Метод дерева решения для управления рисками в цепях поставок

То, как компания справляется с подобными происшествиями, зависит от уровня ее готовности и типа угрозы. После пожара на заводе Phillips продажи компании Ericsson сильно упали. Чтобы избежать подобных ситуаций, менеджеры должны поддерживать резервы, производительность и другие показатели в цепи поставок на должном уровне, учитывая динамику быстро меняющейся среды. Dell, Toyota, Motorolla и другие ведущие производители добились значительных успехов в определении рисков, связанных с цепями поставок, и разработали эффективные стратегии подавления, направленные на нейтрализацию их возможных отрицательных последствий.

5. Пример, основанный на методе построения дерева решений В более сложных ситуациях в анализе используют так называемый метод построения дерева решений. Логику этого метода рассмотрим на примере.

Пример: начальнику цеха производственного отдела фирмы «Строй.

Комплект" нужно принять решение о целесообразности приобретения станка Х1 для проведения обрабатывающих работ либо станка Х2. Станок Х2 более экономичен, что обеспечивает больший доход на единицу обслуживаемой техники, вместе с тем он более дорогой и требует относительно больших накладных расходов:

Постоянные расходы (в у.е.) Операционный расход на единицу обслуживаемой техники (в у.е.) Станок Х1 45 000 40 Станок Х2 50 000 54.

Процесс принятия решения может быть выполнен в несколько этапов:

Этап 1. Определение цели.

В качестве критерия выбиралась максимизация математического ожидания прибыли.

Этап 2. Определение набора возможных действий для рассмотрения и анализа (контролируются лицом, принимающим решение).

Управляющий может выбрать один из двух вариантов:

а1 = {покупка станка Х1}.

а2 = {покупка станка Х2}.

Этап 3. Оценка возможных исходов и их вероятностей (носят случайный характер).

Управляющий оценивает возможные варианты годового спроса (количество обрабатываемых деталей) на продукцию и соответствующие им вероятности следующим образом:

Р1 = 1200 единиц с вероятностью 0.4.

Р2 = 2000 единиц с вероятностью 0.6.

Этап 4. Оценка математического ожидания возможного дохода.

Для оценки математического ожидания возможного дохода необходимо просчитать несколько вариантов наступления событий. Для этого необходимо рассчитать математическое ожидание для каждого возможного варианта. При выборе каждого вида станка, определенного количества обработанных деталей на нем.

Рассмотрим пример расчета одного из вариантов, ниже на рисунке 1 представлены расчеты для каждого варианта наступления событий.

Рассмотри вариант выбора станка Х1, на котором будет обработано 1200 единиц деталей. Отсюда формула будет выглядеть:

Операционные расходы*кол-во деталей — постоянные расходы: 40*1200−45 000=3000.

Получаем, что математическое ожидание для первого варианта равно 3000.

Аналогичным образом рассчитываются остальные варианты.

Рис. 1. Пример дерева решений Рассчитаем суммарную вероятную прибыль, которую можно будет получить с каждого станка, для этого перемножим математическое ожидание на вероятность и суммируем результат.

Е (а1) = 3000 * 0,4 + 35 000 * 0,6 = 22 200.

Е (а2) = 14 800 * 0,4 + 58 000 * 0,6 = 40 720.

Таким образом, вариант с приобретением станка Х2 экономически более целесообразен.

.

Заключение

Анализ реальных логистических систем и методов управления ими свидетельствует и о том, что положения классической теории запасов, которую некоторые теоретики логистики пытаются объявить устаревшей, отнюдь не утратили своего значения. А вот так называемые «новые» логистические методы зачастую имеют «полуэмпирический» характер, не являются универсальными и могут применяться только при строго ограниченных условиях.

Методы и модели классической теории запасов полностью отвечают современным требованиям, поскольку обладают многими системными свойствами (адаптивности, интегративности и др.) и соответствуют концептуальным подходам логистики (например, принципу «точно в срок»), ориентированы на минимизацию уровней запаса. Безусловно, полный отказ от запасов, т. е. концепция производства с нулевым запасом, работающая по принципу ЛТ, является перспективной, но полной синхронизации можно достигнуть только между отдельными стадиями производственного процесса и то далеко не всегда. Поэтому методы и модели логистических систем, основной задачей которых является определение важнейших параметров входного (входящего) материального потока системы, по-прежнему остаются востребованными и входят в научную основу логистического менеджмента.

Знание современных теорий управления бизнес-процессами и навыки проектирования логистических систем обеспечивают эффективное управление производством предприятий.

В результате применения метода дерева решений к исходным данным создается иерархическая (древовидная) структура правил вида «если… то…», а алгоритм анализа обеспечивает вычленение на каждом этапе наиболее значимых условий и переходов между ними. Данный алгоритм получил наибольшее распространение при выявлении причинно-следственных связей в данных и описании поведенческих моделей. Типичная зона применения деревьев решений — оценка различных рисков, например, закрытия заказа клиентом или его перехода к конкуренту, несвоевременной поставки товара поставщиком или просрочки оплаты товарного кредита. В качестве типичных входных факторов модели выступают сумма и состав заказа, текущее сальдо взаиморасчетов, кредитный лимит, процент предоплаты, условия поставки и иные параметры, характеризующие объект прогноза. Адекватная оценка рисков обеспечивает принятие информированных решений для оптимизации отношения доходность/риск в деятельности компании, а также полезна для увеличения реалистичности различных бюджетов.

Список использованной литературы Бродецкий Г. Л. Моделирование логистических систем. Оптимальные решения в условиях риска. — М.: Инфра-М, 2006.

Балдин К. В. Управление рисками. — М.:ЮНИТИ-ДАНА, 2005.

Лукинский В.С. и др. Логистика автомобильного транспорта: концепции, методы, модели. — М.: Финансы и статистика, 2000.

Миротин Л.Б., Ташбаев Ы. Э. Логистика для предпринимателя: основные понятия, положения и процедуры. — М.: ИНФРА-М, 2002.

Неруш Ю. М. Логистика: учебник. — М.:ТК Велби, Проспект, 2006.

Сергеев В. И. Логистика в бизнесе: Учебник для вузов. — М.: ИНФРА-М, 2001.

Шапкин А. С. Экономические и финансовые риски. Оценка, управление, портфель инвестиций.

М.: Дашков и К, 2003.

Балдин К. В. Управление рисками. — М.:ЮНИТИ-ДАНА, 2005.

Бродецкий Г. Л. Моделирование логистических систем. Оптимальные решения в условиях риска. — М.: Инфра-М, 2006.

Лукинский В.С. и др. Логистика автомобильного транспорта: концепции, методы, модели. — М.: Финансы и статистика, 2000.

Миротин Л.Б., Ташбаев Ы. Э. Логистика для предпринимателя: основные понятия, положения и процедуры. — М.: ИНФРА-М, 2002.

Неруш Ю. М. Логистика: учебник. — М.:ТК Велби, Проспект, 2006.

Сергеев В. И. Логистика в бизнесе: Учебник для вузов. — М.: ИНФРА-М, 2001.

Шапкин А. С. Экономические и финансовые риски. Оценка, управление, портфель инвестиций.

М.: Дашков и К, 2003.

54*1200−50 000=58000.

54*1200−50 000=14800.

40*2000;45 000=35000.

40*1200−45 000=3000.

а2.

а1.

Х1.

Х2.

0,4.

0,6.

0,6.

0,4.