چگونه نمره زد ۱.۶۵ خطر کسری موجودی را با هزینه‌های نگهداری در زنجیره تامین متوازن می‌کند

مدیران مالی استدلال می‌کنند که ذخیره احتیاطی همان سرمایه راکد است و خواستار عملیات ناب هستند؛ جایی که موجودی دقیقاً در زمان نیاز می‌رسد تا جریان نقدینگی به حداکثر برسد. در مقابل، اپراتورهای زنجیره تامین می‌گویند که فعالیت بدون حائل موجودی یک خودکشی عملیاتی است و به درآمد از دست رفته و اعتماد از بین رفته مشتریان پس از تنها یک محموله تاخیری اشاره می‌کنند. تنش میان این دو گروه بر سر یک سوال واحد متمرکز است: دقیقاً چه مقدار محصول اضافی باید در انبار بی‌کار بماند؟

پاسخ در فرمول ذخیره احتیاطی نهفته است؛ یک محاسبه ریاضی که احتمالات را جایگزین حدس و گمان می‌کند. طبق گزارش انجمن مدیریت زنجیره تامین (ASCM)، ذخیره احتیاطی به عنوان یک برنامه اقتضایی در برابر نوسانات تقاضا و تغییرات زمان تدارک عمل می‌کند. با این حال، تحلیل سال ۲۰۲۵ توسط پلنستر (Planster) نشان داد که بسیاری از شرکت‌ها هنوز به قانون سرانگشتی ۵۰ درصد حائل متکی هستند و به سادگی نیمی از آنچه انتظار دارند بفروشند را دوباره سفارش می‌دهند.[6][7]

پرکاربردترین فرمول استاندارد، حداکثر مصرف روزانه را در حداکثر زمان تدارک ضرب کرده و سپس حاصل‌ضرب میانگین مصرف روزانه و میانگین زمان تدارک را از آن کم می‌کند. فیش‌بول اینونتوری (Fishbowl Inventory) خاطرنشان می‌کند که این روش رایج‌ترین مشکلات زنجیره تامین را بدون نیاز به نرم‌افزارهای پیشرفته آماری یا داده‌های عمیق تاریخی پوشش می‌دهد.[1]

با این حال، زمانی که تقاضا یا زمان‌های تدارک به شدت نامنظم باشند، این رویکرد پایه شکست می‌خورد. واژه‌نامه ۲۰۲۳ موسیمتک (MOSIMTEC) با تاکید بر اینکه چگونه یک تاخیر فاجعه‌بار در حمل‌ونقل می‌تواند ریاضیات را برای همیشه منحرف کند، یادآور می‌شود: «اگر حداکثر زمان تدارک شما یک داده پرت شدید باشد، فرمول پایه شما را مجبور می‌کند مقدار نامعقولی از موجودی را نگه دارید.»[3]

برای حل این مشکل، زنجیره‌های تامین سازمانی از فرمول احتمالی ذخیره احتیاطی استفاده می‌کنند که توزیع نرمال تقاضا را در بر می‌گیرد. موسسه فناوری ماساچوست (MIT) این رویکرد را تشریح می‌کند که به شدت به نمره زد (Z-score) متکی است؛ یک ضریب آماری که با سطح خدمات مورد نظر مطابقت دارد.[4]

سطح خدمات، احتمال عدم مواجهه با کسری موجودی در طول یک چرخه تامین مجدد است. برای سطح خدمات ۹۵٪، نمره زد برابر با ۱.۶۵ است. برای رسیدن به سطح خدمات ۹۹٪، نمره زد به ۲.۳۳ جهش می‌کند. تحلیل سال ۲۰۲۳ اسلیم‌استاک (Slimstock) نشان می‌دهد که این افزایش ظاهراً کوچک ۴ درصدی در سطح خدمات، نیازمند یک افزایش عظیم ۴۱ درصدی در ذخیره احتیاطی است.[5]

این رابطه غیرخطی دقیقاً همان جایی است که اردوگاه‌های مالی و عملیاتی با هم برخورد می‌کنند. نگهداری آن ۴۱ درصد موجودی اضافی، هزینه‌های نگهداری از جمله انبارداری، بیمه، استهلاک و هزینه فرصت را به همراه دارد. اس‌پی‌اس کامرس (SPS Commerce) تاکید می‌کند که کسب‌وکارها باید محاسبه کنند آیا حاشیه سود ناخالص حفظ‌شده از طریق جلوگیری از نرخ ۴ درصدی کسری موجودی، از هزینه نگهداری حائل گسترش‌یافته بیشتر است یا خیر.[2]

تقاضا تنها نیمی از معادله است؛ نوسانات زمان تدارک نیز به همان اندازه مختل‌کننده است. اگر تحویل کالا توسط یک تامین‌کننده در شنژن معمولاً ۳۰ روز طول بکشد اما گاهی به ۴۵ روز برسد، انحراف معیار آن زمان تدارک باید در محاسبه ذخیره احتیاطی لحاظ شود تا از کسری موجودی در زمان ترانزیت کالا جلوگیری گردد.

معادلات MIT نشان می‌دهند که چگونه می‌توان عدم قطعیت تقاضا و عدم قطعیت زمان تدارک را با استفاده از جذر مجموع مربعات ترکیب کرد. این امر از برآورد بیش از حد ریسک توسط فرمول جلوگیری می‌کند، زیرا از نظر آماری بعید است که حداکثر تقاضا و حداکثر تاخیر زمان تدارک به طور همزمان رخ دهند.[4]

توزیع‌کننده‌ای را در نظر بگیرید که روزانه ۱,۰۰۰ واحد می‌فروشد. اگر انحراف معیار تقاضا ۲۰۰ واحد و زمان تدارک دقیقاً ۱۰ روز باشد، ذخیره احتیاطی برای سطح خدمات ۹۵٪ با ضرب ۱.۶۵ در ۲۰۰ و سپس در جذر ۱۰ محاسبه می‌شود. نتیجه تقریباً ۱,۰۴۳ واحد ذخیره احتیاطی است.[4]

انجمن ASCM تاکید می‌کند: «محاسبه دقیق موجودی حتی در میان نوسانات تقاضا، تنها راه برای بالا نگه داشتن کارایی زنجیره‌های تامین است.» اما دستیابی به این دقت نیازمند داده‌های تاریخی تمیز است. اگر سیستم برنامه‌ریزی منابع سازمان (ERP) یک شرکت دارای سوابق نادرست از زمان تدارک باشد، خروجی آماری ناقص خواهد بود.[6]

علاوه بر این، ذخیره احتیاطی یک معیار ثابت و همیشگی نیست. مقایسه پنج فرمول توسط پلنستر نشان می‌دهد که محصولات فصلی نیازمند سطوح پویای ذخیره احتیاطی هستند که با تغییر انحراف معیار تقاضا در طول سال تنظیم شوند تا از انباشت بیش از حد موجودی در ماه‌های کم‌تقاضا جلوگیری گردد.[7]

بحث میان موجودی ناب و حائل‌های قدرتمند هرگز به طور کامل حل نخواهد شد، زیرا شرایط بازار دائماً وزن متغیرها را تغییر می‌دهد. مرز بعدی در مدیریت موجودی شامل الگوریتم‌های یادگیری ماشین است که نمره‌های زد را به صورت پویا بر اساس شاخص‌های کلان اقتصادی در زمان واقعی تنظیم می‌کنند و محاسبه را از یک بررسی تاریخی به یک مزیت پیش‌بینی‌کننده ارتقا می‌دهند.