Два широко используемых инструмента моделирования в управлении цепочками поставок — это электронные таблицы (обычно Excel) и математические программы (например в Matlab или Python). В данной статье они сравниваются на примере Newsvendor (ньюсвендор) модели — основы логистических моделей в управлении запасами. Имитационные модели полезны для нахождения приближенных решений, когда задача математически сложна и не дает аналитического решения.
Newsvendor является одной из наиболее широко используемых моделей в науке управления запасами. Она хорошо описывает ситуацию неопределенного спроса когда слишком маленький заказ приводит к потерянной прибыли и дефициту, а чрезмерный заказ чреват потерями от уценок и расходов на содержание запасов. Например, если газетчик закупит мало газет для перепродажи, то он не только потеряет часть дохода, но может вызвать недовольство своих клиентов (что можно перевести в деньги как потеря будущих доходов). Однако излишки газет под конец дня приведут к сдаче на макулатуру по цене ниже себестоимости. Модель Newsvendor, ранее известная как проблема газетчика (Newsboy — название вероятно поменяли в силу политической корректности) является основой множества теоретических трудов в области логистики для решения проблем управления запасами с переменчивым спросом. Хотя первоначально модель предназначалась для «модных» продуктов с коротким жизненным циклом (однопериодная модель), Newsvendor был адаптирован к многопериодным задачам управления запасами и легла в основу популярных методов контроля, таких как order-up-to (заказ-до) и reorder-point order-quantity (точки размещения нового заказа).
Я провел сравнение между электронными таблицами и программированием для определения сильных и слабых сторон каждого инструмента в сложных моделях логистики, примером которых и является Newsvendor.
Вопрос о методе моделирования важен для студентов и начинающих исследователей в области логистики. Были разработаны отдельные модели в Excel и Matlab — оба доступны для загрузки.
Математические модели в бизнесе могут иметь решение для упрощенных уравнений. Например, модель предсказуемого (детерминированного) спроса EOQ может быть легко использована без имитационного моделирования. К сожалению, многие реалистичные модели в управлении цепочками поставок слишком сложны, чтобы найти аналитическое решение. Численные модели полезны для моделирования, когда точное решение слишком сложно найти: система уравнений слишком сложна. Имитационное моделирование позволяет попробовать различные варианты, чтобы убедиться, что приближенное решение является надежным: устойчивым в случае ошибок во входных данных или изменений в среде. Newsvendor позволяет получить простое аналитическое решение для оптимального размера заказа в его классической форме, поэтому имитационная модель может и не потребоваться. Однако многие модификации Newsvendor для одного и нескольких периодов, которые более близко соответствуют реальности бизнеса, не позволяют аналитически получить решения для оптимального заказа. Метод имитационного моделирования популярен на практике, потому что он позволяет использовать базовую модель, такую ??как Newsvendor, с относительной легкостью для поиска приблизительных решений и демонстрации их надежности.
Модель Excel (далее — Excel), доступная в качестве дополнительного файла в этой статье, основана на комбинации методов, описанных в популярных учебниках по моделированию электронных таблиц Newsvendor. Преимуществом Excel является удобство настройки диапазонов заказа для начинающих пользователей и наблюдения за тем, как график ожидаемой прибыли реагирует на изменение основных параметров. Модель в Excel использует встроенные базовые функции Excel версии 2007 и выше без необходимости использования надстроек.
Алгоритм модели Newsvendor также представлен для Matlab (его можно использовать в опенсорсном Octave). Matlab выбран в качестве упрощенного языка программирования. В отличие от Python, который требует импорта специализированных библиотек, таких как NumPy, Matlab имеет большое количество встроенных функций, которые готовы к использованию и не нуждаются в дополнительной настройке. Код Matlab, пожалуй, самый простой для изучения новичкам среди языков программирования, даже по сравнению с Python. Использование Matlab может быть быстрее для начинающих по сравнению с Python для многих задач. Более того, Matlab совместим с Octave с открытым исходным кодом, как и Python. На моем опыте, его легче начать использовать студентам с минимальными навыками программирования.
Для выбора параметров модели был использован пример из книги
Hill, A. V. (2011). The newsvendor problem. White Paper, 57-23.
В следующей таблице показано время расчета модели.
Результаты показывают, что Excel явно превосходит другие инструменты по скорости пересчета для одного сеанса моделирования. Более того, модели электронных таблиц более понятны для понимания и использования менеджерами, даже если эти модели подходят по допустимым размерам только для малых и средних предприятий. Однако для более крупных задач электронная таблица становится громоздкой (слишком большой и медленной) и ее трудно будет интегрировать в другие ИТ / сетевые системы, поэтому математическое программное обеспечение, такое как Octave, станет более удобным. Для очень больших проблем с сотнями тысяч переменных, используемых некоторыми компаниями, использование специализированного программного обеспечения становится необходимым.
Excel может иметь гораздо большую ценность в качестве учебного пособия. По сути, анализ «а что, если» может быть полезен для изучения Newsvendor при одновременном понимании применения метода моделирования в университете. Например, лектор может дать указание изменить параметр спроса и спросить студентов что произойдет с ожидаемой прибылью, если изменчивость спроса станет ниже в следующем периоде. При изучении Newsvendor, имеют ценность возможности изменения основных параметров и немедленного наблюдения за изменением оптимальной прибыли и порядка.
Результаты в данной статье предварительные. В приведенном сравнении, использовалась классическая модель Newsvendor с нормальным распределением и ограниченным диапазоном параметров для моделирования. В качестве улучшения, было бы желательно более всестороннее сравнение с многопериодными моделями, различным распределением спроса, широким диапазоном входных данных для дальнейшей проверки и расширения результатов.
Проблема газетчиков
Newsvendor является одной из наиболее широко используемых моделей в науке управления запасами. Она хорошо описывает ситуацию неопределенного спроса когда слишком маленький заказ приводит к потерянной прибыли и дефициту, а чрезмерный заказ чреват потерями от уценок и расходов на содержание запасов. Например, если газетчик закупит мало газет для перепродажи, то он не только потеряет часть дохода, но может вызвать недовольство своих клиентов (что можно перевести в деньги как потеря будущих доходов). Однако излишки газет под конец дня приведут к сдаче на макулатуру по цене ниже себестоимости. Модель Newsvendor, ранее известная как проблема газетчика (Newsboy — название вероятно поменяли в силу политической корректности) является основой множества теоретических трудов в области логистики для решения проблем управления запасами с переменчивым спросом. Хотя первоначально модель предназначалась для «модных» продуктов с коротким жизненным циклом (однопериодная модель), Newsvendor был адаптирован к многопериодным задачам управления запасами и легла в основу популярных методов контроля, таких как order-up-to (заказ-до) и reorder-point order-quantity (точки размещения нового заказа).
Я провел сравнение между электронными таблицами и программированием для определения сильных и слабых сторон каждого инструмента в сложных моделях логистики, примером которых и является Newsvendor.
Имитационное моделирование: почему и как
Вопрос о методе моделирования важен для студентов и начинающих исследователей в области логистики. Были разработаны отдельные модели в Excel и Matlab — оба доступны для загрузки.
Математические модели в бизнесе могут иметь решение для упрощенных уравнений. Например, модель предсказуемого (детерминированного) спроса EOQ может быть легко использована без имитационного моделирования. К сожалению, многие реалистичные модели в управлении цепочками поставок слишком сложны, чтобы найти аналитическое решение. Численные модели полезны для моделирования, когда точное решение слишком сложно найти: система уравнений слишком сложна. Имитационное моделирование позволяет попробовать различные варианты, чтобы убедиться, что приближенное решение является надежным: устойчивым в случае ошибок во входных данных или изменений в среде. Newsvendor позволяет получить простое аналитическое решение для оптимального размера заказа в его классической форме, поэтому имитационная модель может и не потребоваться. Однако многие модификации Newsvendor для одного и нескольких периодов, которые более близко соответствуют реальности бизнеса, не позволяют аналитически получить решения для оптимального заказа. Метод имитационного моделирования популярен на практике, потому что он позволяет использовать базовую модель, такую ??как Newsvendor, с относительной легкостью для поиска приблизительных решений и демонстрации их надежности.
Модель Excel (далее — Excel), доступная в качестве дополнительного файла в этой статье, основана на комбинации методов, описанных в популярных учебниках по моделированию электронных таблиц Newsvendor. Преимуществом Excel является удобство настройки диапазонов заказа для начинающих пользователей и наблюдения за тем, как график ожидаемой прибыли реагирует на изменение основных параметров. Модель в Excel использует встроенные базовые функции Excel версии 2007 и выше без необходимости использования надстроек.
Алгоритм модели Newsvendor также представлен для Matlab (его можно использовать в опенсорсном Octave). Matlab выбран в качестве упрощенного языка программирования. В отличие от Python, который требует импорта специализированных библиотек, таких как NumPy, Matlab имеет большое количество встроенных функций, которые готовы к использованию и не нуждаются в дополнительной настройке. Код Matlab, пожалуй, самый простой для изучения новичкам среди языков программирования, даже по сравнению с Python. Использование Matlab может быть быстрее для начинающих по сравнению с Python для многих задач. Более того, Matlab совместим с Octave с открытым исходным кодом, как и Python. На моем опыте, его легче начать использовать студентам с минимальными навыками программирования.
Для выбора параметров модели был использован пример из книги
Hill, A. V. (2011). The newsvendor problem. White Paper, 57-23.
Сравнение и применимость
В следующей таблице показано время расчета модели.
Результаты показывают, что Excel явно превосходит другие инструменты по скорости пересчета для одного сеанса моделирования. Более того, модели электронных таблиц более понятны для понимания и использования менеджерами, даже если эти модели подходят по допустимым размерам только для малых и средних предприятий. Однако для более крупных задач электронная таблица становится громоздкой (слишком большой и медленной) и ее трудно будет интегрировать в другие ИТ / сетевые системы, поэтому математическое программное обеспечение, такое как Octave, станет более удобным. Для очень больших проблем с сотнями тысяч переменных, используемых некоторыми компаниями, использование специализированного программного обеспечения становится необходимым.
Excel может иметь гораздо большую ценность в качестве учебного пособия. По сути, анализ «а что, если» может быть полезен для изучения Newsvendor при одновременном понимании применения метода моделирования в университете. Например, лектор может дать указание изменить параметр спроса и спросить студентов что произойдет с ожидаемой прибылью, если изменчивость спроса станет ниже в следующем периоде. При изучении Newsvendor, имеют ценность возможности изменения основных параметров и немедленного наблюдения за изменением оптимальной прибыли и порядка.
Результаты в данной статье предварительные. В приведенном сравнении, использовалась классическая модель Newsvendor с нормальным распределением и ограниченным диапазоном параметров для моделирования. В качестве улучшения, было бы желательно более всестороннее сравнение с многопериодными моделями, различным распределением спроса, широким диапазоном входных данных для дальнейшей проверки и расширения результатов.