EXAMENSARBETE
Materialförsörjning
Effektivisering för ökad leveransservice och minskad totalkostnad
Lisa Flemström 2013
Civilingenjörsexamen Industriell ekonomi
Luleå tekniska universitet
Institutionen för ekonomi, teknik och samhälle
Förord
Det här examensarbetet är det avslutande momentet i min civilingenjörsutbildning inom industriell ekonomi med inriktning logistik vid Luleå tekniska universitet. Examensarbetet har genomförts vid Lundqvist Trävaru AB under 20 veckor vårterminen 2013 och omfattar 30 högskolepoäng. Resultatet av studien och den här rapporten ska representera vad jag har lärt mig under mina fem utbildningsår.
Jag är tacksam för de lärdomar som examensarbetet genererat och jag hoppas att Lundqvist Trävaru AB också funnit samarbetet givande. Jag vill tacka samtliga anställda på företaget som visat ett stort engagemang och tagit sig tid att svara på frågor. Det är tack vare er som jag har haft möjligheten att genomföra denna studie.
Jag vill tacka min handledare, Martin Holmbom vid Luleå tekniska universitet, som visat tålamod och bistått med stöd och vägledning under arbetets gång. Vidare vill jag även tacka alla som deltagit i seminarium under arbetets gång och bidragit med värdefulla åsikter och synpunkter.
Slutligen vill jag tacka min familj och mina vänner för ert stöd under hela min utbildning, det har varit ovärderligt!
Luleå, juni 2013.
___________________
Lisa Flemström
Sammanfattning
För alla producerande företag är material och komponenter en förutsättning för att kunna tillverka sina produkter och uppfylla kundernas krav och önskemål. Stora orderkvantiteter bidrar till högre lagernivåer och ökad lagerhållningskostnad men möjliggör en hög leveransservice. Små orderkvantiteter bidrar till lägre lagerhållningskostnad men risken finns att bristsituationer uppstår som kan orsaka produktionsstörningar. Förändrade förutsättningar, såsom ökad efterfrågan eller senarelagd leverans från leverantör, gör det ännu svårare för företag att leva upp till kundernas krav och önskemål. Det krävs ständiga avvägningar mellan resursutnyttjande, kapitalbindning och leveransservice för att hitta bästa totallösning.
Syftet med examensarbetet var att undersöka hur materialförsörjning kan effektiviseras för att uppnå ökad leveransservice och minskad totalkostnad. Mer specifikt har studien fokuserat på hur efterfrågan kan prognostiseras, hur orderkvantiteter och orderperiodiciteter kan beräknas samt hur osäkerheter kan hanteras.
En fallstudie har genomförts vid Lundqvist Trävaru AB i Öjebyn, Sverige. Företaget tillverkar byggnader i trä såsom garage, fritidshus och liknande enligt kundens önskemål.
Trä, även kallat virke, är deras viktigaste råmaterial till produkterna. Specialbehandlat virke till takstolar (C24) används till samtliga byggnader och standardpanel utgör drygt 70 % av allt virke till panel. I dagsläget sker inköp av C24 och standardpanel i stora orderkvantiteter och medellagernivåerna är höga, till exempel motsvarar medellagret av C24 mer än halva sin årsförbrukning.
Primärdata har samlats in genom intervjuer och observationer och insamling av sekundärdata har gjorts genom företagets försäljnings- och inköpshistorik. Empiri kombinerat med den teoretiska referensramen har utgjort grunden i analyserna som sedan studiens resultat och rekommendationer är baserat på. Studien visar att Lundqvist Trävaru AB kan minska sin totalkostnad för C24 och standardpanel med 82 % respektive 41 %.
Då studien endast inkluderat ett fallstudieobjekt kan dess resultat inte generaliseras.
Arbetsmetodiken och analysernas kan dock tillämpas av andra tillverkande företag i arbetet med att effektivisera sin materialförsörjning för att uppnå ökad leveransservice och minskad totalkostnad. Arbetsmetodiken och analyserna presenteras i studiens slutsats och kan sammanfattas i följande aktiviteter:
1. Kartläggning av nuvarande materialförsörjning och tillhörande aktiviteter 2. Prognostisering av efterfråga med hänsyn till identifierat efterfrågemönster 3. Partiformning med ändamålsenlig metod
4. Dimensionering av säkerhetslager enligt önskad servicenivå och rådande osäkerheter.
Ett förslag till vidare studier är att undersöka huruvida partiformningsmetoden Wagner &
Whitin-algoritmen alltid kommer att resultera i lägst totalkostnad eller om olika partiformningsmetoder är att föredra vid olika efterfrågemönster.
Abstract
Materials and components are essential for all manufacturing companies to manufacture their products and meet customer requirements. Large order quantities contribute to higher inventory levels and increased holding costs but allow high delivery service. Small order quantities contribute to lower holding costs but there is a risk that shortage arises that may cause disruptions in the manufacturing process. Changed conditions, such as increased demand or delayed delivery from suppliers, make it even more difficult for companies to meet customer requirements. It requires constant tradeoffs between resource utilization, working capital and delivery service to find the best overall solution.
The purpose of this study was to examine how the supply of material can become more efficient to achieve enhanced delivery service and reduced total cost. More specifically the study focused on how demand can be forecasted, how order quantities and time between orders can be calculated and how uncertainties can be managed.
A case study has been conducted at Lundqvist Trävaru AB in Öjebyn, Sweden. The company manufactures wooden buildings such as garages, cottages and similar according to customers wishes. Wood, also known as timber, is their most important raw material for the products. Specially treated wood for roof trusses (C24) are used for all buildings and standard panel represents over 70% of all timber used for panel. In the current situation Lundqvist Trävaru AB purchases C24 and standard panel in large order quantities and the average inventory levels are high, for example the average inventory level of C24 is equivalent to more than half of its annual consumption.
Collection of primary data was conducted through interviews and observations, and secondary data has been collected from the company's sales history and accounting.
Empirical data combined with the theoretical framework has been the basis of the analyzes which the study's findings and recommendations are based on.The study shows that Lundqvist Trävaru AB can reduce their total cost of C24 and standard panel by 82%
and 41% respectively.
The study only included one case and therefor its results cannot be generalized. The work methodology and the analysis can be applied to other manufacturing companies in efforts to streamline its supply of materials to achieve enhanced service delivery and reduced overall cost. The working methodology and analyzes are presented in the study's conclusion and can be summarized in the following activities:
1. Mapping of current materials supply and related activities
2. Forecasting of demand taking into account identified demand patterns 3. Lot sizing with an appropriate method
4. Design of safety stock according to the required level of service and the prevailing uncertainties.
A suggestion for further study is to examine whether the lot sizing method Wagner &
Whitin algorithm always will result in the lowest total cost, or if different lot sizing methods are preferred for different demand patterns.
Innehållsförteckning
1. Inledning! 1
1.1 Bakgrund! 1
1.2 Problemdiskussion! 2
1.3 Syfte och forskningsfrågor! 3
1.4 Fokus och avgränsningar! 3
2. Metod! 4
2.1 Forskningsmetodik! 4
2.2 Datainsamling! 5
2.3 Dataanalys! 6
2.4 Reliabilitet och validitet! 6
2.5 Tillvägagångssätt! 8
3. Teori! 9
3.1 Kostnad! 10
3.2 Prognostisering! 11
3.3 Partiformning! 13
3.4 Säkerhetslager! 18
4. Empiri! 20
4.1 Lundqvist Trävaru AB! 20
4.2 Byggsystem! 20
4.3 Produktionsplanering! 25
4.4 Produktionsprocesser! 27
4.5 Efterfrågan! 28
4.6 Materialförsörjning! 30
5. Analys! 34
5.1 Prognostisering! 34
5.2 Partiformning! 37
5.3 Säkerhetslager! 45
6. Förbättringsförslag! 48
6.1 Rekommendationer! 48
6.2 Ökad leveransservice och minskad totalkostnad! 49
7. Slutsatser! 51
7.1 Studiens resultat! 51
7.2 Förslag till fortsatta studier! 52
8. Diskussion! 54
8.1 Studiens begränsningar! 54
8.2 Lagerränta och ordersärkostnad! 55
9. Referenser! 64
9.1 Tryckta referenser! 64
9.2 Elektroniska referenser! 65
9.3 Bilder! 65
Bilaga A: Takstolar! I
Bilaga B: Efterfrågan! III
Bilaga C: Prognostisering! IX
Bilaga D: Partiformning EOQ! XI
Bilaga E: Partiformning Silver & Meal! XIV Bilaga F: Partiformning Wagner & Whitin! XVI Bilaga G: Partiformning lägsta enhetskostnad! XX Bilaga H: Partiformning periodisk orderkvantitet! XXII
Bilaga I: Standardavvikelse ! XXIV
1. Inledning
Inledningsvis presenteras en bakgrund som sedan fördjupas i en problemdiskussion och avslutningsvis presenteras syfte, forskningsfrågor och avgränsningar.
1.1 Bakgrund
Det primära målet för ett vinstdrivande företag är, enligt Olhager (2000), att skapa lönsamhet. Vidare menar författaren att konkurrenssituationen har blivit alltmer komplex där kunderna ställer högre krav på bra kvalitet, hög leveransförmåga och hög flexibilitet kombinerat med ett konkurrenskraftigt pris. Detta ställer höga krav på företag och deras produktionsverksamhet för att skapa långsiktig lönsamhet. Före detta styrelseordförande för BMW, von Kuenheim, menar att det inte är storleken som avgör vem som är bäst utan hur snabbt ett företag kan anpassa sig till förändringar på marknaden och rådande konkurrenssituation; ”The big don´t eat the little, the fast eat the slow” (The New York Times, 1989).
Enligt Oskarsson, Aronsson & Ekdahl (2006) är logistik en viktig faktor för att skapa konkurrenskraft och lönsamhet. Oskarsson et al. (2006) förklarar att logistikens mål är att skapa kostnadseffektiva flöden och under de senaste decennierna har logistik utvecklats från att innefatta lager och transporter till att innefatta samtliga processer och ha ett totalkostnadsperspektiv. Författarna menar att ett effektivare logistiksystem är nyckeln till ökad konkurrenskraft och bättre lönsamhet för många företag.
Logistik är ett brett begrepp som, enligt Segerstedt (2008), strävar efter att skapa effektiva flöden såväl internt i ett företag som i hela förädlingskedjan. Författaren poängterar att det inte är finansiella mått som skapar lönsamhet utan det är hur väl de interna processerna fungerar som avgör lönsamheten. Således berör och påverkar logistik hela företaget.
Enligt Jonsson & Mattsson (2005) kan ett tillverkande företag delas in i fyra huvudfunktioner: inköp, produktion, marknad och ekonomi. Författarna menar att det kan uppstå målkonflikter mellan dessa funktioner eftersom inköp vill uppnå låga inköpskostnader genom att beställa stora kvantiteter som ger kvantitetsrabatt.
Produktionen vill tillverka stora serier för att reducera ställtider och därmed minska tillverkningskostnaderna. Marknad vill att det ska finnas en stor produktmix i färdigvarulagret för snabb leverans till kund alternativt producera små serier med korta ledtider så att unika kundorder snabbt kan tillmötesgås. Slutligen vill ekonomi uppnå hög vinst, bra likviditet och låg kapitalbindning genom att producera kortare serier och minska lagernivåerna. (Jonsson & Mattsson, 2005)
Ju större ett företag är desto mer komplex blir även organisationen och Hillier & Lieberman (2010) menar att risken då är stor att det skapas olika grupperingar inom företaget som arbetar efter egna mål och därmed mister helhetsbilden av företagets verksamhet.
Eftersom logistik berör hela företaget menar Oskarsson et al. (2006) att det är vitalt att ha ett helhetsperspektiv för att kunna minska totalkostnaden. Författarna menar att delarna i ett företag måste sättas in i helheten för att hitta bästa totallösning och poängterar att det är det svåraste att arbeta med både delarna och helheten samtidigt.
Segerstedt (2008) anser att det ständigt måste göras avvägningar mellan resursutnyttjning, kapitalbindning och leveransservice för att hitta bästa totallösning.
Författaren menar att hög leveransservice, vid produktion mot lager, kan uppnås genom att ha ett stort färdigvarulager vilket innebär kapitalbindning och därmed kostnader för ett
företag. Vid produktion mot kundorder kan hög leveransservice uppnås genom att resurser finns tillgängliga i väntan på att snabbt hantera kundordern vilket innebär lågt resursutnyttjande och därmed höga kostnader per order.
Enligt Jonsson & Mattsson (2005) kan tillverkande företag, ur ett logistikperspektiv, karakteriseras av flöden av material från leverantör in till företaget, flöden av material i företaget för tillverkning samt flöden av färdiga produkter ut från företaget till kunder.
Oavsett om företag producerar mot lager, kundorder eller en kombination av dessa så är flöden av material från leverantör in till företaget en förutsättning för att kunna tillverka produkter.
1.2 Problemdiskussion
Enligt Storhagen (2011) utgör inköp av material den totalt sett största kostnadsposten för många företag. Vidare menar författaren att en liten minskning i inköpskostnaderna ger en förhållandevis stor vinst för företaget jämfört med om samma vinstökning ska uppnås genom ökad försäljning. Storhagen (2011) poängterar dock att det inte uteslutande är inköpspriset som är avgörande, det är minst lika viktigt att uppnå låga hemtagningskostnader, effektivt utnyttjande av råmaterial samt lämplig kvalitet och kvantitet det vill säga en kostnadseffektiv leveransservice.
Mattsson (2012) menar att förekomsten av lager har ifrågasatts sedan Just-In-Time- filosofin introducerades i Sverige under 80-talet, där lager generellt betraktas som en belastning då det orsakar kapitalbindning. Enligt Bergman & Klefsjö (2007) förespråkar Lean Production-filosofin att lager ska elimineras då det inte skapar något värde och betraktas som ett slöseri men samtidigt betraktas väntan i produktion som ett slöseri. ”Om en maskin eller en operatör måste vänta på resurser av olika slag, som verktyg eller materialinformation, så skapas inget värde” (Bergman & Klefsjö, 2007 s. 623).
Således kan brist på material vara ett slöseri samtidigt som lagerhållning av material anses vara slöseri. Enligt Segerstedt (2008) är det nödvändigt för de flesta tillverkande företag att ha en viss lagerhållning för att förebygga störningar i produktionen som kan orsaka försäljningsförluster eller försenade leveranser till kund, vilket innebär en försämrad leveransservice. Segerstedt (2008) poängterar att ett överdimensionerat lager medför onödiga kostnader men ett underdimensionerat lager kan innebära att bristsituationer uppstår och därmed också produktionsstörningar. Vidare förklarar författaren att orderkvantitet och lagerstorlek hör samman, där stora orderkvantiteter medför större genomsnittslager än om mindre orderkvantiteter används mer frekvent. Enligt Storhagen (2011) innebär stora orderkvantiteter lägre hemtagningskostnader men högre l a g e r h å l l n i n g s k o s t n a d e r m e d a n m i n d r e o r d e r k v a n t i t e t e r i n n e b ä r h ö g r e hemtagningskostnader framförallt på grund av mer frekventa order och transporter men även lägre lagerhållningskostnader. Således bidrar större inköpskvantiteter till ökad kapitalbindning men för små kvantiteter riskerar att bristsituationer uppstår som då kan orsaka produktionsstörningar.
Enligt Oskarsson et al. (2006) är det viktigt att erbjuda en service som svarar mot kundernas krav och önskemål. Författarna menar dock att planer och förutsättningar kan förändras, såsom variationer i efterfrågan eller leveranstid från leverantör, vilket gör det svårare att leva upp till kundernas krav och önskemål. Förändrade planer och förutsättningar innebär osäkerheter som måste hanteras för att kunna erbjuda en hög
Oskarsson et al. (2006) menar att långa ledtider från leverantörer, låg leveranspålitlighet och ökad efterfrågan ökar risken för störningar i produktionen och detta kompenseras genom att företag skapar säkerhetslager. På detta sätt uppnås en störningsfri produktion men det innebär också ökade kostnader. Återigen krävs en avvägning mellan resursutnyttjande, kapitalbindning och leveransservice för att hitta bästa totallösning.
1.3 Syfte och forskningsfrågor
Syftet med det här arbetet är att undersöka hur materialförsörjning kan effektiviseras för att uppnå ökad leveransservice och minskad totalkostnad. Således formuleras det övergripande forskningsproblemet på följande sätt:
Hur kan materialförsörjning effektiviseras för att uppnå ökad leveransservice och minskad totalkostnad?
Det övergripande forskningsproblemet bryts ner i följande tre forskningsfrågor:
! RQ1: Hur kan efterfrågan prognostiseras?!
! RQ2: Hur kan orderkvantiteter och orderperiodiciteter beräknas?
! RQ3: Hur kan osäkerheter hanteras?
1.4 Fokus och avgränsningar
Studien fokuserar på hur materialförsörjning kan förbättras med befintlig lagerlayout, verktyg, maskiner och IT-system. Studien behandlar inte leverantörsutvärderingar, antal leverantörer, relationer till leverantörer och liknande. Förändringar på marknaden, eventuella expansioner eller förändringar i försäljning kommer inte att tas hänsyn till.
Lagerhållningskostnad och ordersärkostnad kommer utgöra basen för totalkostnad således kommer andra kostnader att exkluderas.
2. Metod
I den här delen av rapporten presenteras den forskningsmetodik som används samt tillvägagångssättet för att genomföra forskningen.
2.1 Forskningsmetodik
Enligt Saunders, Lewis & Thornhill (2009) beskriver forskningsmetodiken syftet med forskningen, dess förhållningssätt till teorier samt den strategi som används för att genomföra forskningen.
2.1.1 Forskningssyfte
Saunders et al. (2009) förklarar att forskningssyftet avgör vilka metoder som är mest lämpliga att använda vid datainsamling och analys. Författarna presenterar tre olika forskningssyften: undersökande, beskrivande och förklarande studier. Vidare förklarar författarna att undersökande studier genomförs för att skapa en förståelse för vilka variabler som är relevanta inom det studerade området, beskrivande studier genomförs för att skapa en förståelse för de relevanta variablerna inom det studerade området och förklarande studier genomförs för att skapa en djupare kunskap samt förstå orsak och verkan mellan variabler inom det studerade området. Saunders et al. (2009) poängterar dock att en studie oftast är en kombination av två syften men där ett är mer dominant än det andra.
Materialförsörjning är ett område där det har bedrivits forskning och utveckling i minst ett sekel och kunskapen inom området kan därför anses vara stor. Materialförsörjning är dock ett komplext område där problem fortfarande uppstår och teori och praktik inte alltid går hand i hand. Av den anledningen var det viktigt att skapa en förståelse för de relevanta variablerna samt hur dessa påverkar leveransservice och totalkostnad. Studiens syfte kan därför anses vara av beskrivande karaktär.
2.1.2 Forskningsansats
Enligt Olsson & Sörensen (2011) anger studiens ansats dess förhållningssätt till teorier och hur teorier används i studien. Författarna förklarar att utgångspunkten vid en deduktiv ansats är befintliga teorier som sedan testas exempelvis genom hypoteser i verkligheten och vid en induktiv ansats är verkligheten utgångspunkten och resultatet bidrar till utveckling av nya teorier inom det studerade området. Enligt Saunders et al. (2009) beror valet av ansatsmetod på hur mycket kunskap det finns sedan tidigare inom det studerade området. Olsson & Sörensen (2011) tillägger även en tredje ansatsmetod, abduktion, och förklarar att det är en blandning mellan induktion och deduktion. Induktion används inledningsvis för att skapa en förståelse för nuläget och deduktion används sedan för att öka förståelsen för det studerade fenomenet.
Då det är många olika faktorer som kan påverka materialförsörjning och dess effektivitet ansågs det nödvändigt att skapa en förståelse för nuläget och det studerade fenomenet innan en ökad förståelse för det studerade området kunde uppnås med hjälp av teorier.
Således kan forskningsansatsen definieras som abduktion där induktion användes inledningsvis och sedan användes deduktion med syfte att öka förståelsen för forskningsområdet materialförsörjning.
undersökningar där resultatet ska skapa en djupare förståelse för det studerade fenomenet. Vidare förklarar författarna att forskning oftast är en kombination av kvalitativ och kvantitativ men där en är mer dominerande. Enligt Saunders et al. (2009) är undersökande studier vanligtvis kvalitativa medan förklarande studier vanligtvis är kvantitativa och vid beskrivande studier beror det på det studerade fenomenet om studien är kvalitativ eller kvantitativ. Den här studien kan anses vara av kvalitativ karaktär där syftet med den beskrivande studien var att skapa en djupare förståelse för det studerade fenomenet.
2.1.3 Forskningsstrategi
Enligt Yin (2009) finns det fem olika strategier för hur data kan insamlas; experiment, enkät, analys av arkiv, studie av historiska data samt fallstudie. Författaren förklarar att målet med val av forskningsstrategi är att göra det bästa möjliga av befintliga resurser.
Vidare förklarar Yin (2009) att val av forskningsstrategi bör bero på studiens syfte, om studiens kräver kontroll över beteendet av det studerade fenomenet samt om studien fokuserar på nutida eller historiska händelser. Tabell 2.1 visar en överblick av olika strategier och vid vilka situationer det är lämpligt att använda dem.
Tabell 2.1: Överblick när det är lämpligt att använda forskningsstrategi. (COSMOS Corporation, refererad till i Yin, 2009 s.8)
Strategi Typ av forskningsfrågor Kräver kontroll av beteendet
Fokus på nutida händelser
Experiment Hur, varför Ja Ja
Enkät Vem, vad, var, hur många, hur mycket Nej Ja
Analys av arkiv Vem, vad, var, hur många, hur mycket Nej Ja/Nej
Studie av historiska data Hur, varför Nej Nej
Fallstudie Hur, varför Nej Ja
Den här studien fokuserade på nutida händelser dock var historiska händelser av intresse för att upptäcka förändringar över tiden. Experiment kräver kontroll över beteendet vilket inte ansågs nödvändigt inom denna studie. Då syftet med studien var att skapa en djupare förståelse för det studerade fenomenet användes forskningsstrategin fallstudie där ett företag utgjorde objekt för studien. Analys av arkiv användes inom fallstudien för att besvara hur många inköp av material som görs samt hur mycket material som köps och förbrukas över tiden.
2.2 Datainsamling
Enligt Eriksson & Wiedersheim-Paul (2006) är data antingen primär eller sekundär där primärdata samlas in specifikt för studien och sekundärdata är information som har samlats in för ett annat syfte och kan behöva bearbetas för att kunna användas i studien.
Författarna skiljer på tre olika typer av sekundärdata: dokument, sammanställningar samt enkäter. Insamling av sekundärdata kan, enligt Saunders et al. (2009), exempelvis ske via Internet, databaser, tidningar, dokument.
Eriksson & Wiedersheim-Paul (2006) förklarar att insamling av primärdata kan ske genom observationer, intervjuer, fokusgrupper och enkäter. Saunders et al. (2009) delar upp observationer i två olika kategorier: deltagande observationer samt strukturerade observationer. Författarna förklarar att skillnaden mellan dessa två kategorier är att deltagande observationer är kvalitativa där fokus är att upptäcka varför en viss händelse sker medan strukturerade observationer är kvantitativa med fokus på hur ofta en händelse sker.
Enligt Bell (2006) kan intervjuer delas in i strukturerade, semi-strukturerade och ostrukturerade intervjuer. Bell förklarar att strukturerade intervjuer är vanligast vid kvantitativa studier och ju mer kvalitativ en studie är desto mer ostrukturerad bör intervjun vara. Ostrukturerade intervjuer används för att skapa en djupare förståelse samt ge utrymme för den som blir intervjuad att tala fritt om det som denne tycker är viktigt inom det studerade området.
För att skapa en djupare förståelse för nuläget och hur fallstudieobjektet arbetar med materialförsörjning användes deltagande observationer. I kombination med de deltagande observationerna genomfördes ostrukturerade intervjuer där respondenterna gavs utrymme att tala fritt. Fallstudieobjektet har sju helårsanställda och samtliga har intervjuats således gjordes inget urval.
Sekundärdata samlades in från fallstudieföretagets IT-system samt bokföring. Data från IT- systemet användes för att kartlägga efterfrågan och undersöka eventuella förändringar genom åren. Bokföringen användes för att finna data på hur mycket och hur ofta material beställdes hem.
2.3 Dataanalys
Data kan vara antingen kvalitativ eller kvantitativ och analyseras därför olika enligt Eriksson & Wiedersheim-Paul (2006). Författarna förklarar analys av kvantitativ data oftast påbörjas efter att all data samlats in medan analys av kvalitativ data kan påbörjas samtidigt som den samlas in. Enligt Yin (2009) är det tydligare hur kvantitativ data ska analyseras där data oftast sammanställs i grafer och tabeller för att generera statistik.
Författaren förklarar att kvalitativ data kräver att data sammanställs, kategoriseras och struktureras för att förstå innebörden av den vilket kan bli problematiskt vid alltför stora datamängder. Tabell 2.2 visar en översikt av hur kvantitativ respektive kvalitativ kan insamlas, redovisas och analyseras (Eriksson & Wiedersheim-Paul, 2006).
Tabell 2.2: Insamling, redovisning och analys av kvantitativ respektive kvalitativ data. (Eriksson &
Wiedersheim-Paul, 2006 s. 120)
Inriktning Data Syfte Exempel Insamling Redovisning Analys Kvantitativ Siffror Bestämda
egenskaper
Genus Inkomst
Enkät Arkiv Intervju
Tabell Grafer Diagram
Genomsnittsmått Variation
Samband
Kvalitativ Termer Betydelser Mening
Dilemman Beslut Värdering
Intervju Observation
Citat Berättelse Fallbeskrivning
Dekonstruktion Diskursanalys Narrativ analys Grundad teori
Data som samlas in i den här studien var framförallt kvantitativ som insamlats från arkiv (IT-system och bokföring) och den sammanställdes i grafer och tabeller för att analyseras.
Således insamlades all data innan analys påbörjades. Kvantitativ data kompletterades med kvalitativ data, som insamlades genom intervjuer och observationer, för att öka förståelsen för nuläget. Kvalitativ data redovisades för att skapa en större förståelse för fallstudieföretagets verksamhet. Dock var det framförallt kvantitativ data som analyserades och utgjorde grunden i förbättringsförslagen.
2.4 Reliabilitet och validitet
samt dess genomförande är trovärdigt och validitet innebär att studien mäter det som den avsåg att mäta. Easterby-Smith, Thorpe, Jackson & Lowe (2008 s. 109) presenterar tre frågor som kan användas för att bedöma reliabiliteten i en undersökning:
5. Kommer mätningarna ge samma resultat vid andra tillfällen?
6. Kommer liknande observationer uppnås av andra observatörer?
7. Finns det insyn i hur data analyserades och tolkades?
Robson (2002) identifierar fyra kategorier som kan påverka reliabiliteten: ämnes- och deltagarfel, ämnes- och deltagarpåverkan, observationsfel samt observationspåverkan.
Ämnes- och deltagarfel kan till exempel uppstå om samma person ger olika svar beroende på när denne blir tillfrågad. Ett exempel på ämnes- och deltagarpåverkan kan vara att respondenten i en intervju svarar det som denne tror att någon annan vill höra som svar istället för sanningen. Med observationsfel menas att samma situation kan uppfattas på olika sätt av olika personer, till exempel kan respondenter i intervjuer uppfatta samma fråga olika beroende på vem som intervjuar. Med observationspåverkan menas att samma svar kan uppfattas olika beroende på vem som observerar det vilket i sin tur kan leda till olika slutsatser.
Validiteten i en studie kan, enligt Robson (2002), hotas av diverse olika orsaker. Robson identifierar sex olika kategorier av hot: tid - om mätningar genomfördes vid en lämplig tidpunkt, test - deltagare i studien tror att resultatet kan vara negativt för dem och försöker därför påverka studien på något sätt, medverkan - deltagarna i studien blir mer motiverade än vanligt och påverkar därmed studiens resultat, mortalitet - deltagare hoppar av innan studien är färdig, mognad - det studerade fenomenet utvecklas under studiens gång, motstånd - deltagarna är negativa till studien vilket kan påverka resultatet.
Kontinuerliga avstämningar genomfördes med de anställda på fallstudieföretaget för att verifiera att författarens uppfattning om diverse situationer, till exempel rutiner för inventering av lagernivåer, stämde överens med företagets bild. Samtliga helårsanställda vid fallstudieföretaget inkluderades i studien och intervjuades för att få en så rättvis bild som möjligt av nuvarande situation. Vid tillfällen då de intervjuade gav olika svar på samma fråga, till exempel hur inventering av lagernivåer sker, spenderades tid till att observera hur det verkligen fungerar för att sedan ställa frågor igen till de anställda och få reda på hur det egentligen fungerar. Att använda flera olika källor kallas, enligt Saunders et al. (2009), för triangulering vilket är viktigt för att öka trovärdigheten på informationen.
Resultaten av studien baserades framförallt på kvantitativ data från försäljningshistorik och bokföring. Risken för såväl positiv som negativ påverkan av resultaten ansågs därför vara liten eller obefintlig.
Vid studiens start hade fallstudieföretaget expansionsplaner och vissa av dem har utvecklats under studiens genomförande. Dessa förändrade förutsättningar är avgränsat från studien och något som företaget genomfört parallellt med befintlig verksamhet.
Expansionen påverkade därför inte studien i sig eller dess resultat. Däremot innebär ökad försäljning att efterfrågan av virke kommer att öka för företaget, vilket måste tas i beaktning om de väljer att anamma förbättringsförslagen.
2.5 Tillvägagångssätt
Figur 2.1 visar det övergripande tillvägagångssättet för studiens genomförande. Studiens syfte och forskningsfrågor var grunden vid insamling av data och således även vid litteraturstudien som utgjorde den teoretiska referensramen. Kartläggning av nuläget var nödvändigt för att skapa en förståelse för fallstudieobjektets olika produkter, rutiner kring materialförsörjning samt deras försäljningshistorik. Empirin användes sedan tillsammans med den teoretiska referensramen för att analysera olika alternativ. Resultatet av analysen mynnade ut i slutsatser och rekommendationer hur materialförsörjning kan effektiviseras.
Figur 2.1: Studiens tillvägagångssätt.
3. Teori
I den här delen av rapporten presenteras de teorier som används inom studien.
Inledningsvis presenteras en teoretisk referensram som beskriver hur teorierna används sedan presenteras varje teori och dess innebörd.
Figur 3.1 illustrerar hur teorierna användes till respektive forskningsfråga samt forskningsfrågornas relation.
Figur 3.1: Teoretisk referensram.
Vid prognostisering användes inledningsvis teorier om efterfrågemodeller för att identifiera vilken typ av efterfrågan fallstudieobjektet hade. Utfallet av analysen blev grunden för vilken typ av prognostisering som bör göras där teorierna glidande medelvärde, exponentiell utjämning samt säsongsindex presenterades som möjliga alternativ.
Prognostiseringen användes vid beräkning av orderkvantiteter, orderperiodiciteter samt för att beräkna hur osäkerhet kan hanteras med hjälp av säkerhetslager. Vid beräkning av orderkvantiteter krävdes det att lagerhållningskostnaden samt ordersärkostnaden är känd således användes teorier för att beräkna dessa kostnader. Därefter tillämpades beräkningar enligt olika partiformningsmetoder såsom EOQ, Silver & Meal, Wagner &
Whitin, Lägsta enhetskostnad, Periodisk orderkvantitet samt periodens behov. Med hjälp av partiformningsmetoderna och prognostiseringen kunde även orderperiodiciteter beräknas.
Teorier om säkerhetslager såsom SERV1 och SERV2 användes tillsammans med prognostiseringen för att beräkna dimensionering av säkerhetslager, vilket är ett sätt att hantera osäkerheter.
3.1 Kostnad
Enligt Nahmias (2009) omfattar logistikens totalkostnadsperspektiv många olika kostnader men inom lagerstyrning är det framförallt ordersärkostnad och lagerhållningskostnad som är i fokus. Lagerstyrning fokuserar främst på tre huvudfrågor enligt Oskarsson et al.
(2006); när produkter ska beställas, storlek på orderkvantiteter samt hur osäkerhet kan hanteras. Enligt författarna kan totalkostnad för beordring och lagerhållning beräknas på följande sätt:
(3.1)
Cr = totalkostnad lagerhållning CK = totalkostnad beordring r = lagerränta
p = pris
Q = orderkvantitet K = ordersärkostnad D = årlig efterfrågan
3.1.1 Lagerhållningskostnad
Enligt Olhager (2000) inkluderar lagerhållningskostnader i första hand kostnader för kapitalbindning men även andra fördelade kostnader såsom materialhantering, lagerhyra, försäkring, kassationer och inkurans. Författaren menar att lagerhållningskostnaden oftast antas vara linjärt beroende av antalet artiklar i lagret; där lagerhållningskostnaden beräknas genom att multiplicera en bestämd lagerhållningsränta med artikelvärdet.
Lagerhållningsräntan kan, enligt Olhager (2000), variera mellan artiklar i lagret beroende på hur skrymmande och svårhanterliga dessa är. Författaren menar att lagerräntan vanligtvis varierar mellan cirka 15-40 % beroende på vilka kostnader som beaktas. Enligt Mattsson (2013) använder svenska företag vanligtvis en lagerränta mellan 20-30 % men det kan förekomma högre värden i enstaka fall som då oftast beror på höga förräntningskrav på kapital.
Oskarsson et al. (2006) delar upp lagerhållningskostnader i lagerföringskostnader och hanteringskostnader. Lagerföringskostnader inkluderar kapitalbindning och riskkostnader såsom svinn, kassationer och försäkringspremier. Hanteringskostnader inkluderar de kostnader som finns för att driva ett lager såsom kostnader för lagerbyggnaden, arbetskraft, lagrings- och hanteringsutrustning samt transporter inom anläggningen. Enligt Oskarsson et al. (2006) är lagerföringskostnaden beroende av den lagrade volymen men att hanteringskostnaden på kort sikt är oberoende av den lagrade volymen. Författarna menar att hanteringskostnaden är densamma oavsett om lagervolymen varierar inom ett visst intervall eftersom kostnaden för lageryta (inom ett intervall) är densamma oavsett hur mycket yta som utnyttjas.
Enligt Mattsson (2013) kan en lagerränta uppskattas genom att beräkna totala lagerhållningskostnader och dividera det med medellagervärdet vilket ger en procentsats.
Författaren nämner tio olika kostnadstyper som kan inkluderas vid beräkning av lagerhållningskostnader:
1. Lokalkostnader
2. Kostnader för hyllor, ställage och dylikt 3. Kostnader för hanteringsutrustning 4. Hanteringskostnader
5. Försäkringskostnader
6. Kostnader för värdeminskning 7. Inventeringskostnader
8. Administrativa kostnader 9. Databehandlingskostnader 10. Personalledningskostnader
Mattsson (2013) menar att vilka kostnader som inkluderas kan variera beroende på om kostnaderna är beroende av antalet lagrade artiklar eller om företaget alltid har dessa kostnader oavsett antal artiklar i lagret. Till detta adderas sedan företagets förutbestämda kapitalkostnad. Kapitalkostnad kan, enligt Mattsson (2013), bestämmas på två olika sätt;
1) den låneränta som företaget skulle betalat om samma kapital lånats istället för att binda det i lager. 2) om kapitalet som är bundet i lager använts till en annan investering som skulle kunna ge förräntning så blir kapitalkostnaden uttryckt som ett krav på avkastning.
Formeln för beräkning av lagerränta ser ut på följande sätt (Mattsson, 2013):
(3.2)
3.1.2 Ordersärkostnad
Varje order medför kostnader och enligt Jonsson & Mattsson (2005) är ordersärkostnad en engångskostnad för varje order som antas vara oberoende av orderkvantiteten. Enligt Olhager (2000) inkluderas administrativ orderhanteringstid samt kostnader för dokumenthantering i ordersärkostnaden vid inköp och vid produktion inkluderas även kostnader för omställning av maskiner, byte av verktyg med mera i ordersärkostnaden.
3.2 Prognostisering
Enligt Jonsson & Mattsson (2005) är det efterfrågan som initierar ett materialflöde, då framtida efterfrågan kan vara okänd måste det uppskattas vilket benämns prognostisering.
Författarna förklarar att prognosens detaljeringsgrad beror på dess syfte; långsiktig prognostisering kan användas för att identifiera fleråriga konjunktursvängningar för branschen som helhet och kortsiktigt prognostisering kan användas för att förutsäga efterfrågan under den kommande veckan. Olhager (2000) menar att företag som arbetar mot kundorder istället för lager har större vetskap om efterfrågan men att prognostisering ändå är viktigt för samtliga företag för att underlätta den långsiktiga planeringen och därmed kunna göra investeringar eller nedskärningar i rätt tid.
Olhager (2000) skiljer på kvalitativa och kvantitativa prognoser där kvalitativa prognoser baseras på subjektiva bedömningar och kvantitativa prognoser baseras på historiska data.
Enligt författaren används kvalitativa prognoser vanligast vid introduktion av nya produkter eller vid inträde på nya marknader då det inte finns historiska data att tillgå. De vanligaste kvantitativa prognoserna är, enligt Olhager (2000), tidsseriemetoder där historisk efterfrågan är kronologiskt ordnad i konstant periodlängd till exempel kvartal, månad eller vecka.
Trots tillgång till historiska data anser Jonsson & Mattsson (2005) att det kan vara svårt att fånga upp den verkliga efterfrågan. Enligt författarna kan skillnader mellan verklig efterfrågan och historisk data till exempel uppstå om lagerbrist eller för lång ledtid orsakar
förlorad försäljning. Det kan även finnas skillnader mellan önskad, lovad och verklig leveranstidpunkt. Jonsson & Mattsson (2005) menar därför att det är en avvägning om utleveransstatistik eller faktureringsstatistik ska användas som underlag vid prognostisering.
3.2.1 Efterfrågemodeller
Olhager (2000) förklarar att val av prognosmetod baseras på vilken efterfrågemodell som antas förekomma. En efterfrågemodell är en beskrivning av hur efterfrågan ser ut över tiden och den skattas utifrån historiska data. En tidsserie av efterfrågedata kan, enligt författaren, delas upp i fem grundläggande tidsseriekomponenter: trend, säsong, cyklisk, nivå och slump. De olika tidskomponenterna visas i Figur 3.2.
Figur 3.2: Tidsseriekomponenterna trend, säsong, cyklisk, nivå och slump. (Fritt återskapad från Olhager, 2000 s. 154)
Trendefterfrågan uppstår då det är en gradvis ökning eller minskning av efterfrågan över tiden. Säsongsefterfrågan innebär att efterfrågan ökar under en viss period ofta återkommande årsvis till exempel på grund av årstider, högtider eller väder. Vissa produkter kan uppvisa mönster över kortare perioder till exempel kan energiförbrukning variera över dygnets timmar och försäljning av snabbmat kan vara högre vid veckoslut än början av veckan. Cykliskefterfrågan är mönster som återkommer efter ett antal år och kopplas ofta till konjunkturcykel, dock är tidsserier sällan så långa att cykliska effekter är med. Kortare produktlivscykler innebär att cykliska mönster allt mer sällan identifieras.
Jämn efterfrågan över tiden beskrivs med nivåefterfrågan och uppstår vid avsaknad av andra efterfrågemodeller. Slumpefterfrågan uppstår då det är variationer i efterfrågan som inte kan förklaras och som saknar något urskiljbart mönster. (Olhager, 2000)
3.2.2 Glidande medelvärde
Enligt Olhager (2000) är glidande medelvärde en enkel prognosmetod att använda om efterfrågan antas vara relativt stabil. Segerstedt (2008) menar att glidande medelvärde kan användas för att jämna ut eventuella extremvärden en viss period samt anpassa prognosen till eventuella förändringar i utvecklingen genom att använda mätvärden som ligger nära i tiden. Medelvärdet av ett visst antal perioders efterfrågan beräknas och utgör prognos för nästkommande period. Segerstedt (2008) anser att antalet perioder (mätvärden) som tas med i beräkningen är en avvägning mellan hur mycket en
(3.3)
Pt = prognos för period t
Xt-N = verkligt utfall för period t-N N = antal perioder
3.2.3 Exponentiell utjämning
Exponentiell utjämning beräknar en prognos som är ett viktat medelvärde av tidigare mätvärden till skillnad från metoden glidande medelvärde där alla mätvärden tilldelas samma vikt. Mätvärden från perioder närmare i tiden, då prognosen beräknas, tilldelas större vikt och ju längre bort i tiden ett mätvärde är desto mindre vikt tilldelas det. Vikten bestäms av en utjämningskonstant (α) som är ett tal mellan noll och ett. Prognosen beräknas på följande sätt. (Nahmias, 2009)
(3.4)
Pt = prognos för period t
Xt-i-1 = verkligt utfall för period t-i-1 α = utjämningskonstant
Där följande gäller för utjämningskonstanten (α): (Nahmias, 2009)
Prognosen påverkas mer av slumpmässiga variationer och reagerar snabbare vid slumpmässiga variationer vid användandet av ett högt värde på utjämningskonstanten (α).
Värden mellan 0,1-0,3 är vanligast att använda. (Segerstedt, 2008) 3.2.4 Säsongsindex
Enligt Nahmias (2009) kan metoden säsongsindex användas för att prognostisera efterfrågan som uppvisar säsongsvariation men ingen trend. För att använda metoden krävs efterfrågedata från minst två säsonger och författaren förklarar att metoden används på följande sätt:
1. Beräkna medelefterfrågan för all data.
2. Dividera varje periods efterfrågan med medelefterfrågan för att erhålla en säsongsfaktor för varje period.
3. Beräkna säsongsindex för varje period genom att ta beräkna medel för de säsongsfaktorer som tillhör en period.
4. Multiplicera medelefterfrågan med respektive periods säsongsindex för att beräkna en prognostiserad efterfrågan.
3.3 Partiformning
Partiformning används, enligt Olhager (2000) för att bestämma den orderkvantitet som skall beställas eller produceras då behov uppstår. Författaren förklarar att syftet med partiformning är att göra en avvägning mellan lagerhållningskostnader och ordersärkostnader för att finna minsta totalkostnad. Enligt Jonsson & Mattsson (2005) har åtskilliga partiformningsmetoder utvecklats sedan början av nittonhundratalet och
merparten av dessa baseras på en kostnadsavvägning mellan ordersärkostnader och lagerhållningskostnader. Figur 3.3 visar sambandet mellan orderkvantiteter och ordersärkostnad, lagerhållningskostnad respektive totalkostnad.
Figur 3.3: Samband mellan orderkvantiteter och ordersärkostnader, lagerhållningskostnader respektive totalkostnad. (Fritt återskapad från Jonsson & Mattsson, 2005 s. 350)
Kurvan för totalkostnad i Figur 3.3 är relativt flack i området kring skärningspunkten av kurvorna för ordersärkostnad och lagerhållningskostnad. Enligt Jonsson & Mattsson (2005) innebär detta att totalkostnaden inte blir markant högre om mindre avvikelser sker från den ekonomiskt optimalt beräknade orderkvantiteten. Vidare förklarar författarna att detta har stor betydelse vid praktisk tillämpning av partiformningsmetoder eftersom det sällan går att använda den exakt beräknande orderkvantiteten till exempel på grund av fasta förpackningsstorlekar och liknande.
3.3.1 Ekonomisk orderkvantitet (EOQ)
Enligt Olhager (2000) är formeln för ekonomisk orderkvantitet den enklaste modellen för optimering av orderstorlek. Författaren förklarar att formeln presenterades av Ford W.
Harris redan 1913 och är främst känd som Wilson-formeln i Sverige. Genom en avvägning mellan lagerhållningskostnader och ordersärkostnader beräknas en ekonomisk orderkvantitet där modellen utgår ifrån följande förutsättningar: (ibid)
• Efterfrågan per tidsenhet (D) är konstant och känd
• Ordersärkostnaden (K) är känd och oberoende av orderkvantitet
• Lagerhållningskostnaden per enhet och tidsenhet (h) är konstant och är känd
• Inleverans till lagret sker av hela orderkvantiteter på en gång
Bristsituationer ska inte uppstå eftersom både efterfrågan och ledtiden för återfyllnad av lagret är kända. Lagrets utveckling över tiden kommer att anta ett sågtandsmönster då ekonomisk orderkvantitet beräknar en fast orderkvantitet som används. (Olhager, 2000) Totalkostnaden (CTOT) för ordersärkostnad och lagerhållningskostnad beräknas enligt Formel (3.1). Genom att derivera kostnadsfunktionen med avseende på orderkvantiteten (Q) erhålls kostnadsminimum och den orderkvantitet som det motsvarar: (Olhager, 2000)
(3.5)
Q* = Ekonomisk orderkvantitet K = ordersärkostnad
D = årsefterfrågan r = lagerränta p = pris per enhet 3.3.2 Silver & Meal
Silver & Meal-algoritmen är en heuristisk metod vilket, enligt Olhager (2000), innebär att metoden inte garanterar optimum men ger en tillräckligt bra lösning. Nahmias (2009) förklarar att algoritmen används för att finna hur många perioder en orderkvantitet ska räcka för att ge den minsta totala kostnaden per period. Lagerhållningskostnaden för en period får inte överstiga ordersärkostnaden, då kommer totalkostnaden att öka. Artiklar som beordras i samma period som det ska användas belastas endast med en ordersärkostnad och ingen lagerhållningskostnad. Om det beordras artiklar för framtida perioders behov kommer dessa artiklar att belastas med en lagerhållningskostnad för det antal perioder som det ligger i lager. Silver & Meal-algoritmen förutsätter att efterfrågan är känd men den kan variera mellan olika perioder. Lägsta totala periodkostnad beräknas på följande sätt: (Nahmias, 2009)
(3.6)
C(j) = totalkostnad per period för K = ordersärkostnad
h = lagerhållningskostnad per enhet och period dj = efterfrågan i period j
Beräkningar slutar när C(j) > C(j - 1) det vill säga när totalkostnaden per period ökar.
Orderkvantiteten bestäms till det antal enheter som krävs för att täcka behovet i det antal perioder som ger den lägsta periodkostnaden. Om till exempel kostnaden per enhet ökar i period tre stannar beräkningarna och första orderkvantiteten bestäms till summan av efterfrågan för period ett och två. Sedan börjar beräkningarna om från period tre och fortsätter på det sättet tills dess att periodkostnaden återigen ökar. Detta upprepas tills hela planeringshorisonten har beräknats. (Nahmias, 2009)
3.3.3 Wagner & Whitin
Wagner & Whitin-algoritmen kan användas för att beräkna orderkvantiteter då efterfrågan är känd men varierar mellan perioder. Algoritmen baseras på dynamisk programmering och är optimerande. Hela planeringshorisonten betraktas och algoritmen beräknar den ackumulerade totalkostnaden för olika kombinationer det vill säga om behovet ska täckas från lager eller genom en ny inköpsorder. Om lagerhållningskostnaden överstiger ordersärkostnaden för en period kommer algoritmen visa att det är mer fördelaktigt att lägga en ny order. En kombination av lageruttag och inköp i en period är uteslutet
eftersom det skulle innebära både lagerhållningskostnad och ordersärkostnad för den perioden. (Olhager, 2000)
Både Silver & Meal-algoritmen och Wagner & Whitin-algoritmen tar hänsyn till samma kostnader och samma antagande gäller att första periodens behov endast belastas med ordersärkostnad vid beställning. Skillnaden mellan algoritmerna är att Wagner & Whitin- algoritmen är optimerande och ger därför en lägre totalkostnad jämfört med Silver & Meal- algoritmen. (Oskarsson et al. 2006)
Problemet löses i en Wagner & Whitin-tablå som beräknar en ackumulerad totalkostnad för samtliga alternativ för den betraktade planeringshorisonten. Beroende på hur tablån utformas motsvarar antingen varje rad eller kolumn det som sker i en specifik period.
Först beräknas alla alternativ för första perioden det vill säga vad den ackumulerade totalkostnaden blir för att endast beordra artiklar för första periodens behov, för två perioder och så vidare tills dess att den ackumulerade kostnaden har beräknats för att beordra artiklar för samtliga perioder i period ett. Beräkningarna för en period slutar när lagerhållningskostnaden överstiger ordersärkostnaden. Vid beräkning av order i nästkommande period väljs alltid den lägsta kostnaden från föregående period och därefter genomförs samma beräkningar för den perioden och så vidare till dess att samtliga perioder i planeringshorisonten har beräknats. (Oskarsson et al. 2006)
Olhager (2000) ger ett exempel på en produkt med en planeringshorisont på åtta veckor där ordersärkostnaden är 1000 kr och lagerhållningskostnaden är 10 kr per enhet och period. Wagner & Whitin-tablån med beräkning av den ackumulerade totalkostnaden presenteras i Tabell 3.1.
Tabell 3.1: Wagner & Whitin-tablå för beräkning av ackumulerad totalkostnad (Olhager, 2000 s. 250) Order i
period:
...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) ...för täckande av behovet X i period Y (X:Y) Order i
period: 69:1 29:2 36:3 61:4 61:5 26:6 34:7 67:8
1 1000 1 290 2 010 -
2 2000 2360 -
3 2 290 2 900 -
4 3 010 3 620 4 140 -
5 3 900 4 160 4 840 -
6 4 620 4 960 -
7 5 140 5 810
8 5 840
Optimal lösning med orderkvantiteter samt när dessa ska beställas hittas genom att starta i den sista perioden och finna den lägsta kostnaden för att täcka behovet i den perioden och sedan fortsätta bakåt för att slutligen täcka allt behov. (Oskarsson et al. 2006)
3.3.4 Lägsta enhetskostnad
Istället för att finna lägsta kostnaden period fördelas kostnaden på det antal enheter som behövs för ett visst antal perioder. Antalet perioder bestäms genom att finna det antal perioder som ger lägsta enhetskostnad. Hela planeringshorisonten betraktas och efterfrågan ska vara känd men kan variera mellan perioderna. (Nahmias, 2009)
(3.7)
K = ordersärkostnad
h = lagerhållningskostnad per enhet och period dj = efterfråga för period j
Beräkningar slutar när C(j) > C(j - 1) det vill säga när kostnaden per enhet ökar.
Orderkvantiteten bestäms till det antal enheter som krävs för att täcka behovet i det antal perioder som ger den lägsta enhetskostnaden. Om till exempel kostnaden per enhet ökar i period fyra stannar beräkningarna och första orderkvantiteten bestäms till summan av efterfrågan för period ett till tre. Sedan börjar beräkningarna om från period fyra och fortsätter på det sättet tills dess att enhetskostnaden återigen ökar. Detta upprepas tills hela planeringshorisonten har beräknats. (Nahmias, 2009)
3.3.5 Periodisk orderkvantitet (POQ)
Periodisk orderkvantitet utgår ifrån EOQ-modellens beräknande av ekonomisk orderkvantitet. Den faktiska orderkvantiteten bestäms sedan som det antal perioder (N) EOQ-modellens orderkvantitet i genomsnitt täcker, vilket innebär att efterfrågan måste vara känd men kan variera mellan perioder. Periodantalet beräknas på följande sätt:
(Olhager, 2000)
(3.8)
h = lagerhållningskostnaden per styck och period
Enligt Olhager (2000) avrundas antalet perioder till ett heltal och orderkvantiteten anpassas för att täcka behovet för dessa perioder, vilket innebär att orderkvantiteten kan bli större eller mindre än ekonomisk orderkvantitet enligt EOQ-modellen.
3.3.6 Periodens behov (LFL)
Metoden periodens behov (eng: Lot-for-Lot, LFL) innebär att en order görs i varje period där det finns behov och orderkvantiteten är lika stor som behovet. Lagernivån blir i princip obefintlig när orderkvantiteten ska motsvara periodens behov, däremot innebär denna metod fler order och därmed högre ordersärkostnad. (Olhager, 2000)
3.3.7 Jämförelse av partiformningsmetoder
Tabell 3.2 visar en jämförelse av de olika partiformningsmetoderna. Samtliga metoder kräver att efterfrågan är känd det är dock endast EOQ som förutsätter konstant efterfrågan. Samtliga partiformningsmetoder med undantag för periodisk orderkvantitet och periodens behov möjliggör varierande orderperiodicitet. EOQ är den enda partiformningsmetoden som förutsätter att orderkvantiteten ska vara fast resterande metoder tillåter varierande orderkvantitet.
Tabell 3.2: Jämförelse av partiformningsmetoder
EOQ S&M W&W LUC POQ LFL
Känd efterfrågan Konstant efterfrågan Orderperiodicitet Orderkvantitet
Ja Ja Ja Ja Ja Ja
Ja Nej Nej Nej Nej Nej
Varierande Varierande Varierande Varierande Fast Fast Fast Varierande Varierande Varierande Varierande Varierande
3.4 Säkerhetslager
Enligt Olhager (2000) är syftet med säkerhetslager att kompensera för osäkerhet i prognoser där säkerhetslagret ska täcka slumpmässiga variationer i efterfrågan under ledtiden, det vill säga från det att inköp sker tills dess att artiklarna är företaget tillhanda.
Oskarsson et al. (2006) menar att säkerhetslager används för att hantera osäkerhet i efterfrågan, inleveranser och produktion. Författarna förklarar att inleveranser kan bli försenade från leverantör, det kan finnas brister i inleveranser där det levereras för få eller felaktiga artiklar från leverantörer samt att det kan uppstå variationer i efterfrågan.
Storleken på säkerhetslagret beror, enligt Oskarsson et al. (2006), dels på hur hög leveransservice ett företag vill erbjuda samt hur stor osäkerheten är.
Det finns två definitioner av service, enligt Oskarsson et al. (2006), som kan användas då önskad servicenivå är utgångspunkten vid dimensionering av säkerhetslager:
• SERV1: Sannolikheten att inte få brist under en ordercykel
• SERV2: Andel av efterfrågan som kan levereras direkt från lager
Oskarsson et al. (2006) förklarar att SERV1 är lättare att beräkna och av den anledningen är den metoden vanligast att använda men SERV2 ger oftast ett mer korrekt dimensionerat säkerhetslager.
3.4.1 SERV1
SERV1 är sannolikheten att inte få brist under en ordercykel där ordercykel definieras som tiden mellan två påfyllningar i lagret. SERV1tar inte hänsyn till hur stor en eventuell brist blir. Metoden förutsätter att kontroll av lagernivåerna sker kontinuerligt och att artiklar beställs och levereras vid behov. SERV1hanterar avvikelser av ledtiden, det vill säga från tiden från beställning till leverans, samt variation av efterfrågan under ledtiden. Om efterfrågan och ledtiden antas vara normalfördelade kan säkerhetslagret beräknas på följande sätt: (Oskarsson et al. 2006)
(3.9)
€
k = säkerhetsfaktor (bestäms av önskad servicenivå och erhålls ur statistiktabell)
€
σ = efterfrågans standardavvikelse under ledtiden
Standardavvikelsen kan beräknas olika beroende på om det råder osäkerhet i efterfrågan under ledtiden respektive ledtid eller både och. (Oskarsson et al. 2006)
3.4.1.1 Osäkerhet i efterfrågan
Om ledtiden är pålitlig behövs hänsyn endast tas till variation av efterfrågan under ledtiden då ökad efterfrågan under ledtiden kan leda till brist i lagret. Ju längre ledtiden är desto mer bekymmer kan en ökad efterfrågan ställa till med. (Oskarsson et al. 2006)
(3.10)
Säkerhetslagret beräknas på följande sätt: (Oskarsson et al. 2006)
(3.11) 3.4.1.2 Osäkerhet i ledtid
Om efterfrågan stämmer med prognosen men ledtiden blir längre än förväntat så kommer det att uppstå brist. Standardavvikelsen under ledtiden beror då på hur ledtiden varierar och beräknas på följande sätt: (Oskarsson et al. 2006)
(3.12)
Säkerhetslagret beräknas på följande sätt: (Oskarsson et al. 2006)
(3.13) 3.4.1.3 Osäkerhet i efterfrågan och ledtid
Om det antas att avvikelser i efterfrågan och ledtid är helt oberoende av varandra kan den sammanvägda standardavvikelsen beräknas på följande sätt: (Oskarsson et al. 2006)
(3.14) Säkerhetslagret beräknas på följande sätt: (Oskarsson et al. 2006)
(3.15) 3.4.2 SERV2
SERV2beskriver lagertillgängligheten, det vill säga andel av efterfrågan som kan levereras från lagret, vilket är ett av de vanligaste servicemåtten för lagerförda varor. Givet en viss servicenivå kan storleken på den förväntade bristen beräknas på följande sätt: (Oskarsson et al. 2006)
(3.16)
Varje värde på f(k) motsvaras av ett visst värde på säkerhetsfaktorn k.
Q = orderkvantiteten (om inte en fast orderkvantitet används är det lämpligt att sätta in en genomsnittlig orderkvantitet i formeln).
σ = standardavvikelsen (beräknas på samma sätt som vid SERV1)
Säkerhetslagret beräknas likadant som vid SERV1-dimensionering enligt Formel (3.15).
(Oskarsson et al. 2006)
4. Empiri
I den här delen av rapporten presenteras fallstudieföretaget Lundqvist Trävaru AB, dess verksamhet samt hur de arbetar med materialförsörjning.
4.1 Lundqvist Trävaru AB
Lundqvist Trävaru AB (hädanefter skrivet som Lundqvist) är ett familjeföretag som g r u n d a d e s 1 9 3 6 . G e n o m å r e n h a r f ö r e t a g e t h u n n i t m e d d i v e r s e o l i k a verksamhetsområden, allt från snickeri för tillverkning av möbler åt försvaret till att vara sågverk och hyvleri. Sedan 1983 har företaget fokuserat på den verksamhet som de bedriver idag, tillverkning av byggsatser för att göra framförallt garage och fritidshus.
Byggsatserna baseras på moduler med standardbredden 1,2 meter (så kallade småblocksystem) där en eller ett fåtal delar modifieras för att passa kundens önskemål.
Utöver nuvarande verksamhet så har företaget planer på att expandera genom att börja sälja takstolar via bygghandeln samt tillverka villor. Lundqvist vill basera även tillverkningen av villor på ett modulsystem ett så kallat storblocksystem. En expansion kommer att kräva produktionskapacitet till både villor och takstolar som idag används till tillverkning av småblocksystem. Eftersom storblockssystemet inte är färdigutvecklat ännu så kommer det inte att behandlas i den här rapporten. Likaså kommer studien inte ta hänsyn till en eventuell ökad försäljning av takstolar via bygghandeln.
Lundqvist har idag sju anställda året runt där en är VD, tre personer arbetar som tjänstemän och tre personer arbetar i produktionen. Under sommarhalvåret ökar antalet anställda i produktionen för att klara av att möta efterfrågan.
4.2 Byggsystem
Lundqvist tillverkar väggblock, takstolar och gavelspetsar. Tillsammans med de tillverkade produkterna skickas även löst virke med till kunden som denne monterar själv på plats till exempel stående väggreglar, knutbrädor, foder runt fönster och dörrar. Utöver det är det även möjligt att köpa olika tillval till exempel en grundplatta, takavvattning, garageportar och isolering. En order består därför av fem olika delar:
• Väggblock
• Takstolar
• Gavelspetsar
• Plocklista virke
• Plocklista tillval 4.2.1 Väggblock
Småblocksystemet består av moduler med standardbredd 1,2 meter. Bredden på väggblocken kan även frångå bredden 1,2 meter om kunden önskar ett specifikt mått på byggnaden. I de fall då kunden vill ha ett specialmått på byggnaden anpassas bredden på så få block som möjligt så att majoriteten av väggblocken kan tillverkas med standardbredd. Höjden kan varieras mellan 2 - 4,8 meter. Den vanligaste höjden som säljs är 2,4 meter. Det finns fyra olika paneltyper: standard, ribb, lock och liggande. Figur 4.1 visar hur en ritning på hur väggblocken ser ut uppifrån med stående väggreglar mellan varje väggblock.
