هر فصل، مدیران خرید و مدیران مالی در سراسر صنعت کالاهای مصرفی بسته بندی شده (CPG) در دام یک اشتباه عملیاتی تکراری گرفتار می شوند. آن ها برای تدوین بودجه سالانه خود، یک پیش بینی واحد و قطعی از قیمت مواد اولیه مطالبه می کنند. صفحه گسترده کاملا مرتب به نظر می رسد. یک خانه اکسل عددی شفاف و قطعی را نشان می دهد: پلی پروپیلن در سه ماهه چهارم به ۱۴۵۰ دلار در هر تن خواهد رسید؛ کاغذ Kraftliner در ۸۲۰ دلار تثبیت خواهد شد. اما سپس واقعیت از راه می رسد. یک اختلال پیش بینی نشده در شبکه برق، هزینه انرژی فرایند تبدیل را ۴۰ درصد افزایش می دهد. یک گلوگاه محلی در زنجیره لجستیک، نرخ حمل ونقل فوری را ۱۵ درصد بالا می برد. تنها ظرف چند هفته، آن پیش بینی دقیق و تک عددی کاملا بی اعتبار می شود، حاشیه سود تحت فشار قرار می گیرد و تیم تجاری مجبور به واکنش دفاعی می شود.
در یک فضای اقتصاد کلان پرنوسان، در نظر گرفتن هزینه های چندلایه تولید به عنوان یک شاخص ثابت و ایستا نه تنها ناکارآمد است، بلکه یک نقطه کور ساختاری به شمار می رود که ترازنامه شرکت را در معرض ریسک های کنترل نشده قرار می دهد.
مشکل اصلی: ریسک انباشته در فرایندهای چندمرحله ای تبدیل
اشتباه بنیادی در پیش بینی های سنتی بسته بندی، اتکا به فرضیات خطی است. یک SKU نهایی صرفا بازتابی از قیمت لحظه ای مواد اولیه نیست. بلکه نتیجه یک زنجیره ارزش تجمعی است که از چندین لایه ریسک مجزا تشکیل شده است:
• لایه اول: مونومرها و الیاف خام بالادستی (تحت تاثیر نوسانات ژئوپلیتیکی و بازار مواد پایه)
• لایه دوم: فرایندهای نیمه ساخته و تبدیل (تحت تاثیر هزینه های محلی انرژی، بازده اکستروژن و سربارهای فرایندی)
• لایه سوم: تولید نهایی ساختار بسته بندی و حمل ونقل (تحت تاثیر ظرفیت انبارش، تاخیرهای حمل و محدودیت های نیروی کار)
زمانی که تیم خرید برای هر یک از این لایه ها یک میانگین «حدسی» در نظر می گیرد، فرض می کند که این ریسک ها به صورت مستقل عمل می کنند. اما واقعیت چنین نیست.
اگر هزینه مواد اولیه اندکی کاهش یابد، اما همزمان هزینه انرژی افزایش پیدا کند و تاخیر حمل نیز رخ دهد، یک مدل خطی قادر به شناسایی اثر همزمان این عوامل نخواهد بود. خطاها یکدیگر را خنثی نمی کنند؛ بلکه روی هم انباشته می شوند.
اتکا به میانگین های ثابت برای پیش بینی یک زنجیره چندمتغیره به این معناست که شما ریسک را مدیریت نمی کنید، بلکه صرفا روی سناریویی خوش بینانه شرط بندی می کنید؛ سناریویی که در عمل به ندرت اتفاق می افتد.
راه حل: حرکت به سوی مدل سازی احتمالی زنجیره تامین
برای محافظت از عملیات در برابر شوک های ناگهانی بازار، سازمان های بزرگ باید پیش بینی های خشک و قطعی را با مدل های احتمالی جایگزین کنند. به جای وادار کردن داده ها به ارائه یک حدس واحد، لازم است زنجیره تامین در برابر هزاران سناریوی مختلف و پرنوسان آزمایش شود.
یکی از روش های انجام این کار، استفاده از تکنیکی ریاضی است که در مدل سازی ریسک های اقتصادی پیشرفته کاربرد گسترده ای دارد: شبیه سازی مونت کارلو. در این روش، متغیرها به عنوان اعداد ثابت در نظر گرفته نمی شوند. مدل مونت کارلو هزاران بار کل فرایند تولید را شبیه سازی می کند و برای هر ورودی هزینه، مقادیر تصادفی مبتنی بر توزیع های احتمالی واقعی و تاریخی اختصاص می دهد.
تشبیه «دستگاه اسلات» برای عوامل هزینه در بسته بندی
زنجیره ارزش یک جعبه یا ظرف نهایی را مانند یک دستگاه اسلات تصور کنید که هر حلقه آن نماینده یک متغیر مستقل و پرنوسان است:
• حلقه اول: قیمت لحظه ای مواد اولیه (دامنه نوسان بالا)
• حلقه دوم: هزینه انرژی اکستروژن و فرایندهای تبدیلی (دامنه نوسان متوسط تا بالا)
• حلقه سوم: هزینه حمل ونقل و انبارداری محلی (با زمان های انتظار متغیر)
به جای حدس زدن محل توقف این حلقه ها، مدل شبیه سازی بیش از ۱۰ هزار بار آن ها را می چرخاند. در هر بار اجرا، هزینه تجمعی از مواد اولیه تا زیرلایه نیمه ساخته و در نهایت تا SKU نهایی محاسبه می شود.
خروجی این مدل، گفت وگو با مدیران ارشد را کاملا متحول می کند. به جای یک عدد فرضی، یک منحنی احتمالی واقعی از وضعیت عملیاتی ارائه می شود:
• سناریوی پایه بهینه: احتمال دقیق ریاضی (برای مثال ۶۸ درصد) را برای قرار گرفتن هزینه نهایی بسته بندی در یک بازه قیمتی مشخص نشان می دهد.
• ریسک های انتهایی: بدترین سناریوهای ممکن را به صورت شفاف کمی سازی می کند (برای مثال ۱۲ درصد احتمال جهش شدید هزینه ها در اثر اختلالات انرژی) و به مدیران مالی امکان می دهد ذخایر ریسک را با دقت بیشتری تعیین کنند.
حرکت از واکنش های اضطراری به حاکمیت داده محور
زمانی که سازمان از پیش بینی های تک عددی به مدل سازی احتمالی ریسک مهاجرت می کند، راهبردهای تجاری و خرید آن به طور بنیادی تغییر می کند:
• شاخص گذاری مبتنی بر داده: دیگر مجبور به پذیرش تعدیلات دلخواه قیمت از سوی تامین کنندگان نیستید. شما حدود احتمالی نوسانات مواد اولیه را می دانید و می توانید قراردادهای مستحکم مبتنی بر شاخص های واقعی تنظیم کنید.
• همکاری شفاف با مشتریان: شرکت های تبدیل کننده می توانند محدوده های متغیر هزینه را با پشتوانه داده های قابل راستی آزمایی به مشتریان خود ارائه دهند و تنش های مربوط به تعدیل حاشیه سود را کاهش دهند.
• تخصیص راهبردی سرمایه: مدیران مالی دیگر نیازی به حدس زدن درصد ذخایر احتیاطی ندارند. ذخایر سرمایه مستقیما بر اساس سطوح احتمالی شبیه سازی شده تعیین می شوند.
دوران مدیریت بودجه های چند میلیون دلاری بسته بندی بر پایه احساسات، برداشت های بازار تامین کنندگان و گزارش های تاخیردار شاخص ها به پایان رسیده است. در اقتصادی که ذاتا بی ثبات است، سازمان هایی دوام خواهند آورد که به جای تلاش برای پیش بینی آینده، احتمال وقوع آشفتگی را مدل سازی کنند.
نظر شما چیست؟
آیا تیم خرید شما همچنان برای تدوین بودجه سال آینده بر پیش بینی های تک عددی تکیه دارد؟ سازمان شما چگونه ریسک انباشته ناشی از نوسانات انرژی و مواد اولیه را به صورت ریاضی مدیریت می کند؟
سهیل چهره ای / سردبیر
