sconosciuti, che non possono essere misurati esattamente, utilizziamo l'approccio di modellazione stocastica. Questa strategia di modellazione aiuta a prevedere il risultato di questo processo con un certo tasso di errore definito, considerando l'imprevedibilità di questi fattori.

Modellazione dell'incertezza

Pur utilizzando un approccio di modellazione realistico, il sistema deve tenere conto delle incertezze. L'incertezza viene valutata a un livello in cui le caratteristiche incerte del sistema sono modellate con natura probabilistica.

Usiamo modelli di incertezza per caratterizzare i parametri incerti con distribuzioni di probabilità. Prende facilmente in considerazione le dipendenze come input proprio come la catena di Markov o può utilizzare la teoria delle code per modellare i sistemi in cui l'attesa ha un ruolo essenziale. Questi sono modi comuni per modellare l'incertezza.

Ottimizzazione a due livelli

Una questione a due livelli sorge nelle situazioni di vita reale ogni volta che è necessario prendere una decisione decentralizzata o gerarchica. In questi tipi di situazioni, più parti prendono decisioni una dopo l'altra, il che influenza i rispettivi profitti.

Fino ad ora, l'unica soluzione per risolvere i problemi a due livelli è attraverso metodi euristici per dimensioni realistiche. Tuttavia, sono in corso tentativi per migliorare questi metodi ottimali per calcolare una soluzione ottimale anche per problemi reali.