1. No category

Industriell marknadsföring & Supply
Chain Management
Beer game
Grupp 7
2015-11-07
Kristoffer Burman Lundin - krilu717
Kristoffer Enander - krien387
Oscar Hedkrok - osche643
Erik Larsson - erila747
Adam Ågren - adaag479
I denna rapport ämnar vi förklara vår utgång av spelet ”beer game”. För att göra detta bifogar
vi fyra diagram: diagram 1,2,3 och 4.
Diagram 1 visar hur lagernivåerna ser ut för respektive aktör. Som synes i diagrammet blir
fluktuationerna större ju längre bak i kedjan vi tittar. Initialt syns en enorm förändring av
lagernivåerna eftersom efterfrågan ökade från fyra till åtta enheter. Eftersom denna händelse
var den enda som skedde under spelets gång jämnar kurvorna ut sig efter lite mer än hälften
av spelet spelats.
Diagam 2 visar orderstorleken på lagda order från respektive aktör. Även här är
fluktuationerna större ju längre bak i kedjan vi tittar. Kurvorna följer samma mönster som i
det första diagrammet.
Diagram 3 visar de dagliga kostnaderna för varje aktör, och diagram 4 visar den aggregerade
kostnaden för hela supplykedjan. Även dessa diagram följer trenden att den aktör närmast
kund har lägst fluktuation, och den längst ifrån har störst.
Samtliga diagram speglar en 60-dagarsperiod.
Varför ser kurvorna ut som de gör?
I artikeln The Bullwhip Effect In Supply Chains av Lee et al (1997) framgår fyra primära
orsaker till att bullwhipeffekten (BWE) uppstår:
1. Demand forecast updating
Artikeln nämner att en av de största anledningarna till att kurvorna ser ut som de gör är
aktörernas egna uppfattning och deras tillit till andra aktörer. En trend av ökad ordervolym i
första steget tenderar att eskalera i senare led, eftersom aktörerna i det ledet upplever en
ökning och ser en uppåtgående trend. De vill kunna leverera och samtidigt skapa en buffert
om orderstorleken skulle öka ytterligare. Effekten av detta blir större och större ju längre bak i
supplykedjan vi går.
2. Order batching
Den andra punkten som tas upp är orderbatchning. Innebörden av denna punkt är att företag
kan välja att lägga ordrar i batcher istället för att lägga ordrar kontinuerligt. När aktören tar
emot en order betyder det alltså inte nödvändigtvis att man lägger en order motsvarande
orderstorleken hos den inkomna ordern hos sin leverantör. Detta syntets till viss del i vårt fall,
då vissa aktörer valde att lägga en stor order, för att sedan inte lägga någon order alls på
ungefär ⅓ månad. Aktörerna bedrev då en form av biweekly ordering (ibid).
Detta är något som bidrar till en ökad BWE, vilket syns i fabrikens orderstorlek i diagram 2.
3. Price fluctuation
Eftersom vi i vårt spel sålde varor till en konstant kostnad utan att bedriva några kampanjer
eller dylikt, är inte heller fluktuationer i pris relevant för denna rapport och vi förklarar därför
inte begreppet vidare.
4. Rationing and shortage gaming
Den fjärde punkten, rationering och underskottsgaming, är däremot relevant i vårt fall. Det
senare mer än det första, eftersom vi inte valde att rationera ut produkter till våra kunder. Den
formen av gaming som bedrevs i vårt fall var kanske inte gaming i artikelns bemärkelse, utan
snarare att en fabrik valde att medvetet beställa mer produkter än vad som var på orderingång
endast för att få aktören uppströms att producera mer. Anledningen till detta var att den
nedströms aktörern ville uppmärksamma aktören uppströms att en höjning på efterfrågan var
på ingång, vilket dock visade sig vara felaktigt. Detta påverkade kurvorna i de leden bakom
denna aktör.
Beer game
Aktören närmast kund (försäljaren) var den som satte prägel på utformandet av kurvorna
eftersom att det endast var han som hade information om marknadens efterfrågan. När denna
aktör valde att öka sin orderstorlek på beställda varor satte det i gång den BWE som senare
blev synlig i diagram 2. Därigenom skulle man kunna argumentera för att denna aktör var den
som hade störst påverkan på storleken på effekten, men att effekten hade uppstått oavsett hur
denna aktör agerat.
Händelsen som orsakade fluktuationen var en ökning av efterfrågan från fyra till åtta enheter.
Detta var den enda ändring som gjordes under spelets gång, vilket syns då kurvorna jämnar ut
sig efter den initiala spiken (figur 2).
I beer game, påverkades gruppen av vad Lee et al. (1997) beskriver som problemet med
“demand forecast updating”. Detta beskrivs mer ingående ovan men innebär i stora drag
problem med tilliten mellan aktörerna i kedjan vilket leder till felaktiga ordervoylmer.
Almeida et al. (2014) menar att beteendeaspekten är viktigt och vidare hur forskning i ämnet
kan bidra till att minska BWE. Vidare nämner Almeida et al. (2014) också några punkter som
bidrar till BWE, det handlar främst om avsaknad av olika faktorer, bland annat träning,
lärande och erfarenhet. Eftersom att vi inte fick kommunicera med varandra i kedjan blev vi
således tvingade att lita på varandra. Vi hade aldrig spelat beer game förut, vilket logiskt
ledde till att vi hade avsaknad vad gällde erfarenhet och träning. Vidare påverkade den
bristfälliga kommunikationen och avsaknaden av erfarenhet till att prognoserna mellan de
olika stationerna till största del byggde på observationer, med andra ord något som Lee et al
(1997) benämner historisk data. Lee et al. (2007) menar att genom de att olika enheterna i
kedjan påverkar varandra gör det att en felaktigt ordervolym i första steget kan göra att det
eskalerar i senare led. Vidare beskriver Lee et al (2007) att detta är på grund av en
tankeprocess där vi ser mönster. I spelet upplevde vi detta då fluktuationerna blev större ju
längre bak ledet vi kom (se diagram 1). Något som också påverkade våra prognoser var
felaktiga indikationer i början av spelet av spelets ledare som gav indikationer om att
efterfrågan skulle öka till det femdubbla från ursprungsläget.
En viktigt del i dagens dynamiska omvärld är att kunna vara flexibel. Det ställs mer och mer
krav på företag att få ut produkter i tid. Detta gör att säkerhetslager behövs. Lee et al. (1997)
skriver att företag vill kunna leverera och samtidigt skapa en buffert om orderstorleken skulle
öka ytterligare. Effekten av detta blir större och större ju längre bak i supplykedjan vi går,
vidare påverkar även detta BWE. Almeida et al. (2013) påpekar att bristen på tillit skapar
lager. När vi spelade beer game upptäckte vi att säkerhetslager är användbart, vi fick brist (se
diagram 1) och var då tvungna att beställa in stora mängder (diagram 2). Lärdomen tog vi
dock fasta på och efter första misstaget höll vi ett relativt jämt säkerhetslager.
Långa ledtider är också en faktor som förstärker BWE. Eftersom ledtiderna är långa så håller
företag i supplykedjan större säkerhetslager. Det i sin tur leder till att fluktuationerna i
orderkvantiteten blir ännu större. Detta anser vi var fallet vid spelets början. Från det att en
station placerat en order till att den mottog ordern, tog det tre dagar. Eftersom varje station
ville ha ett litet säkerhetslager så lades en större order än den man mottagit. Så gick det i alla
fall till vid spelets början då själva efterfrågeökningen ägde rum.
Vad kunde ha gjorts annorlunda?
Det vi tror hade gjort störst skillnad är Information Sharing (informationsdelning). Genom att
låta delarna uppströms ta del av informationen som är tillgänglig nedströms i ledet skulle
onödigt uppbyggande av lager undvikas, vilket skulle jämna ut kurvorna hos de nedströms
aktörerna. Problemet var att endast aktören närmast kund hade information angående
efterfrågan på produkterna. Hade dessutom alla parter i supplykedjan haft tillgång till denna
rådata, kunde aktörernas prognosmetoder ha synkroniserats. Detta skulle radera problemet
med att alla aktörer i kedjan använde sin egen prognosmetod som framför allt byggde på egna
preferenser och tankegångar, vilket i slutänden hade lett till att BWE inte blivit lika påtaglig.
En annan lösning hade varit att ta bort en eller flera mellanhänder. Om exempelvis
tillverkaren (factory i spelet) skulle sälja direkt till slutkund så skulle BWE elimineras. Som vi
nämnt ovan var de långa ledtiderna också ett av problemen som förstärkte BWE. Hade det
varit möjligt att förkorta ledtiderna i spelet så kunde BWE ha motverkats.
Bullwhipeffekten i verkligheten
Som antyds ovan, var vi inte påverkade av alla BWE-problem som Lee et al. (1997) tog upp i
sin artikel. Eftersom företag idag är mer komplexa är det således logiskt att de också har fler
problem. Med andra ord, ett verkligt företag har större och fler problem än de vi hade. Dock
kan symptomen vi upplevde med “demand forecast updating” fortfarande existera, fast
rimligtvis i kombination med ett annat problem eller i större skala. Trotts detta, är
grundproblemet att inte dela information detsamma oberoende spel eller verklighet.
Forward buying, tar Lee et al. (1997) upp som ett problem. Detta menar författarna kan lösas
med att antigen införa kontinuerligt låga priser eller ett ABC-system. Eftersom vi har stött på
ABC-system i tidigare kurser tordes dock en varning för dess komplexitet och kostnad vara
befogad.
I en verklig situation påverkar frekvens och storlek på ordrar. Orderkostnaden är något som
måste tas i beräkningar även om en digitalisering av processen har reducerat kostnaden. För
att minska den kostnaden tenderar företag att beställa i större intervaller och större kvantiteter.
Detta står i direkt relation till transportkostnaden, ju mer frekventa beställningar desto mer
transporter behövs och en lastbil som transporterar mindre än sin maximala kapacitet innebär
en högre genomsnittlig transportkostnad än en lastbil som transporterar sin maximala
kapacitet, också kallat FTL (full truckload). Orderkostnaden och transportkostnaden kan leda
till att företag beställer mindre frekvent, detta var inget större problem i spelet där vi inte
behövde ha dessa kostnader i åtanke. De mindre frekventa beställningarna kan också bero på
att företag gör en MRP-analys (material required planning) i början av månaden för att
fastställa hur mycket material de behöver under månaden och beställer allting på en gång. Den
inkonsekventa efterfrågan med toppar bidrar till BWE då företaget har svårt att prognostisera
den verkliga konsumtionen. Lösningen kan vara att samordna transporter med andra varor
eller konkurrenter i närheten som köper samma varor, transporten kan då ske i mer frekvent i
mindre proportioner fast fortfarande med FTL.
När kunder tror att deras leverantör inte kan levera varor kan de beställa extra mycket för att
sedan avbeställa de som de inte behöver. Detta görs för att en del leverantörer ransonerar när
de inte kan leverera alla varor, det de gjort då är att leverera med hjälp av en procentsats
baserad på hur mycket alla kunderna har beställt. Detta kan vara ett problem även om
företaget faktiskt kan leverera. Resultatet blir att leverantören inte vet vad den verkliga
efterfrågan samt konsumtionen är och vad av beställningarna som endast är för att få en större
del av ransoneringen. För att motverka det kan leverantörer vara mer öppna och visa på att de
kan levera varor. De kan också basera sin ransonering utifrån tidigare leveranser istället för
storleken på ordern. Det leder till att leverantören har en bättre uppfattning om vad
konsumtionen är.
Under spelets gång var enbart Supply chain av fysiska varor i fokus. I och med att lönsamhet
blir allt svårare för tillverkande företag försöker de vidga sina inkomstkällor genom att
erbjuda helhetslösningar i form av kärnprodukter samt service (t.ex. installation och
efterservice). Genom att erbjuda både kärnprodukter och service skapas en så kallad “Hybrid
Supply Chain”. I Lin et al (2014) beskriver författarna om detta fenomen genom ett exempel
på ett kinesiskt hissföretag som erbjuder både kärnprodukt och service. Vad som är viktigt för
företag att tänka på i framtiden är att det är inte bara bullwhip-effekter inom
produktionssektorn som kan uppstå, utan också inom servicesektorn. Bullwhip-effekter kan
ske om inte tillverkning och sevice inte samarbetar med varandra. Bullwhip-effekter i Hybrid
Supply Chains kan motverkas genom att låta anpassningen av serviceförmågan inom företaget
anpassas med återfyllning av lager. Detta görs eftersom service också behöver lager i form av
extrakomponenter vid reparation.
Spelet var en något förenklad version av verkligheten, det bara fanns en aktör i varje del av
kedjan vilket är något som sällan existerar i en skarp situation. Ett företag kan ha flera olika
kunder och olika leverantörer. Denna variant kallas för “divergent” medan den förenklade
varianten kallas “serial”. Studier har visat att en struktur enligt “divergent” är mindre robust
och mer influerad av BWE och därför krävs det ett bättre informationssystem mellan parterna.
De tekniker för att minska BWE har dock endast undersökt i seriella strukturer och det är
osäkert på vilken effekt de får i en “divergent” struktur. (Domingueza et al, 2014)
Zotteri (2013) har undersökt BWE inom hud- och hygiensektorn i Italien. I studien
undersöktes två led i supplykedjan, nämligen från tillverkare till detaljhandlare till
slutkonsument. Data samlades in både uppströms och nedströms för nio produktfamiljer. För
det första pekar studien på att incitamentsystem är en viktig drivare för att förklara
supplykedjebeteende, i detta fallet BWE. Dock så är studiens mest slående resultat att BWE
varierade betydligt mellan produktfamiljer inom samma marknad, samma bransch och till och
med samma företag.
När det kommer till incitamentsystemet som en drivare av BWE, pekar Zotteri (2013) på
samma fenomen som Lee et al. (1997), nämligen “hockeyklubbaeffekten”. Denna effekt
innebär att slutet på en rapporteringscykel påverkar beteendet av medlemmarna i
supplykedjan. Med andra ord, när säljpersonal har månatliga försäljningsmål att nå så skapas i
slutet av månaden ett driv att nå dessa mål. Detta leder till att säljarna erbjuder detaljhandlare
mycket bra affärsvillkor, exempelvis rabatter och krediter, som ofta är svåra för
detaljhandlarna att tacka nej till.
Incitamentsystemet som en drivare av BWE tillsammans med efterfrågemönster för olika
produktfamiljer skapar det slående resultatet i denna studie. Författarna beskriver de två
produktfamiljerna schampoo och solkräm. Schampoo är en produkt vars efterfrågan är mycket
stabil och förutsägbar medan efterfrågan på solkräm är helt oförutsägbar. Detta leder till att
det är betydligt mer riskfyllt för detaljhandlaren att hålla solkräm i lager än schampoo,
eftersom handlaren inte vet hur länge han kommer att behöva hålla lager av solkräm och
dessutom löper risken att varorna blir inkuranta. När det tillverkande företagets säljare i slutet
av månaden erbjuder rabatter på sina produkter, är det logiskt att detaljhandlaren är tryggare
med att köpa stora mängder schampoo än solkräm. Detta är resonemanget bakom författarnas
slående resultat då de hävdar att när nedströmsefterfrågan är mycket volatil, kommer den även
att förbli volatil i tillverkningsstadiet. Då nedströmsefterfrågan är relativt platt, banar det väg
för säljpersonalens incitamentsystem att skapa en stor BWE.
Cao et al. (2014) beskriver ett annat tillvägagångssätt för att mildra BWE, nämligen det
kinesiska konceptet guanxi. Guanxi trycker på innebörden av interpersonella och
interorganisationella relationer som bygger på återkommande växlingar av tjänster över tiden.
Konceptet bygger på den kinesiska kulturen där en person som mottar en tjänst förväntas
återgälda den tjänster. Guanxi bygger alltså på en djupare känsla av tillit och “commitment”
än kontraktuell tillit baserat på pappersdokument.
Cao et al. (2014) återger att mycket av den tidigare litteraturen har identifierat tillit som en
viktig faktor när det kommer till att reducera BWE. Detta tillsammans med att tillit har blivit
identifierat som en komponent av guanxi, menar författarna att guanxi måste ha potentialen
att reducera problem som uppstår på grund av BWE. Cao et al. (2014) kommer genom sin
empiriska resultat fram till att fördelarna med guanxi inkluderar en minskad BWE, förbättrade
finansiell metrik samt ökade marknadsandelar.
Referenser
Almeida, M. M. K., Marins, F. A. S., Salgado, A. M. P., Santos, F. C. A. & Silva, S.L. (2014).
Mitigation of the bullwhip effect considering trust and collaboration in supply chain
management: a literature review. International Journal of Advanced Manufacturing
Technology. 77:495–513
Cao, Q., Baker, J. & Schniederjans, D. (2014). Bullwhip effect reduction and improved
business performance through guanxi: An empirical study. International Journal of Production
Economics. 158. 217-230.
Domingueza, R., Framinana, J.M., Cannellab, S. (2014). Serial vs. divergent supply chain
networks: a comparative analysis of the bullwhip effect. International Journal of Production
Research, Vol. 52, No. 7, 2194–2210.
Lee, H.L., Padmanabhan, V. & Whang, S. The Bullwhip Effect In Supply Chains. Sloan
Management Review. 38(3). 93-102.
Lin,W., Jiang, Z., Liu, R. &Wang, L. (2014). The Bullwhip effect in hybrid supply chain.
International Journal of Production Research. 52(7). 2062-2084.
Zotteri, G. (2013). An empiricalinvestigationoncausesandeffectsoftheBullwhip-effect:
Evidence fromthepersonalcaresector. International Journal of Production Economics.143.
489–498
Bilagor
Diagram 1 - Lagernivå
Diagram 2 - Orderkvantitet
Diagram 3 – Daglig kostnad
Diagram 4 – Aggregerad kostnad