Koordinasi dalam Rantai Pasokan

10.1 Kurangnya koordinasi rantai pasokan dan efek Bullwhip

• Koordinasi rantai pasokan – semua tahap dalam rantai mengambil tindakan yang selaras dan meningkatkan total keuntungan rantai pasokan

• Memerlukan setiap tahapan untuk berbagi informasi dan memperhitungkan dampak dari tindakannya terhadap tahap lainnya

• Kurangnya koordinasi terjadi ketika konflik tujuan dalam tahapan yang berbeda

• Informasi bergerak antar tahapan tertunda atau terganggu oleh efek bullwhip

• Permintaan pada tingkat berbeda

10.2 Pengaruh kurangnya koordinasi pada kinerja

Mengurangi keuntungan total, ukuran kinerja meliputi:

• Biaya produksi

Kurangnya koordinasi meningkatkan biaya produksi dalam rantai pasokan. Sebagai hasil dari bullwhip effect, P & G dan pemasoknya harus memenuhi aliran perintah yang jauh lebih bervariasi dari permintaan pelanggan.

• Biaya persediaan

Kurangnya koordinasi meningkatkan biaya persediaan dalam rantai pasokan. Untuk menangani variabilitas meningkat dalam permintaan, P & G harus membawa tingkat yang lebih tinggi dari persediaan daripada yang diperlukan jika rantai pasokan dikoordinasikan. Akibatnya, biaya persediaan dalam peningkatan rantai pasokan.

• Penambahan lead time

Kurangnya koordinasi meningkatkan penambahan lead time dalam rantai pasokan. Variabilitas meningkat membuat penjadwalan di P & G dan pemasok tanaman jauh lebih sulit daripada ketika permintaan tingkat.

• Biaya transportasi

Kurangnya koordinasi meningkatkan biaya transportasi dalam rantai pasokan. Kebutuhan transportasi berfluktuasi secara signifikan dari waktu ke waktu.

• Biaya tenaga kerja untuk pengiriman dan penerimaan

Kurangnya koordinasi meningkatkan biaya tenaga kerja yang terkait dengan pengiriman dan penerimaan dalam rantai pasokan. Kebutuhan tenaga kerja untuk pengiriman di P & G dan pemasoknya berfluktuasi dengan pesanan.

• Tingkat ketersediaan produk

Kurangnya koordinasi merusak tingkat ketersediaan produk dan menghasilkan lebih sering stok kosong dalam rantai pasokan. Fluktuasi besar dalam pesanan membuat P & G lebih sulit bagi untuk memasok semua pesanan distributor dan pengecer tepat waktu.

• Hubungan di seluruh rantai pasokan

Kurangnya koordinasi memiliki efek negatif pada kinerja pada setiap tahap dan dengan demikian menyakiti hubungan antara tahapan yang berbeda dari rantai pasokan. Ada kecenderungan untuk menyalahkan untuk tahap lain dari rantai pasokan karena setiap tahap berpikir itu adalah melakukan yang terbaik yang bisa.

 

10.3 Hambatan untuk koordinasi dalam rantai pasokan

• Hambatan insentif

Terjadi ketika insentif yang ditawarkan untuk tahap atau peserta yang berbeda dalam rantai pasokan menyebabkan tindakan yang meningkatkan variabilitas dan mengurangi total keuntungan rantai pasokan.

• Hambatan pengolahan informasi

Ketika informasi permintaan terdistorsi ketika bergerak antara tahap yang berbeda dari rantai pasokan, menyebabkan peningkatan variabilitas pesanan dalam rantai pasokan.

• Hambatan operasional

Terjadi ketika menempatkan dan mengisi pesanan menyebabkan peningkatan variabilitas. Pemesanan dalam jumlah banyak. Penjatahan dan kekurangan pemain.

• Hambatan harga

Ketika kebijakan harga untuk produk memimpin menyebabkan peningkatan variabilitas pesanan. Keputusan kuantitas berdasarkan ukuran yang banyak serta fluktuasi harga.

• Hambatan perilaku

Masalah dalam pembelajaran dalam organisasi yang berkontribusi terhadap distorsi informasi.

1. Setiap tahap dari rantai pasokan pandangan aksi-aksinya secara lokal dan tidak dapat melihat dampak dari tindakan pada tahap lainnya

2. Tahapan yang berbeda dari rantai pasokan bereaksi terhadap situasi lokal saat ini daripada mencoba untuk mengidentifikasi akar penyebab

3. Tahapan yang berbeda dari rantai pasokan menyalahkan satu sama lain untuk fluktuasi

4. Tidak ada tahap rantai pasokan belajar dari tindakan dari waktu ke waktu

5. Kurangnya kepercayaan di antara mitra rantai suplai menyebabkan mereka menjadi oportunis dengan mengorbankan kinerja rantai pasokan secara keseluruhan

10.4 Pengaruh manajerial untuk mencapai koordinasi

• Menyelaraskan tujuan dan insentif

Menyelaraskan tujuan dan insentif sehingga setiap peserta dalam kegiatan rantai pasokan bekerja untuk memaksimalkan keuntungan total rantai pasokan. Menyelaraskan tujuan di seluruh rantai pasokan menyelaraskan insentif seluruh fungsi. Serta harga untuk koordinasi.

• Meningkatkan akurasi informasi

Berbagi titik data penjualan, menerapkan peramalan kolaboratif dan perencanaan, merancang kontrol satu tahap dari program pengisian berkelanjutan pengisian (CRP), dan Vendor mengelola persediaan (VMI)

• Meningkatkan kinerja operasional

Mengurangi penambahan lead time, mengurangi ukuran yang banyak, dan penjatahan berdasarkan penjualan masa lalu dan berbagi informasi untuk membatasi pemain.

• Merancang strategi harga untuk menstabilkan perintah

Mendorong pengecer untuk memesan dalam jumlah banyak dalam ukuran kecil dan mengurangi membeli untuk kedepan. Pindah dari basis banyak ukuran ke basis diskon berdasarkan jumlah kuantitas dan menstabilkan harga.

• Membangun kemitraan strategis dan kepercayaan

Manajer merasa lebih mudah untuk menggunakan pengaruh manajer untuk mencapai koordinasi jika kepercayaan dan strategis kemitraan yang dibangun dalam rantai pasokan. Berbagi informasi akurat yang dipercaya oleh setiap hasil tahap dalam pencocokan yang lebih baik dari penawaran dan permintaan di seluruh rantai pasokan. Sebuah hubungan yang lebih baik juga cenderung menurunkan biaya transaksi antara tahap rantai pasokan.

10.5 Penambahan terus menerus dan persediaan yang dikelola vendor

Sebuah titik untuk penambahan. CRP – grosir atau produsen mengisi ulang berdasarkan data POS. VMI – produsen atau pemasok bertanggung jawab untuk semua keputusan mengenai penggantian persediaan

10.6 Koloboratif, perencanaan, peramalan dan pengisian (CPFR)

Penjual dan pembeli dalam rantai pasokan dapat berkolaborasi bersama salah satu atau semua strategi dan perencanaan berikut. Permintaan dan penawaran manajemen, eksekusi, analisis,

ritel acara kolaborasi, DC kolaborasi pengisian.

Skenario CPFR umum

10.7 Mencapai Koordinasi dalam praktek

Mengukur efek bullwhip. Mendapatkan komitmen manajemen puncak untuk koordinasi, mengabdikan sumber daya untuk koordinasi, fokus pada komunikasi dengan tahap lainnya, cobalah untuk mencapai koordinasi di seluruh jaringan rantai pasokan, gunakan teknologi untuk meningkatkan konektivitas dalam rantai pasokan, berbagi manfaat koordinasi secara adil.

Keputusan Sumber Pasokan pada Forever Young

Keputusan Sumber Pasokan pada Forever Young

Forever Young adalah peritel pakaian trendi dan murah di Amerika Serikat. Perusahaan membagi tahun menjadi empat musim penjualan sekitar tiga bulan masing-masing dan membawa barang-barang baru untuk setiap musim. Perusahaan ini secara historis mengalih daya outsourced  produksi ke China, mengingat biaya yang lebih rendah di sana. Sumber dari pemasok Cina membutuhkan biaya 55 yuan/unit (termasuk semua biaya pengiriman), pada nilai tukar saat ini 6,5 yuan/$ memberikan biaya variabel dibawah $8,50/unit. Pemasok Cina, bagaimanapun, memiliki lead time yang lama, memaksa Forever Young untuk memilih jumlah pesanan dengan baik sebelum awal musim. Ini tidak meninggalkan perusahaan fleksibilitas apapun jika jumlah permintaan sebenarnya berbeda dari jumlah pesanan.

Pemasok lokal telah datang ke manajemen dengan proposal untuk memasok produk dengan biaya $10/unit tapi untuk melakukannya cukup cepat sehingga Forever Young akan mampu membuat pasokan di musim yang sesuai dengan permintaan. Manajemen kuatir dengan biaya variabel yang lebih tinggi tetapi menemukan fleksibilitas onshore sangat menarik. Tantangannya adalah untuk menghargai keresponsifan yang diberikan oleh pemasok lokal.

Ketidakpastian yang dihadapi Forever Young

Untuk membandingkan dua pemasok dengan lebih baik, manajemen mengidentifikasi permintaan dan nilai tukar sebagai dua ketidakpastian utama yang dihadapi oleh perusahaan. Masing-masing selama dua periode berikutnya (asumsikan mereka untuk satu tahun masing-masing), permintaan dapat naik sebesar 10 persen, dengan probabilitas 0,5 atau turun 10 persen, dengan probabilitas 0,5. Permintaan di periode saat ini adalah 1.000 unit. Demikian pula, masing-masing selama dua periode berikutnya, yuan dapat menguat sebesar 5 persen, dengan probabilitas 0,5, atau melemahkan sebesar 5 persen, dengan probabilitas 0,5. Nilai tukar pada periode berjalan adalah 6,5 yuan/$.

Kebijakan Memesan dengan Dua Pemasok

Mengingat waktu yang lama dari pemasok offshore, Forever Young berkomitmen untuk melakukan pemesanan sebelum mengamati sinyal permintaan. Mengingat permintaan ketidakpastian selama dua periode berikutnya dan fakta bahwa margin dari masing-masing Unit (sekitar $11,50) lebih tinggi dari kerugian jika unit tetap tidak terjual pada akhir musim (kerugian sekitar $8,50), manajemen memutuskan untuk melakukan pemesanan yang agak lebih tinggi daripada permintaan yang diharapkan. Mengingat bahwa permintaan yang diharapkan adalah 1.000 unit masing-masing selama dua periode berikutnya, manajemen memutuskan untuk memesan 1.040 unit dari pemasok Cina untuk masing-masing dua periode berikutnya. Jika permintaan di periode ternyata lebih tinggi dari 1.040 unit, Forever Young akan menjual 1.040 unit. Namun, jika permintaan ternyata lebih rendah dari 1.040, maka perusahaan akan memiliki produk sisa yang tidak akan dapat memgembalikan pendapatan apapun.

Lead time pendek dari pemasok lokal memungkinkan Forever Young untuk tetap membawa produk sedikit demi sedikit dalam satu waktu, berdasarkan penjualan aktual. Dengan demikian, jika pemasok lokal digunakan, perusahaan mampu memenuhi semua permintaan di masing-masing periode tanpa memiliki persediaan yang tidak terjual atau penjualan hilang. Dengan kata lain, urutan akhir dari pemasok lokal persis akan sama dengan permintaan yang diamati oleh Forever Young.

Potensial Strategi Hybrid

Pemasok lokal juga telah menawarkan usulan lain yang akan memungkinkan Forever Young menggunakan kedua pemasok, masing-masing memainkan peran yang berbeda. Pemasok Cina akan memproduksi kuantitas dasar untuk musim ini dan pemasok lokal akan menutupi kekurangan yang dihasilkannya. Lead time yang pendek dari pemasok lokal akan memastikan bahwa tidak ada penjualan yang hilang. Dengan kata lain, jika Forever Young berkomitmen untuk pasokan awal 900 unit dengan pemasok Cina dalam periode berjalan dan permintaan adalah 900 unit atau kurang maka tidak ada yang akan dipesan dari pemasok lokal. Jika permintaan kiranya adalah lebih besar dari 900 unit (katakanlah, 1.100), kekurangan dari 200 unit akan dipasok oleh pemasok lokal. Dengan menggunakan strategi hybrid, pemasok lokal akan berakhir memasok hanya sebagian kecil dari permintaan permusimnya. Untuk fleksibilitas tambahan dan pengurangan volume ini pemasok lokal mengusulkan untuk biaya $11/unit jika digunakan sebagai bagian dari strategi hybrid.

Pertanyaan

1. Gambarkan pohon keputusan yang mencerminkan ketidakpastian selama dua periode berikutnya. Mengidentifikasi setiap node dalam hal permintaan dan nilai tukar dan probabilitas transisi.

2. Jika manajemen di Forever Young adalah hanya untuk memilih salah satu dari dua pemasok, mana yang akan Anda rekomendasikan? Apa NPV keuntungan yang diharapkan selama dua periode berikutnya untuk masing-masing dari dua pilihan? Asumsikan faktor diskon dari k = 0,1 per periode.

3. Apa pendapat Anda tentang pendekatan hybrid? Apakah layak membayar pemasok lokal ekstra untuk menggunakannya sebagai bagian dari strategi hybrid? Untuk pendekatan hybrid, mengasumsikan bahwa manajemen akan memesan pesanan awal dari 900 unit dari pemasok Cina untuk masing-masing dua periode, memenuhi setiap kekurangan dalam setiap periode pada pemasok lokal. Mengevaluasi NPV dari keuntungan yang diharapkan untuk opsi hybrid dengan asumsi faktor diskon dari k = 0,1 per periode.

Jawaban…

1. Pohon keputusan

Peramalan Permintaan dalam Rantai Pasokan

7.1 Peran Peramalan dalam Rantai Pasokan

Prakiraan permintaan membentuk dasar dari semua perencanaan rantai pasokan. Semua proses dorongan dalam rantai pasokan dilakukan untuk mengantisipasi permintaan pelanggan, sedangkan semua proses tarik dilakukan dalam menanggapi permintaan pelanggan.

Contoh:

• Produksi: penjadwalan, persediaan, perencanaan agregat

• Pemasaran: alokasi tenaga penjualan, promosi, pengenalana produksi baru

• Keuangan: investasi pabrik/peralatan, perencanaan anggaran

• Pegawai: perencanaan tenaga kerja, mempekerjakan, PHK

Ketika setiap tahap dalam rantai pasokan membuat perkiraan terpisah sendiri, perkiraan ini sering sangat berbeda. Hasilnya adalah ketidaksesuaian antara penawaran dan permintaan. Ketika semua tahap dari rantai pasokan bekerja sama untuk menghasilkan perkiraan kolaboratif, bagaimanapun, ramalan cenderung jauh lebih akurat. Pemimpin di banyak rantai pasokan meningkatkan kemampuan mereka untuk mencocokkan penawaran dan permintaan dengan bergerak ke arah peramalan kolaboratif. Mempertimbangkan nilai peramalan kolaboratif untuk Coca-Cola dan pembotolan nya. Coca-Cola memutuskan pada waktu promosi berdasarkan permintaan diperkirakan selama kuartal mendatang dimasukkan ke dalam perkiraan permintaan diperbarui. ramalan diperbarui sangat penting untuk pembotolan untuk merencanakan keputusan kapasitas dan produksi mereka.

Peramalan untuk produk yang permintaannya stabil seperti susu ataupun tisu toilet lebih mudah untuk diperkirakan. Sedangkan barang-barang fashion dan produk berteknologi tinggi sulit untuk diramalkan. Dalam kedua kasus, perkiraan kesalahan peramalan adalah penting ketika merancang rantai pasokan dan perencanaan responnya.

7.2 Karakteristik Peramalan

Perusahaan dan manajer rantai pasokan harus menyadari karakteristik berikut dari perkiraan.

1. Prakiraan selalu tidak akurat dan dengan demikian harus mencakup nilai yang diharapkan dari perkiraan dan ukuran kesalahan peramalan. Contohnya dua dealer mobil mengharapkan penjualan berkisar antara 100 dan 1.900 unit, sedangkan yang lain mengharapkan penjualan berkisar antara 900 dan 1.100 unit. Meskipun kedua dealer mengantisipasi penjualan rata-rata 1.000, kebijakan sumber untuk setiap dealer harus sangat berbeda, mengingat perbedaan dalam akurasi perkiraan. Dengan demikian, perkiraan kesalahan (atau permintaan ketidakpastian) adalah masukan kunci ke sebagian besar keputusan rantai pasokan.

2. Prakiraan jangka panjang biasanya kurang akurat dibandingkan perkiraan jangka pendek; yaitu, prakiraan jangka panjang memiliki standar deviasi yang lebih besar dari kesalahan relatif terhadap mean dari perkiraan jangka pendek. Sebagai contoh, jika seorang manajer toko tempat pesanan oleh 10, urutan disampaikan oleh 19:00 hari yang sama. Oleh karena itu, manajer memiliki untuk meramalkan apa yang akan menjual malam itu hanya kurang dari 12 jam sebelum penjualan yang sebenarnya. Perkiraan ini mungkin akan lebih akurat daripada jika manajer toko harus meramalkan kebutuhan satu minggu di awal.

3. Prakiraan agregat biasanya lebih akurat daripada perkiraan disagregat, karena mereka cenderung memiliki standar deviasi yang lebih kecil dari kesalahan relatif terhadap mean. Sebagai contoh, mudah untuk meramalkan produk domestik bruto (PDB) dari Amerika Serikat untuk tahun tertentu dengan kurang dari kesalahan 2 persen. Namun, jauh lebih sulit untuk meramalkan pendapatan tahunan untuk perusahaan dengan kurang dari kesalahan 2 persen, dan bahkan lebih sulit untuk meramalkan pendapatan untuk produk tertentu dengan tingkat akurasi yang sama. Perbedaan utama antara tiga perkiraan adalah tingkat agregasi. PDB memiliki agregasi di banyak perusahaan, dan pendapatan dari perusahaan adalah agregasi di beberapa lini produk. Semakin besar agregasi, semakin akurat ramalan.

4. Secara umum, lebih jauh ke rantai pasokan perusahaan adalah (atau jauh itu adalah dari konsumen), semakin besar distorsi informasi yang diterimanya. Salah satu contoh klasik dari fenomena ini adalah bullwhip effect, di mana variasi diperkuat sebagai perintah bergerak lebih jauh dari konsumen akhir. Peramalan kolaboratif berdasarkan penjualan ke pelanggan akhir membantu perusahaan hulu mengurangi kesalahan perkiraan.

7.3 Komponen dari Peramalan dan Metode Peramalan

Permintaan tidak muncul dalam ruang hampa. Sebaliknya, permintaan pelanggan dipengaruhi oleh berbagai faktor dan dapat diprediksi, setidaknya dengan beberapa kemungkinan. Pengetahuan kemungkinan kondisi pasar akan meningkatkan perkiraan. Sebagai contoh, jika manajer toko tahu bahwa cuaca cenderung hujan dan dingin pada hari berikutnya, ia dapat mengurangi ukuran pesanan es krim untuk ditempatkan dengan pemasok hulu, bahkan jika permintaan tinggi selama sebelumnya beberapa hari ketika cuaca panas. Dalam hal ini, perubahan kondisi pasar (cuaca) tidak akan diprediksi menggunakan data permintaan historis.

Sebuah perusahaan harus memiliki pengetahuan tentang berbagai faktor yang terkait dengan peramalan permintaan, seperti:

• Permintaan dimasa lampau

• Lead time pengisian produk

• Merencanakan usaha periklanan atau pemasaran

• Merencanakan diskon harga

• Kondisi Ekonomi

• Tindakan yang telah diambil pesaing

Metode peramalan diklasifikasikan berdasarkan empat jenis seperti berikut:

1. Qualitative: terutama subjektif dan bergantung pada penilaian manusia. Paling tepat ketika sedikit data historis yang tersedia atau ketika para ahli memiliki kecerdasan pasar yang dapat mempengaruhi ramalan. Metode tersebut juga mungkin diperlukan untuk meramalkan permintaan beberapa tahun ke depan dalam industri baru

2. Time series: metode peramalan menggunakan permintaan historis untuk membuat perkiraan. Didasarkan pada asumsi bahwa sejarah permintaan masa lalu merupakan indikator yang baik dari masa depan permintaan. Ini adalah metode paling sederhana untuk menerapkan dan dapat berfungsi sebagai titik awal yang baik untuk perkiraan permintaan.

3. Causal: mengasumsikan bahwa perkiraan permintaan sangat berkorelasi dengan faktor-faktor tertentu di lingkungan (keadaan ekonomi, suku bunga, dll). Sebagai contoh, harga produk sangat berkorelasi dengan permintaan. Perusahaan sehingga dapat menggunakan metode kausal untuk menentukan dampak dari promosi harga pada permintaan.

4. Simulation: meniru pilihan konsumen yang menimbulkan permintaan untuk sampai pada perkiraan. Menggunakan simulasi, perusahaan dapat menggabungkan time-series dan metode kausal untuk menjawab pertanyaan-pertanyaan. Maskapai penerbangan mensimulasikan perilaku pembelian pelanggan untuk meramalkan permintaan untuk kursi tarif tinggi bila tidak ada kursi yang tersedia di tarif yang lebih rendah.

Bahkan, beberapa studi telah menunjukkan bahwa menggunakan beberapa metode peramalan untuk membuat perkiraan gabungan lebih efektif daripada menggunakan salah satu metode saja.

Permintaan diamati (O) = komponen sistematis (S) + komponen acak (R)

Komponen sistematis mengukur nilai yang diharapkan dari permintaan dan terdiri dari apa yang akan kita sebut tingkat, deseasonalized permintaan saat ini; tren, tingkat pertumbuhan atau penurunan permintaan untuk periode berikutnya; dan musiman, fluktuasi musiman diprediksi dalam permintaan.

Komponen acak adalah bagian dari perkiraan yang menyimpang dari bagian sistematis. Tujuan dari peramalan adalah untuk menyaring komponen random (noise) dan memperkirakan komponen sistematik. Kesalahan perkiraan mengukur perbedaan antara perkiraan dan permintaan yang sebenarnya.

7.4 Pendekatan Dasar untuk Peramalan Permintaan

Berikut lima poin penting bagi suatu organisasi untuk meramalkan secara efektif:

1. Memahami tujuan peramalan.

2. Mengintegrasikan perencanaan permintaan dan peramalan seluruh rantai pasokan.

3. Mengidentifikasi faktor-faktor utama yang mempengaruhi perkiraan permintaan.

4. Prakiraan pada tingkat yang sesuai agregasi.

5. Membangun kinerja dan kesalahan langkah-langkah untuk ramalan.

Memahami Tujuan Peramalan

Contoh keputusan tersebut termasuk berapa banyak produk tertentu untuk membuat, berapa banyak untuk persediaan, dan berapa banyak untuk memesan. Semua pihak yang terkena dampak keputusan rantai pasokan harus menyadari hubungan antara keputusan dan ramalan. Kegagalan untuk membuat keputusan ini bersama-sama dapat mengakibatkan baik produk terlalu banyak atau terlalu sedikit dalam berbagai tahap rantai pasokan.

Mengintegrasikan Perencanaan Permintaan dan Peramalan Sepanjang Rantai Pasokan

Termasuk perencanaan kapasitas, perencanaan produksi, perencanaan promosi, dan pembelian, antara lain. Hal ini menyebabkan ketidaksesuaian antara penawaran dan permintaan, sehingga layanan pelanggan miskin. Untuk mencapai integrasi, itu adalah ide yang baik bagi perusahaan untuk memiliki tim lintas fungsional, dengan anggota dari masing-masing fungsi terpengaruh bertanggung jawab untuk peramalan permintaan dan ide yang lebih baik adalah untuk memiliki anggota dari perusahaan yang berbeda dalam rantai pasokan bekerja sama untuk membuat ramalan.

Mengidentifikasi Faktor Utama yang Mempengaruhi Prakiraan Permintaan

Perkiraan ini harus didasarkan pada permintaan, bukan pada data penjualan. Sebagai contoh, supermarket dipromosikan merek tertentu sereal pada bulan Juli 2014. Akibatnya, permintaan untuk sereal ini adalah tinggi, sedangkan permintaan lainnya, merek sereal sebanding rendah pada bulan Juli. Supermarket tidak harus menggunakan data penjualan dari 2014 untuk memperkirakan bahwa permintaan untuk merek ini akan tinggi pada bulan Juli 2015, karena ini hanya akan terjadi jika merek yang sama dipromosikan lagi pada bulan Juli 2015 dan merek lain merespon seperti yang mereka lakukan tahun sebelumnya. Ketika membuat perkiraan permintaan, supermarket harus memahami apa permintaan akan tanpa adanya kegiatan promosi dan bagaimana permintaan dipengaruhi oleh promosi dan tindakan pesaing.

Di sisi penawaran, perusahaan harus mempertimbangkan sumber pasokan yang tersedia untuk menentukan akurasi perkiraan yang diinginkan. Di sisi produk, perusahaan harus mengetahui jumlah varian produk yang dijual dan apakah varian ini pengganti atau melengkapi satu sama lain. Jika permintaan untuk produk pengaruh atau dipengaruhi oleh permintaan untuk produk lain, dua prakiraan terbaik yang dibuat bersama-sama.

Prakiraan di Tingkat Sesuai Agregasi

Mengingat bahwa perkiraan agregat yang lebih akurat daripada perkiraan disagregat, penting untuk meramalkan pada tingkat agregasi yang tepat, mengingat keputusan rantai pasokan yang didorong oleh perkiraan. Pertimbangkan pembeli di rantai ritel yang peramalan untuk memilih ukuran pesanan untuk kemeja. Keuntungan dari pendekatan ini adalah bahwa ia menggunakan intelijen pasar lokal yang masing-masing manajer toko memiliki. Masalah dengan pendekatan ini adalah bahwa hal itu membuat manajer toko meramalkan baik sebelum permintaan muncul pada saat perkiraan mereka tidak mungkin akurat.

Membangun Kinerja dan Mengukur Kesalahan untuk Prakiraan

Perusahaan harus membuat langkah-langkah kinerja yang jelas untuk mengevaluasi akurasi dan ketepatan waktu ramalan. Langkah-langkah ini harus dikaitkan dengan tujuan dari keputusan bisnis berdasarkan ramalan ini. Pertimbangkan sebuah perusahaan mail-order yang menggunakan perkiraan untuk menempatkan pesanan dengan pemasok, yang mengambil dua bulan untuk mengirimkan perintah. Pada akhir musim penjualan, perusahaan harus membandingkan permintaan aktual permintaan diperkirakan untuk memperkirakan akurasi ramalan. Kemudian berencana untuk mengurangi kesalahan ramalan masa depan atau menanggapi kesalahan ramalan diamati dapat dimasukkan ke dalam tempat.

7.5 Metode Peramalan Time-Series

Tujuan adalah untuk memprediksi komponen sistematik permintaan dan memperkirakan komponen acak. Dalam bentuk yang paling umum, komponen sistematis data permintaan mengandung tingkat, tren, dan faktor musiman. Persamaan untuk menghitung komponen sistematik dapat mengambil berbagai bentuk:

• Multiplicative: komponen sistematik = tingkat * tren * faktor musiman

• Additive: komponen sistematik = tingkat + tren + faktor musiman

• Mixed: komponen sistematik = (tingkat + tren) * faktor musiman

Bentuk spesifik dari komponen sistematik berlaku untuk perkiraan yang diberikan tergantung pada sifat permintaan.

Metode statis

Mengasumsikan bahwa perkiraan tingkat, tren, dan musiman dalam komponen sistematis tidak bervariasi karena permintaan baru diamati. Dalam hal ini, kami memperkirakan masing-masing parameter tersebut berdasarkan data historis dan kemudian menggunakan nilai yang sama untuk semua perkiraan masa depan. Kami berasumsi bahwa komponen sistematik permintaan dicampur; itu adalah

komponen sistematik = (tingkat + tren) * faktor musiman

Pendekatan serupa dapat diterapkan untuk bentuk lain juga. Kita mulai dengan definisi dasar:

L = perkiraan tingkat di t = 0 (estimasi permintaan deseasonalized selama Masa t = 0)

T = perkiraan tren (kenaikan atau penurunan permintaan per periode)

St = perkiraan faktor musiman Periode t

Dt = permintaan yang sebenarnya diamati di Masa t

Ft = meramalkan permintaan untuk Periode t

Dalam metode peramalan statis, perkiraan di Masa t untuk permintaan di Masa t + l adalah produk dari tingkat di Masat + l dan faktor musiman untuk Periode t + l. Tingkat di Masa t + l adalah jumlah dari tingkat di Masa 0 (L) Dan (t + l) Kali tren T. Ramalan di Masa t untuk permintaan di Masat + l dengan demikian diberikan sebagai

Kami sekarang menggambarkan salah satu metode untuk memperkirakan tiga parameter L. T, dan S. Sebagai contoh, mempertimbangkan permintaan batu garam yang digunakan terutama untuk mencairkan salju. Garam ini diproduksi oleh perusahaan bernama Tahoe Salt, yang menjual garam melalui berbagai pengecer independen di sekitar wilayah Danau Tahoe Sierra Nevada Mountains. Di masa lalu, Tahoe Salt mengandalkan perkiraan permintaan dari sampel pengecer, tetapi perusahaan telah memperhatikan bahwa pengecer ini selalu melebih-lebihkan pembelian mereka, meninggalkan Tahoe (dan bahkan beberapa pengecer) terjebak dengan kelebihan persediaan. Setelah bertemu dengan pengecer, Tahoe telah memutuskan untuk menghasilkan perkiraan kolaboratif. Tahoe Salt ingin bekerja dengan pengecer untuk membuat perkiraan yang lebih akurat berdasarkan penjualan ritel yang sebenarnya garam mereka. Data permintaan ritel kuartalan selama tiga tahun terakhir ditunjukkan pada Tabel 7-1 dan memetakan pada Figure 7-1.

Pada Figure 7-1, mengamati bahwa permintaan untuk garam musiman, meningkat dari kuartal kedua tahun tertentu untuk kuartal pertama tahun berikutnya. Kuartal kedua setiap tahun memiliki permintaan terendah. Setiap siklus berlangsung empat kuartal, dan pola permintaan berulang setiap tahun. Ada juga tren pertumbuhan permintaan, dengan pertumbuhan penjualan selama tiga tahun terakhir. Perusahaan memperkirakan bahwa pertumbuhan akan berlanjut di tahun mendatang pada tingkat historis. Kami sekarang menggambarkan dua langkah berikut diperlukan untuk memperkirakan masing-masing tiga parameter tingkat, tren, dan faktor musiman.

1. Deseasonalize permintaan dan menjalankan regresi linier untuk memperkirakan tingkat dan tren.

2. Memperkirakan faktor musiman.

Memperkirakan Tingkat dan Tren

Tujuan dari langkah ini adalah untuk memperkirakan tingkat di Periode 0 dan tren. Kita mulai dengan deseasonalizing data permintaan. Permintaan deseasonalized merupakan permintaan yang akan telah diamati dengan tidak adanya fluktuasi musiman. Itu periodisitas (p) Adalah jumlah periode setelah siklus musiman berulang. Untuk permintaan Tahoe Salt ini, pola berulang setiap tahun. Mengingat bahwa kita mengukur permintaan secara triwulanan, periodisitas untuk permintaan di Tabel 7-1 adalah p = 4.

Untuk memastikan bahwa setiap musim diberikan bobot yang sama ketika deseasonalizing permintaan, kita mengambil rata-rata p periode berturut-turut dari permintaan. Rata-rata permintaan dari Masal + 1 ke Periode l + p menyediakan permintaan deseasonalized Periode l + (p + 1) / 2. Jikap aneh, metode ini menyediakan permintaan deseasonalized untuk jangka waktu yang ada. Jikap bahkan, metode ini memberikan permintaan deseasonalized pada titik antara Periodel + (p/ 2) dan Periode l + 1 + (p/ 2). Dengan mengambil rata-rata permintaan deseasonalized disediakan oleh Periodel + 1 untuk l + p dan l + 2 untukl + p + 1, kita memperoleh permintaan deseasonalized Periode l + 1 + (p/ 2) jika p bahkan. Dengan demikian, permintaan deseasonalized,Dt, Untuk Periode t, Dapat diperoleh sebagai berikut:

Dalam contoh kita, p = 4 bahkan. Untukt = 3, kita memperoleh permintaan deseasonalized menggunakan Persamaan 7.2 sebagai berikut:

Dengan prosedur ini, kita bisa memperoleh permintaan deseasonalized antara Periode 3 dan 10 seperti yang ditunjukkan pada Gambar 7-2 dan 7-3 (semua rincian yang tersedia di spreadsheet yang menyertainya Bab 7-Tahoe-garam).

Berikut ini hubungan linear antara permintaan deseasonalized, Dt, dan waktu t, Berdasarkan perubahan permintaan dari waktu ke waktu:

Dalam Persamaan 7.3, Dt merupakan permintaan deseasonalized dan bukan permintaan yang sebenarnya di Masa t, L mewakili tingkat atau permintaan deseasonalized di Periode 0, dan T merupakan laju pertumbuhan permintaan deseasonalized atau tren. Kita bisa memperkirakan nilai-nilai L dan T untuk permintaan deseasonalized menggunakan regresi linier dengan permintaan deseasonalized (lihat FIgure 7-2) sebagai variabel dependen dan waktu sebagai variabel independen. regresi tersebut dapat dijalankan menggunakan Microsoft Excel (Data|Analisis Data|Regresi). Ini urutan perintah membuka Regresi kotak dialog di Excel. Untuk buku kerja Tahoe Salt dalam Figure 7-2, dalam kotak dialog yang muncul, kita memasuki

dan klik tombol OK. Lembar baru yang berisi hasil regresi membuka. Lembar baru ini berisi taksiran untuk kedua tingkat awalL dan tren T. Awal level, L, Diperoleh sebagai koefisien intercept, dan tren, T, Diperoleh sebagai X koefisien variabel (Atau kemiringan) dari lembar berisi hasil regresi. Untuk contoh Tahoe Salt, kita memperolehL = 18.439 dan T = 524 (semua rincian yang tersedia di lembar kerja Regresi-1 dan nomor dibulatkan ke nilai integer). Untuk contoh ini, permintaan deseasonalized Dt Periode setiap t dengan demikian diberikan oleh

Hal ini tidak tepat untuk menjalankan regresi linier antara data permintaan asli dan waktu untuk memperkirakan tingkat dan tren karena data permintaan asli tidak linear dan regresi linier yang dihasilkan tidak akan akurat. Permintaan harus deseasonalized sebelum kita menjalankan regresi linier.

Memperkirakan Faktor Musiman

Kita sekarang dapat memperoleh permintaan deseasonalized untuk setiap periode menggunakan persamaan 7.4 (lihat FIgure 7-4).

Faktor musiman St Periode t adalah rasio permintaan aktualDt permintaan deseasonalized Dt dan diberikan sebagai

Untuk contoh Tahoe Salt, permintaan deseasonalized diperkirakan menggunakan Persamaan 7.4 dan faktor musiman diperkirakan menggunakan Persamaan 7.5 ditunjukkan pada Figure 7-4 (lihat lembar kerja Figure 7-4). Mengingat periodisitas p, Kita memperoleh faktor musiman untuk suatu periode tertentu dengan rata-rata faktor musiman yang sesuai dengan periode yang sama. Sebagai contoh, jika kita memiliki periodisitas p = 4, Periode 1, 5, dan 9 memiliki faktor musiman yang sama. Faktor musiman untuk periode ini diperoleh sebagai rata-rata dari tiga faktor musiman. mengingatr siklus musiman dalam data, untuk semua periode dalam bentuk pt+ i, 1 … i… p, Kita memperoleh faktor musiman

Untuk contoh Tahoe Salt, total 12 periode dan periodisitas p = 4 menyiratkan bahwa adar = 3 siklus musiman dalam data. Kami memperoleh faktor musiman menggunakan Persamaan 7.6 sebagai

Pada tahap ini, kita telah memperkirakan tingkat, tren, dan semua faktor musiman. Kita sekarang dapat memperoleh perkiraan untuk empat kuartal berikutnya menggunakan Persamaan 7.1. Dalam contoh, perkiraan untuk empat periode berikutnya dengan menggunakan metode peramalan statis diberikan oleh

Tahoe Salt dan pengecer sekarang memiliki perkiraan yang lebih akurat permintaan. Tanpa berbagi informasi jual melalui antara pengecer dan produsen, rantai pasokan ini akan memiliki perkiraan kurang akurat, dan berbagai produksi dan persediaan inefisiensi akan menghasilkan.

Peramalan adaptif

Dalam peramalan adaptif, perkiraan tingkat, tren, dan musiman diperbarui setelah setiap pengamatan permintaan. Keuntungan utama dari peramalan adaptif adalah bahwa perkiraan menggabungkan semua data baru yang diamati. Hal ini dapat dengan mudah dimodifikasi untuk dua kasus lain, namun. Kerangka tersebut juga bisa khusus untuk kasus di mana komponen sistematik tidak mengandung musiman atau trend. Kami berasumsi bahwa kita memiliki satu set data historis untukn periode dan permintaan yang bersifat musiman, dengan periodisitas p. Mengingat data kuartalan, dimana pola berulang setiap tahun, kami memiliki periodisitasp = 4.

Kita mulai dengan mendefinisikan beberapa istilah:

Lt = perkiraan tingkat pada akhir Masa t

Tt = perkiraan tren di akhir Masa t

St = perkiraan faktor musiman Periode t

Ft = meramalkan permintaan untuk Periode t (Dibuat di Masa t – 1 atau sebelumnya)

Dt = permintaan yang sebenarnya diamati di Masa t

et = Ft – Dt = perkiraan kesalahan dalam Masa t

Dalam metode adaptif, perkiraan untuk Periode t + l Masa t menggunakan estimasi tingkat dan tren di Masa t (Lt dan Tt masing-masing) dan diberikan sebagai

Empat langkah dalam rangka peramalan adaptif adalah sebagai berikut:

1. Initialize: Menghitung perkiraan awal dari tingkat (L0), trend (T0), dan faktor musiman (S1,. . . .Sp) Dari data yang diberikan. Hal ini dilakukan persis seperti dalam metode peramalan statis dibahas sebelumnya dalam bab denganL0 = L dan T0 = T.

2. Forecast: Mengingat perkiraan di Masa t, Meramalkan permintaan untuk Periode t + 1 menggunakan Persamaan 7.7. Perkiraan pertama kami adalah untuk Periode 1 dan dibuat dengan perkiraan tingkat, tren, dan faktor musiman di Masa 0.

3. Estimate error: Merekam permintaan aktual Dt+1 Periode t + 1 dan menghitung kesalahan et+1 di perkiraan untuk Periode t + 1 sebagai perbedaan antara perkiraan dan permintaan yang sebenarnya. Kesalahan Periodet + 1 dinyatakan sebagai

4. Modify estimates: Memodifikasi perkiraan tingkat (Lt+1), tren (Tt+1), dan faktor musiman (St+p+1), diberikan kesalahan et+1 dalam ramalan. Sangat diharapkan bahwa modifikasi sedemikian rupa sehingga jika permintaan lebih rendah dari perkiraan, perkiraan direvisi ke bawah, sedangkan jika permintaan lebih tinggi dari perkiraan, perkiraan direvisi ke atas.

Moving Average

Metode yang digunakan ketika permintaan tidak memiliki tren diamati atau musiman. Pada kasus ini,

Komponen sistematik permintaan = tingkat.

Dalam metode ini, tingkat di Masa t diperkirakan karena permintaan rata-rata selama terbaru N periode. Ini merupakan rata-rata bergerak periode N dan dievaluasi sebagai berikut:

Arus perkiraan untuk semua periode mendatang adalah sama dan didasarkan pada perkiraan saat ini tingkat. ramalan dinyatakan sebagai

Setelah mengamati permintaan untuk Periode t + 1, kami merevisi perkiraan sebagai berikut:

Untuk menghitung rata-rata bergerak baru, kita cukup menambahkan pengamatan terbaru dan menjatuhkan tertua. Seperti kita meningkatkan N, Rata-rata bergerak menjadi kurang responsif terhadap permintaan yang terakhir diamati. Kami menggambarkan penggunaan rata-rata bergerak dalam Contoh 7-1.

CONTOH 7-1 Moving Average

Supermarket telah mengalami permintaan mingguan susu D1 = 120, D2 = 127, D3 = 114, dan D4 = 122 galon selama empat minggu terakhir. perkiraan permintaan Periode 5 menggunakan empat periode rata-rata bergerak. Apa kesalahan perkiraan jika permintaan di Masa 5 ternyata menjadi 125 galon?

Analisis:

Kami membuat perkiraan untuk periode 5 pada akhir Periode 4. Dengan demikian, menganggap periode saat ini menjadi t = 4. Tujuan pertama kami adalah untuk memperkirakan tingkat di Periode 4. Menggunakan Persamaan 7.9, dengan N = 4, kami mendapatkan

 Perkiraan permintaan untuk Periode 5, menggunakan Persamaan 7.10, dinyatakan sebagai

Karena permintaan di Periode 5, D5, 125 galon, kami memiliki kesalahan perkiraan untuk periode 5 dari

Setelah mengamati permintaan di Periode 5, estimasi yang direvisi dari tingkat Periode 5 diberikan oleh

Simple Exponential Smoothing

Tepat ketika permintaan tidak memiliki tren diamati atau musiman. Pada kasus ini,

komponen sistematik permintaan = tingkat

Estimasi awal tingkat, L0, diambil untuk menjadi rata-rata semua data historis karena permintaan telah diasumsikan tidak memiliki tren diamati atau musiman. data permintaan yang diberikan untuk Periode 1 sampai n, Kita memiliki berikut ini:

 Arus perkiraan untuk semua periode mendatang adalah sama dengan perkiraan saat tingkat dan diberikan sebagai

Setelah mengamati permintaan, Dt+1, untuk Periode t + 1, kami merevisi perkiraan tingkat sebagai berikut:

Dimana Sebuah alfa adalah konstanta pemulusan untuk tingkat. Nilai revisi dari tingkat adalah rata-rata tertimbang dari nilai yang diamati dari tingkat (Dt+1) di Periode t + 1 dan perkiraan lama tingkat (Lt) Di Periode t. Menggunakan Persamaan 7.13, kita dapat mengekspresikan tingkat dalam suatu periode tertentu sebagai fungsi dari permintaan saat ini dan tingkat pada periode sebelumnya. Dengan demikian kita dapat menulis ulang Persamaan 7.13 sebagai

 

Sebuah sesuai dengan perkiraan yang lebih responsif terhadap pengamatan terakhir, sedangkan nilai yang lebih rendah dari Sebuah merupakan perkiraan yang lebih stabil yang kurang responsif terhadap pengamatan baru-baru ini. Kami menggambarkan penggunaan pemulusan eksponensial dalam Contoh 7-2.

CONTOH 7-2 Simple Exponential Smoothing

Pertimbangkan supermarket pada Contoh 7-1, di mana permintaan mingguan untuk susu telah D1 = 120, D2 = 127, D3 = 114, dan D4 = 122 galon selama empat minggu terakhir. Perkiraan permintaan Periode 5 menggunakan pemulusan eksponensial sederhana denganSebuah = 0,1.

Analisis

Dalam hal ini, kita memiliki data permintaan n = 4 periode. Menggunakan Persamaan 7.11, estimasi awal tingkat (dibulatkan ke 2 desimal) dinyatakan oleh

Perkiraan untuk periode 1 (menggunakan Persamaan 7.12) dengan demikian diberikan oleh

Permintaan diamati untuk Periode 1 adalah D1 = 120. Perkiraan kesalahan untuk Periode 1 diberikan oleh

Dengan Sebuah = 0.1, estimasi yang direvisi dari tingkat Periode 1 menggunakan Persamaan 7.13 diberikan oleh

Mengamati bahwa perkiraan tingkat Periode 1 lebih rendah dari Periode 0 karena permintaan di Periode 1 lebih rendah dari perkiraan untuk Periode 1. Dengan demikian kita memperolehF2 = L1 = 120,68. Mengingat bahwa D2 = 127, kita memperoleh L2 = (0,1 × 127) + (0,9 × 120,68) = 121,31. Hal ini memberikan F3 = L2 = 121,31. Mengingat bahwa D3 = 114, kita memperoleh L3 = (0,1 × 114) + (0,9 × 121,31) = 120,58. Hal ini memberikan F4 = L3 =120,58. Mengingat bahwa D4 = 122, kita memperoleh L4 = (0,1 × 122) + (0,9 × 120,58) = 120,72. Hal ini memberikan F5 = L4 = 120,72.

Trend-Corrected Exponential Smoothing (Holt Model)

Metode ini sesuai jika permintaan diasumsikan memiliki tingkat dan tren dalam komponen sistematis, tetapi tidak ada musiman. Dalam hal ini, kita memiliki komponen sistematis permintaan= tingkat + Tren Kami mendapatkan estimasi awal tingkat dan tren dengan menjalankan regresi linier antara permintaan, Dt, Dan waktu, Masa t, Dalam bentuk

Dalam hal ini, menjalankan regresi linier antara permintaan dan periode waktu yang tepat karena kita telah mengasumsikan bahwa permintaan memiliki kecenderungan tetapi tidak ada musiman. Hubungan yang mendasari antara permintaan dan waktu dengan demikian linear. Konstan b mengukur perkiraan permintaan pada Periode t = 0 dan perkiraan kami dari tingkat awal L0. Kemiringan Sebuah mengukur tingkat perubahan dalam permintaan per dan perkiraan awal kami tren T0. Di Masa t, Mengingat perkiraan tingkat Lt dan tren Tt, Perkiraan untuk periode mendatang dinyatakan sebagai

Setelah mengamati permintaan untuk Periode t, kami merevisi perkiraan untuk tingkat dan trend sebagai berikut:

Dimana alfa adalah konstanta smoothing untuk tingkat dan betaadalah konstanta smoothing untuk tren. Perhatikan bahwa di masing-masing dua update, estimasi direvisi (tingkat atau trend) adalah rata-rata tertimbang dari nilai diamati dan perkiraan lama. Kami menggambarkan penggunaan model Holt dalam Contoh 7-3 (lihat spreadsheet terkaitContoh 1-4 Bab 7).

CONTOH 7-3 Model Holt

Produsen elektronik telah melihat permintaan untuk peningkatan pemain terbaru MP3 selama enam bulan terakhir. permintaan diamati (dalam ribuan) telahD1 = 8415, D2 = 8732, D3 = 9014, D4 = 9808, D5 = 10.413, dan D6 = 11.961. perkiraan permintaan Periode 7 menggunakan trend-dikoreksi pemulusan eksponensial denganSebuah = 0,1, b = 0,2.

Analisis

Langkah pertama adalah untuk mendapatkan perkiraan awal dari tingkat dan trend menggunakan regresi linier. Kami pertama kali menjalankan regresi linier (menggunakan alat data Excel­ Analisis data ­ Regresi) antara permintaan dan periode waktu. Estimasi tingkat awal L0 diperoleh sebagai koefisien intercept, dan tren T0 diperoleh sebagai variabel koefisien X (Atau kemiringan) dalam spreadsheet contoh 1-4 Bab 7 (Ada beberapa variasi antara spreadsheet dan hasil yang ditunjukkan di sini karena pembulatan). Untuk data MP3 player, kita memperoleh

Perkiraan untuk periode 1 (menggunakan Persamaan 7.14) dengan demikian diberikan oleh

Permintaan diamati untuk Periode 1 adalah D1 = 8415. Kesalahan Periode 1 dengan demikian diberikan oleh

Dengan Sebuah = 0,1, b = 0,2, estimasi yang direvisi dari tingkat dan tren untuk Periode 1 menggunakan Persamaan 7.15 dan 7.16 diberikan oleh

Mengamati bahwa estimasi awal untuk permintaan di periode 1 terlalu rendah. Akibatnya, update kami telah meningkatkan perkiraan tingkatL1 Periode 1 dari 8040 ke 8078 dan perkiraan tren dari 673 ke 681. Menggunakan Persamaan 7.14, dengan demikian kita mendapatkan berikut perkiraan untuk Periode 2:

Melanjutkan dengan cara ini, kita memperoleh L2 = 8755, T2 = 680, L3 = 9393, T3 = 672,L4 = 10.039, T4 = 666, L5 = 10.676, T5 = 661, L6 = 11.399, T6 = 673. Ini memberi kita perkiraan untuk Periode 7 dari

Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)

Metode ini sesuai jika komponen sistematik permintaan memiliki tingkat, tren, dan faktor musiman. Dalam hal ini kita memiliki

komponen sistematik permintaan = (tingkat + trend) * faktor musiman

Asumsikan periodisitas permintaan untuk menjadi p. Untuk memulai, kita perlu perkiraan awal dari tingkat (L0), trend (T0), dan faktor musiman (S1,. . . .Sp). Kami memperoleh perkiraan ini menggunakan prosedur untuk peramalan statis dijelaskan sebelumnya dalam bab ini. di Masat, Mengingat perkiraan tingkat, Lt, Tren, Tt, Dan faktor musiman, St,. . . .St+p-1, perkiraan untuk periode mendatang diberikan oleh

Pada mengamati permintaan untuk Periode t + 1, kami merevisi perkiraan untuk tingkat, tren, dan faktor musiman sebagai berikut:

Dimana alfa adalah konstanta pemulusan untuk tingkat; betaadalah konstanta pemulusan untuk tren; dan gamma adalah konstanta smoothing untuk faktor musiman. Perhatikan bahwa di setiap update (tingkat, tren, atau faktor musiman), estimasi yang direvisi adalah rata tertimbang dari nilai diamati dan perkiraan lama. Kami menggambarkan penggunaan model Winter dalam Contoh 7-4 (lihat lembar kerja contoh 7-4).

CONTOH 7-4 Winter’s Model

Mempertimbangkan data permintaan Tahoe Salt pada Tabel 7-1. perkiraan permintaan untuk Periode 1 menggunakan kecenderungan dan musiman-dikoreksi pemulusan eksponensial denganSebuah = 0,1, b = 0,2, g = 0,1.

Analisis

Kami mendapatkan perkiraan awal dari tingkat, tren, dan faktor musiman persis seperti dalam kasus statis. Mereka dinyatakan sebagai berikut:

Perkiraan untuk periode 1 (menggunakan Persamaan 7.17) dengan demikian diberikan oleh

Permintaan diamati untuk Periode 1 adalah D1 = 8.000. Perkiraan kesalahan untuk Periode 1 dengan demikian diberikan oleh

Dengan Sebuah = 0,1, b = 0,2, g = 0.1, estimasi yang direvisi dari tingkat dan tren untuk Periode 1 dan faktor musiman Periode 5, menggunakan Persamaan 7.18, 7.19, dan 7.20, diberikan oleh

Perkiraan permintaan untuk Periode 2 (menggunakan Persamaan 7.17) dengan demikian diberikan oleh

 Metode peramalan yang telah kita bahas dan situasi di mana mereka umumnya berlaku adalah sebagai berikut:

Metode peramalan

Jika Tahoe Salt menggunakan metode peramalan adaptif untuk data sell-through yang diperoleh dari pengecer, model Winter adalah pilihan terbaik, karena pengalaman permintaan, baik tren dan musiman. Prakiraan kesalahan membantu mengidentifikasi kasus di mana metode peramalan yang digunakan adalah tidak pantas.

7.6 Ukuran Prakiraan Kesalahan

Seperti disebutkan sebelumnya, setiap contoh permintaan memiliki komponen acak. Sebuah metode peramalan yang baik harus menangkap komponen sistematik permintaan tetapi tidak komponen acak. Kesalahan perkiraan mengandung informasi berharga dan harus dianalisis secara hati-hati karena dua alasan:

1. Manajer menggunakan analisis kesalahan untuk menentukan apakah metode peramalan saat ini memprediksi komponen sistematik permintaan akurat.

2. Semua rencana kontingensi harus memperhitungkan kesalahan perkiraan. Pertimbangkan sebuah perusahaan mail-order dengan dua pemasok. Selama kesalahan yang diamati berada dalam perkiraan kesalahan sejarah, perusahaan dapat terus menggunakan metode peramalan mereka saat ini. Menemukan kesalahan yang baik di luar perkiraan sejarah mungkin menunjukkan bahwa metode peramalan yang digunakan tidak lagi sesuai atau permintaan telah berubah secara fundamental. Seperti yang didefinisikan sebelumnya, perkiraan kesalahan untuk Periode t diberikan oleh et, Di mana berikut ini berlaku:

Artinya, kesalahan dalam Masa t adalah perbedaan antara perkiraan untuk Periode t dan permintaan yang sebenarnya di Masa t. Adalah penting bahwa seorang manajer memperkirakan kesalahan perkiraan yang dibuat setidaknya sejauh di muka sebagai waktu yang diperlukan untuk manajer untuk mengambil tindakan apapun ramalan akan digunakan untuk.  Salah satu ukuran kesalahan perkiraan adalah mean squared error (MSE), di mana berikut memegang (denominator dalam Persamaan 7.21 juga dapat memilikin – 1 bukannya n):

MSE dapat berhubungan dengan varians dari kesalahan prediksi. Akibatnya, kami memperkirakan bahwa komponen random permintaan memiliki mean 0 dan varians dari MSE. MSE membandingkan metode peramalan jika biaya kesalahan besar jauh lebih besar daripada keuntungan dari perkiraan yang sangat akurat. Menggunakan MSE sebagai ukuran kesalahan adalah tepat ketika kesalahan perkiraan memiliki distribusi yang simetris tentang nol.

Tentukan deviasi absolut Masa t. Di, Menjadi nilai absolut dari kesalahan dalam Masa t; itu adalah

Tentukan mean absolute deviation (MAD) menjadi rata-rata deviasi mutlak atas semua periode, seperti yang diungkapkan oleh

MAD dapat digunakan untuk memperkirakan standar deviasi dari komponen acak dengan asumsi bahwa komponen acak terdistribusi normal. Dalam hal ini standar deviasi dari komponen acak

Kami kemudian memperkirakan bahwa rata-rata komponen random adalah 0, dan standar deviasi dari komponen acak permintaans. MAD adalah ukuran yang lebih baik dari kesalahan daripada MSE jika kesalahan perkiraan tidak memiliki distribusi simetris. Bahkan ketika distribusi kesalahan simetris, MAD adalah pilihan yang tepat ketika memilih metode peramalan jika biaya kesalahan perkiraan sebanding dengan ukuran kesalahan.

Itu mean absolute percentage error (MAPE) adalah rata-rata kesalahan mutlak sebagai persentase dari permintaan dan diberikan oleh

MAPE merupakan ukuran yang baik dari kesalahan perkiraan saat yang mendasari perkiraan memiliki musim yang signifikan dan permintaan bervariasi dari satu periode ke periode berikutnya. Metode 1 hasil perkiraan kesalahan dari 190, 200, 245, dan 180; Metode 2 hasil perkiraan kesalahan dari 100, 120, 500, dan 100 lebih empat kuartal. Metode 1 memiliki MSE lebih rendah dan relatif MAD ke metode 2 dan akan lebih disukai jika salah kriteria yang digunakan. Jika permintaan sangat musiman, namun, dan rata-rata 1.000, 1.200, 4.800, dan 1.100 dalam empat periode, Metode 2 hasil dalam MAPE dari 9,9 persen, sedangkan Metode 1 hasil dalam MAPE yang lebih tinggi, 14,3 persen. Dalam hal ini, dapat dikatakan bahwa Metode 2 harus lebih suka Metode 1.

Secara umum, salah satu kebutuhan metode untuk melacak dan mengendalikan metode peramalan. Salah satu pendekatan adalah dengan menggunakan jumlah kesalahan perkiraan untuk mengevaluasiBias, mana berikut ini berlaku:

Bias akan berfluktuasi di sekitar 0 jika kesalahan ini benar-benar acak dan tidak bias satu cara atau yang lain. Idealnya, jika kita merencanakan semua kesalahan, kemiringan garis lurus terbaik melewati harus 0.

Itu tracking signal (TS) adalah rasio bias dan MAD dan diberikan sebagai

Jika TS di setiap periode adalah di luar jangkauan {6, ini adalah sinyal bahwa ramalan adalah bias dan baik underforecasting (TS 6 -6) atau overforecasting (TS 7 +6). Hal ini bisa terjadi karena metode peramalan cacat atau pola permintaan yang telah bergeser. TS negatif mendeteksi bahwa metode peramalan secara konsisten meremehkan permintaan dan memberitahu manajer. Sinyal pelacakan juga bisa mendapatkan besar ketika permintaan tiba-tiba turun (seperti yang dilakukan untuk banyak industri pada tahun 2009) atau meningkat dengan jumlah yang signifikan, membuat data historis kurang relevan. McClain (1981) merekomendasikan metode “menurun alpha” bila menggunakan pemulusan eksponensial ketika smoothing mulai konstan besar (untuk memberikan bobot yang lebih besar data terakhir) tapi kemudian menurun dari waktu ke waktu. Jika kami bertujuan untuk meratakan konstan jangka panjang a = 1 – r, Pendekatan alpha menurun akan mulai dengan a0 = 1 dan ulang konstanta sebagai berikut:

 Dalam jangka panjang, smoothing konstan akan berkumpul untuk Sebuah = 1 – r dengan perkiraan menjadi lebih stabil dari waktu ke waktu.

7.7 Memilih Smoothing Konstan yang Terbaik

Yang dipilih memiliki dampak langsung pada kepekaan perkiraan data terakhir. Jika seorang manajer memiliki rasa yang baik dari pola permintaan yang mendasari, yang terbaik adalah menggunakan konstanta pemulusan yang tidak lebih besar dari 0,2.  Kami menggambarkan dampak dari memilih konstanta smoothing yang meminimalkan ukuran kesalahan yang berbeda dengan menggunakan data permintaan 10-periode ditampilkan dalam sel B3: B12 Gambar 7-5 (menyertai spreadsheetBab 7-Tahoe-garam dan lembar kerja Angka 7-5, 6). Tingkat awal diperkirakan menggunakan Persamaan 7.11 dan ditunjukkan pada sel C2. The konstanta pemulusanSebuah diperoleh dengan menggunakan Solver

 

Dengan meminimalkan MSE (sel F13) pada akhir 10 periode seperti yang ditunjukkan pada Gambar 7-5. Perkiraan yang ditunjukkan pada Gambar 7-5 menggunakan dihasilkan tersebutSebuah = 0,54 dan memberikan MSE = 2460, MAD = 42,5, dan MAPE= 2,1 persen.

Smooting konstanta juga dapat dipilih dengan menggunakan Solver dengan meminimalkan MAD atau MAPE pada akhir 10 periode. Pada Gambar 7-6, kami menunjukkan hasil dari meminimalkan MAD (G13 sel). Perkiraan dan kesalahan dengan yang dihasilkan tersebutSebuah = 0,32 ditunjukkan pada Gambar 7-6. Dalam hal ini, MSE meningkatkan ke 2570 (dibandingkan dengan 2460 pada Gambar 7-5), sedangkan MAD menurun ke 39,2 (dibandingkan dengan 42,5 pada Gambar 7-5) dan MAPE menurun menjadi 2,0 persen (dibandingkan dengan 2,1 persen pada Gambar 7-5). Perbedaan utama antara kedua perkiraan dalam Periode 9 (periode dengan kesalahan terbesar, ditampilkan di D11 sel), ketika meminimalkan MSE mengambil konstanta pemulusan yang mengurangi kesalahan besar, sedangkan meminimalkan MAD mengambil konstanta pemulusan yang memberikan bobot yang sama untuk mengurangi semua kesalahan bahkan jika kesalahan besar mendapatkan agak lebih besar.

7.8 Peramalan Permintaan pada Tahoe Salt

Contoh Tahoe Salt sebelumnya dalam dengan sejarah jual melalui permintaan dari pengecer, ditampilkan pada Tabel 7-1. Data permintaan juga ditampilkan dalam kolom B dari Gambar 7-7. Tahoe Salt sedang melakukan negosiasi kontrak dengan pemasok untuk empat kuartal antara kuartal kedua tahun 4 dan kuartal pertama Tahun 5.

Tim peramalan memutuskan untuk menerapkan setiap metode peramalan adaptif dibahas dalam bab ini untuk data historis. Tujuannya adalah untuk memilih metode peramalan yang paling tepat dan kemudian menggunakannya untuk meramalkan permintaan untuk empat kuartal berikutnya. Tim memutuskan untuk memilih metode peramalan didasarkan pada kesalahan yang terjadi ketika masing-masing metode yang digunakan pada 12 kuarter data permintaan historis.

Permintaan dalam hal ini jelas memiliki kedua tren dan musiman dalam komponen sistematis. Dengan demikian, tim awalnya mengharapkan Winter’s model untuk menghasilkan perkiraan yang terbaik.

Moving Average

Tim peramalan awalnya memutuskan untuk menguji empat periode rata-rata bergerak untuk peramalan. Semua perhitungan ditunjukkan pada Gambar 7-7 tim ini menggunakan Persamaan 7.9 untuk memperkirakan tingkat dan Persamaan 7.10 untuk meramalkan permintaan.

Seperti yang ditunjukkan oleh kolom K pada Gambar 7-7, TS baik dalam {6 range, yang menunjukkan bahwa ramalan menggunakan empat periode rata-rata bergerak tidak mengandung bias yang signifikan. Memang, bagaimanapun, memiliki MAD12 cukup besar dari 9719, dengan MAPE12 dari 49 persen. Dari Gambar 7-7, perhatikan bahwa

Jadi, dengan menggunakan rata-rata bergerak empat periode, perkiraan untuk Periode 13 melalui 16 (menggunakan Persamaan 7.10) diberikan oleh

Mengingat bahwa MAD12 adalah 9719, estimasi standar deviasi dari kesalahan peramalan, menggunakan empat periode rata-rata bergerak, 1.25* 9719 = 12.149. Dalam hal ini, standar deviasi dari kesalahan peramalan relatif cukup besar dengan ukuran perkiraan.

Simple Exponential Smoothing

Tim peramalan berikutnya menggunakan pendekatan pemulusan eksponensial sederhana, dengan Sebuah = 0,1, untuk meramalkan permintaan. Metode ini juga diuji pada 12/4 data historis. Menggunakan Persamaan 7.11, tim memperkirakan tingkat awal untuk Periode 0 menjadi permintaan rata-rata untuk Periode 1 sampai 12 (lihat Gambar 7-8).

Tingkat awal adalah rata-rata dari entri permintaan di sel B3 ke B14 pada Gambar 7-8 dan hasil dalam

Tim kemudian menggunakan Persamaan 7.12 untuk meramalkan permintaan untuk periode berikutnya. Perkiraan tingkat diperbarui setiap periode menggunakan Persamaan 7.13. Hasilnya ditunjukkan pada Gambar 7-8. Seperti yang ditunjukkan oleh TS, yang berkisar dari -1,38 ke 2,15, perkiraan menggunakan pemulusan eksponensial sederhana dengan = 0,1 tidak menunjukkan bias yang signifikan. Namun, ia memiliki MAD12 cukup besar dari 10.208, dengan MAPE12 dari 59 persen. Dari Gambar 7-8, perhatikan bahwa

Dengan demikian, perkiraan untuk empat kuartal berikutnya (menggunakan Persamaan 7.12) diberikan oleh

Dalam hal ini, MAD12 adalah 10.208 dan MAPE12 adalah 59 persen. Dengan demikian, estimasi standar deviasi dari kesalahan peramalan menggunakan pemulusan eksponensial sederhana adalah 1,25 * 10.208 = 12.760. Dalam hal ini, standar deviasi dari kesalahan peramalan relatif cukup besar dengan ukuran perkiraan.

Trend-Corrected Exponential Smoothing (Holt’s Model)

Tim selanjutnya menyelidiki penggunaan model Holt. Dalam hal ini, komponen sistematis

permintaan diberikan oleh

komponen sistematik permintaan = tingkat + tren

Tim berlaku metodologi dibahas sebelumnya. Sebagai langkah pertama, memperkirakan tingkat di Periode 0 dan tren awal. Seperti dijelaskan dalam Contoh 7-3, perkiraan ini diperoleh dengan menjalankan regresi linier antara permintaan, Dt, dan waktu, Masa t. Dari regresi dari data yang tersedia (lihat lembar kerja Holts-regresi), tim memperoleh berikut:

Dari 12/4 yang menuntut data yang tersedia (lihat lembar kerja Figure 7-9)

Mereka membuat ramalan menggunakan Persamaan 7.14, memperbarui tingkat menggunakan Persamaan 7.15, dan memperbarui tren menggunakan Persamaan 7.16. Hasilnya ditunjukkan pada Gambar 7-9. Seperti yang ditunjukkan oleh TS yang berkisar dari – 2,15-2,00, tren-dikoreksi pemulusan eksponensial dengan = 0,1 dan b = 0,2 tampaknya tidak signifikan berlebihan atau underforecast. Namun, ramalan memiliki MAD12 cukup besar dari 8836, dengan MAPE12 dari 52 persen. Dari Gambar 7-9, perhatikan bahwa

Dengan demikian, dengan menggunakan model Holt (Persamaan 7.14), perkiraan untuk empat periode berikutnya diberikan oleh

pengikut:

Dalam hal ini, MAD12 = 8836. Dengan demikian, estimasi standar deviasi dari kesalahan peramalan dengan menggunakan model Holt dengan = 0 0,1 dan b = 0 0,2 1.25 * 8, 836 = 11,0 45. Dalam hal ini, standar

deviasi kesalahan perkiraan relatif terhadap ukuran ramalan agak lebih kecil daripada itu

dengan dua metode sebelumnya. Namun, masih cukup besar.

Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)

Tim selanjutnya menyelidiki penggunaan model Winter untuk membuat ramalan. Sebagai langkah pertama, memperkirakan tingkat dan tren untuk Periode 0, dan faktor musiman untuk Periode 1 sampai p = 4. Kemudian, tim memperkirakan tingkat awal dan tren dengan menjalankan regresi antara permintaan deseasonalized dan waktu. Informasi ini digunakan untuk memperkirakan faktor musiman. Untuk data permintaan pada Gambar 7-2, seperti yang dibahas dalam Contoh 7-4, tim memperoleh berikut:

Kemudian menggunakan model Winter dengan = 0,05, b = 0,1, g = 0,1 untuk mendapatkan perkiraan. Semua perhitungan ditunjukkan pada Gambar 7-10 (lihat lembar kerja Gambar 7-10).

 

Tim membuat perkiraan menggunakan Persamaan 7.17, update tingkat menggunakan Persamaan 7.18, update tren menggunakan Persamaan 7.19, dan update faktor musiman menggunakan Persamaan 7.20.

Dalam hal ini, MAD dari 1469 dan MAPE dari 8 persen secara signifikan lebih rendah dari yang diperoleh dengan metode lainnya. Dari Gambar 7-10, perhatikan bahwa

L12 = 2 4791 T12 = 532 S13 = 0. 47 S14 = 0,68 S15 = 1,17 S16 = 1,67 Dengan menggunakan model Winter (Persamaan 7.17), perkiraan untuk empat periode berikutnya adalah

Dalam hal ini, MAD12 = 1.469. Dengan demikian, estimasi standar deviasi dari kesalahan peramalan dengan menggunakan model Winter dengan = 0,05, b = 0,1, dan g = 0,1 adalah 1,25 * 1,4 69 = 1836. Dalam hal ini, standar deviasi dari perkiraan kesalahan relatif terhadap perkiraan permintaan jauh lebih kecil daripada dengan metode lain. Tim mengkompilasi perkiraan kesalahan selama empat metode peramalan seperti yang ditunjukkan pada Tabel 7-2.

Berdasarkan informasi kesalahan pada Tabel 7-2, tim peramalan memutuskan untuk menggunakan model Winter. Hal ini tidak mengherankan bahwa hasil model Winter di paling akurat perkiraan, karena data permintaan memiliki kedua tren pertumbuhan serta musiman. Dengan menggunakan model Winter, tim memperkirakan berikut permintaan untuk empat kuartal mendatang:

Kuartal Kedua, Tahun 4: 11.902

Kuartal Ketiga, Tahun 4: 17.581

Kuartal Keempat, Tahun 4: 30.873

Kuartal Pertama, Tahun 5: 44.955

Standar deviasi dari kesalahan peramalan adalah 1.836.

7.9 Peran IT dalam Peramalan

Sebuah paket peramalan yang baik memberikan perkiraan di berbagai macam produk yang diperbarui secara real time dengan memasukkan informasi permintaan baru. Hal ini membantu perusahaan merespon dengan cepat terhadap perubahan pasar dan menghindari biaya reaksi tertunda. Sebagai perencanaan permintaan nama menyarankan, modul-modul ini memfasilitasi pembentukan permintaan. modul perencanaan permintaan yang baik berisi alat untuk melakukan apa jika analisis mengenai dampak potensi perubahan harga pada permintaan. Alat-alat ini membantu menganalisis dampak dari promosi pada permintaan dan dapat digunakan untuk menentukan tingkat dan waktu promosi.

Perkembangan penting adalah penggunaan permintaan berkorelasi data (misalnya harga, cuaca, pembelian lainnya, data sosial) untuk meningkatkan akurasi perkiraan atau, dalam beberapa kasus, memacu permintaan. Perlu diingat bahwa tidak satupun dari alat ini adalah sangat mudah. Perkiraan hampir selalu akurat. Sebuah sistem IT yang baik akan membantu melacak kesalahan perkiraan sejarah sehingga mereka dapat dimasukkan ke dalam keputusan masa depan. Sebuah ramalan yang terstruktur, bersama dengan ukuran kesalahan, secara signifikan dapat meningkatkan pengambilan keputusan. Bahkan dengan semua alat-alat canggih ini, kadang-kadang lebih baik untuk mengandalkan intuisi manusia dalam peramalan.

7.10 Peramalan dalam Praktek

Berkolaborasi dalam perkiraan pembangunan.

Kolaborasi dengan mitra rantai suplai seseorang sering dapat membuat perkiraan yang lebih akurat. Dibutuhkan investasi waktu dan usaha untuk membangun hubungan dengan mitra seseorang untuk mulai berbagi informasi dan menciptakan perkiraan kolaboratif. Namun, manfaat rantai pasokan kolaborasi sering urutan besarnya lebih besar dari biaya. Akibatnya, perusahaan harus bertujuan untuk menempatkan penjualan dan operasi proses di tempat berencana yang menyatukan penjualan dan operasi fungsi ketika merencanakan.

Berbagi hanya data yang benar-benar memberikan nilai. 

Nilai data tergantung pada di mana satu duduk dalam rantai pasokan. Namun, penjualan produsen ke distributor yang, pada gilirannya, menjual ke pengecer tidak perlu semua point-of-sale rinci. Menjaga data bersama dengan apa yang benar-benar diperlukan berkurang investasi di IT dan meningkatkan kemungkinan kolaborasi sukses.

Pastikan untuk membedakan antara permintaan dan penjualan

Seringkali, perusahaan membuat kesalahan dengan melihat penjualan sejarah dan dengan asumsi bahwa ini adalah apa permintaan sejarah itu. Untuk mendapatkan permintaan benar, namun, penyesuaian perlu dibuat untuk permintaan yang belum terpenuhi karena stockouts, tindakan pesaing, harga, dan promosi. Kegagalan untuk melakukannya menghasilkan perkiraan yang tidak mewakili realitas saat ini.

Merancang Jaringan Rantai Pasokan Global

6.1 Dampak Globalisasi di Jaringan Rantai Pasokan

Globalisasi menawarkan perusahaan kesempatan untuk secara bersamaan meningkatkan pendapatan dan mengurangi biaya. Peluang dari globalisasi sering disertai dengan risiko tambahan yang signifikan. Kemampuan untuk menggabungkan mitigasi risiko yang sesuai ke dalam desain rantai pasokan sering menjadi perbedaan antara rantai pasokan global yang telah berhasil dan yang belum. Survei Accenture dikategorikan risiko dalam rantai pasokan global, seperti yang ditunjukkan pada Tabel 6-1, dan meminta responden untuk menunjukkan faktor-faktor yang mempengaruhi mereka.

Jika harga dan permintaan lakukan bervariasi dari waktu ke waktu di jaringan global, kapasitas produksi yang fleksibel dapat dikonfigurasi ulang untuk memaksimalkan keuntungan dalam lingkungan yang baru. Salah satu manfaat utama dari fleksibilitas adalah bahwa hal itu memungkinkan untuk bereaksi terhadap fluktuasi permintaan, nilai tukar, dan harga lokal dengan mengubah produksi untuk memaksimalkan keuntungan.

6.2 Offshoring Keputusan: Total Biaya

Pentingnya ini dari keunggulan komparatif dalam rantai pasokan global diakui oleh Adam Smith dalam The Wealth of Nations ketika ia menyatakan, “Jika negara asing dapat memasok kami dengan komoditas lebih murah daripada kita sendiri bisa membuatnya, lebih baik membeli dari mereka dengan beberapa bagian dari hasil industri kita sendiri, bekerja dengan cara di mana memiliki beberapa keuntungan”. Pengurangan biaya dengan memindahkan produksi ke negara-negara murah biasanya disebutkan salah satu alasan utama untuk rantai pasokan untuk menjadi global. Tantangannya, bagaimanapun, adalah untuk mengukur manfaat (atau keunggulan komparatif) produksi lepas pantai bersama dengan alasan keunggulan komparatif ini.

Perusahaan telah gagal untuk mendapatkan dari offshoring untuk dua alasan utama: (1) memfokuskan secara eksklusif pada unit biaya daripada total biaya ketika membuat keputusan offshoring dan (2) mengabaikan faktor risiko penting. Hal ini penting untuk diingat bahwa rantai pasokan global dengan offshoring meningkatkan panjang dan durasi informasi, produk, dan arus kas. Akibatnya, kompleksitas dan biaya pengelolaan rantai pasokan dapat secara signifikan lebih tinggi daripada yang diantisipasi. Tabel 6-2 mengidentifikasi dimensi sepanjang yang masing-masing tiga arus harus dianalisis untuk dampak biaya dan ketersediaan produk.

Ferreira dan Prokopets (2009) menunjukkan bahwa perusahaan harus mengevaluasi dampak dari offshoring pada elemen kunci berikut total biaya:

1. Harga Supplier: harus link ke biaya dari bahan baku langsung, tenaga kerja langsung, tenaga kerja tidak langsung, manajemen, overhead, amortisasi modal, pajak daerah, biaya produksi, dan lokal biaya kepatuhan terhadap peraturan.

2. Syarat: biaya dipengaruhi oleh syarat pembayaran bersih dan setiap diskon volume.

3. Biaya pengiriman: termasuk transportasi di negara, laut/angkutan udara, angkutan ke tujuan, dan kemasan.

4. Persediaan dan pergudangan: termasuk persediaan di pabrik, penanganan dipabrik, biaya gudang pabrik, persediaan rantai pasokan, dan biaya rantai pasokan pergudangan.

5. Biaya kualitas: meliputi biaya validasi, biaya penurunan kinerja karena kualitas buruk, dan biaya obat tambahan untuk memerangi penurunan kualitas.

6. tugas pelanggan, pajak pertambahan nilai, insentif pajak daerah.

7. Biaya risiko, staf pengadaan, biaya broker, infrastruktur (TI dan fasilitas), dan perkakas dan cetakan biaya.

8. Kurs tren dan dampaknya terhadap biaya.

Hal ini penting untuk mengukur faktor-faktor dengan hati-hati ketika membuat keputusan offshoring dan melacak mereka dari waktu ke waktu. Seperti yang ditunjukkan Tabel 6-2, pengurangan biaya satuan dari tenaga kerja yang rendah dan biaya tetap, bersama dengan keuntungan pajak mungkin, cenderung menjadi manfaat utama dari offshoring, dengan hampir setiap faktor lain yang negatif. Manfaat dari biaya tenaga kerja lebih rendah, bagaimanapun, tidak mungkin menjadi signifikan untuk produk manufaktur jika biaya tenaga kerja adalah sebagian kecil dari total biaya. Secara umum, offshoring ke negara-negara murah adalah paling menarik untuk produk dengan kandungan tinggi tenaga kerja, volume produksi yang besar, variasi relatif rendah, dan biaya transportasi yang rendah relatif terhadap nilai produk.

Mengingat bahwa sumber global cenderung meningkatkan biaya transportasi, penting untuk fokus pada mengurangi konten transportasi untuk sukses sumber global. Salah satu tantangan terbesar dengan offshoring adalah peningkatan risiko dan dampak biaya potensial. Tantangan ini diperparah jika perusahaan menggunakan lokasi lepas pantai yang terutama menargetkan biaya rendah untuk menyerap semua ketidakpastian dalam rantai pasokan.

6.3 Manajemen Risiko dalam Jaringan Rantai Pasokan

Rantai pasokan global memiliki faktor risiko lebih dari rantai pasokan lokal dari masa lalu. Ini termasuk resiko gangguan pasokan, tersendatnya pasokan, fluktuasi permintaan, fluktuasi harga, dan fluktuasi nilai tukar. Tabel 6-3 berisi kategorisasi risiko rantai pasokan dan driver mereka yang harus diperhatikan selama desain jaringan. Setiap strategi mitigasi datang dengan harga serta dapat meningkatkan risiko lainnya.

Misalnya, meningkatkan persediaan meringankan risiko penundaan tetapi meningkatkan risiko usang. Dengan demikian, penting untuk mengembangkan strategi mitigasi disesuaikan selama desain jaringan yang mencapai keseimbangan yang baik antara jumlah risiko dimitigasi dan kenaikan biaya. Beberapa strategi mitigasi disesuaikan diuraikan pada Tabel 6-4. rantai pasokan global umumnya harus menggunakan kombinasi strategi mitigasi dirancang ke dalam rantai pasokan bersama dengan strategi keuangan untuk melindungi risiko terungkap.

Sebuah strategi rantai pasokan global berfokus pada efisiensi dan biaya rendah dapat berkonsentrasi produksi global di negara-negara murah sedikit. Sebaliknya, rantai pasokan global dirancang dengan kelebihan, kapasitas yang fleksibel memungkinkan produksi dialihkan ke lokasi apa pun yang paling efektif dalam himpunan kondisi ekonomi makro.

Pada bagian berikut, kita akan membahas metodologi yang memungkinkan untuk evaluasi keuangan strategi mitigasi risiko dirancang ke rantai pasokan global.

Fleksibilitas, Chaining, dan Kendali

Fleksibilitas memainkan peran penting dalam mengurangi risiko dan ketidakpastian yang dihadapi oleh rantai pasokan global yang berbeda. Fleksibilitas dapat dibagi menjadi tiga  fleksibilitas kategori yaitu produk baru, fleksibilitas campuran, dan fleksibilitas volume.

Fleksibilitas produk baru mengacu pada kemampuan perusahaan untuk memperkenalkan produk baru ke pasar pada tingkat yang cepat. Fleksibilitas produk baru sangat penting dalam lingkungan yang kompetitif dimana perkembangan teknologi dan permintaan pelanggan berubah-ubah. Tujuannya menyediakan sejumlah besar model yang berbeda menggunakan sebagai beberapa platform unik mungkin. Pendekatan ini telah digunakan dalam industri farmasi, di mana sebagian kecil dari kapasitas sangat fleksibel dengan semua produk baru pertama kali diproduksi di sana. Hanya sekali produk lepas landas itu pindah ke kapasitas khusus dengan biaya variabel yang lebih rendah.

Fleksibilitas Campuran mengacu pada kemampuan untuk menghasilkan berbagai produk dalam waktu singkat. Fleksibilitas campuran sangat penting dalam suatu lingkungan di mana permintaan untuk produk individu kecil atau sangat tak terduga, pasokan bahan baku tidak pasti, dan teknologi berkembang pesat. Industri elektronik konsumen adalah contoh yang baik untuk yang fleksibilitas campuran sangat penting dalam lingkungan produksi, terutama karena produksi yang lebih telah pindah ke kontrak produsen. desain modular dan komponen umum memfasilitasi campuran fleksibilitas. Fasilitas Eropa Zara memiliki fleksibilitas campuran signifikan, yang memungkinkan perusahaan untuk menyediakan pakaian trendi dengan permintaan yang sangat tak terduga.

Fleksibilitas Volume mengacu pada kemampuan perusahaan untuk beroperasi secara menguntungkan pada tingkat keluaran yang berbeda. Fleksibilitas Volume sangat penting dalam industri siklis. Mengingat bahwa beberapa bentuk fleksibilitas sering digunakan untuk mengurangi risiko dalam rantai pasokan global, adalah penting untuk memahami manfaat dan keterbatasan dari pendekatan ini. Ketika berhadapan dengan ketidakpastian permintaan, Jordan dan Graves (1995) membuat pengamatan penting bahwa fleksibilitas meningkat, manfaat marjinal berasal dari fleksibilitas meningkat menurun. Mereka menyarankan operasionalisasi gagasan ini dalam konsep chaining, yang diilustrasikan sebagai berikut.

Sebuah jaringan pasokan khusus tanpa fleksibilitas akan memiliki empat pabrik, masing-masing didedikasikan untuk memproduksi satu produk, seperti yang ditunjukkan pada Figure 6-1. Jordan dan Graves mendefinisikan jaringan dirantai dengan satu rantai panjang (fleksibilitas yang terbatas), dikonfigurasi seperti yang ditunjukkan pada Figure 6-1

Mengingat biaya yang lebih tinggi dari fleksibilitas penuh, hasil Jordan dan Graves menunjukkan bahwa chaining merupakan strategi yang sangat baik untuk menurunkan biaya sambil mendapatkan sebagian besar manfaat dari fleksibilitas. panjang yang diinginkan rantai merupakan pertanyaan penting yang harus ditangani saat merancang jaringan dirantai.

6.4 Arus Kas Diskon

keputusan rantai pasokan global desain harus dievaluasi sebagai urutan arus kas selama durasi waktu mereka akan berada di tempat.

Arus kas diskonto (DCF) analisis mengevaluasi nilai sekarang dari setiap aliran arus kas masa depan dan memungkinkan manajemen untuk membandingkan dua aliran arus kas dalam hal nilai keuangan mereka. Analisis DCF didasarkan pada premis mendasar bahwa “satu dolar saat ini bernilai lebih dari satu dolar besok” karena dolar hari ini dapat diinvestasikan dan mendapatkan kembali di samping dolar yang diinvestasikan.

Jika dolar hari ini dapat diinvestasikan dan mendapatkan tingkat pengembalian k selama periode berikutnya, investasi $1 hari ini akan menghasilkan 1+k dolar pada periode berikutnya. Investor memperoleh $1 pada periode berikutnya atau $1> (1+k) pada periode berjalan. Dengan $1 berikutnya seperti berikut:

Tingkat pengembalian k juga disebut sebagai tingkat diskonto, tingkat rintangan, atau biaya peluang modal. Mengingat aliran arus kas C0, C1, …, CT selama masa T berikutnya, dan tingkat pengembalian k, bersih nilai sekarang (NPV) dari arus arus kas ini diberikan oleh

NPV pilihan yang berbeda harus dibandingkan saat membuat keputusan rantai pasokan. Sebuah NPV negatif untuk pilihan menunjukkan bahwa pilihan akan kehilangan uang untuk rantai pasokan. Keputusan dengan NPV tertinggi akan memberikan rantai pasokan dengan kembalinya keuangan tertinggi.

Contoh 6-1

Perjalanan logistik, sebuah perusahaan logistik pihak ketiga yang menyediakan pergudangan dan logistik lainnya jasa, sedang menghadapi keputusan mengenai jumlah ruang untuk sewa untuk periode tiga tahun mendatang. General manager telah meramalkan bahwa perjalanan logistik akan perlu untuk menangani permintaan dari 100.000 unit untuk masing-masing tiga tahun ke depan. Secara historis, perjalanan logistik telah diperlukan 1.000 kaki persegi ruang gudang untuk setiap 1.000 unit permintaan. Untuk tujuan diskusi ini, satu-satunya biaya perjalanan logistik menghadapi adalah biaya untuk gudang. Perjalanan Logistik menerima pendapatan sebesar $1,22 untuk setiap unit permintaan. General manager harus memutuskan apakah akan menandatangani kontrak tiga tahun atau memperoleh ruang pergudangan di pasar spot setiap tahun. Sewa tiga tahun akan dikenakan biaya $1 per kaki persegi per tahun, dan tingkat pasar spot diharapkan menjadi $1. 20 per kaki persegi per tahun untuk masing-masing tiga tahun. Trips Logistik memiliki tingkat diskon dari k = 0,1.

Analisis

General manager memutuskan untuk membandingkan NPV penandatanganan sewa tiga tahun untuk 100.000 kaki persegi ruang gudang dengan mendapatkan ruang dari pasar spot setiap tahun. Jika manajer umum memperoleh ruang pergudangan dari pasar spot setiap tahun, Trips Logistik akan mendapatkan $1,22 untuk setiap unit dan membayar $1,20 untuk satu kaki persegi ruang gudang yang diperlukan. laba tahunan yang diharapkan untuk Perjalanan Logistik dalam hal ini diberikan dengan mengikuti:

Mendapatkan ruang gudang dari pasar spot menyediakan Trips logistik dengan arus kas positif diharapkan dari $2.000 di masing-masing tiga tahun. NPV dapat dievaluasi sebagai berikut:

Jika manajer umum sewa 100.000 kaki persegi ruang gudang untuk tiga tahun ke depan. Perjalanan logistik membayar $1 per kaki persegi ruang disewakan setiap tahun. laba tahunan yang diharapkan untuk Perjalanan Logistik dalam hal ini diberikan sebagai berikut:

Menandatangani kontrak selama tiga tahun menyediakan Trips Logistik dengan arus kas positif dari $22.000 di masing-masing tiga tahun. NPV dapat dievaluasi sebagai NPV penandatanganan sewa adalah

NPV = $60.182 – $5.471 = $54.711 lebih tinggi dari memperoleh ruang pergudangan di pasar spot.

Berdasarkan analisis sederhana ini, manajer dapat memilih untuk menandatangani sewa. Namun, ini tidak menceritakan seluruh kisah karena kita belum termasuk ketidakpastian harga spot dan menghargai fleksibilitas yang lebih besar untuk menyesuaikan diri dengan ketidakpastian bahwa pasar spot menyediakan manajer.

6.5 Mengevaluasi Desain Jaringan Keputusan Menggunakan Pohon Keputusan

Dalam setiap rantai pasokan global, permintaan, harga, nilai tukar, dan beberapa faktor lain yang tidak pasti dan cenderung berfluktuasi selama hidup setiap keputusan rantai pasokan. Seorang manajer membuat beberapa keputusan yang berbeda ketika merancang jaringan rantai pasokan. Contohnya:

• Harus perusahaan menandatangani kontrak jangka panjang untuk ruang pergudangan atau mendapatkan ruang dari pasar spot yang diperlukan?

• Apa yang harus campuran perusahaan jangka panjang dan pasar spot berada di portofolio kapasitas transportasi?

• Berapa kapasitas seharusnya berbagai fasilitas miliki? Apa sebagian kecil dari kapasitas ini harus fleksibel?

Pada bagian ini, saya akan menjelaskan metodologi tersebut dan menunjukkan bahwa akuntansi untuk ketidakpastian dapat memiliki dampak yang signifikan pada nilai keputusan desain jaringan.

Dasar-dasar Analisis Pohon Keputusan

Sebuah pohon keputusan adalah perangkat grafis yang digunakan untuk mengevaluasi keputusan di bawah ketidakpastian. pohon keputusan dengan DCFs dapat digunakan untuk mengevaluasi keputusan desain rantai pasokan yang diberikan ketidakpastian harga, permintaan, nilai tukar, dan inflasi. Langkah pertama dalam mendirikan sebuah pohon keputusan adalah untuk mengidentifikasi jumlah periode waktu ke masa depan yang akan dipertimbangkan ketika membuat keputusan. Durasi periode seharusnya jangka waktu minimum waktu di mana faktor-faktor yang mempengaruhi keputusan rantai pasokan dapat berubah dengan jumlah yang signifikan. Dalam diskusi berikut, T akan mewakili jumlah periode waktu yang lebih dari keputusan rantai suplai adalah untuk dievaluasi.

Langkah berikutnya adalah untuk mengidentifikasi faktor-faktor yang akan mempengaruhi nilai keputusan dan cenderung berfluktuasi selama periode T berikutnya. Faktor-faktor ini termasuk permintaan, harga, nilai tukar, dan inflasi, antara lain. Langkah berikutnya adalah untuk mengidentifikasi periodik tingkat diskonto k yang akan diterapkan untuk arus kas masa depan. Hal ini tidak penting bahwa tingkat diskonto yang sama berlaku untuk setiap periode atau bahkan pada setiap node dalam suatu periode.

Tingkat diskonto harus memperhitungkan risiko yang melekat terkait dengan investasi. Secara umum, tingkat diskonto yang lebih tinggi harus berlaku untuk investasi dengan risiko yang lebih tinggi. Keputusan ini sekarang dievaluasi dengan menggunakan pohon keputusan, yang berisi periode sekarang dan T masa depan. Dalam setiap periode, node harus didefinisikan untuk setiap kemungkinan kombinasi nilai-nilai faktor (katakanlah, permintaan dan harga) yang dapat dicapai. Arrows diambil dari node asal Masa saya untuk mengakhiri node di Masa i + 1. Probabilitas pada panah disebut sebagai probabilitas transisi dan probabilitas transisi dari node asal Masa i ke node akhir di Masa i + 1. pohon keputusan dievaluasi mulai dari node di masa T dan bekerja kembali ke masa 0. untuk setiap node, keputusan dioptimalkan, dengan current account dan nilai-nilai masa depan berbagai faktor.

Analisis ini didasarkan pada prinsip Bellman, yang menyatakan bahwa untuk setiap pilihan strategi dalam keadaan tertentu, strategi yang optimal pada periode berikutnya adalah salah satu yang dipilih jika seluruh analisis diasumsikan dimulai pada periode berikutnya. Prinsip ini memungkinkan strategi yang optimal untuk dipecahkan secara mundur mulai dari periode terakhir. Diharapkan arus kas masa depan didiskontokan kembali dan termasuk dalam keputusan saat ini sedang dipertimbangkan. Nilai node di masa 0 memberikan nilai investasi, serta keputusan yang dibuat selama setiap periode waktu. (Alat seperti Treeplan yang tersedia yang membantu memecahkan pohon keputusan pada spreadsheet.)

Metodologi analisis pohon keputusan diringkas sebagai berikut:

1. Mengidentifikasi durasi setiap periode (bulan, kuartal, dll) dan jumlah periode T di mana keputusan harus dievaluasi.

2. Mengidentifikasi faktor-faktor seperti permintaan, harga, dan nilai tukar yang fluktuatif akan dipertimbangkan selama masa T berikutnya.

3. Mengidentifikasi representasi ketidakpastian untuk setiap faktor; yaitu, menentukan apa distribusi menggunakan model ketidakpastian.

4. Mengidentifikasi periodik tingkat diskonto k untuk setiap periode.

5. Mewakili pohon keputusan dengan negara-negara didefinisikan dalam setiap periode, serta probabilitas transisi antara negara-negara dalam periode berturut-turut.

6. Mulai dari periode T, bekerja kembali untuk periode 0, mengidentifikasi keputusan yang optimal dan arus kas yang diharapkan di setiap langkah. arus kas yang diharapkan pada masing-masing negara dalam suatu periode tertentu harus didiskontokan kembali ketika termasuk dalam periode sebelumnya.

Mengevaluasi Fleksibilitas pada Perjalanan Logistik

Sewa jangka panjang lebih murah tapi ruang bisa tidak terpakai jika permintaan lebih rendah daripada yang diantisipasi. Sewa jangka panjang juga dapat berakhir menjadi lebih mahal jika harga pasar spot masa depan turun. Manajer sedang mempertimbangkan tiga pilihan:

1. Dapatkan semua ruang pergudangan dari pasar spot yang diperlukan.

2. Menandatangani sewa tiga tahun untuk jumlah yang tetap dari ruang gudang dan persyaratan tambahan dari pasar spot.

3. Menandatangani sewa yang fleksibel dengan biaya minimum yang memungkinkan penggunaan variabel ruang gudang hingga batas, dengan persyaratan tambahan dari pasar spot.

Seribu kaki persegi ruang gudang diperlukan untuk setiap 1.000 unit permintaan, dan permintaan saat perjalanan logistik adalah untuk 100.000 unit per tahun. Manajer memperkirakan bahwa dari satu tahun ke tahun berikutnya, permintaan bisa naik sebesar 20 persen, dengan probabilitas 0,5, atau turun sebesar 20 persen, dengan probabilitas 0,5. Dari satu tahun ke tahun berikutnya, harga spot untuk ruang gudang dapat naik sebesar 10 persen, dengan probabilitas 0,5, atau turun sebesar 10 persen, dengan probabilitas 0,5.

Manajer umum percaya bahwa harga dari ruang gudang dan permintaan untuk produk berfluktuasi secara mandiri. Setiap unit perjalanan logistik menangani hasil pendapatan dari $1,22, dan perjalanan logistik berkomitmen untuk menangani semua permintaan yang muncul. Perjalanan Logistik menggunakan tingkat diskonto dari k = 0,1 untuk masing-masing tiga tahun. Manajer umum mengasumsikan bahwa semua biaya yang dikeluarkan pada awal setiap tahun dan dengan demikian membangun sebuah pohon keputusan dengan T = 2. pohon keputusan ditunjukkan pada Figure 6-2, dengan setiap node mewakili permintaan (D) dalam ribuan unit dan harga (p) dalam dolar. Probabilitas setiap transisi adalah 0,5 3 0,5 5 0,25 karena harga dan permintaan berfluktuasi secara independen.

Mengevaluasi Pilihan Spot Market

Menggunakan pohon keputusan pada Figure 6-2, manajer pertama menganalisa pilihan untuk tidak menandatangani kontrak dan mendapatkan semua ruang gudang dari pasar spot. Dia mulai dengan Periode 2 dan evaluatesthe keuntungan bagi perjalanan Logistik di setiap node.

 

Pada node D = 144, p = $ 1,45, Perjalanan Logistik harus memenuhi permintaan dari 144.000 dan menghadapi harga spot $ 1,45 per kaki persegi untuk ruang gudang di Masa 2. Biaya yang dikeluarkan oleh perjalanan logistik di Periode 2 pada node D = 144, p = $ 1,45 diwakili oleh C (D = 144, p = 1,45, 2) dan diberikan oleh

Keuntungan dari perjalanan logistik pada setiap node D = 144, p = $ 1,45 seperti berikut:

Keuntungan bagi perjalanan logistik di masing-masing node lain dalam Periode 2 dievaluasi sama, seperti yang ditunjukkan pada Tabel 6-5. Manajer berikutnya mengevaluasi keuntungan yang diharapkan pada setiap node dalam Periode 1 menjadi laba selama periode 1 ditambah dengan nilai kini (dalam Periode 1) dari keuntungan yang diharapkan dalam Periode 2. diharapkan keuntungan EP (D =, p =, 1) di node adalah keuntungan yang diharapkan atas semua empat node di Periode 2 yang mungkin timbul dari node ini. PVEP (D =, p =, 1) merupakan nilai kini dari keuntungan yang diharapkan ini; P (D =, p =, 1), total keuntungan yang diharapkan, adalah jumlah dari laba di periode 1 dan nilai sekarang dari keuntungan yang diharapkan dalam Periode 2. Dari node D = 120, p = $ 1,32 di Periode 1, ada empat negara mungkin dalam Periode 2. manajer demikian mengevaluasi keuntungan yang diharapkan dalam Periode 2 atas semua empat negara mungkin dari node D = 120, p = 1.32,1), dimana:

Nilai sekarang dari nilai yang diharapkan ini di Periode 1 diberikan oleh

Manajer memperoleh total keuntungan yang diharapkan P (D = 120, p = 1,32, 1) pada node D = 120, p = 1,32 di Periode 1 menjadi jumlah dari laba di periode 1 di node ini dan nilai sekarang dari masa depan keuntungan yang diharapkan.

Keuntungan yang diharapkan total untuk semua node lain dalam Periode 1 dievaluasi seperti yang ditunjukkan pada Tabel 6-6. Untuk Periode 0, total laba P (D = 100, p = 1,20, 0) adalah jumlah keuntungan di Periode 0 dan nilai sekarang dari keuntungan yang diharapkan selama empat node dalam Periode 1.

Dengan demikian, NPV diharapkan tidak menandatangani sewa dan mendapatkan semua ruang pergudangan dari pasar spot

Mengevaluasi Pilihan Sewa Tetap

Manajer berikutnya mengevaluasi alternatif dimana sewa untuk 100.000 sq. ft. ruang gudang ditandatangani. Prosedur evaluasi ini sangat mirip dengan yang untuk kasus sebelumnya, tapi hasilnya perubahan dalam hal keuntungan. Sebagai contoh, di node D = 144, p = 1,45, manajer akan membutuhkan 44.000 kaki persegi ruang gudang dari pasar spot pada $ 1,45 per kaki persegi karena hanya 100.000 kaki persegi telah disewakan pada $ 1 per kaki persegi. Jika permintaan terjadi menjadi kurang dari 100.000 unit, perjalanan logistik masih harus membayar untuk seluruh 100.000 kaki persegi ruang disewakan. Untuk Periode 2, manajer memperoleh keuntungan di masing-masing sembilan node, seperti yang ditunjukkan pada Tabel 6-7.

Manajer berikutnya mengevaluasi total keuntungan yang diharapkan untuk setiap node di Masa 1. Sekali lagi, diharapkan keuntungan EP (D =, p =, 1) pada node adalah keuntungan yang diharapkan dari semua empat node di Periode 2 yang mungkin timbul dari node ini (lihat Figure 6-2), dan P (D =, p =, 1) adalah total keuntungan yang diharapkan dari kedua Periode 1 dan 2. manajer sehingga memperoleh hasil pada Tabel 6-8. Untuk Periode 0, keuntungan EP diharapkan (D = 100, p = 1,20, 0) selama empat node dalam Periode 1 diberikan oleh

Nilai sekarang dari keuntungan yang diharapkan dalam Periode 0 diberikan oleh

Total keuntungan yang diharapkan diperoleh sebagai jumlah dari keuntungan di Masa 0 dan nilai sekarang dari keuntungan yang diharapkan atas semua empat node di Masa 1. Hal ini

 

NPV dari penandatanganan sewa tiga tahun untuk 100.000 sq. Ft. Dari ruang gudang demikian

Mengamati bahwa NPV dari opsi sewa di bawah ketidakpastian lebih sedikit dibandingkan dengan ketika ketidakpastian diabaikan ($ 60.182 dari Contoh 6-1). Hal ini karena sewa adalah tetap keputusan, dan perjalanan Logistik tidak dapat bereaksi terhadap kondisi pasar dengan leasing sedikit ruang jika permintaan lebih rendah. kontrak yang kaku kurang menarik di hadapan ketidakpastian.

 

Mengevaluasi Pilihan Sewa Fleksibel

Manager umum di perjalanan logistik telah ditawari kontrak di mana, untuk pembayaran dimuka sebesar $ 10.000, Perjalanan Logistik akan memiliki fleksibilitas untuk menggunakan antara 60.000 kaki persegi dan 100.000 kaki persegi ruang gudang di $ 1 per kaki persegi per tahun. Perjalanan Logistik harus membayar $ 60.000 per tahun untuk pertama 60.000 kaki persegi dan kemudian dapat menggunakan hingga 40.000 kaki persegi pada permintaan pada $ 1 per kaki persegi. General manager memutuskan untuk menggunakan pohon keputusan untuk mengevaluasi apakah kontrak yang fleksibel ini adalah lebih baik untuk kontrak tetap untuk 100.000 kaki persegi.

Yang mendasari pohon keputusan untuk mengevaluasi kontrak fleksibel adalah persis seperti pada Figure 6-2. Keuntungan di setiap node, bagaimanapun, perubahan karena fleksibilitas dalam ruang yang digunakan seperti yang ditunjukkan pada Tabel 6-9. Jika permintaan lebih besar dari 100.000 unit, perjalanan logistik menggunakan semua 100.000 kaki persegi ruang gudang di $1 dan mendapatkan sisanya di harga spot. Jika permintaan antara 60.000 dan 100.000 unit, Perjalanan Logistik menggunakan dan membayar $1 hanya untuk jumlah yang tepat dari ruang gudang yang diperlukan. Keuntungan di semua node di mana permintaan 100.000 atau lebih tinggi tetap sama seperti pada Tabel 6-7. Laba di Periode 2 pada semua node di mana permintaan kurang dari 100.000 unit meningkat seperti yang ditunjukkan pada Tabel 6-9. Keuntungan yang diharapkan total dalam periode 0 adalah jumlah dari laba di periode 0 dan nilai sekarang dari keuntungan yang diharapkan dalam Periode 1. Manajer demikian Raih

 

General manager mengevaluasi berharap keuntungan EP (D =, p =, 1) dari Periode 2 dan total keuntungan yang diharapkan untuk setiap node di Periode 1, seperti yang dibahas sebelumnya. Hasilnya ditunjukkan pada tabel 6-10.

Dengan pembayaran dimuka sebesar $10.000, laba bersih diharapkan adalah $46.545 di bawah sewa yang fleksibel. Akuntansi untuk ketidakpastian, manajer di perjalanan logistik nilai tiga opsi seperti yang ditunjukkan pada tabel 6-11.

Kontrak fleksibel sehingga bermanfaat bagi perjalanan logistik karena $8181 lebih berharga

dari kontrak yang kaku selama tiga tahun.

6.6 Untuk Onshore atau Offshore: Evaluasi Pasokan Global

Keputusan desain rantai dalam ketidakpastian D-Solar menjual produknya terutama di Eropa. Permintaan di pasar Eropa saat ini 100.000 panel per tahun, dan masing-masing panel dijual seharga € 70. Meskipun permintaan panel diharapkan tumbuh, ada beberapa risiko downside jika perekonomian slide. Dari satu tahun ke tahun berikutnya, permintaan akan naik 20 persen, dengan probabilitas 0,8, atau menurun 20 persen, dengan probabilitas 0,2. D-Solar harus memutuskan apakah akan membangun pabrik di Eropa atau Cina. Dalam kedua kasus, D-Solar berencana untuk membangun pabrik dengan kapasitas dinilai dari 120.000 panel. Biaya tetap dan variabel dari dua pabrik ditunjukkan pada Tabel 6-12. Mengamati bahwa biaya tetap diberikan per tahun bukan sebagai investasi satu kali. Pabrik Eropa lebih mahal tapi juga akan memiliki fleksibilitas volume yang lebih besar.

 

Pabrik akan dapat menambah atau mengurangi produksi di mana saja di kisaran 60.000 hingga 150.000 panel sambil mempertahankan biaya variabel nya. Sebaliknya, pabrik Cina lebih murah (dengan kurs saat ini 9 yuan/euro) tapi akan memiliki fleksibilitas volume yang terbatas dan dapat menghasilkan hanya antara 100.000 dan 130.000 panel. Jika pabrik Cina dibangun, D-Solar harus mengeluarkan biaya variabel untuk 100.000 panel bahkan jika permintaan turun di bawah tingkat itu dan akan kehilangan penjualan jika permintaan meningkat di atas 130.000 panel. nilai tukar yang tidak stabil; setiap tahun, yuan diperkirakan naik 10 persen, dengan probabilitas 0,7, atau turun 10 persen, dengan probabilitas 0,3. Kami berasumsi bahwa keputusan sourcing akan berada di tempat selama tiga tahun ke depan dan tingkat diskonto yang digunakan oleh D-Solar adalah k = 0,1.

Mengevaluasi Pilihan Menggunakan Permintaan yang Diharapkan dan Nilai Tukar

Pendekatan sederhana sering diambil adalah untuk mempertimbangkan pergerakan diharapkan permintaan dan nilai tukar di masa mendatang ketika mengevaluasi arus kas diskonto. Kelemahan pendekatan tersebut adalah bahwa hal itu rata-rata tren sementara mengabaikan ketidakpastian. Kita mulai dengan mempertimbangkan pendekatan sederhana seperti untuk onshoring dan offshoring pilihan. Rata-rata, permintaan diperkirakan akan meningkat sebesar 12 persen [(20: 0,8) – (20: 0,2) = 12], sedangkan yuan diharapkan dapat memperkuat sebesar 4 persen [(10: 0,7) – (10: 0,3) = 4] setiap tahun. permintaan dan nilai tukar yang diharapkan dalam dua periode mendatang ditunjukkan pada Tabel 6-13.

Kami sekarang mengevaluasi arus kas diskonto untuk kedua pilihan dengan asumsi rata-rata yang diharapkan mengubah permintaan dan nilai tukar selama dua periode berikutnya. Untuk pilihan onshoring, kita memiliki berikut ini:

 

 

 

Dengan demikian, DCF untuk opsi offshoring diperoleh sebagai berikut:

 

Berdasarkan melakukan analisis DCF sederhana dan dengan asumsi tren diharapkan permintaan dan nilai tukar selama dua periode berikutnya, tampaknya offshoring harus lebih suka onshoring karena diharapkan dapat memberikan keuntungan tambahan dari hampir €393.000

Mengevaluasi Pilihan Menggunakan Pohon Keputusan

Untuk analisis ini kita membangun pohon keputusan, seperti yang ditunjukkan pada Figure 6-3. Setiap node dalam suatu periode tertentu mengarah ke empat node mungkin dalam periode berikutnya karena permintaan dan nilai tukar dapat naik atau turun. Link dan probabilitas transisi rinci ditunjukkan pada Figure 6-3. Permintaan dalam ribuan dan diwakili oleh D. Nilai tukar diwakili oleh E, di mana E adalah jumlah yuan untuk euro.

Mengevaluasi Pilihan Onshore

Ingat bahwa opsi darat fleksibel dan dapat mengubah tingkat produksi (dan biaya dengan demikian variabel) untuk mencocokkan tingkat permintaan antara 60.000 dan 150.000. Dalam analisis berikut, kita menghitung keuntungan yang diharapkan pada setiap node di pohon keputusan (diwakili oleh nilai-nilai yang sesuai dari D dan E) yang dimulai pada Periode 2 dan bekerja kembali ke saat ini (Periode 0). Dengan pilihan darat, nilai tukar tidak mempengaruhi keuntungan di euro karena pendapatan dan biaya dalam euro.

Periode 2 evaluasi menyediakan analisis rinci untuk node D = 144 (panel surya permintaan 144.000), E (kurs 10,89 yuan per euro) = 10,89. Mengingat fleksibilitas, fasilitas darat mampu menghasilkan seluruh permintaan 144.000 panel dengan biaya variabel sebesar € 40 dan menjual setiap panel untuk pendapatan sebesar € 70. Pendapatan dan biaya dievaluasi sebagai berikut:

Dalam Periode 2, total keuntungan untuk D-Solar di node D = 144, E = 10,89 untuk onshore dengan demikian diberikan oleh

Menggunakan pendekatan yang sama, kita dapat mengevaluasi keuntungan di masing-masing sembilan negara (diwakili oleh nilai dari D dan E) di Periode 2, seperti yang ditunjukkan pada tabel 6-14.

Periode 1 periode evaluasi 1 berisi empat node hasil untuk dianalisis. Sebuah analisis rinci untuk salah satu simpul, D = 120, E = 9,90, yang disajikan di sini. Selain pendapatan dan biaya pada node ini, kita juga perlu mempertimbangkan nilai sekarang dari keuntungan yang diharapkan dalam Periode 2 dari empat node yang mungkin terjadi. Probabilitas transisi ke masing-masing dari empat node seperti yang ditunjukkan pada Figure 6-3. Keuntungan yang diharapkan dalam Periode 2 untuk empat hasil potensial yang dihasilkan dari node D = 120, E = 9,90 dengan demikian diberikan oleh

Nilai sekarang dari keuntungan yang diharapkan dalam Periode 2 diskon untuk Periode 1 diberikan oleh

 

Selanjutnya kita mengevaluasi keuntungan di pabrik onshore pada node D = 120, E = 9,90 dari operasinya di Periode 1, di mana tanaman darat memproduksi 120.000 panel dengan biaya variabel€40 dan memperoleh pendapatan€70 per panel. Pendapatan dan biaya dievaluasi sebagai berikut:

 

Keuntungan yang diharapkan untuk D-Solar di node D = 120, E = 9,90 diperoleh dengan menambahkan keuntungan operasional pada node ini dalam Periode 1 dan keuntungan diharapkan diskon dari empat node yang dapat mengakibatkan Periode 2. keuntungan yang diharapkan di node ini di Periode 1 diberikan oleh

 

keuntungan yang diharapkan untuk semua node dalam Periode 1 dihitung sama dan ditampilkan pada Tabel 6-15.

Periode 0 evaluasi. Masa 0, permintaan dan nilai tukar yang diberikan oleh D = 100, E = 9. Selain pendapatan dan biaya pada node ini, kita juga perlu mempertimbangkan keuntungan yang diharapkan diskonto dari empat node di Masa 1. diharapkan keuntungan diberikan oleh

Nilai sekarang dari keuntungan yang diharapkan dalam Periode 1 didiskontokan untuk Periode 0 diberikan oleh

 

 

Berikutnya, kami mengevaluasi keuntungan dari operasi pabrik darat di Masa 0 dari pembuatan dan penjualan 100.000 panel.

 

Keuntungan yang diharapkan untuk D-Solar di node D = 100, E = 9,00 di Masa 0 diberikan oleh

 

Dengan demikian, membangun pabrik onshore memiliki hasil yang diharapkan dari €6.429.091 selama periode evaluasi. Jumlah ini menyumbang ketidakpastian permintaan dan nilai tukar dan kemampuan fasilitas darat untuk bereaksi terhadap fluktuasi ini.

Mengevaluasi Pilihan Offshore

Seperti dengan opsi darat, kita mulai dengan mengevaluasi keuntungan pada setiap node di Periode 2 dan kemudian kembali evaluasi kami hingga Periode 1 dan 0. Ingat bahwa opsi lepas pantai tidak sepenuhnya fleksibel dan dapat mengubah tingkat produksi (dan biaya dengan demikian variabel) hanya antara 100.000 dan 130.000 panel. Dengan demikian, jika permintaan turun di bawah 100.000 panel, D-Solar masih menimbulkan biaya produksi variabel 100.000 panel. Jika permintaan meningkat di atas 130.000 panel, fasilitas lepas pantai dapat memenuhi permintaan hanya sampai 130.000 panel. Pada setiap node, mengingat permintaan, kami menghitung keuntungan yang diharapkan akuntansi untuk nilai tukar yang mempengaruhi biaya lepas pantai dievaluasi dalam euro.

Periode 2 Evaluasi. Analisis rinci untuk node D = 144 (panel surya permintaan 144.000), E (kurs 10,89 yuan per euro) = 10,89 adalah sebagai berikut. Meskipun permintaan untuk 144.000 panel, mengingat kurangnya fleksibilitas volume, fasilitas lepas pantai mampu menghasilkan hanya 130.000 panel dengan biaya variabel masing-masing 340 yuan dan menjual setiap panel untuk pendapatan €70. Pendapatan dan biaya dievaluasi sebagai berikut:

Total keuntungan untuk D-Solar di node D = 144, E = 10,89 untuk opsi lepas pantai (dievaluasi dalam euro), dengan demikian diberikan oleh

Menggunakan pendekatan yang sama, kita dapat mengevaluasi keuntungan di masing-masing sembilan negara (diwakili oleh nilai-nilai yang sesuai dari D dan E) di Periode 2 seperti yang ditunjukkan pada Tabel 6-16. Mengamati bahwa kurangnya fleksibilitas di fasilitas lepas pantai menyakitkan D-Solar setiap kali permintaan atas 130.000 (hilang margin) atau di bawah 100.000 (biaya tinggi). Sebagai contoh, ketika permintaan turun menjadi 64.000 panel, fasilitas lepas pantai terus mengeluarkan biaya produksi variabel untuk 100.000 panel. Keuntungan juga sakit ketika yuan lebih kuat dari yang diharapkan.

Periode 1 evaluasi. Pada Periode 1, ada empat node hasil untuk dianalisis. Seperti dengan opsi darat, analisis rinci untuk node D = 120, E = 9,90 yang disajikan di sini. Selain pendapatan dan biaya dari operasi di node ini, kita juga perlu mempertimbangkan nilai sekarang dari keuntungan yang diharapkan dalam Periode 2 dari empat node yang mungkin terjadi. Probabilitas transisi ke masing-masing dari empat node seperti yang ditunjukkan pada Figure 6-3. Keuntungan yang diharapkan dalam Periode 2 dari node D = 120, E = 9,90 dengan demikian diberikan oleh

 

Nilai sekarang dari keuntungan yang diharapkan dalam Periode 2 diskon untuk Periode 1 diberikan oleh

 

Berikutnya, kita mengevaluasi keuntungan di pabrik lepas pantai di node D = 120, E = 9,90 dari operasinya di Masa 1. Pabrik lepas pantai menghasilkan 120.000 panel dengan biaya variabel dari 340 yuan dan memperoleh pendapatan€70 per panel. Pendapatan dan biaya dievaluasi sebagai berikut:

 

 

Keuntungan yang diharapkan untuk D-Solar di node D = 120, E = 9,90 di Periode 1 diberikan oleh

Untuk pilihan offshore, keuntungan yang diharapkan untuk semua node dalam Periode 1 ditunjukkan pada Tabel 6-17. Perhatikan bahwa untuk node D = 80, E = 8.10, D-Solar memiliki keuntungan yang diharapkan lebih rendah dari

Opsi lepas pantai (Tabel 6-17) relatif terhadap pilihan onshore (lihat Tabel 6-15) karena tanaman lepas pantai menimbulkan biaya variabel tinggi, mengingat kurangnya fleksibilitas (biaya yang dikeluarkan untuk 100.000 unit meskipun hanya 80.000 yang dijual), dan semua biaya lepas pantai menjadi mahal, mengingat yang kuat yuan.

Periode 0 evaluasi. Masa 0, permintaan dan nilai tukar yang diberikan oleh D = 100, E = 9. Selain pendapatan dan biaya pada node ini, kita juga perlu mempertimbangkan nilai sekarang dari keuntungan yang diharapkan dari empat node di Periode 1. keuntungan yang diharapkan untuk opsi lepas pantai diberikan oleh

 

Nilai sekarang dari keuntungan yang diharapkan dalam Periode 1 didiskontokan untuk Periode 0 diberikan oleh

Selanjutnya kita mengevaluasi keuntungan dari operasi pabrik lepas pantai di Masa 0 dari pembuatan dan penjualan 100.000 panel.

Keuntungan yang diharapkan untuk D-Solar di node D = 100, E = 9,00 di Masa 0 diberikan oleh

Dengan demikian, membangun pabrik lepas pantai memiliki hasil yang diharapkan dari € 6.247.497 selama periode evaluasi.

6.7 Membuat Rantai Pasokan Global Desain Keputusan bawah

Ketidakpastian Manajer Praktek harus mempertimbangkan ide-ide berikut untuk membantu mereka membuat keputusan desain jaringan yang lebih baik di bawah ketidakpastian.

1. Menggabungkan perencanaan strategis dan perencanaan keuangan selama desain jaringan global. Di kebanyakan organisasi, perencanaan keuangan dan perencanaan strategis dilakukan secara independen. perencanaan strategis mencoba untuk mempersiapkan ketidakpastian masa depan tetapi sering tanpa analisis kuantitatif yang ketat, sedangkan perencanaan keuangan melakukan analisis kuantitatif tetapi mengasumsikan masa depan yang diprediksi atau yang didefinisikan dengan baik.

2. Gunakan beberapa metrik untuk mengevaluasi jaringan rantai pasokan global. Karena satu metrik dapat memberikan hanya bagian dari gambar, itu bermanfaat untuk memeriksa keputusan desain jaringan menggunakan beberapa metrik seperti keuntungan perusahaan, keuntungan rantai pasokan, tingkat layanan pelanggan, dan waktu respon. keputusan yang baik melakukan dengan baik bersama yang paling metrik yang relevan.

3. Gunakan analisis keuangan sebagai masukan untuk pengambilan keputusan, bukan sebagai proses pengambilan keputusan. analisis keuangan adalah alat yang hebat dalam proses pengambilan keputusan, seperti yang sering menghasilkan jawaban dan berlimpahnya data kuantitatif untuk mendukung jawaban itu. Namun, metodologi keuangan saja tidak memberikan gambaran yang lengkap dari alternatif, dan input non kuantitatif lainnya juga harus dipertimbangkan.

4. Menggunakan perkiraan bersama dengan analisis sensitivitas. Banyak masukan ke dalam analisis keuangan sulit, jika bukan tidak mungkin, untuk mendapatkan akurat. Hal ini dapat menyebabkan analisis keuangan untuk menjadi proses yang panjang, berlarut-larut. Salah satu cara terbaik untuk mempercepat proses bersama dan tiba pada suatu keputusan yang baik adalah dengan menggunakan perkiraan input ketika muncul bahwa menemukan masukan yang akurat akan mengambil banyak waktu.

Desain Jaringan dalam Rantai Pasokan

Faktor-faktor yang Mempengaruhi? Keputusan Desain Jaringan

• Faktor strategis
• Faktor teknologi
  – Faktor ekonomi makro
   – Tarif dan insentif pajak
   – Risiko nilai tukar dan permintaan
• Biaya pengangkutan dan bahan bakar
• Politik
• Faktor infrastruktur
• Faktor kompetitif
   – Eksternalitas positif antar perusahaan
   – Menemukan untuk membagi pasar
• Waktu respon pelanggan dan kehadiran lokal
• Biaya logistik dan fasilitas

Tahap I: Tentukan Strategi / Desain Rantai Pasokan
– strategi kompetitif perusahaan yang jelas
   – Memprediksi kemungkinan evolusi persaingan global
   – Identifikasi kendala modal yang ada
   – Tentukan strategi pertumbuhan

Tahap II: Tentukan Konfigurasi Fasilitas Regional
   – Prakiraan permintaan menurut negara atau wilayah
   – Skala atau cakupan ekonomi
   – Mengidentifikasi resiko permintaan, resiko nilai tukar, resiko politik, tarif,    persyaratan produksi lokal, insentif pajak, dan pembatasan ekspor atau impor.
  – Identifikasi pesaing

Tahap III: Pilih Satu Tempat berPotensi yang Diinginkan
   – Persyaratan infrastruktur yang keras
   – Persyaratan infrastruktur yang lembut

Tahap IV: Pilihan Lokasi

Model untuk Lokasi Fasilitas dan Alokasi Kapasitas

• Maksimalkan profitabilitas jaringan supply chain secara keseluruhan sambil memberikan respons yang sesuai kepada pelanggan
• Banyak trade-off selama desain jaringan
• Model desain jaringan digunakan untuk menentukan lokasi dan kapasitas dan untuk menetapkan permintaan terhadap fasilitas saat ini
• Infromasi yang penting

– Lokasi sumber pasokan dan pasar
– Lokasi lokasi fasilitas potensial
– Permintaan diperkirakan berdasarkan pasar
– Fasilitas, tenaga kerja, dan biaya material menurut lokasi
– Biaya transportasi antar tiap pasang situs
       – Biaya persediaan menurut lokasi dan sebagai fungsi kuantitas
       – Harga jual produk di berbagai daerah
– Pajak dan tarif
       – Waktu respon yang diinginkan dan faktor layanan lainnya

Membuat Keputusan Desain Jaringan Dalam Praktek

• Jangan meremehkan masa hidup fasilitas
• Jangan mengabaikan implikasi budaya
• Jangan abaikan masalah kualitas hidup
• Fokus pada tarif dan insentif pajak saat mencari lokasi

 

 

 

 

Strategi Penyedia Best-Cost Toyota Untuk Jalur Lexus

Toyota Motor Company secara luas di kenal sebagai penyedia yang cukup murah di antara manufaktur kendaraan bermotor di dunia. Meskipun menekan pada kualitas produk, Toyota telah mencapai kepemimpinan murah karena telah mengembangkan keterampilan yang cukup handal dalam manajemen rantai pasokan yang efisien dan kemampuan perakitan yang murah, dan karena model itu diposisikan di antara rendah ke menengah akhir spektrum harga, di mana volume tinggi produksi kondusif terhadap model Lexus baru untuk bersaing di pasar mobil mewah, mempekerjakan strategi penyedia klasik yang paling murah. Toyota mengambil empat langkah dalam kerajinan dan menerapkan strategi Lexusnya:

• Merancang sebuah array dari karakteristik performa yang tinggi dan fitur kelas atas ke dalam model Lexus sehingga membuat mereka sebanding dengan kinerja dan kemewahan untuk model high-end lainnya dan menarik untuk Mercedes, BMW, Audi, Jaguar Cadillac, dan pembeli Lincoln.
• Mentransfer kemampuannya dalam membuat model Toyota berkualitas tinggi dengan biaya rendah untuk membuat model Lexus berkualitas premium dengan biaya di bawah pembuat mobil mewah lainnya. Kemampuan rantai pasokan Toyota dan dengan pengetahuan perakitan murah memungkinkan untuk menggabungkan fitur kinerja tinggi dan kualitas kelas atas ke dalam model Lexus dengan biaya substansial kurang dari model sekelas Mercedes dan BMW.
• Menggunakan biaya produksi yang relatif rendah untuk menjual lebih murah dibandingkan model Mercedes dan BMW. Toyota percaya bahwa dengan keuntungan biaya dari rendahnya harga mobil Lexus dapat menarik pembeli menjauh dari Mercedes dan BMW. Kebijakan harga Toyota juga memungkinkan untuk menginduksi Toyota, Honda, Ford, atau pemilik GM yang menginginkan lebih mewah untuk beralih ke Lexus, Keuntungan harga Lexus atas Mercedes dan BMW kadang-kadang cukup signifikan. Misalnya, pada tahun 2008 Lexus RX 350, sebuah SUV ukurang menengah, membawa harga stiker di kisaran $ 37,000 – $ 48,000 (tergatung pada bagaimana itu dilengkapi), sedangkan berbagai jenis Mercedes ML 350 SUV memiliki tag harga di kisaran $ 42,000 – $ 85,000 dan BMW X5 SUV bisa berkisar dari $ 46,000 sampai $ 75,000 tergantung pada peralatan opsional yang dipilih.
• Membangun jaringan baru dari dealer Lexus, terpisah dari dealer Toyota, yang didedikasikan untuk menyediakan sebiah tingkat personalisasi, layanan pelanggan perhatian yang tak tertandingi dalam industri.

Strategi penyedia dengan harga terbaik oleh Lexus memungkinkannya untuk menjadi penjual nomor satu merek mobil mewah di seluruh dunia pada tahun 2000, penghargaan yang diselenggarkan pada 2007 dan mungkin untuk terus mempertahankannya.

1. Buatlah Deskripsi Produk dari Studi Kasus ini
   • Lexus RX 350, telah lahir pada tahun 2003 namun terus mengalami perkembangan hingga tahun 2009, dimana Lexus RX 350 terbaru selesai dirampungkan. Menjelma sebagai kendaraan SUV kaya dengan fitur dan terkesan elegan dan mewah. Mobil ini dihargai sekitar Rp 1 miliar pada waktu itu. Sedangkan untuk urusan mesin, mengandalkan 3500 cc dengan 6 silinder DOHC dan VVT-i. Tenaga yang mampu dihasilkan 277 hp pada 6200 rpm. Bertransmisi otomatis dengan 6 percepatan. Pada system keamanan tersedia airbag pada 10 titik, rem ABS, serta Vehicle Dynamics Intregrated Management untuk memudahkan pengendalian mobil ini. Spesifikasi antara lain, bodi yang gagah, elegan, mewah, serta sporti. Interiornya, kabin yang lega, AC, penghangat dan pengatur sudut jok, audio system, sunroof serta system navigasi yang canggih.
2. Buatlah Analisa Kompetitif dari Studi Kasus ini
   • BMW, Seri 1 yang diluncurkan tahun 2004 adalah mobil BMW yang paling kecil, tersedia dalam 2 model yaitu koupe/konvertibel (E82/E88) dan hatchback (E81/E87). Seri 3 masuk dalam mobil kompak eksekutif, mulai diproduksi tahun 1975, sekarang memasuki generasi kelima dari (BMW E90); model-model yang tersedia antara lain sedan sport (E90), station wagon (E91), koupe (E92), dan konvertibel (E93). Seri 5 adalah sedan eksekutif mid-size, tersedia dalam versi sedan (E60) dan station wagon (E61). Seri 5 Gran Turismo (F07) yang dimulai mulai tahun 2010, akan mengisi segmen di antara mobil kelas station wagon dan crossover SUV. Jajaran mobil teratas BMW adalah sedan full-size eksekutif Seri 7. BMW juga banyak memperkenalkan teknologi barunya di BMW Seri 7 ini, seperti sistem iDrive. Seri 7 Hidrogen juga termasuk dalam salah satu mobil berbahan bakar hidrogen pertama di dunia, emisinya hanya berupa uap air. Ada juga Seri 6 adalah mobil mewah kelas grand touring. Mobil roadster dan coupe 2 pintu Z4 (E85) sudah dijual sejak tahun 2002. X3 (E83), mobil crossover SUV pertama BMW, memulai debutnya pada tahun 2003 dan menggunakan platform Seri 3 E46/16. Menggunakan sistem penggerak 4 roda BMW yang mereka namakan BMW’s xDrive all-wheel drive. SUV lainnya, X5 (E70), dijual sejak tahun 2000. X6 dijual mulai Desember 2007 dan X1 mulai dijual tahun 2009.
   • Mercedes, antara tahun 2003 dan 2009, Mercedes-Benz memproduksi mobil sport dalam jumlah terbatas bersama dengan McLaren Automotive. Proyek ini merupakan bentuk kolaborasi tambahan setelah mereka bekerja sama di Formula Satu yang sebagian saham timnya dimiliki Mercedes. Mercedes-Benz SLR McLaren memiliki bodi carbon fibre dengan mesin V8 5.4L dengan supercharger. Mesin ini menggunakan silinder blok yang sama dengan SL55 AMG dan CLS55 AMG, meskipun dimodifikasi sehingga mampu mengeluarkan tenaga maksimal 460 kW (625 PS; 617 bhp) dengan torsi 780 N·m (575 ft·lbf). SLR McLaren mempunyai kecepatan maksimum sekitar 337 km/jam.
3. Buatlah Analisa Pasar dari Studi Kasus ini
   • Ukuran keluarga : 4+1      v
   • 5+2      v
   • 2          x
   • Umur :10-20 : x30-40 : v50-dst :v
   • 40-50:  v
   • 20-30 : v
   • 0-10 :   x
4. Buatlah Analisa Industri dari Studi Kasus ini
   • Merancang sebuah array dari karakteristik performa yang tinggi dan fitur kelas atas ke dalam model Lexus sehingga membuat mereka sebanding dengan kinerja dan kemewahan untuk model high-end lainnya dan menarik untuk Mercedes, BMW, Audi, Jaguar Cadillac, dan pembeli Lincoln.
   • Mentransfer kemampuannya dalam membuat model Toyota berkualitas tinggi dengan biaya rendah untuk membuat model Lexus berkualitas premium dengan biaya di bawah pembuat mobil mewah lainnya. Kemampuan rantai pasokan Toyota dan dengan pengetahuan perakitan murah memungkinkan untuk menggabungkan fitur kinerja tinggi dan kualitas kelas atas ke dalam model Lexus dengan biaya substansial kurang dari model sekelas Mercedes dan BMW.
   • Membangun jaringan baru dari dealer Lexus, terpisah dari dealer Toyota, yang didedikasikan untuk menyediakan sebiah tingkat personalisasi, layanan pelanggan perhatian yang tak tertandingi dalam industri.
5. Buatlah Rencana Pemasaran dari Studi Kasus ini
   • Pemasaran dapat dilakukan melalui iklan, seperti pada iklan televisi, iklan pada radio atau dari brosur. Atau dengan bantuan internet yang saat ini sedang marak digunakan oleh masyarakat. Contoh pemasaran yang tepat untuk produk ini adalah dengan Youtube. Detail produk dapat disampaikan dalam video youtube dimana saat ini youtube dapat dikatakan sebagai pengganti iklan televisi.
6. Buatlah Ringkasan Eksekutif dari Studi Kasus ini (Executive Summary)
   • Berdasarkan studi kasus diatas, keputusan Toyota merancang model Lexus sangat tepat untuk perkembangan usahanya. Toyota telah mencapai kepemimpinan murah karena telah mengembangkan keterampilan yang cukup handal dalam manajemen rantai pasokan yang efisien dan kemampuan perakitan yang murah.
   • Toyota mengambil empat langkah dalam kerajinan dan menerapkan strategi Lexusnya:
     • Merancang sebuah array dari karakteristik performa yang tinggi dan fitur kelas atas ke dalam model Lexus
     • Mentransfer kemampuannya dalam membuat model Toyota berkualitas tinggi dengan biaya rendah untuk membuat model Lexus berkualitas premium dengan biaya di bawah pembuat mobil mewah lainnya
     • Menggunakan biaya produksi yang relatif rendah untuk menjual lebih murah dibandingkan model Mercedes dan BMW
     • Membangun jaringan baru dari dealer Lexus
7. Menurut kelompok Anda, apakah si Toyota dengan Produknya Lexus akan berhasil atau tidak? Jelaskan Analisa anda berdasarkan fakta-fakta yang ada.
   • Berhasil, karena Toyota menggunakan biaya produksi yang relatif rendah untuk menjual lebih murah dibandingkan model Mercedes dan BMW. Toyota percaya bahwa dengan keuntungan biaya dari rendahnya harga mobil Lexus dapat menarik pembeli menjauh dari Mercedes dan BMW. Kebijakan harga Toyota juga memungkinkan untuk menginduksi Toyota, Honda, Ford, atau pemilik GM yang menginginkan lebih mewah untuk beralih ke Lexus, Keuntungan harga Lexus atas Mercedes dan BMW kadang-kadang cukup signifikan. Misalnya, pada tahun 2008 Lexus RX 350, sebuah SUV ukurang menengah, membawa harga stiker di kisaran $ 37,000 – $ 48,000 (tergatung pada bagaimana itu dilengkapi), sedangkan berbagai jenis Mercedes ML 350 SUV memiliki tag harga di kisaran $ 42,000 – $ 85,000 dan BMW X5 SUV bisa berkisar dari $ 46,000 sampai $ 75,000 tergantung pada peralatan opsional yang dipilih.

Dipos

Bagaimanakah Wal-Mart Mengatur Nilai Rantai Dalam Meraih Keuntungan Besar Dalam Low-Cost Dibandingkan Rantai Supermarket Pesaingnya.

Wal-Mart telah mencapai biaya substansial dan keuntungan harga diatas rantai supermarket pesaingnya dengan membenahi bagian dari nilai rantai ritel kelontong dan dengan mendahului pengelolaan para pesaingnya dengan secara efisien melakukan beberapa kegiatan rantai nilai. Keuntungan biaya berasal dari serangkaian inisiatif dan praktek:

• Membentuk pembagian informasi yang ekstensif dengan vendor melalui sistem online yang menyampaikan penjualan di counter kasir secara langsung kepada pemasok barang, sehingga memberikan pemasok dengan informasi real time pada permintaan dan preferensi (menciptkan perkiraan keunggulan biaya sebesar 6 persen). Ini adalah praktik standar di Wal-Mart untuk berkolaborasi secara ekstensif dengan vendor dari segala aspek pembelian dan proses pengiriman untuk memaksimalkan penghematan biaya yang saling menguntungkan. Procter & Gamble, pemasok terbesar Wal-Mart, berusaha cukup keras untuk mengintegrasikan sistem perencanaan sumber daya perusahaan (ERP) dengan milik Wal-Mart.
• Mengejar pengadaan global dari beberapa item dan memusatkan sebagian besar kegiatan pembelian untuk mempengaruhi daya beli perusahaan (menciptakan perkiraan keuntungan biaya 2,5 persen).
• Investasi dalam otomatisasi state-of-the-art di pusat-pusat distribusi, secara efisien mengoperasikan armada truk yang melakukan pengiriman setiap hari ke toko-toko Wal-Mart,, dan menempatkan bermacam-macam praktik penghematan biaya lainnya ke tempat seperti kantor pusat, pusat distribusi, dan toko-toko (diperkirakan keunggulan biaya 4 persen).
• Berusaha untuk mengoptimalkan bauran produk dan mencapai omset penjualan yang lebih besar (menghasilkan keunggulan biaya sekitar 2 persen).
• Instalasi sistem keamanan dan prosedur toko yang sedang beroperasi dengan tarif penyusutan yang lebih rendah (menghasilkan keuntungan biaya sekitar 0,5 persen).
• Negosiasi sewa real estate yang lebih disukai dan sewa tarif dengan pengembang real estate dan pemilik dari situs tokonya (menghasilkan keuntungan biaya 2 persen).
• Mengelola dan mengkompensasi tenaga kerja dengan cara menghasilkan biaya tenaga kerja yan lebih rendah (menghasilkan keuntungan biaya sekitar 5 persen).

Secara keseluruhan, inisiatif rantai nilai ini memberikan Wal-Mart keuntungan biaya sekitar 22 persen lebih besar dari Kroger, Safeway, dan jaringan supermarket terkemuka lainnya, dengan keuntungan biaya yang cukup besar, Wal-Mart telah mampu melakukan underprice diantara para pesaingnya dan menjadi pemimpin supermarket pengecer dunia selama kurang lebih satu dekade.

Pertanyaan:

1. Sebutkan kontrak-kontrak yang mungkin ada pada studi kasus ini?
   •  Kontrak dengan lembaga, perorangan atau pihak ketiga yang menyediakan bahan , jasa, produk untuk dijual kembali (Vendor).
   • Procter & Gamble pemasok terbesar Wal-Mart, berusaha cukup keras untuk mengintegrasikan sistem perencanaan sumber daya perusahaan (ERP) dengan milik Wal-Mart.
2. Apakah yang dimaksud dengan klausa force majeure dalam kontrak?
   • Suatu keadaan yang terjadi setelah dibuatnya perjanjian yang menghalangi debitur untuk memenuhi prestasinya, dimana debitur tidak dapat dipersalahkan dan tidak harus menanggung resiko serta tidak dapat menduga pada waktu perjanjian dibuat.
3. Seberapa pentingkah klausa force majeure dalam sebuah kontrak? Mengapa demikian, Jelaskan pendapat anda berdasarkan fakta-fakta yang ada?
   • Dalam konteks hukum, Force majeure dapat diartikan sebagai klausula yang memberikan dasar pemaaf pada salah satu pihak dalam suatu perjanjian, untuk menanggung suatu hal yang tidak dapat diperkirakan sebelumnya, yang mengakibatkan pihak tersebut tidak dapat menunaikan kewajibannya berdasarkan kontrak yang telah diperjanjikan. Selain sebagai dasar pemaaf, klausula force majeure merupakan dasar pembenar. Rumusan Pasal 1244 KUHPerdata dan Pasal 1245 KUHPerdata menyatakan bahwa Force Majeure ini merupakan alasan pembenar dan pemaaf.
   • Klausula force majeure mempunyai kemiripan dengan perjanjian untung-untungan karena sama-sama bergantung pada suatu kejadian yang belum tentu akan terjadi akan tetapi klausula force majeure bukanlah merupakan suatu persetujuan untung-untungan. Pasal 1774 KUHPerdata menyatakan : “Suatu perjanjian untung-untungan adalah suatu perbuatan yang hasilnya, mengenai untung ruginya, baik bagi semua pihak, maupun bagi sementara pihak, bergantung pada kejadian yang belum tentu..”.
4. Sebutkan dan Jelaskan tujuan beberapa contoh klausa force majeure pada kontrak walmart? (min. 3 item)
   • Sales / Marketing / Warehousing / PPC / Invoicing P&G untuk Wal-Mart ditiadakan.
   • Bagian Pembelian / Pembayaran (A/P) Wal-Mart untuk P&G juga ditiadakan.
   • Wal-Mart memasrahkan gudang khusus P&Gnya dikelola oleh personil P&G.
5. Apakah yang dimaksud dengan indemnity atau hold-harmless?
   • Indemnity, suatu prinsip yang mengatur mengenai pemberian ganti-kerugian, dapat diartikan sebagai suatu mekanisme dengan nama si Penanggung memberikan ganti rugi finansial dalam suatu upaya menempatkan si Tertanggung pada posisi keuangan yang dimiliki pada saat sesaat sebelum kerugian itu terjadi.
   • Hold-Harmless, suatu perjanjian untuk membayar setiap biaya atau mengklaim hasil yang akan muncul dari suatu persetujuan. Cukup sering ini melibatkan settlement agreement, yang dimana salah satu pihak akan menduga akan ada tuntutan hukum yang tidak diketahui atau klaim dari beberapa situasi, sehingga pihak lain setuju untuk membantu mereka.
6. Perlukah ada klausa indemnity dalam kontrak? Jelaskan pendapat anda
   • Perlu, dikarenakan klausa indemnity akan dapat menjadi jaminan dari suatu kontrak apabila mengalami suatu kerugian akan dapat segera didapatkan pengganti dari kerugian yang ada. Hal ini juga mempengaruhi berjalannya kontrak dapat berjalan dengan lebih aman dan tidak terlalu takut akan kerugian.
7. Berdasarkan pemahaman anda terhadap studi kasus Walmart, bagaimana walmart bisa mendapatkan keuntungan dari kontraknya?
   • Dengan membenahi bagian dari nilai rantai ritel kelontong dan dengan mendahului pengelolaan para pesaingnya dengan secara efisien melakukan beberapa kegiatan rantai nilai. Keuntungan biaya berasal dari serangkaian inisiatif dan praktek:
     • Membentuk pembagian informasi yang ekstensif dengan vendor melalui sistem online yang menyampaikan penjualan di counter kasir secara langsung kepada pemasok barang, sehingga memberikan pemasok dengan informasi real time pada permintaan dan preferensi (menciptkan perkiraan keunggulan biaya sebesar 6 persen). Ini adalah praktik standar di Wal-Mart untuk berkolaborasi secara ekstensif dengan vendor dari segala aspek pembelian dan proses pengiriman untuk memaksimalkan penghematan biaya yang saling menguntungkan. Procter & Gamble, pemasok terbesar Wal-Mart, berusaha cukup keras untuk mengintegrasikan sistem perencanaan sumber daya perusahaan (ERP) dengan milik Wal-Mart.
     • Mengejar pengadaan global dari beberapa item dan memusatkan sebagian besar kegiatan pembelian untuk mempengaruhi daya beli perusahaan (menciptakan perkiraan keuntungan biaya 2,5 persen).
     • Investasi dalam otomatisasi state-of-the-art di pusat-pusat distribusi, secara efisien mengoperasikan armada truk yang melakukan pengiriman setiap hari ke toko-toko Wal-Mart,, dan menempatkan bermacam-macam praktik penghematan biaya lainnya ke tempat seperti kantor pusat, pusat distribusi, dan toko-toko (diperkirakan keunggulan biaya 4 persen).
     • Berusaha untuk mengoptimalkan bauran produk dan mencapai omset penjualan yang lebih besar (menghasilkan keunggulan biaya sekitar 2 persen).
     • Instalasi sistem keamanan dan prosedur toko yang sedang beroperasi dengan tarif penyusutan yang lebih rendah (menghasilkan keuntungan biaya sekitar 0,5 persen).
     • Negosiasi sewa real estate yang lebih disukai dan sewa tarif dengan pengembang real estate dan pemilik dari situs tokonya (menghasilkan keuntungan biaya 2 persen).
     • Mengelola dan mengkompensasi tenaga kerja dengan cara menghasilkan biaya tenaga kerja yan lebih rendah (menghasilkan keuntungan biaya sekitar 5 persen).

Exit Strategies For Technlogy Ventures

Initial Publick Offering ( IPO) atau going publick yaitu suatu proses di mana sebuah perusahaan swasta memenuhi syarat untuk menjual sahamnya di bursa saham publik ( umum.

invesment horizon yaitu menempatkan keterlibatan investor.

liquidity yaitu memungkinkan investor untuk mengkonversi saham mereka menjadi uang tunai.

ada 3 kategori dasar pada exit strategies yaitu Acquisition , Merger , dan Public Offering

Acquisition atau akuisisi yaitu strategi umum untuk mendapatkan nilai atau keuntungan dengan mengaakuisisi perusahaan lain seperti produk yang lebih luas , menambah teknologi , menambahkan pangsa pasar dan jalur distribusi, meningkatkan pelanggan. dalam melakukan aquisisi harus melakukan beberapa pertimbangan seperti keadaan finansial yang sehat dan status produk perusahaan target, potensi posisi pasar dan potensi usaha di masa yang akan depan.

Merger yaitu penyatuan 2 perusahaan atau lebih dan menyisakan 1 perusahaa. merger strategi bertahan dan keunggulan untung melindungin dari pasar yang meganggu.

venture valution teknik matematika yang sering digunakan dalam mengidenfikasi kunci dalam industri,

Going public saat suatu perusahaan teknologi ini dia harus mengevaluasi keuntungan dan kerugiannya

keuntungan going public :

Mendapatkan modal ekuitas baru
Mendapatkan nilai dan pengalihan aset organisasi.
Meningkatkan kemampuan perusahaan untuk mendapatkan dana masa yang akan datang

kerugian going publick :

paparan publik dan kehilangan kontrol.
Hilangnya fleksibilitas dan meningkatnya beban administrasi.
sejumlah besar waktu dihabiskan untuk menangani permintaan dari pemegang saham, tekan, dan analis keuangan.
Biaya yang terlibat dalam proses IPO.

 

Tugas Blog (2) Technopreneurship

Perusahaan KFC adalah salah satu perusahaan luar negeri yang bekerjasama dengan perusahaan Indonesia  ( PT fastfood Indonesia Tbk ) yang bergerak di bidang penjualan Makanan cepat saji.

Alasan mengapa harus bekerjasama dengan perusahaan Indonesia yaitu kerena jumlah penduduk di Indonesia merupakan salah satu dari penduduk terbanyak di dunia dan masyarakatnya yang bersifat konsumtif ( kebutuhan yang tinggi ), sehingga dengan kerjasama dengan perusahaan Indonesia KFC dapat membuat strategi bisnis ( Pemahaman Pasar )  yang sesuai dengan kondisi Indonesia.

Keuntungan bagi pihak KFC : sasaran konsumen yang banyak, mendapatkan Bahan baku yang mudah  dan untuk Pemasaran produk akan lebih terbantu.

keuntungan bagi Perusahaan Indonesia : KFC sudah memiliki brand yang terkenal sehingga sudah memiliki value yang tinggi dan data KFC.

 

Perang Harga

PRICE WAR / PERANG HARGA adalah setiap persaingan di antara para pemasok yang bersaing, yang terpusat pada pemotongan HARGA (PRICE) yang agresif. Perang harga sering timbul ketika permintaan untuk suatu produk berkurang dan terdapat KELEBIHAN KAPASITAS PENAWARAN (EXCESS SUPPLY) dalam pasar tersebut. Jika BIAYA TETAP (FIXED COSTS) merupakan bagian terbesar dari total biaya, para pemasok mungkin tergoda untuk memotong harga mereka untuk mempertahankan pekerjaan dalam kapasitas penuh. Perang harga bermanfaat bagi konsumen dan bagi ALOKASI SUMBER DAYA (RESOURCE ALLOCATION) dalam pasar sepanjang perang harga tersebut berusaha untuk menghilangkan ketidakefisienan, dan pemasok-pemasok yang mempunyai biaya tinggi. Masalah dari sudut pandang pemasok adalah bahwa persaingan pemotongan harga menurunkan kemampuan memperoleh laba dari pasar tersebut, dan berakhir dengan keadaan yang lebih buruk. Untuk alasan ini, para pemasok khususnya para pemasok OLIGOPOLI (OLIGOPOLY) biasanya akan mencoba untuk menghindari perang harga dan mengarahkan usaha-usaha persaingan mereka pada kegiatan PEMBEDAAN PRODUK (PRODUCT DIFFERENTIATION) .

 

Penyebab terjadi Perang Harga

1. Jumlah peserta persaingan banyak  : kerena kurang lebih setara dalam hal ukuran dan kekuatan menyebabkan rasa takut akan produknya tidak pakai atau di beli oleh masyarakat , jika dari segi produk memiliki kualitas yg sama maka apa kelebihan produk tersebut ? jadi menurunkan harga adalah salah satu jalan membuat perbedaan.

2. Pertumbuhan industri yang lambat : kerena lambat maka dapat menyulut perang untuk memperebutkan pangsa pasaar yang ada

3. Biaya tetap yang tinggi atau produk bersifat mudah rusak  : mengundang keinginan kuat untuk menurunkan harga sehingga memungkikan banyaknya permintaan sehingga produk cepat habis dan perputaran uang juga cepat.

contoh perang harga : Vendor Ponsel