Lagerstyrring i Dansk Supermarked A/S

Transkript

1 HA-Almen, 6. Semester Bachelorafhandling Forfattere: Jacob Mehlsen ( ) & Lasse V. Lyager ( ) Vejleder: Erland H. Nielsen Lagerstyrring i Dansk Supermarked A/S Et field stimulation studie af lagerstrukturen Anslag: Illustrationer: Tekst: AARHUS UNIVERSITY BUSINESS & SOCIAL SCIENCES DEPARTMENT OF ECONOMIES Maj 2016

2 Indholdsfortegnelse Abstract Indledning Problemstilling Problemformulering Afgrænsning Metode Problemidentifikation Metodisk tilgang Dataindsamling og litteratur Troværdighed Struktur Virksomhedsbeskrivelse Føtex Storcenter Nord Supply Chain og lagermodeller ERP-System Forecast Motivation for opstilling af modellen Dataanalyse og vurdering Præsentation af datasættet Diskussion af outliers Ekstreme observationer Sæsonudsving Side 1 af 113

3 4.2.3 Korrelationens analyse Leveringsdage og størrelse Månedens salgsfordeling Eksterne faktorer Model beskrivelse Betingelser Forklaring af modellens kolonner Validering af modellen Udgangspunkt for analysen Analyse Field Stimulation Iposen.dk implementeres Lead-time nedsættes til én dag Minimering af de samlede omkostninger Generalisering af analysen Vurdering af studiet Konklusion Yderligere studier Referencer Appendix Appendix A Materiale af egen bearbejdning Appendix B Udleveret materiale Appendix C korrespondancer Appendix D Transskriberinger Side 2 af 113

4 Oversigt over figurer Figur 1-1 Opgavens strukturelle opbygning Figur 4-1 Datasættets fordeling før frasortering af outliers Figur 4-2 Salgsfordelingen i perioden til Figur 4-3 Autokorrelation af residualværdierne ved 14 dages MA Figur 4-4 Autokorrelation af salgsdata Figur 4-5 Autokorrelation over forskellene i salgsdata Figur 4-6 Indeks over udviklingen i detailbranchens omsætning, efter type ( ) Figur 6-1 Oversigt over udgangspunktets centrale nøgletal Figur 7-1 Efterspørgselsintervallerne til Iposen.dk Figur 7-2 Oversigt ved implementering af Iposen.dk Figur 7-3 Oversigt ved ændring af lead-time fra 2 til 1 dag Figur 7-4 Oversigt ved minimumslager = 0 enheder og salgsforecast med sikkerhed = 28,47% Figur 7-5 Oversigt ved minimumslager = 21 enheder og salgsforecast med sikkerhed = 0% Figur 7-6 Oversigt ved minimumslager = 10 enheder og salgsforecast med sikkerhed = 0% Figur 8-1 Oversigt over de samlede omkostninger for udgangspunktet og scenarie 2 og Side 3 af 113

5 Abstract Retailers of the Danish grocery market have in recent years experienced a substantial increase in competition. Discount stores like Netto, Aldi, Rema 1000 and Lidl etc. keep conquering the market shares from local grocery stores and supermarkets such as Dansk Supermarked A/S. Generally, supermarkets are expected to maintain their market share through continuous investments, whereas Dansk Supermarked A/S have planned investments of 2 billion DKK each year to be used on renovation of existing stores, E-commerce and opening of new stores. The discount stores keep improving their performance and are by far the cheapest solution for customers on the Danish grocery market. With the consumers preferences moving towards cheaper alternatives, Dansk Supermarked A/S face a significant challenge of overcoming the increasing pressure from the discount stores and maintain their position as market leader. Since the discount stores beat Dansk Supermarked A/S on price, Dansk Supermarked A/S needs to increase their performance in other areas that the customers will appreciate. Former studies show that customers weigh the number of out-of-stock situations as the third most important factor when selecting grocery stores, showing the importance of the subject. The assortment and product availability has lower priority for the discount stores who keep their focus on lower prices. Therefore wider assortment and high product availability is one area where Dansk Supermarked A/S could gain a competitive advantage and thereby maintain their market position. On basis of the above argument, this thesis focuses on designing a representative and valid inventory model for Dansk Supermarked A/S. Before the actual design of the model can begin, this thesis contains a comprehensive analysis of outliers. Outliers are evaluated on basis of statistical estimations made in Microsoft Excel, where autocorrelations, residuals, and standard deviations are used to decide whether an observation should be categorized as an outlier or not. After the evaluation of outliers, this thesis focuses on designing a valid inventory model for Føtex Storcenter Nord, from whereas a later field stimulation study is formed. The field stimulations analyze the consequences of three individual scenarios and estimates the effect on expenses and service level. The scenarios are analyzed under assumption that Føtex Storcenter Nord maintain their existing inventory model. The first scenario estimates the influence of the newly bought company Iposen.dk. The research clarifies that the existing inventory model is leveraged to the expected increase in demand. The second scenario examines the influence of lead-time on deliveries. By reducing the lead-time Side 4 af 113

6 from two to one days, a significant effect of the models results are once again observed. The last scenario is a sensitivity analysis where the added security to sales forecasts and safety stock are manipulated to justify possible changes in forecast security or safety stock. In the end of the thesis, a wider generalization is made where the results of the field stimulation study are used to say something general about the inventory management in Føtex Storcenter Nord. The qualitative analysis includes the customer perspective to ensure the inclusion of soft measures when a decision is made. Side 5 af 113

7 1. Indledning I takt med globaliseringen bliver virksomheder sat over for nye udfordringer, som øger behovet for effektivisering af forsyningskæden. Dette afspejles især i den udfordring, som virksomhederne står overfor; at skulle imødekomme kundernes krav og forventninger (Fawcett 2008). Ved implementeringen af en effektiv forsyningskæde følger en række fordele, dog resulterer dette ligeledes i udfordringer, opdelt i såvel interne som eksterne. Stanley E. Fawcett fandt i sit studie fra 2008 flere udfordringer for virksomhederne, som bl.a. omfattede bedre planlægning på tværs af forsyningskæden, svingende efterspørgsel og kundernes stigende krav til kvalitet. Undersøgelsen viste ligeledes, at fordelene ved en effektiv forsyningskæde bl.a. var, at kunne leve op til kundernes forventning, samt at minimere omkostningerne (Fawcett 2008). Selve tanken om en effektiv forsyningskæde stammer fra 1960 erne, hvor virksomheder blev opmærksomme på de positive effekter, som en effektiv forsyningskæde medførte. Herunder fremkom begrebet virksomhedslogistik, der siden har været under udvikling (McGinnis 1992). Sammen med det øgede fokus på virksomhedernes forsyningskæder, kom der også et øget fokus på out-of-stock (OOS) situationer, hvoraf den første undersøgelse af OOS blev publiceret i 1968 af A.C. Nielsen. Af denne undersøgelse fremkom problematikken omhandlende OOS, som ligger til grund for de følgende mange års forskning. Forskning på området har udviklet sig i to forskellige retninger, hvoraf det første område tager udgangspunkt i kundeaspektet, og analyserer kundernes adfærd ved OOS. Det andet område fokuserer derimod på forsyningskæden og herunder hvilke logistiske processer, der ligger til grund for OOS situationer i butikkerne (Aastrup, 2010). Som følge af det øgede fokus på OOS, fremkom en overordnet definition, der skulle benævne, hvad OOS i virkeligheden dækker over. Afhandlingen tager derfor udgangspunkt i samme definition, som beskrevet i det følgende citat. A product not found in the desired form, flavour or size, not found in saleable condition, or not shelved in the expected location (Aastrup, 2010) Afhandlingen tager udgangspunkt i Føtex Storcenter Nord (FSN), som er en del af supermarkedskæden Dansk Supermarked A/S (DS). Afhandlingen fokuserer på lagerstyringen i denne Føtex, hvor dette simplificeres ved blot, at fokusere på et enkelt produkt. Side 6 af 113

8 1.1 Problemstilling Føtex er, som andre supermarkeder i Danmark, i de senere år, kommet under hårdt pres fra discountbutikkerne, der årligt vinder markedsandele. Kundernes præferencer for billigere alternativer vokser, hvilket har store konsekvenser for supermarkederne (Malik, 2011 og Seerup, 2015). Hertil har butiksloyaliteten hos kunderne været kontinuerligt aftagende, hvor kunderne i dag er påvirket af sædvane frem for et fast tilhørsforhold til enkelte supermarkeder eller butikker (Jensen). En undersøgelse fra 2014 viser, at kunderne vægter beliggenhed og vareudvalg højere end lave priser (Konkurrence- og forbrugerstyrelsen 2014). Dertil belyses det af Effecient Customer Response Europes (ECR) kundeundersøgelse af produkttilgængelighed, at kunderne vægter OOS som den tredje vigtigste faktor, når de vælger dagligvarebutik (ECR, 2003). Føtex-kæden har altså mulighed for at differentiere sig fra discountbutikkerne og vækste via nogle af de parametre, der vægtes højest af kunderne, hvilket forudsætter en effektiv lagerstruktur. Føtex selv er opmærksom på problemet, hvorfor de kontinuerligt laver interne undersøgelser af OOS. En OOS rapport af FSN viser, at der var 374 tomme hylder i butikken, hvoraf 77 % af disse fejl skyldes centrale fejl, hvilket kan ses af appendix B bilag 1. Problemstillingen for denne afhandling tager udgangspunkt i en analyse af FSNs lagersystem, som testes i forskellige scenarier. Dette gøres for at undersøge, om den nuværende lagermodel har for lidt fokus på effekten af OOS. Herpå vil FSNs nuværende lagermodel blive belyst, hvorefter der ud fra en trade-off betragtning vurderes, om lagerstrukturen er passende. 1.2 Problemformulering Afhandlingens hovedformål er opstilling og validering af en kvantitativ lagermodel for Føtex Storcenter Nord, hvor modellen opstilles med udgangspunkt i ét produkt. Ydermere ønskes lagermodellen anvendt i et field stimulation studie, hvor studiet vil have til formål, at teste robustheden af Føtex Storcenter Nords nuværende lagermodel. Herpå vil modellens resultater blive generaliseret for at sætte lagerstrukturen i et bredere perspektiv. 1.3 Afgrænsning For at muliggøre arbejdet med den valgte problemstilling, er der opstillet en stokastisk lagermodel for Føtex. For at simplificere arbejdet fokuseres der på én enkelt Føtex, hvoraf Føtex - Storcenter Nord i Aarhus er valgt. Det betyder, at alle beregninger og analyser bliver foretaget for denne butik, og at resultaterne ikke nødvendigvis er repræsentative for alle landets Føtex butikker, og i særdeleshed ikke repræsentative for resten Side 7 af 113

9 af DS Salling, Netto og Bilka, hvorfor afhandlingen også afgrænses fra sådan perspektivering. For at bringe afhandlingen op på et højere taksonomisk niveau, er afhandlingen begrænset til, at fokusere på én enkelt vare, Budget Finvalset havregryn og håndteringen af denne. Dette er valgt for, at gøre analysen så dybdegående som overhovedet muligt. Da analysen er foretaget på produktniveau, skal det understreges, at analysens resultater ikke med sikkerhed kan generaliseres til alle varer i Føtex. Det skal bemærkes, at den opsatte model, er en simplificering af virkeligheden, hvorfor flere faktorer ikke medregnes. Disse faktorer omfatter bl.a. manglende leveringer og leverandørsvigt, promotion, øget efterspørgsel omkring helligdage mv. Da analyse og vurdering er baseret på resultater skabt af den simplificerede model, kan konklusioner og vurderinger ikke nødvendigvis overføres direkte til virkeligheden. Modellen vil løbende blive valideret i bedst muligt omfang, så afhandlingen bliver så virkelighedsnær som mulig. Ved udarbejdelsen af et salgsforecast, til senere bestemmelse af ordretidspunktet, benyttes der i praksis multiple regression. Denne regressionsligning regnes i SAP og har ikke været mulig at få udleveret af DS. Udarbejdelsen af en eventuel regressionsligning ville derfor blive baseret på adskillige antagelser, da de udleverede datamængder ikke er tilstrækkelige til, at danne en troværdig regressionsligning. Derfor er salgsforecastet beregnet, på bedst mulig måde, ud fra udleveret data og information givet i interviews. Grundet modellens komplekse opsætning, vil beregningerne i hver celle ikke blive illustreret i bilag. Derimod henvises der til ekstramaterialet, hvor hele modellen og de opsatte scenarier er inkluderet. Således kan læser selv navigere rundt og undersøge de enkelte cellers funktioner. Hermed skal det også understreges, at da der arbejdes med simuleringsmodeller, vil de nøjagtige resultater stort set vil være umulige at genskabe, men at resultaterne i stedet kan tilnærmes. Ydermere afgrænses afhandlingen fra al analyse vedrørende eventuelle ændringer i informationsflow, som kan opstå grundet de opsatte scenarier. Mere specifikke afgrænsninger vil blive beskrevet løbende i afhandlingen. 1.4 Metode I det følgende afsnit, vil afhandlingens teoretiske og metodiske grundlag blive opstillet. Dette inkluderer alt fra indsamling af data til afhandlingens videnskabsfilosofiske tilgang og måden, hvorpå afhandlingens troværdighed sikres. Side 8 af 113

10 1.4.1 Problemidentifikation I starten af bachelorperioden blev DS afdeling for vareflow kontaktet, hvilket blev gjort i forhåbning om, at afdelingen kunne være behjælpelig med at finde en relevant og central problemstilling. Derfor var der oprindeligt planlagt en åben interviewtilgang, med reflekterende og åbne spørgsmål, hvori centraler problemer blot skulle afdækkes og beskrives. Kontaktpersonen i afdelingen accepterede et møde med os, men udskød flere gange mødet på ubestemt tid, og kom i stedet med løse svar på spørgsmål over . Efter flere påmindelser blev der efter 12 dage givet besked om, at mødet ikke kunne finde sted, men at spørgsmål kunne fremsendes til hende via. . Efter yderligere 10 dage uden svar, blev der modtaget besked om, at hun ikke kunne besvare spørgsmålene alligevel. Problemidentifikationen blev derfor foretaget på anden vis end ønsket, hvor uformelle samtaler fandt sted med ledende medarbejdere i FSN. Heraf blev det klarlagt, at OOS var et generelt problem i butikkerne Metodisk tilgang Afhandlingens gennemgående videnskabsfilosofiske tilgang er positivisme, som skelner mellem teori og forskning. Heraf tager afhandlingen form som et casestudie, hvor undersøgelser og analyser ligger til grund for konklusionen. En positivistisk tilgang ses her som grundideen ved opsætningen af simuleringsmodellen, hvor der tages udgangspunkt i, at verden er objektivt observerbar. Ifølge positivismen er det kun observerbare elementer af virkeligheden der kan føre til pålidelige data, og deraf føre til pålidelige konklusioner. Positivismen fokuserer altså på det kvantitative aspekt frem for den kvalitative tilgang (Bryman, 2011). Afhandlingen bygger, som nævnt, på et casestudie design, hvoraf studiet tager udgangspunkt i én bestemt vare i én bestemt butik. Dette casestudie har en praktiskorienteret problemstilling, hvoraf formålet er at opstille en simuleringsmodel, der ligger til grund for en følgende analyse og diskussion af et bredere perspektiv. Underliggende benyttes field stimulation til test og analyse af den opsatte models følsomhed, hvor analysen ligeledes ligger til grund for en generel perspektivering. Field stimulation tager udgangspunkt i opstillingen af forskellige scenarier, hvor modellens setting manipuleres på forskellig vis. Påvirkningen af hvert scenarie simuleres, hvorpå effekten af simuleringens resultater analyseres (Bryman, 2011). Gennemløbende forudsætter afhandlingen, at der fra læserens side er generel kendskab til lagerstyrring samt opstillingen af simuleringsmodeller. Den generelle brug af lagerstyrringsprincipper vil i afhandlingen ikke yderligere blive beskrevet, hvortil opstillingen af simuleringsmodeller beskrives i afsnit 5.2. Side 9 af 113

11 1.4.3 Dataindsamling og litteratur. Teoretiske rammer Afhandlingens empiri består af både primær og sekundær data. Primær data anses som værende frembragt til dette specifikke studie, hvor sekundær data består af materiale, der oprindeligt ikke er skabt til dette studie (Malhotra, 2012). Udleveret data og afholdte interviews udgør afhandlingens primære data, hvor sekundær data bl.a. er anvendt som belæg for problemstillingens relevans, den teoretiske ramme samt understøttelse af argumentation. Ved information givet i interviews er det så vidt muligt forsøgt, at frembringe data på skrift fra ERP-systemet SAP, hvilket er gjort for at reducere risikoen for menneskelige fejl. For at sikre validiteten af sekundære datakilder, er der ved udvælgelsen af disse anvendt teoretisk triangulering. Dette er gjort ved, at finde samme information fra forskellige kilder og derigennem sikre, at referencer i afhndlingen er valideret af andre kilder. Lærebøger er anvendt og er anset som værende pålidelige. Al elektronisk udleveret information af DS, både primær såvel som sekundær data, anses som værende pålidelig, hvorfor disse er anvendt ukritisk. Afhandlingens teoretiske ramme dannes ud fra kendt litteratur inden for Supply Chain Theory, Lagerstyring, OOS studier, og Simuleringsteori. Her benyttes specielt meget viden indenfor OOS, som siden A.C. Nielsens rapport Progressive Grocer i 1968 har udviklet sig i to forskellige retninger (Aastrup, 2010). Supply Chain Theory er anvendt i virksomhedsbeskrivelsen, og til definition af de overordnede sammenhænge i DS. Heraf indgår Supply Chain Theory i defineringen af DS centrale og lokale lagermodeller. I afhandlingen opfattes lagerstyring, som fundamentet til opsætning af lagermodellen. Modellen er opbygget ud fra interviews, logiske sammenhænge samt generel viden om lagerstyring. OOS studier og interne rapporter er anvendt som grundsten for hele opgaven. I disse rapporter tydeliggøres emnets relevans samt mulige konsekvenser af OOS. Tidligere studier og interne rapporter benyttes derfor som belæg for, hvorfor afhandlingens problemstilling både fremstår central og relevant. OOS studierne benyttes ydermere, som belæg i diskussionen, hvor der fokuseres på det trade-off virksomheder oplever i forbindelse med OOS. Efter opstilling og validering af lagermodellen benyttes simuleringsteori, hvor Monte Carlos simuleringsprincip anvendes (Balakrishnan, 2014). Her benyttes historisk data til generering af efterspørgsel, hvorfor simuleringsmodellen fokuserer på det trade-off DS oplever, når de fastsætter minimumslagre, forecast mv. Side 10 af 113

12 Udleveret data og Interviews Afhandlingen er ud over den teoretiske ramme baseret på en lang række data og interviews. I begyndelsen af perioden blev der udleveret salgsdata for ca. 10 produkter. Ud fra det udleverede data blev afhandlingens produkt fastlagt og yderligere data blev derefter udleveret. I det udleverede data indgår salgsdata, forecast, leveringstider, minimumslagre, interne rapporter mv., som alle kan ses i appendix B. Al det udleverede data danner belæg for udformning af modellen og den kvantitative analyse. Ydermere er der afholdt to interviews, ét med Martin Skov Møller fra Forecast Replenishment på hovedkontoret i Aarslev og ét med Thomas Stauning, Food-chef og afløser for varehuschefen i FSN. Interviewet med Martin Skov Møller anses som et ekspertinterview, da han fungerer som bindeled mellem IT og forretning, og har derfor viden omkring IT delen af lagerstyringen i sammenhold med de faktiske processer (Bryman, 2011). Thomas Stauning er valgt som interviewperson, da han har indblik i den daglige ledelse og i de daglige arbejdsgange i FSN, derfor kan han med belæg forklare, hvordan faktiske arbejdsgange foregår i butikken. Begge interviews er transskriberet og vedlagt i appendix D. Disse interviews er foretaget for uddybende forklaringer af centrale elementer, som ikke kunne videregives via . Da problemstillingen på forhånd var klarlagt via uformelle samtaler i FSN, indeholdte begge interviewguides både semistrukturerede og lukkede spørgsmål. Størstedelen af spørgsmålene startede som brede spørgsmål, hvoraf respondenten frit kunne svare, hvorefter de åbne spørgsmål blev uddybet af mere konkrete spørgsmål. De semistrukturerede spørgsmål lod respondenten komme med brede forklaringer, viden og perspektiver, som i starten synes irrelevante, men senere viste sig brugbare. Begge interviewguides var altså kraftigt influeret af, at problemstillingen var fastlagt på forhånd, hvorfor der i afslutningen af hvert emne, var designet flere konkrete og lukkede spørgsmål således, problemformuleringen kunne besvares bedst muligt. (Bryman, 2011). Efter afslutning af begge interviews har det været muligt at stille konkrete, strukturerede og lukkede spørgsmål via . Alle s ses i appendix C, hvor disse vil være kronologisk nummereret, ligesom de resterende appendices. Kvantitativ/Kvalitativ Afhandlingen består ikke udelukkende af observerbare fænomener, men indeholder kvantitativ såvel som kvalitativ data og analyse. Jf. casens positivistiske tilgang og afhandlingens udformning, som et field stimulation studie, tages der primært afsæt i kvantitativt data, hvorfor modelopsætning og centrale beregninger i analysen har afsæt i en kvantitativ tilgang (Bryman, 2011). Kvalitativ data er indsamlet i forbindelse med interviews, hvor især interviewet med food-chef, Thomas Stauning, indeholdte mange kvalitative elementer såsom daglige rutiner og arbejdsgange. Kvalitative spørgsmål Side 11 af 113

13 er udelukkende udformet for faktuel indsamling af data, hvorfor interviewpersonens egne meninger og holdninger er forsøgt undladt. Bias kan f.eks. opstå, i forbindelse med forklaring af arbejdsgange og daglige rutiner. Dette skyldes, at forklaringen udelukkende er interviewpersonens opfattelse af fænomenet. Det anses dog som værende usandsynligt, at interviewpersonerne har viderebragt falsk information, da ingen sensitiv information er udleveret. Da diskussionen tager udgangspunkt i kvantitative såvel som kvalitative aspekter, kan dette gøre generaliseringen besværlig. Dette skyldes, at analysen foretages på baggrund af ét produkt med ét specifikt karaktertræk, hvorfor perspektivering hovedsageligt kan laves til produkter med samme karakteristika Troværdighed For at sikre afhandlingens troværdighed, opstilles der kriterier for pålidelighed, validitet og objektivitet. Objektiviteten er tidligere kort beskrevet, hvor afhandlingen hovedsageligt tager udgangspunkt i kvantitative data, til bl.a. opbygning af modellen. Objektiviteten kommer især til syne i afhandlingen, hvor argumenter for beslutninger underbygges af eksterne kilder. Desuden vil de benyttede metoder blive gennemgået, for at påvise over for læseren, hvordan resultater og konklusioner er fremkommet. Validiteten beskriver, om man måler dét, som faktisk var hensigten (Bryman, 2011). Herunder sikres modellens validitet ved, at indsætte faktisk salgsdata, for at undersøge om modellen kommer til de samme resultater som den virkelige lagermodel. Yderligere er modellen valideret ved, at sikre at den genererede efterspørgsel er normalfordelt, og stemmer overens med historisk salgsdata. Overordnet set indrammer pålideligheden essentielt, at resultaterne af denne afhandling, skal have konsistens. Det vil altså sige, at hvis studiet genskabes, skal det nye studie opnå samme resultater (Bryman, 2011). Pålideligheden af afhandlingen sikres bl.a. i indsamlingen af datamaterialet. Selve datasættet og supplerende data, der benyttes til opstilling af lagermodellen, er direkte udleveret af DS, hvorfor disse bør være reelle og dermed ses som pålidelige. Samlet set sikres troværdigheden i afhandlingen af de ovenstående tre hovedområder objektivitet, validitet og pålidelighed. Der kan i afhandlingen ses tvivlsomme elementer, der kan forstyrre enkelte dele af validiteten og pålideligheden. I simuleringsmodellen benyttes salgsdata som efterspørgslen af produktet, hvilket er to vidt forskellige mål, der bliver sat lig hinanden. Salgstal afspejler ikke nødvendigvis den reelle efterspørgsel, hvortil validiteten af modellen kan betvivles. Herunder ses der også et tvivlselement i, at modellen ikke kan indregne produkttilgængelighed og regner derfor kun OOS ud fra stykregnskabet, hvor en butik godt kan have et produkt Side 12 af 113

14 på lager, der ikke er tilgængeligt for kunden. Dette dokumenteres af korrespondancen i appendix C bilag 1, hvor afhandlingens fokusprodukt, ikke har været tilgængelig i en periode af dagen. Dette kan påvirke salgstallene, og deraf efterspørgslen som bruges til generering i modellen. Slutningsvist kan pålidelighedens stabilitet drages til diskussion, da pålidelighed inkluderer, at der over tid ikke må ske ændringer ift. at genskabe studiet (Bryman, 2011). Af dataanalysen ses en stigning i det gennemsnitlige salg over tid, hvortil modellen ved genskabelse i fremtiden kunne fremkomme med andre resultater Struktur Strukturen i denne afhandling er opbygget som vist i figur 1-1. Tragten afspejler, at afhandlingen fra start ser et bredt perspektiv, hvorefter den bliver mere fokuseret, og til sidst analyserer specifikke elementer og scenarier. Efterfølgende munder denne indsnævring ud i en bredere diskussion, der vil forsøge at skabe sammenhæng mellem den specifikke analyse og et bredere perspektiv. Til sidst opsamles alle afhandlingens hovedpunkter i konklusionen, som svar på afhandlingens problemformulering. Figur 1-1 Opgavens strukturelle opbygning Opstilling af modelen Virksomhedsbeskrivelse Analyse og optimering Diskussion og konklusion Kilde: Egen bearbejdning For at kunne besvare afhandlingens problemformulering, opstilles der indledningsvist en virksomhedsbeskrivelse af DS, hvori der bl.a. redegøres for, hvordan deres supply chain og forecasting metode er opbygget. Side 13 af 113

15 Opstilling af modellen i figur 1-1 indrammer flere dele af afhandlingen, herunder både dataanalyse og beskrivelsen af hvorfor og hvordan modellen er opstillet. Heri opbygges den specifikke model, som skal anvendes til analysen af de specifikke scenarier. Den opsatte model vil i analyseafsnittet blive påvirket af tre realistiske hændelser, som alle ændrer modellens settings. Scenarier opstilles for, at analysere hvordan en pågældende hændelse kan påvirke lagerstrukturen, og hvilke konsekvenser scenariet kan medføre. Disse resultater vil danne grundlag for en bredere diskussion, hvor der inddrages flere aspekter end det specifikt analyserede. Afslutningsvist vil der være opsat en konklusion, som vil besvare afhandlingens problemformulering, hvorved hele afhandlingen afrundes. Igennem afhandlingen vil der løbende blive refereret til forskellige appendices, som er opdelt efter kategori. Referencerne vil blive lavet ved, først at angive hvilket appendix der henvises til, hvorefter bilagsnummeret oplyses. Dette er gjort for, at gøre afhandlingen så læsevenlig som muligt. Derfor er alle illustrationer af egen bearbejdning og screenshots af modellen blevet vist i Appendix A. Appendix B indeholder al udleveret datamateriale fra DS, hvori leveringstider, kostpriser, rapporter mv. indgår. Appendix C inkluderer alle korrespondancer med medarbejdere fra FSN og hovedkontoret i Aarslev og afslutningsvist indeholder appendix D de fulde transskriberinger fra interviews med Thomas Stauning og Martin Skov Møller. 2. Virksomhedsbeskrivelse Fundamentet til DS blev skabt af Ferdinand Salling i 1906, hvor han åbnede en manufakturhandel i Aarhus. Herman Salling, sønnen af Ferdinand Salling, overtog kontrollen efter sin fars død i 1953, og i 1960 åbnede Herman Danmarks første supermarked Føtex, Guldsmedgade i Aarhus. Herman Sallings vision var at etablere en stor supermarkedskæde, og derfor ændrede han koncernens navn til Jysk Supermarked. I 1964 købte A.P. Møller sig ind som partner i koncernen, da han købte 50% af aktierne i Jysk Supermarked. Samme år skiftede koncernen endnu engang navn, denne gang til dets nuværende navn Dansk Supermarked (Dansk Supermarked, 2016). I dag inkluderer DS discountkæden Netto, supermarkederne Føtex og Bilka og stormagasinet Salling (Dansk Supermarked, 2016). Jf. DS egen årsrapport fra 2014 består kæden af i alt butikker, hvor 567 af disse er lokaliseret i Danmark og de resterende i Tyskland, Polen, Sverige og Storbritannien. Ud af de 567 danske butikker bestod Føtex- Side 14 af 113

16 kæden af 88 butikker i alt. DS omsatte i 2014 for over kr. 55 mia. og beskæftigede personer fordelt på de fem forskellige lande (Annual Report 2014). På det danske marked er COOP DS største konkurrent, og COOP har indtil februar 2016, været den største af de to koncerner. Det var derfor en milepæl for DS, da de i februar 2016 for første gang nogensinde overhalte COOP målt på markedsandel i Danmark. (Dansk Handelsblad, 2016). 2.1 Føtex Storcenter Nord Storcenter Nord, hvori FSN er placeret, blev grundlagt i Storcenteret er ejet af DS, og sætter i dag rammerne for 55 butikker, hvorfor DS har indflydelse på hvilke butikker, der er at finde i centeret. FSN har i alt ca varenumre og er Danmarks største Føtex målt på omsætning med en årlig omsætning på kr. 260 mio. ekskl. moms. Butikken beskæftiger i alt 330 medarbejdere fordelt på fuld- og deltidsstillinger (Stauning, 2016). Af FSN er det oplyst, at efterspørgslen er vejrfølsom. Da butikken er lokaliseret i et center, er salget væsentligt større på regnvejrsdage, hvilket Thomas Stauning forklarede ved, at folk foretrækker et center frem for gågaden, når det regner (Stauning, 2016). Dette gør forecastning besværlig, da vejret kan ændre sig på et par timer, hvorfor salgsniveauet og den krævede bemanding vil ændre sig for butikken. Denne faktor besværliggør forecasting for DS, da der eksisterer en stor uforudsigelighed i forbindelse med vejret over længere perioder. 2.2 Supply Chain og lagermodeller En virksomheds lager er ofte et vigtigt aktiv i bestræbelsen på at efterleve kundens efterspørgsel, men ingen virksomheder har interesse i at have en større lagerbeholdning end nødvendigt. Dette skyldes, at et lager optager både plads og kapital, hvor hver krone der er investeret i lageret, kunne være investeret andre steder (Bozarth, 2007 og Brandel, 2009). Om en virksomhed skal operere med et lager eller ej, bestemmes ud fra en række faktorer. Her er de vigtigste faktorer usikkerheden i efterspørgslen og leveringenstiden. Jo højere usikkerhed, jo større sikkerhedslager bør en virksomhed anvende (Bozarth, 2007). Centrallagre DS benytter sig af transportsystemet cross-docking, hvor centrallageret i Aarslev modtager store kvantiteter af hver vare, hvorefter varerne ompakkes og distribueres ud til de enkelte butikker (Bozarth, 2007). Centrallagerene er placeret forskellige steder i landet og dele af lagerdriften er outsourcet til bl.a. Coldstar i Side 15 af 113

17 Vejle. Al transport fra centrallagerene til butikkerne er organiseret og varetaget af eksterne fragtmænd herunder DSV, Rygaard Transport A/S og Frode Lauersen, hvor det ses af app. C bilag 2, at DS betaler kr. 115 for hver palle der leveres (Stauning 2016). Et lager er placeret i Aarslev, hvorfra alle non-food produkter distribueres, og alle fødevarer distribueres ligeledes fra to forskellige centrallagre i Jylland. Al distribution af kolonial og frugt og grønt sker fra et lager i Holme, og al frost- og ferskvarer distribueres fra et lager i Vejle. Desuden leveres al vin fra et vinlager i Ishøj (Stauning, 2016). Lokale lagre - Føtex Storcenter Nord En virksomheds lager kan opdeles i to kategorier - Uafhængige og efterspørgselsafhængig lagre. Hele DS detailled, herunder FSN, har uafhængige lagrer. Dette skyldes, at det, på trods af promotion og andre manipulerende faktorer, udelukkende er forbrugeren, der fastsætter den efterspurgte mængde (Bozarth, 2007). Alle DS butikker anvender et Continuous Review System, hvor butikkens lager konstant overvåges af ITsystemet SAP. Ordreafgivelse sker, når lagerbeholdningen rammer et bestemt punkt, som tager udgangspunkt i et minimumslager og et forecast med sikkerhed (Møller, 2016 og Bozarth, 2007). Da DS efterspørgsel er stokastisk, kan det være svært at fastsætte en lagerbeholdning, som sikrer, at kunderne ikke går forgæves, og dermed ikke får opfyldt deres behov. Derfor opererer mange virksomheder med et sikkerhedslager, hvor disse fungerer som en buffer for den usikkerhed, som variationen i efterspørgslen medfører (Møller, 2016). Når sikkerhedslageret bestemmes er det, det ønskede serviceniveau, den gennemsnitlige efterspørgsel, og variationen i både efterspørgslen og leveringstiden, som er de vigtigste faktorer for FSN (Bozarth, 2007). Ud fra disse faktorer er det af DS bestemt, at minimumslageret skal være på 21 enheder, hvilket ses i app. B bilag 2. Minimumslageret på 21 enheder er opsat som den mængde, FSN altid skal have på lager, da deres salgsforecast med sikkerhed, burde have taget højde for usikkerheden i efterspørgslen (Møller, 2016). DS modtager alle deres varer om morgenen, hvor de bliver gennemgået og opfyldt på deres respektive plads inden butikken åbnes. Alle ankomne varer, som ikke kan være på den pågældende hylde køres ud på lageret, hvor disse gennemgås i løbet af weekenden (Stauning, 2016). Side 16 af 113

18 Af DS er det oplyst, at kapacitetsudnyttelsen af lageret varierer meget over året. I juleperioden er der meget tryk på lageret, hvorimod der på mange andre tidspunkter er uudnyttet lagerkapacitet (Stauning, 2016). 2.3 ERP-System DS butikskæder anvendte tidligere forskellige IT-systemer. Her anvendte Føtex, Salling og Bilka deres eget ITsystem og Netto et STD-system. Af strategiske årsager, herunder integration af udenlandske kæder, har hele DS for nyligt implementeret IT-systemet SAP. Dette blev gjort for, at få skabt en fælles platform på tværs af alle formater, hvor butikkerne kunne kommunikere indbyrdes, hvorfor DS på denne måde kunne strømligne organisationen. SAP var samtidig en nødvendighed, da det efterhånden var blevet for dyrt og besværligt at holde den selv-udviklede platform opdateret. Dette skyldes øget kompleksitet, og at tilgængeligheden af programmører var stødt faldende (Møller, 2016) Af app. C bilag 3 fremgår det, at ERP-systemet har haft flere nedbrud og forløber endnu ikke gnidningsfrit. Medarbejdere, afdelingsledere og chefer oplever et system, der til tider er langsomt og nogle gange bryder helt sammen. Disse nedbrud forhindrer, i længere perioder, medarbejderne i at optælle varer, lave pris korrektioner, registrere modtagne varer, foretage manuelle bestillinger mv. 2.4 Forecast DS beregner via SAP deres salgsforecast ud fra multiple regression. En lang række faktorer har indflydelse på, hvor mange enheder der forventes at blive solgt i hver enkelt butik over en længere periode. Forecastene for samme varenummer summeres på tværs af alle butikker, hvorudfra centrallageret kan udregne, hvor meget de forventeligt skal levere til butikkerne (Møller, 2016). Ligningen for regressions-forecastet kunne ikke oplyses af DS, men beregnes primært ud fra det gennemsnitlige salg pr. uge over de seneste 110 uger og indeholder formodentligt faktorer såsom helligdage, tidspunktet på måneden, sommerferie, weekend mv. Efter beregningen af salgsforecastet, tillægges forecastet en sikkerhed. Sikkerheden er baseret på den produktkategori, som varen befinder sig i. Hvis produktet er i en kategori, hvor OOS er problematisk og varens holdbarhed er lang, tillægges der en højere sikkerhed til forecastet (Møller, 2016). Ved forecasting tager SAP automatisk højde for frasortering af ekstreme observationer, helligdage, dage med nulsalg mv. Dette gøres ud fra automatiske outlier-mekanismer, som er indbygget i SAP. Derfor vurderer systemet selv, hvilke observationer der skal frasorteres, når der udarbejdes et salgsforecast (Møller, 2016). Side 17 af 113

19 3. Motivation for opstilling af modellen Afhandlingens fokusområde er at opstille en retvisende lagermodel til analyse af de opstillede scenarier. DS har oprettet deres egen kontrolgruppe, der foretager uanmeldte kontrolbesøg i egne butikker. Dette gøres for, at undersøge om lagersystemet og genopfyldningen fungerer optimalt i det enkelte supermarked. Disse rapporter er udelukkende til interne formål, hvorfor de anses som værende pålidelige og retvisende. Eventforce, som denne kontrolgruppe hedder, besøgte d i tidsrummet kl FSN. Her blev der udarbejdet en 3 siders rapport, som opgjorde, hvor mange tilfælde af OOS der blev observeret, hvilket kan ses af app. B bilag 1. I rapporten ses det, at butikken d havde 374 tomme hylder, hvilket betød, at 374 varenumre ikke var tilgængelige for kunden. Rapportens endelige konklusion er, at 77% af de i alt 374 OOS skyldes fejl af DS centralhold, som ikke har formået at levere den efterspurgte mængde til butikken. Dette kan skyldes flere faktorer herunder eksempelvis dårlig forecasting. De resterende 23% skyldes fejl i butikkerne, hvor tomme hylder f.eks. ikke er blevet genopfyldt fra lagerbeholdningen. Denne fejlprocent er dog ikke repræsentativ for det generelle billede, hvis det sammenlignes med de resterende Føtex butikker i Aarhus. Af app. B bilag 3 fremgår det, at centralholdet i gennemsnit er skyld i 58% af fejlene. Desuden viser større studier, at ca. 85 % af fejlene sker i butikkerne, og deraf ikke er centrale fejl (ECR, 2003). Da der er stor afvigelse imellem de to rapporters resultater, opsættes og analyseres den følgende lagermodel med udgangspunkt i det valgte produkt. Ud fra Eventforces rapport af FSN benævnes det altså, at 374 produkter på denne ene dag, i dette tidsrum, ikke var tilgængelige for kunderne. Heraf er antallet af kunder der efterspurgte disse produkter i tidsrummet uvis, og derfor vides det heller ikke hvor meget FSN reelt mistede i tabt omsætning på de 374 OOS denne dag. Dog stemmer rapporten over ens med definitionen af OOS, som blev nævnt i indledningen. Det er oplyst, at DS udelukkende har fokuseret på stykregnskabet, for at opgøre om en vare var OOS, men at de er blevet mere opmærksomme på det problem, der bl.a. beskrives i ECR s rapport fra Derfor er DS i de senere år begyndt at fokusere på produkttilgængeligheden for kunden i stedet for blot at kigge på stykregnskabet (Møller, 2016). I den følgende del opstilles lagermodellen for senere, at undersøge hvordan modellen reagerer i de forskellige scenarier. Lagermodellen opstilles således, at den tilnærmer sig den observerede virkelighed bedst muligt. Modellen bliver udarbejdet ud fra data udleveret af DS, hvor modellen før analysens start vil blive valideret bedst muligt. Dette gøres for at sikre en retvisende model, når analysen startes. Det ses dog af de ovenstående Side 18 af 113

20 afsnit, at det ikke nødvendigvis kun er lagersystemet der kan optimeres, men at det skal foregå i et sammenspil med rutinerne i butikkerne, heraf f.eks. genopfyldningen af varerne. Dog vil dette aspekt ikke kunne inddrages i modellen, og inddrages derfor først i den følgende analyse og diskussion. Grundet afhandlingens begrænsninger tages der udgangspunkt i analyse af ét produkt. Hertil er det valgt at fokusere på finvalset havregryn af mærket Budget. Produktet er valgt af flere årsager, herunder faste leveringsstørrelser, som simplificerer arbejdet med lagermodellen. Grundet den høje salgsfrekvens leveres Budget - Finvalset havregryn på en individuel kvartpalle. Dermed er leveringsstørrelsen altid den samme, hvilket simplificerer opstillingen og reducerer usikkerheden af modellen markant. En anden vigtig faktor i udvælgelsen af produktet er, at alle Budget produkter har fast pris, hvorfor der aldrig foreligger prispromotion (Stauning, 2016). Dette er med til at øge validiteten og pålideligheden af modellen, da der ikke skal tages højde for, om salgsniveau eller leveringsstørrelser skyldes aktuel prispromotion. Bestemmelsen af om modellen skulle være på operationelt eller strategisk niveau, har været en af grundstenene i opsætningen af modellen. Her ses det som værende hverken den ene eller den anden, men et sammenspil mellem de to. Dette skyldes, at det operationelle plan ønsker, at optimere den daglige drift, og derved optimere lageret på kort sigt. Dertil inddrages det strategiske perspektiv i modellen for, at modellen kan ligge til grund for eventuelle strategiske ændringer i virksomheden. Den opsatte model tager udgangspunkt i det operationelle niveau, da modellen er opsat over 61 dage, hvilket må siges, at være den kortsigtede drift. Dette sammenkobles med det strategiske niveau, da modellen simuleres 300 gange, for at øge sikkerheden og fremkomme med valide mål for værste, bedste og gennemsnitlige udfald. Modellens 300 simuleringer, ses som et klart belæg for de problematikker, som kan opstå, hvis ét eller flere af de tre scenarier bliver en realitet. Derfor ses der i opsætningen af modellen et klart sammenspil mellem de to niveauer, hvilket også er nødvendigt for en valid analyse af systemet. Før den matematiske simuleringsmodel opstilles, foretages der en dataanalyse af hele datasættet. Dette sker i det følgende afsnit, hvilket hovedsageligt gøres for, at frasortere eventuelle outliers og validere det udleverede datasæt. 4. Dataanalyse og vurdering Dette afsnit omhandler analyse og vurdering af det udleverede datamateriale, hvor det analyseres fra forskellige metoder for, at sikre validiteten. Dette gøres fordi, at SAP automatisk analyser outliers, når bl.a. Side 19 af 113

21 Hyppighed salgsforecast skal beregnes (Møller, 2016). Det udleverede datamateriale indeholder rå salgsdata, hvorfor outliers ikke er frasorteret. Analyse af outliers foretages i følgende afsnit, da en sådan analyse er nødvendig for opstillingen af en valid model. 4.1 Præsentation af datasættet Før påbegyndelsen af den statistiske vurdering af outliers, skal der foretages en sortering af datasættet. Alle observationer der frasorteres i dette afsnit, fjernes da de ikke kan anvendes til generering af en repræsentativ efterspørgsel. Først frasorteres alle lukkedage i datasættet, hvoraf der er tale om i alt 13 dage med nulsalg. Udover de 13 lukkedage har FSN d Og d oplevet nulsalg. Her ses det af datasættet, at de to nævnte dage med nulsalg skyldes, at varen har været udsolgt, hvorfor observationerne er frasorteret. I realiteten kan historiske data indeholde mange dage, hvor der har været udsolgt i kortere perioder af dagen. Dette kan skyldes dårlige opfyldningsrutiner, upræcise stykregnskaber mv. Det er dog ikke muligt at se, hvilke dage der har været udsolgt i kortere perioder, hvorfor det igennem afhandlingen antages, at den solgte mængde har været lig efterspørgslen. Denne problematik afspejles både i en intern rapport vedlagt i app. B bilag 1 og i korrespondancen med Tanja Jørgensen, som ses i app. C bilag 1. I figur 4-1 illustreres fordelingen af de resterende observationer i perioden d til d Før analysen af outliers påbegyndes, ses det, at datasættet er nogenlunde normalfordelt med et gennemsnitlig salg pr. dag på 26,6 enheder og en standardafvigelse på 8,9. Af figuren fremgår der flere ekstreme observationer, som vil blive behandlet i følgende afsnit. Figur 4-1 Datasættets fordeling før frasortering af outliers Fordeling før frasortering Antal solgte enheder i stk. Kilde: Egen bearbejdning Side 20 af 113

22 4.2 Diskussion af outliers Diskussionen af outliers er en vigtig og følsom del, når der udarbejdes en model ud fra historisk data. Når observationer fjernes fra datasættet manipuleres der i realiteten med det udleverede data. Derfor er det nødvendigt at foretage grundige analyser af, om en observation skal frasorteres eller ej. Når man fjerner outliers vil det bl.a. påvirke datas gennemsnitsværdi og standardafvigelse. Hvis outliers overses, eller valid data fjernes, kan selve konklusionen og afhandlingens vurderinger blive påvirket i en sådan grad, at disse ikke længere er brugbare. Derfor er diskussionen af outliers en omfattende og nødvendig del af denne afhandling. I figur 4-1 illustreres det, at der fremkommer flere ekstreme observationer i datasættet, som heraf vil blive analyseret. Her er der tale om observationerne på 1, 53, 58, 60, 75 solgte enheder og eventuelt observationerne på 8 og 47 solgte enheder. Disse observationer afviger, i den grafiske opstilling, markant fra de resterende observationer i datasættet. Observationerne vil i det følgende blive behandlet individuelt. Onsdag d observeres der et salg på 1 enhed. Denne observation ligger betydeligt under datasættets generelle gennemsnit på 26,6 enheder. Derudover afviger salget denne dag markant fra de resterende observationer, da den nærmeste observation er på 8 enheder. Budget Finvalset havregryn pakkes på kvartpaller med 108 enheder på hver kvartpalle, hvilket illustreres af app. A bilag 1. Når produktet genopfyldes i butikken sker dette i praksis ved, at hele kvartpallen med 108 enheder køres ind i butikken, hvorefter de enheder, der allerede befinder sig i butikken, stables oven på den nye kvartpalle, hvorefter de resterende køres ud på lageret (Lyager, 2016). Samtidig vides det, at der jævnligt nedskrives varer fra lagerbeholdningen, fordi varens beskaffenhed ikke lever op til produktets normale kvalitet, og derfor er usælgelig (Stauning, 2016). Ultimolageret d var 110 enheder, hvilket giver mistanke om, at det lave salg skyldes manglende genopfyldning fra lageret. Yderligere belæg for dette findes i app. B bilag 1, app. C bilag 1 og i citatet af Martin S. Møller, der om udsolgte produkter i DS nævner: Hvis salget afviger markant fra det normale salg i det pågældende varehus, antages varen også som værende ikke tilgængelig/udsolgt (Møller, 2016). Ud fra ovenstående information frasorteres observationen d på én enhed. Salget denne dag har antageligt været påvirket af for mange faktorer, herunder især menneskelige fejl, til at observationen kan bidrage til et retvisende billede af efterspørgslen. Denne observation anses som værende en outlier, og vil ikke inkluderes i den følgende analyse eller til genereringen af efterspørgslen. Side 21 af 113

23 Metode til bedømmelse af outliers Til bedømmelse af datasættets mulige outliers anvendes differentierede metoder. Først og fremmest vil de analyserede observationer blive sammenlignet med datasættets gennemsnit og standardafvigelse. The Empirical Rule benyttes her til bedømmelsen af, om en given observation bør ses som en outlier. Ved en perfekt normalfordeling er det kendt, hvor mange procentdele af observationerne der bør ligge inden for et givent antal standardafvigelser(σ) (Keller, 2008). Denne regel benyttes, da datasættet er tilnærmelsesvis normalfordelt. The Empirical Rule - 68,269% af alle observationer ligger inden for 1σ - 95,450% af alle observationer ligger inden for 2σ - 99,730% af alle observationer ligger inden for 3σ - 99,994% af alle observationer ligger inden for 4σ - 99,999% af alle observationer ligger inden for 5σ Vurderingen af datasættets outliers vil desuden blive foretaget på baggrund af residualværdierne. Fordelingen af residualerne skal helst være tilnærmelsesvis normalfordelt, hvilket løbende vil blive vurderes i analysen. Såfremt det vurderes, at en outlier skal fjernes fra datasættet, vil der være en grafisk illustration af effekten på residualværdierne i app. A bilag 2. Residualværdierne beregnes ud fra et 14 dages glidende gennemsnit(ma). Residualerne er beregnet ved, at trække dagens observerede efterspørgsel fra det beregnede 14 dages MA. Hvis residualerne har en høj numerisk værdi kan det betyde, at observationen afviger markant fra det 14 dages MA. Derfor kan høje residualværdier også være tegn på, at den pågældende observation er en outlier. Da residualværdierne udregnes ud fra et 14 dages MA, vil de første 14 dage ikke kunne bedømmes ved denne metode. Af datasættets første 14 dage observeres ingen ekstreme salgstal, hvorfor disse ikke analyseres yderligere. Alle residualer beregnes, som beskrevet ud fra et 14 dages MA, hvoraf de 14 dage er bestemt ud fra et akademisk skøn. Det mest logiske ved fastsættelsen af MAs længde er, at antallet af dagene skal gå op i syv, da en uge består af syv dage. Hvis der afviges fra at have et MA, der går op i syv, vil MA blive påvirket af, hvilke ugedage der inkluderes i beregningen af MA. Derfor skal det vurderes, om MA skal være 7, 14 eller 21 dage. Her vurderes det, at et MA på én uge vil være for letpåvirkelig af ekstreme observationer. Hvis der i et MA på syv dage forekommer én eller to ekstreme værdier, vil hele MA blive påvirket i så høj grad, at beregningerne af Side 22 af 113

24 residualerne kan være misvisende. Omvendt kan der også argumenteres for, at et MA på 21 dage vil være for lang tid. Dette begrundes med, at hvis der sker en pludselig ændring i trenden, f.eks. op til jul, sommerferie eller lignende, kan et MA på 21 dage tilpasse sig trenden for langsomt, og dermed give for mange ekstreme residualer. Analysen af outliers foretages derfor ved brug af to forskellige analysemetoder, som til sidst sammenholdes for, at afgøre om den pågældende observation skal frasorteres. Ud over de statistiske analysemetoder, vil hver observation også blive analyseret ud fra et logisk perspektiv. De statistiske outliers vil blive vurderet for, at klarlægge om der er kvalitative faktorer, som har påvirket observationerne nok til, at de bør opfattes som outliers. Analysemetoden til vurdering af outliers indeholder derved kvantitative såvel som kvalitative aspekter Ekstreme observationer Tirsdag d observeres datasættets højeste salg på 75 enheder. Observationen er næsten tre gange så stor som middelværdien på 26,6 enheder og 25% højere end datasættets næsthøjeste værdi på 60 enheder. Dette giver mistanke om, at observationen er en outlier, som ikke er repræsentativ for den reelle efterspørgsel. Da datasættet ses, som værende tilnærmelsesvis normalfordelt, benyttes The Empirical Rule til vurdering af, om observationen bør frasorteres som en outlier. Datasættets gennemsnit og standardafvigelse på henholdsvis 26,6 enheder og 8,9 enheder, vil i denne sammenhæng blive anvendt. Jf. The Empirical Rule vides det, at 99,999% af alle observationer i en normalfordeling bør være indenfor 5σ, hvilket ikke er tilfældet for denne observation på 75 enheder. I app. A bilag 2, ses fordelingen af residualerne, som gerne skal være tilnærmelsesvis normalfordelt. Effekten ved fjernelsen af observationen på 75 enheder ses i ændringen i bilaget fra figur 1 til figur 2. Ved frasortering af den mest ekstreme residualværdi, tilnærmes residualfordelingen en normalfordeling. Ud over de matematiske beregninger kan der være andre faktorer, som kan gøre, at observationen ses som en outlier. DS har opkøbt Iposen.dk, hvor visiterede borgere, institutioner og erhvervsdrivende kan købe dagligvarer via internettet, som pakkes og leveres direkte til kunden. FSN pakker mange varer til Iposen.dk, hvor bl.a. flere daginstitutioner er kunder. Salget fra Iposen.dk kan resultere i udsving i salgstallene (Stauning, 2016). Side 23 af 113

25 Observationen på 75 enheder anses af alle ovenstående grunde som værende en klar outlier og frasorteres derfor i datasættet. Salget på 60 enheder er observeret lørdag d Denne lørdag er dagen efter nytårsdag, hvor alle butikker har haft lukket. Efter frasorteringen af observationen på 75 enheder, er datasættets nye gennemsnit og standardafvigelse henholdsvis 26,5 og 8,57. Observationen på 60 enheder ses da som værende mere end det dobbelte af gennemsnittet, og ligger præcist 4σ væk, hvoraf 99,994% af observationerne i datasættet bør ligge indenfor 4σ. Deraf kunne det tyde på, at observationen på 60 enheder, ligeledes er en outlier. I app. A bilag 2 ses det, ligesom ved frasorteringen af observationen på 75, at der ved frasorteringen af observationen på 60 enheder, yderligere tilnærmes en normalfordeling. Dette illustreres i bilaget fra figur 2 til figur 3, hvor det mest ekstreme residual igen er frasorteret. Hvis fokus fjernes fra de matematiske beviser, ses der flere faktorer, som kunne have påvirket salget denne dag. En væsentlige faktor er, at der dagen forinden har været lukket, og at butikken har været lukket i flere dage imellem jul og nytår. Desuden vil en række familier og studerende være returneret til Århus efter at have holdt jul og nytår i deres respektive hjemby. Disse faktorer gør, at salget d ikke nødvendigvis er repræsentativ for hele datasættet. Starten på det nye år kan have indflydelse på salget, da mange mennesker årligt fastsætter nytårsforsæt, hvoraf nogle har ambitioner om en sundere hverdag (Wiese, 2013). Nytårsforsæt kan anses som værende en væsentlig faktor, som påvirker salget af sundere alternativer herunder også Budget finvalset havregryn. Alt taget i betragtning, frasorteres observationen på 60 enheder fra datasættet, og dermed ændres gennemsnittet og standardafvigelsen til henholdsvis 26,4 og 8,39. Præcist samme fremgangsmetode benyttes til, at afgøre om observationerne d og d , på henholdsvis 58 og 53 enheder, skal frasorteres datasættet. Det ses for begge observationer, at de ligger uden for 3σ, hvoraf 99,73% af observationerne i datasættet bør ligge indenfor. Dette kan som tidligere være en indikator på, at begge observationerne skal frasorteres som outliers. Kigger man i app. A bilag 2 på ændringen fra figur 3 til 4 og derefter på ændringen fra figur 4 til 5, vil der her ses en positiv effekt på residualfordelingen, efter de to observationer er fjernet. Her ses det, at datasættet samlet set ændrer facon, og nu med stor tilnærmelse tager form som en normalfordeling. Side 24 af 113

26 Observationerne på 53 og 58 enheder frasorteres, hvortil datasættets samlede gennemsnit og standardafvigelse ændres til henholdsvis 26,2 og 8,12. Yderligere kunne man overveje at kigge på observationen lørdag d , hvor der blev solgt 47 enheder, hvilket næsten er dobbelt så meget som gennemsnittet. Dog ses denne observation ikke som en outlier, og frasorteres derfor ikke fra datasættet. Belægget for ikke at frasortere observationen på 47 enheder, fremkommer ved samme fremgangsmetode, hvoraf de tidligere observationer blev frasorteret. Her findes det at observationen ligger imellem 2σ og 3σ fra gennemsnittet. Derfor er det tvivlsomt, om observationen, ud fra den statistiske analyse, kan frasorteres. Analyseres observationen yderligere ud fra residualerne, er det hidtil de mest ekstreme residualværdier, der er frasorteret, for at residualværdierne tilnærmes en normalfordeling. Her finder man, at observationen på 47 enheder, ikke tilhører den mest ekstreme residualværdi. Dette skyldes, at det 14 dages MA op til denne observation på 47 enheder har været højere end gennemsnittet. Da MA har været højt, vil residualværdien ikke blive ekstrem, hvorfor observationen ikke afviger markant fra det tilhørende MA. Der kan derfor ikke, ud fra residualværdierne, argumenteres for, at observationen på 47 enheder skal frasorteres som en outlier, da andre observationer ifølge denne metode er mere ekstreme. Observationen bibeholdes i datasættet og herfra arbejdes der videre med datasættet, som det ser ud. Argumentationsgennemgangen for ikke at frasortere nogle af observationerne på 8 enheder, er præcist den samme, som blev benyttet til vurderingen af observationen på 47 enheder. Det ses her, at en observation på 8 enheder, ligger indenfor 3σ fra gennemsnittet, og derfor findes der ikke statistisk belæg for at frasortere disse observationer. Ydermere er et dagssalg på 8 enheder observeret 3 gange i løbet af det sidste år, hvilket kan ses som endnu en indikator på, at en sådan salgsmængde ikke er usandsynlig. Observationerne er derfor fastholdt i datasættet, da de anses som værende repræsentative for den reelle efterspørgsel Sæsonudsving Flyttes fokus fra de specifikke dags-outliers, og derimod fokuserer på større mængder af kontinuerlig salgsdata, der afviger fra det resterende, vil man her finde en periode med lavere salgsgennemsnit end normalt. Dette illustreres af den følgende figur 4-2. Side 25 af 113

27 Antal solgte enheder i stk. Figur 4-2 Salgsfordelingen i perioden til Net Sales pr. dag Net Sales Pcs 14 per. bev. gnsn. (Net Sales Pcs) Lineær (Net Sales Pcs) Kilde: Egen bearbejdning Først og fremmeste kan det af den lineære tendenslinje i figur 4-2 ses, at der har været en stigende tendens i salget af Budget finvalset havregryn. Den mest iøjnefaldende afvigelse er det nævnte mulige sæsonudfald, hvor salget over en periode har ligget under den lineære tendenslinje, og samtidig har fået MA til at falde markant. Her er der tale om perioden fra ca. onsdag d til lørdag d , hvor denne periodes salgsgennemsnitlig er på 17,16 enheder pr. dag. Sammenlignes dette med årets salgsgennemsnit på 26,2 enheder pr. dag, ses en markant afvigelse. Baggrunden for denne afvigelse kan have flere årsager, hvoraf en af de mest sandsynlige ses som værende sommerferie. Perioden onsdag d til lørdag d , er en periode, hvor rigtig mange familier tager på sommerferie, hvilket kan resultere i et lavere salg, da familierne i denne periode ikke handler ind hos deres lokale supermarked. Størstedelen af perioden med lavt salg er overlappet af folkeskolernes sommerferie i perioden d til d (Aarhus kommune). Ydermere overlapper perioden også industriferien, hvor en stor del af de danske familier holder ferie i udlandet. Alt i alt kan de ovenstående argumenter ses som en indikator for, at denne periode burde frasorteres, og angives som én stor outlier. Dog er det valgt ikke at frasortere denne periode, hvilket skyldes flere faktorer. Som udgangspunkt vil der ved frasortering af denne periode, ikke ske drastisk ændringer i det samlede salgsgennemsnit, da gennemsnittet ved frasortering af perioden vil stige med 6,5%. Frasortering af perioden vil Side 26 af 113

28 Korrelation desuden reducere datamængden med næsten 15%, hvorfor datamængden vil være utilstrækkelig til generering af salgsdata. Et andet argument for ikke at frasortere denne periode, er selve definitionen af periodens længde. Dette skyldes, at perioden er defineret som en ca. periode, hvortil det kan være svært at afgøre præcist, hvilke dage perioden skal inkludere. Kigges der f.eks. på skillelinjen d , vil det også være muligt at frasortere d og d Dette skyldes, at der begge dage sælges 17 enheder, men da der d sælges 24 enheder kan det være svært at argumentere for, at d skal inkluderes i den frasorterede periode. Her kan det være svært definitivt, at afgøre om skillelinjen ligger d eller d , og sådan kan vurderingen fortsætte. Heraf ses det, at perioden d til d har et salgsgennemsnitligt på 21,7 enheder pr. dag, hvilket også er under det samlede gennemsnit. Derfor burde dette måske også burde være en del af perioden for sæsonudsvinget, hvorfor selve grænserne for frasorteringen kan være svære at definere. Hovedargumentet for ikke at frasortere denne periode, findes dog i autokorrelation for hele datasættet. En autokorrelationsanalyse foretages for, at illustrere om der er korrelation eller periodiske udsving i datasættet. Ved udarbejdelsen af autokorrelationsanalysen benyttes samme 14 dages MA som ved residualberegningerne, hvortil Excel værktøjet Poptools er anvendt. Ved at autokorrelere hele datasættet, som efter frasortering af outliers består af 347 observationer, fås 334 residualværdier beregnet ud fra det 14 dages MA. Ved denne autokorrelation opstilles nedenstående figur: Figur 4-3 Autokorrelation af residualværdierne ved 14 dages MA 0,15 0,1 0,05 0-0,05-0,1-0,15-0,2 Autokorrelation af residualværdierne Antal lag i korrelationsudregningerne acf LCL(95%) UCL(95%) Kilde: Egen bearbejdning Side 27 af 113

29 Ved at autokorrelere datasættet, kan det vurderes om residualværdierne med et givent lag korrelerer med hinanden. Heraf er figur 4-3 fremkommet, hvor korrelationen, via poptools, er udregnet med et lag op til 83 dage. I figur 4-3 illustreres autokorrelationsfunktionen som acf, samt den øvre og nedre grænse for et 95% konfidensinterval. Ud fra figur 4-3 ses det, at autokorrelationen for residualværdierne i størstedelen af perioden ligger inden for et 95% konfidensinterval. For alle lags, der ligger indenfor konfidensintervallets grænser, kan det med 95% sikkerhed siges, at residualværdierne ikke korrelerer med hinanden. Det ses dog af figuren, at to observationer afviger fra de resterende. Her er der tale korrelationerne med et lag på henholdsvis 38 og 41, der bryder konfidensintervallets grænser. Det kunne altså umiddelbart tyde på, at residualværdierne med et lag på 38 og 41 korrelerer negativt med hinanden, hvilket kan være en indikator på periodiske udsving i datasættet. Der synes ingen logiske forklaringer på, hvorfor datasættet skulle korrelere med et lag på 38 eller 41 dage. Disse to autokorrelationer antages derfor som værende type 1 eller type 2 fejl, hvorfor de ikke yderligere analyseres. Dette bestemmes på baggrund af, at der regnes med et 95% konfidensinterval, hvoraf det ved beregning kan forventes, at 83 (1 0,95) = 4,15, observationer ligger udenfor grænsen. Derfor anses det ikke som værende problematisk. Ovenstående autokorrelationsanalyse kunne have resulteret i andre udfald, hvis data havde været tilgængelig over flere år, i stedet for blot ét enkelt. Derved ville det have været muligt, at analysere eventuelle sæsonudsving mere dybdegående. Dette skyldes, at en autokorrelation med et lag på omkring ét år højest sandsynligt ville give andre korrelationsresultater. Samlet set, frasorteres der ikke data på baggrund af de analyserede periodiske udsving Korrelationens analyse Efter datakomprimeringen består datasættet af 347 observationer, hvoraf gennemsnitssalget og standardafvigelsen er henholdsvis 26,24 og 8,12. Inden simuleringsmodellen opstilles, bliver datasættet først evalueret for, at klarlægge eventuelle tendenser, der kan påvirke modellens resultater. Først beregnes autokorrelationen af de tilbageværende 347 dages observerede salgstal, for at bestemme om disse salgstal korrelerer med hinanden. Dette er, som tidligere nævnt, udregnet ved brug af Excel værktøjet Poptools, hvoraf figur 4-4 er fremkommet: Side 28 af 113

30 Korrelation Figur 4-4 Autokorrelation af salgsdata 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0-0,05-0,1-0,15 Autokorrelation af salgstallene Antal lag i korrelationsudregningerne acf LCL(95%) UCL(95%) Kilde: Egen bearbejdning Af figur 4-4 illustreres det, at salgsdata på dagsbasis korrelerer signifikant med hinanden, da autokorrelationsfunktionen med et lag på én dag ligger langt over det opstillede 95% konfidensinterval. Af figuren ses det, at desto højere lag der arbejdes med, desto lavere bliver korrelationen. Udviklingen i datasættets korrelation kan dog logisk forklares. Det skyldes, at salget ved et lag på én dag, vil have en signifikant påvirkning på næste dags salg. Hvis der sælges en stor mængde havregryn dagen forinden, vil det have en effekt på, hvor mange poser havregryn, der sælges på den følgende dag. Følgende opsætning synliggøre denne sammenhæng: y 1 y 2 y 3 y n Den logiske sammenhæng er symboliseret, ved pilene, hvor salget for y 1 (dag 1) påvirker salget for y 2, herunder vil påvirkning af y 2, have en afledt effekt på y 3. Den afledte effekt vil forsætte til den når y n, hvor effekten tilnærmelsesvis vil være 0. Ovenstående argument er grunden til den nedadgående trend i autokorrelationerne for salgstallene, hvoraf jo større lag der benyttes, desto svagere bliver effekten. Hvis det dertil skal afgøres, om det er en positiv eller negativ korrelation, der opleves imellem dagene, skal den første dags salgstal fratrækkes den anden dags salgstal, hvorved forskellen fremkommer. Dette gøres for alle salgstallene, hvorpå forskellen autokorreleres, og figur 4-5 fremkommer: Side 29 af 113

31 Korrelation Figur 4-5 Autokorrelation over forskellene i salgsdata 0,2 Autokorrelation over forskellene i salgsdata 0,1 0-0,1-0,2-0,3-0,4-0, Antal lag i korrelationsudregningerne acf LCL(95%) UCL(95%) Kilde: Egen bearbejdning Af figur 4-5 ses en meget signifikant korrelation i punktet 1, som illustrer forskellen i salget fra dag 1 til dag 2, dag 2 og dag 3 osv. Der ses af figuren en meget negativ korrelation for punktet 1, hvilket vil sige, at hvis forskellen mellem to dage er positiv, så vil forskellen mellem de følgende dage være negativ. I eksemplet fra før, hvor forskellen mellem dag 1 og dag 2 er positiv, altså er der solgt mere på dag 2 end dag 1, så vil forskellen mellem dag 2 og dag 3 være negativ, hvorfor der er solgt mindre på dag 3 end dag 2. Umiddelbart giver denne tendens god mening for det reelle billede, da denne korrelation overordnet fortæller, at salgstallene på dagsbasis påvirker hinanden negativt. Sælger man lidt dag 1, vil der være flere der efterspørger produktet dag 2, men da der sælges meget på dag 2, vil der ikke være ligeså stor efterspørgsel på dag 3. Den mest signifikante korrelation findes, som nævnt, ved et lag på 1. Det fremgår dog af figur 4-5, at autokorrelationerne, med et lag på 2 5 dage, ligger på grænserne af det opstillede konfidensinterval. Dette kan delvist ses som den afledte effekt, som tidligere blev nævnt under dette afsnit, hvoraf den høje korrelation med et lag på 1, vil påvirke de kommende korrelationsværdier. Desuden kunne den positive korrelation ved et lag på 5 ses som et genkøbsmønster, hvor bestemte kundetyper genkøber produktet hver 5. dag. Der vil dog forekomme variation i genkøbsmønsteret afhængigt af kunden, hvor eksempelvis studerende og børnefamilier ikke har samme købsadfærd (Stauning, 2016). Side 30 af 113

32 4.3 Leveringsdage og størrelse Dataudklip og illustrationer af ordrestørrelse og leveringsdage kan findes i app. A bilag 1. Ud fra historisk data illustreres det, at der forekommer 84 leveringer bestående af 108 enheder. Ud over de 84 leveringer på 108 enheder foreligger der én levering bestående af 216 enheder og én levering af 6 enheder. De to leveringer på 6 og 216 enheder, anses som værende outliers, hvorfor modellens leveringsstørrelse er fastsat til 108 enheder. Ordrestørrelsen er derfor ikke stokastisk som resten af modellen, men er derimod deterministisk. DS har grundet udarbejdelsen af nye leveringsplaner, ikke kunne oplyse, hvilke dage bestemte varegrupper i øjeblikket bliver leveret. Derfor benyttes historisk data til bestemmelsen af leveringsdagene. I app. A bilag 1 illustreres det, at der kun sker én levering på en onsdag og én levering på en søndag. Derfor antages det, at disse to leveringer har været specialleverancer, og at leveringer, i modellen, derfor ikke kan forekomme på hverken onsdage eller søndage. En anden forklaring på den leveringerne onsdag og søndag kan være eftermiddagsleveringer, hvor varer, som oprindeligt skulle være kommet den følgende morgen, allerede leveres dagen forinden. Alle leverancer registreres og indregnes på stykregnskabet når det modtages, og deraf kan de to outliers være fremkommet. Et eksempel af sådan eftermiddagsleverance beskrives af Tanja Jørgensen i app. C bilag Månedens salgsfordeling Før ovenstående outliers er frasorteret, er salgsdata undersøgt for systematiske udsving ift. tidspunktet på måneden. Det er undersøgt, om der gennemsnitligt bliver solgt mere i starten end i slutningen af måneden. Hvis salgsdata for d. 1. til d. 15. og for d. 16. til d. 31. grupperes, ses det, at der i første del af måneden blev solgt enheder, og at der i anden del blev solgt enheder. Når nulsalg og lukkedage er frasorteret giver det en middelværdi på henholdsvis 26,64 og 26,51. Derfor anses det ikke som værende et problem. Det er desuden analyseret, om der er forskel på den første og sidste uge i hver måned. Dette gøres under mistanke om, at kunderne kan have udskudt deres indkøb, fra sidste til første uge i måneden. Dette kan bl.a. skyldes lønudbetalinger, der sker i starten af måneden, hvorfor der kunne være mistanke om, større salg i begyndelsen af måneden. Modsat er havregryn et billigt produkt, som udgør en lille del af rådighedsbeløbet, hvilket betyder, at lønudbetalingerne ikke burde have så stor effekt på salget af havregryn, som eksempelvis på salget af elektronik. Det er beregnet, at der i de første uger på tværs af alle måneder er solgt enheder og enheder for de sidste uger. Grundet antal dage med nulsalg fordeles det solgte antal enheder ud på Side 31 af 113

33 henholdsvis 78 og 80 dage, hvortil gennemsnittene for første og sidste uge på måneden er 28,63 og 26,64 enheder pr. dag. Der er altså forskel i antallet af solgte enheder fra starten til slutningen af måneden. Den gennemsnitlige forskel er på 2 enheder svarende til 7,5%. Hvis observationerne bag beregningerne anskues ses det, at de fire frasorterede outliers på 53, 58, 60 og 75 enheder alle sammen indtræffer i første uge af månederne. Disse fire observationer udgør 246 af de i alt solgte enheder. Efter disse outliers er frasorteret er gennemsnittet for de første uger på 26,85 enheder pr. dag. Ud fra historisk data antages det derfor, at gennemsnitssalget pr. uge, ikke er afhængig tidspunktet på måneden. Dette antages da gennemsnitssalget pr. uge, efter frasorteringen af outliers, varierer minimalt. Dette skyldes formodentligt, at produktet er et hverdagsprodukt, som folk køber uafhængigt af lønudbetaling. 4.5 Eksterne faktorer De samfundsmakroøkonomiske faktorer, der kan påvirke detailsalget, vil her blive analyseret. Denne analyse sikrer, at afhandlingen medtager mulige tendenser i detail- og supermarkedsbranchen, som kan have indflydelse på butikkens fremtidige salg, lagerstruktur og opsætning. Analysen foretages på baggrund af data fra Danmarks Statistik. I figur 4-6 ses et indeks over udviklingen i discountbutikkernes- og supermarkedernes samlede omsætning over perioden januar januar Discountbutikkerne er en af supermarkedernes største trusler og vinder hvert år markedsandele fra supermarkederne (Konkurrence- og forbrugerstyrelsen 2014). Begge indeks viser systematiske udsving i løbet af året, men da den opstillede lagermodel ikke simulerer én bestemt periode, tages der i modellen ikke højde for sæsonudsvingene. Det er derfor interessant at fokuserer på den nedadgående trend, som supermarkederne har oplevet. Det kan i figur 4-6 aflæses, at supermarkederne har oplevet et samlet tab i omsætning på over 10% i løbet af perioden. Dette er en markant og kritisk udvikling, som kan, hvis tendensen ikke ændres, have store konsekvenser for DS. Approksimeret er faldet i supermarkedernes omsætning under 0,15% om måneden, hvorfor dette i denne afhandling, anses som værende irrelevant og er derfor undladt. Side 32 af 113

34 jan-10 apr-10 jul-10 okt-10 jan-11 apr-11 jul-11 okt-11 jan-12 apr-12 jul-12 okt-12 jan-13 apr-13 jul-13 okt-13 jan-14 apr-14 jul-14 okt-14 jan-15 apr-15 jul-15 okt-15 Indeks Figur 4-6 Indeks over udviklingen i detailbranchens omsætning, efter type ( ) Indeks over udviklingen i detailbranchens omsætning, efter type (Januar januar 2016) Supermarkeder Lineær (Supermarkeder) Discountforretninger Lineær (Discountforretninger) Kilde: Statistikbanken + Egen bearbejdning Flere mål, til analyse af de makroøkonomiske forhold, kunne være anvendt, men grundet afhandlingens begrænsede omfang er kun udviklingen i brancherne analyseret. Ud over branchernes omsætning, kunne udviklingen i husholdningsbudgettet, demografien, antallet af butikker mv. være analyseret. Konklusionen ville dog være den samme, da effekten over en to måneders periode anses som værende minimal, hvorfor de makroøkonomiske forhold ikke påvirker den opstillede lagermodel. Datasættet er analyseret og valideret, hvorfor den videre opstilling af lagermodellen kan fortsætte, hvilket vil ske i det følgende afsnit. 5. Model beskrivelse Modellen er en stokastisk model over en periode på 61 dage, svarende til to måneder. For at modellens beregninger og resultater er valide simuleres perioden flere gange. Dette skyldes, at der kan forekomme stor variation i resultaterne for hver enkel simulering. For at have tillid til simuleringernes resultater, er det beregnet, hvor mange simuleringer der kræves for, at resultaterne med 99% sikkerhed er pålidelige. Derfor er antallet af simuleringer beregnet ud fra følgende formel: n = ( z α/2 σ )2 (Keller, 2008). For at beregne det nødvendige antal simuleringer, tages der udgangspunkt i den samlede efterspørgsel over 61 dage. De 61 dage er simuleret 350 gange, blot for at beregne en pålidelig standardafvigelse til beregningen af n. Derfor kan B Side 33 af 113

35 følgende tal indsættes i formlen. Z α/2 = 2,575, σ = 65,81 og B = 10, hvor B angiver den tilladte fejlmargin i beregningen af n. Ud fra beregningerne ses det, at n = ( 2,575 65,81 ) 2 = 287,13, hvor det er besluttet at runde 10 antallet af simuleringer op til 300. Herved sikres det, at modellens resultater med minimum 99% sikkerhed er pålidelige. Simuleringsmodellen opstilles ud fra Monte Carlos simuleringsprincip, hvori en stokastiske efterspørgsel er anvendt (Balakrishnan, 2014). Afhandl ingen tager udgangspunkt i Budget Finvalset havregryn, hvor der sidste år i alt blev afsat enheder. Afhandlingen bestræber sig på at analysere lagerstyringen på det operationelle- og strategiske niveau. Derfor opstilles modellen således, at de daglige ledere kan forholde sig til tidshorisonten, men samtidig så resultaterne kan benyttes som belæg for strategiske ændringer. Simuleringsmodellen opstilles derfor over to måneder 61 dage, hvor det forudsættes, at ingen lukkedage forekommer, hvortil perioden simuleres 300 gange. Denne opstilling gør det nemmere for de daglige ledere og varehuschefen at evaluere og tilpasse modellen løbende, i stedet for eksempelvis først, at evaluere efter et helt år. I de følgende afsnit og underafsnit vil modellens betingelser blive oplistet, hvorefter hver kolonne og dens udregninger vil blive forklaret. Da der i Excel-arket er mange formler sammenfattet og beregnet i samme celler, splittes disse beregninger op, så de individuelt kan beskrives og forklares. Modellen er vedlagt som ekstramateriale således alle relationer kan undersøges af læser. 5.1 Betingelser Modellen opbygges på baggrund en række antagelser og betingelser, som inddrages af forskellige årsager, hvoraf det vigtigste er, at opstille rammerne for modellen således, at den tilnærmer sig virkeligheden. Ydermere er betingelser opstillet således, at modellen ikke inddrager flere af virkelighedens komplekse uforudsigelige faktorer. Modellens betingelser specificeres i følgende afsnit, hvor betingelserne er grupperet efter emne. Modellen generelt: Modellen tager udgangspunkt i en ubestemt periode på to måneder uden hellig- og lukkedage. Alle priser er faste. Modellen forudsætter at alle produkter på lagerbeholdningen er tilgængelige for kunden. Modellen forudsætter at der ikke forekommer nogen menneskelige fejl i perioden. Modellen tager ikke højde for effekten af promotion og OOS på substituerende produkter. Side 34 af 113

36 Betingelser for efterspørgslen: Modellens efterspørgsel er genereret på baggrund af historisk salgsdata i perioden Efter frasorteringen af outliers kan den genererede efterspørgslen ikke være mere ekstrem end historisk observeret. Udviklingen i detailsalg, husholdningsbudget, demografi, butikkens salgstendens mv. medregnes ikke i modellen. Betingelser for lageret: Produktet overskrider ikke sidste salgsdato, imens det er på lager, hvilket skyldes den høje omsætningshastighed og lange holdbarhedstid. Dagens waste modregnes primolaget, inden kunderne kan købe produktet. Backorders er ikke muligt, hvorfor der hverken kan reserveres eller købes varer, som ikke er på lager. Daglige leveringer sker om morgen, inden åbningstid, hvorfor alle modtagne varer indgår på primolageret. Betingelser for levering: Ud fra historisk data er leveringsstørrelsen fastsat til 108 enheder jf. app. A bilag 1. Produktets leveringstid er 48 timer = to døgn jf. app. B bilag 2. Produktet leveres ikke på onsdage og søndage jf. app. A bilag 1. Leverancer der skulle have fundet sted onsdage og søndage, udskydes med én dags ekstra leveringstid. Betingelser for waste: Waste omfatter svind, returvarer, tyveri, ødelagt emballage, nedskrivninger mv. Waste kan ikke være positiv og dermed ikke tilføre varer til lageret. Omkostningerne til waste beregnes ud fra MAP (Stauning, 2016). Betingelser for ordreafgivelse og modtagelse: Det er kun muligt at have én ordre registeret ad gangen. Ordreafgivelse skal ske inden kl 05:15. Overskrides denne frist registreres ordren først den følgende dag jf. app. B bilag 4. Centrallageret kan til hver en tid levere den efterspurgte mængde. Side 35 af 113

37 5.2 Forklaring af modellens kolonner I de følgende forklaringer af de enkelte kolonner i Excel-modellen, vil der opsættes ligninger. For alle disse ligninger gælder: I = {1,,61} Hvor i = de enkelte dage i simuleringsmodellen gående fra dag 1 til dag 61. Hvis lagermodellens relationer og kolonner ønskes visualiseret og inspiceret, henvises der til det vedlagte ekstramateriale. Efterspørgsel Metoden, til bestemmelsen af efterspørgslen, har overvejende været kvantitativ, da al generet efterspørgsel er baseret på data udleveret af FSN. Datasættet strækker sig, som benævnt, over perioden til og danner, når outliers er frasorteret, et salgsgennemsnit på 26,24 enheder. Først inddeles datasættet efter ugedage, hvilket gøres for at opstille individuelle efterspørgselsmønstre. På trods af inddelingen efter ugedage, forekommer der stadig stor variation i salget indenfor hver ugedag. Her ses det eksempelvis, at lørdagenes salg varierer imellem 11 og 47 enheder. Grundet den store variationen inddeles hver ugedag i 4-5 intervaller, hvor disse intervaller er opstillet således, at de tilnærmelsesvis er lige store og samtidig grupperer data i klynger. Intervallerne er opstillet ud fra en kvantitativ tilgang således, at der ved generering af observationer dannes en normalfordeling, hvilken kan ses i app. A bilag 3. Ydermere er de genererede gennemsnit ved observationer lig det historiske gennemsnitsalg pr. dag. For hver ugedag udgør den højeste og laveste observation værdierne for de ydre intervalgrænser. Derfor kan den genererede efterspørgsel for den enkelte ugedag, ikke blive mere ekstrem end hvad der er observeret i datasættet. Alle ugedagenes intervaller tildeles en hyppighed baseret på historisk data, hvorigennem det på denne måde sikres, at den genererede efterspørgsel følger det historiske salgsmønster. En oversigt af intervallerne for hver ugedag kan findes i app. A bilag 4. Efter frasorteringen af outliers er det beregnet, at variationen imellem ugedagenes gennemsnitssalg er minimal, hvor den største variation ses mellem onsdag, med et salg på 25,4 enheder, og fredag, med et salg på 28,8 enheder. Selvom den metodiske tilgang, til opstillingen af de daglige efterspørgselsintervaller, primært har afsæt i en kvantitativ tilgang, indeholder metoden både aspekter fra en kvantitativ og kvalitativ tilgang. Dette skyldes, at opgaveskriverne subjektivt har vurderet, hvordan intervalopdelingen er mest repræsentativ. Side 36 af 113

38 Når efterspørgslen generes, følges de tre nedenstående trin: 1. Bestemmelse af ugedag. 2. Ud fra trin 1 bestemmes hvilket efterspørgselsinterval, den pågældende generering skal falde indenfor. 3. Ud fra trin 2 genereres et tilfældigt tal inden for det valgte intervals grænser. Eksempelvis er mandagenes intervaller: [13;20], [21;27], [28;34] og [35;42], hvor hvert interval er blevet tildelt en hyppighed baseret på de 51 repræsentative observationer i datasættet. Sandsynlighederne for de forskellige mandagsintervaller er fordelt således, hvilket også kan ses i app. A bilag 4: Interval 1: [13;20] = 23,5%. Interval 2: [21;27] = 37,3%. Interval 3: [28;34] = 23,5%. Interval 4: [35;42] = 15,7%. Den daglige efterspørgsel er bestemt ved hjælp af slump-funktionen i Excel. Det tilfældigt genererede tal imellem 0 og 1 fra slump-funktionen benyttes ud fra hyppigheden til bestemmelsen af intervallet. Når intervallet for den daglige efterspørgsel er fastsat, er slumpmellem-funktionen anvendt, for at generere et tilfældigt tal indenfor intervallets grænser. Valideringen af modellens genererede efterspørgsel er trianguleret og valideret ved forskellige metoder. Først ses det, at den samlede efterspørgsel i perioden til , uden outliers og nulsalg, er på enheder. Modellens samlede genererede efterspørgsel over de to måneder er ca enheder, hvilket i gennemsnit er 26,22 enheder pr. dag. Hvis dette gennemsnit ganges op til årsbasis giver det en samlet efterspørgsel på ca enheder. Derfor anses metoden til generering af efterspørgslen som værende valid. Ydermere er genereringen af efterspørgslen foretaget gange. Dette er gjort for, at undersøge om genereringen af efterspørgslen følger en normalfordeling, hvilket er illustreret i app. A bilag 3, hvori den genererede efterspørgsel former en normalfordeling. Efterspørgslen anses derfor som værende retvisende og valid, idet den, ligesom det historiske data, følger en tilnærmelsesvis normalfordeling, og samtidig har et salgsgennemsnit, som stemmer overens med det historiske. Side 37 af 113

39 Afslutningsvis skal det dog bemærkes, at den genererede efterspørgsel kan være underestimeret. Dette skyldes, at efterspørgslen er genereret ud fra historisk salgsdata og ikke ud fra den faktiske historiske efterspørgsel. Grunden til at salgsdata benyttes som belæg for efterspørgslen er, at den faktiske efterspørgsel er ukendt. I det udleverede datamateriale fremgår det ikke, hvor mange kunder der dagligt går forgæves. Derfor kan der være afvigelser mellem den reelle efterspørgsel og det realiserede salg over det seneste år. Denne problematik beskrives også af Tanja Jørgensen i app. C bilag 1, hvor der er udsolgt midt på dagen og nogle kunder derfor risikerer at gå forgæves. Primolager Lagermodellen er intuitivt opstillet således, at dagens primolager er lig forrige dags ultimolager. Yderligere gør to faktorer sig gældende, når primolageret på dagsbasis skal opgøres. Modellen forudsætter, som nævnt i betingelserne, at leverancer sker om morgen, hvorfor alle leverede varer medregnes på primolageret, og er salgbare fra åbningstidspunktet. Kolonnen Antal vare i dag angiver antallet af varer, der leveres den pågældende dag. I praksis kan det dog ske, at nye leveringer ikke er genopfyldt på hylderne før kl. 11, hvorfor nogle kunder kan risikere at gå forgæves på trods af, at varen er ankommet til butikken (Stauning, 2016). Lagermodellen medregner også waste, som kan forekomme i flere forbindelser. Eksempelvist kan en vare gå i stykker, blive stjålet, forsvinde på lageret mv. I betingelserne er det beskrevet, at waste modregnes primolageret, før kunderne kan købe varen. Hvis waste-mængden er lig end forrige dags ultimolager + dagens levering af varer, resulterer dette i en udsolgt situation. Back ordering er ikke mulig, hvorfor reserveringer og salg af produkter, som ikke er på lager, ikke er muligt, hvilket sikrer, at lageret aldrig kan blive negativt. Primolagerets relationer er oplistet nedenfor: 1. Primolager: Ultimolager i 1 + ankomne varer i waste i 2. Primolager i 0 I det udleverede datamateriale ses det, at kolonnen Purchase Receipt Pcs er tom. Dette skyldes, at varen leveres, på en individuel kvartpalle, under et selvstændigt varenummer. Når kvartpallen med 108 enheder leveres og registreres i varemodtagelsen, overføres de 108 enheder automatisk via SAP, fra kvartpallens individuelle varenummer til produktets varenummer. Side 38 af 113

40 Waste I modellen indregnes waste, hvor der både inkluderes svind, som kan være stjålne eller forsvundne varer, og nedskrivninger, som er produktdefekter (Stauning, 2016). I den opstillede lagermodel fratrækkes waste, som nævnt i forrige afsnit, på primolageret, inden butikken åbner. I praksis foretages nedskrivninger i løbet af dagen og registreres, via SAP, med det samme i stykregnskabet. Hvis en vare er defekt, men den ikke er nedskrevet, vil enheden stadig figurere i stykregnskabet som værende tilgængelig for kunden, selvom den i princippet er usælgelig (Stauning, 2016). Dermed er der belæg for, at nedskrivninger modregnes på primolageret, inden kunderne kan købe produktet. Oftest registreres svind først, når der ikke er flere enheder på hylden, og varen ikke kan findes på lageret. Dette sker bl.a. ved de daglige PDA-runder, hvor tomme hylder skannes for at undersøge, om der er flere enheder registreret på stykregnskabet. Hvis stykregnskabet viser, at der stadig bør være varer på lageret, skal varen findes, og genopfyldes i butikken. Det er oftest i disse situationer, at svind opdages, når varen eksempelvis ikke kan findes på lageret, hvortil personalet er nødsaget til at opdatere stykregnskabet til 0. PDA-runderne med optællinger sker som regel om morgenen, hvorfor det, i modellen, modregnes på primolageret (Stauning, 2016). Historisk data viser at der, det seneste år, er foretaget 24 waste optællinger, hvoraf der både er op- og nedskrevet varer. I datasættet observeres nogle ekstreme optællinger, som eksempelvis ses onsdag d , hvor stykregnskabet blev nedskrevet med 86 enheder. Efter nedskrivningen på 86 enheder, er der få dage efter, d , opskrevet 76 enheder, som er registreret på stykregnskabet. Hver gang der observeres ekstreme op- eller nedtællinger i stykregnskabet, er der få dage efter sket en modregning. De ekstreme optællinger antyder menneskelige fejl, hvor en medarbejder, på trods af at varen reelt var på lager, har nulstillet stykregnskabet. Et par dage senere observeres en positiv optælling, da varen formodentligt er fundet på lageret. Nedskrivninger er, som benævnt, mindre kvantiteter, og data over det forgange år viser, at der i alt blev nedskrevet 22 enheder i perioden til De 22 nedskrevne enheder var fordelt over 19 nedskrivninger, hvoraf den størst observerede nedskrivning er på 2 enheder. Størrelsen på nedskrivningerne viser tydligt, at nedskrivninger forekommer hyppigere end svind, dog i væsentligt mindre kvantiteter. Da der i modellen arbejdes med perioder på én dag, vurderes det, at nedskrivninger i løbet af dagen vil resultere Side 39 af 113

41 unødvendig kompleksitet, hvorfor dette undlades. På baggrund af nedskrivningernes små kvantitet indregnes nedskrivninger, ligesom svind, på primolageret. Når det samlede svind og nedskrivninger summeres, ses det, at 40 enheder er nedskrevet i løbet af det seneste år. I modellen er waste-mængden bestemt ud fra flere faktorer. Waste-relationerne er hierarkisk opdelt, således at den foregående relation skal være gældende for, at de følgende relationer beregnes. Første forudsætning for waste er, at der den pågældende dag skal foreligge varer på primolageret. Hvis der ikke er nogen varer primolageret, regnes waste ikke (relation 3 Waste 1 ). Hvis der er registreret varer på primolageret, er der, ud fra historisk data, fastsat en waste-risiko. Hvis primolagerbeholdningen er positiv, er der historisk set 6,21% risiko for, at der forekommer waste den pågældende dag (relation 4 Waste 2 ). De 6,21% er udregnet således: Waste % = Antal dage med waste Antal åbningsdage. Risikoen for waste kunne dog også være beregnet som den procentvise andel af alle varer, der i det forgangne år er gået tabt. Ved bestemmelsen af om waste indtræffer, anvendes slump-funktionen igen. Hvis det genererede tal er mindre end 0,0621, forekommer der, på den pågældende dag, waste, som derfor skal modregnes på primolagerets beholdning. Ved bestemmelsen af waste tages der afsæt i historisk data, hvor der i alt er observeret 22 waste-hændelser. De ekstreme optællinger, som tidligere er nævnt, anses som værende menneskelige fejl, og inkluderes derfor ikke i fastsættelsen af waste. Dette skyldes, at de ekstreme optællinger ikke opfattes, som værende repræsentative for det reelle svind. På trods af, at der kun observeres historiske nedskrivninger på 1-2 enheder er waste-intervallet, i modellen, fastsat til [1;3]. Dette begrundes med, at der i datasættets periode er registreret et waste på 40 enheder, og at nedskrivninger kun udgør 22 af de i alt 40 kasserede varer. Derfor fastsættes modellens waste-interval til 1-3 således, at svindet på de resterende 18 enheder medregnes. (Relation 4a Fastsæt Waste). I modellen er nedskrivninger logisk begrænset, hvor antallet af nedskrevne varer aldrig kan overstige lagerbeholdningen (Relation 5 Waste 3 ). Den opstillede lagermodel forudsætter, at ingen menneskelige fejl kan ske, hvorfor positive waste-optællinger ikke kan forekomme. Det antages derfor, at hvis varerne først er nedskrevet, vil de dukke op igen. (Relation 6 Waste 4 ). Side 40 af 113

42 Alle de gældende waste relationer er oplistet nedenfor: 3. waste 1 : Hvis(Primo lager i > 0; Risiko for waste i ; Ingen waste i ) 4. Waste 2 : Hvis(slump() 6,21 %; Fastsæt waste i ; Ingen waste i ) a. Fastsæt waste: Slumpmellem(1; 3) 5. Waste 3 : Waste i primolager i 6. Waste 4 : Waste i 0 Salg Det daglige salg er ligeledes udarbejdet ud fra en logisk tankegang, hvor en række forudsætninger skal være opfyldt for, at salg kan finde sted. En af forudsætningerne er efterspørgsel, hvor der skal være en positiv efterspørgsel af produktet for, at butikken kan sælge varen (Relation 7 Salg 1 ). Det antages dog, ud fra salgsdata, at der altid er positiv efterspørgsel på produktet. Det daglige salg er derefter betinget af varens tilgængelighed. Det vil altså sige, at salg forudsætter en positiv lagerbeholdning på primolageret (Relation 8 Salg 2 ). Her skal det bemærkes, at definitionen af primolageret er: Ultimolager i-1 + ankomne varer i waste i. Når de to ovenstående betingelser er opfyldt, skal det bestemmes, hvor mange enheder der er til rådighed, og deraf hvor mange kunder der kan serviceres. Derfor kan to gensidigt udelukkende scenarier blive tilfældet - Scenarie 1: Efterspørgslen end primolageret - Scenarie 2: Efterspørgslen > end primolageret. Relation 9 Salg 3 dækker over de to scenarier, hvor mængden af efterspørgslen kan være større eller mindre end primolageret. I tilfælde af at butikken oplever en efterspørgsel, der er mindre eller lig den faktiske lagermængde, sælges hele den efterspurgte mængde. Derfor er Sandt i hvis-funktionen angivet til Efterspørgsel. Hvis efterspørgslen derimod er større end lagerbeholdningen, vil nogle af kunderne gå forgæves. Disse kunder vil opleve OOS, og vil ikke få deres efterspørgsel tilfredsstillet. Derfor er Falsk i hvisfunktionen angivet til Primolager, da primolageret i sådanne tilfælde vil udgøre begrænsningen for den solgte mængde. I modellen udelukkes negativt salg, som i realiteten kunne forekomme, når kunder eksempelvist returnerer varer, der stadig er salgbare. Disse returvarer kunne i princippet medregnes på stykregnskabet, hvoraf de Side 41 af 113

43 kunne gensælges. Dette er undladt idet kvantiteten af returvarer vurderes at være for lav til at påvirke modellens resultater (Relation 10 Salg 4 ). Ydermere er omkostningerne forbundet med købet af én pakke havregryn så lave, at kunder sjældent vil komme tilbage for at få det beskedne beløb retur. Relationerne for salg vises nedenfor: 7. Salg 1 : Efterspørgsel i 0 8. Salg 2 : Primolager i 0 9. Salg 3 : Hvis(Efterspørgsel i Primolager i ; Efterspørgsel i ; Primolager i ) 10. Salg 4 : Salg i 0 Ultimolager Ultimolageret er beregnet ved, at fratrække dagens salg fra dagens primolager (relation 11 Ultimolager 1 ). Ingen backorder betingelsen, og at waste ikke kan være større end lagerbeholdningen, gør, at lageret ikke kan være negativt (relation 12 Ultimolager 2 ). Ultimolagerets relationer ses nedenfor: 11. Ultimolager 1 : Ultimolager i = Primolager i salg i 12. Ultimolager 2 : Ultimolager i 0 Ordreafgivelse Kolonnen Ordreafgivelse angiver, om der, den pågældende dag, er afgivet bestilling på et nyt vareparti. Denne kolonne er udarbejdet som en binær variabel, hvorfor der kun kan udspille sig to scenarier. 0: Ingen ordreafgivelse. 1: Ordreafgivelse. Ordreafgivelsen bestemmes udelukkende ud fra, om lageret har ramt ordreafgivelsespunktet. DS, herunder FSN, opererer med et kontinuerligt lagersystem, hvor det, via ERP-systemet SAP, registreres, hver eneste gang et produkt sælges, hvortil ordreafgivelsen sker automatisk. Ordretidspunktet bestemmes ud fra minimumslageret og salgsforecastet for leveringsperioden. Side 42 af 113

44 I afsnit redegøres det for, at DS, via SAP, anvender multiple regression, når de forecaster salget. En regressionsmodel fravælges i denne afhandling, da en fiktivt opstillet regressionsmodel vil være for upræcis ift. virkeligheden. Yderligere har det af DS ikke kunne oplyses, hvilke faktorer der påvirker forecastet, og datamængderne for små til, på egen hånd, at kunne beregne en valid regressionsmodel. Af DS er det oplyst, at regressionen tager udgangspunkt i det gennemsnitlige salg pr. uge over de sidste 110 uger (Møller, 2016). I denne afhandling har salgsdata kun været tilgængeligt for ét år tilbage i tiden, hvorfor det ikke har været muligt at opstille et gennemsnit over 110 uger. Afhandlingens forecast beregnes derfor på baggrund af de 52 tilgængelige uger. Når forecastet for gennemsnitssalget pr. uge er udregnet, brydes dette forecast ned i forventet salg pr. ugedag. Dette gøres ved, at benytte salgsfordelingen af de fire senest observerede uger. Det beregnes først, hvor stor en andel hver ugedag har haft af hele ugens salg. Når dette er gjort for alle fire uger, beregnes gennemsnitsandelen for hver ugedag og således bestemmes det, hvor stor en andel af den forecastede uge eksempelvis mandag skal tildeles (Møller, 2016). I rapporten er det tidligere beregnet, at det daglige gennemsnitssalg er 26,24 enheder hvorfor forecastets ugentlige gennemsnit efter afrunding bliver 184 enheder. Ud fra de sidste fire ugers efterspørgsel i datasættet, altså ugerne i perioden d til d , er der beregnet et gennemsnit af, hvor stor en andel hver ugedag bør tildeles af det udregnede forecast. Denne fordeling kan ses i app. A bilag 5, under kolonnen gennemsnit i tabellen Salgsfordelingen. Ugedagenes andel af forecastet kan omregnes til antal enheder, som bruges til bestemmelsen af ordretidspunktet. Da der er to dages lead-time, undtagen ved leveringer onsdag og søndag, og ordreafgivelse skal ske inden kl. 05:15, skal der inden kl. 05:15 vurderes, hvor meget der forventes at være på lager på det tidspunkt, den næste ordre kan leveres. Hertil benyttes tabellen Salgsforecast, hvis der bestilles fra app. A bilag 5. Heri ses det, at der eksempelvis ved bestilling om tirsdagen, beregnes et ordretidspunktet ud fra det forventede salgsforecast med sikkerhed i løbet af hele tirsdag, onsdag og torsdag. Grunden til at torsdag her medregnes er, selvom leadtime kun omfatter tirsdag og onsdag, at hvis der ikke bestilles tirsdag, kan der først bestilles onsdag, hvor denne bestilling leveres fredag morgen (Møller, 2016). Hvis det forventede primolager fredag morgen er under minimumslageret på 21 enheder, vil modellen, ligesom SAP, afgive en ordre. Udregningen af salgsforecastet er lavet ud fra DS eget salgsforecast for produktet, som kan ses i app. B bilag 5. Forecastet er inddelt i specifikke datoer, hvori der tages højde for helligdage mv. Gennemsnittet af DS Side 43 af 113

45 salgsforecast fra til er på 23,27 enheder. Sammenlignet med det, i modellen, udarbejdede salgsforecast, underforecaster DS med ca. 3 enheder pr. dag. Dette kan formodentligt forklares ud fra forskellighederne i de to forecastmodeller. Her tager DS forecastmodel højde for flere faktorer, såsom sommerens forventede sæsonudsving, lukkedage mv. Desuden kan det have en effekt, at afhandlingens gennemsnitssalg er beregnet ud fra 52 uger, hvor DS reelle forecast er beregnet ud fra 110 ugers efterspørgsel. Da DS faktiske forecast strækker sig over en periode, som kan være påvirket af mange andre faktorer, afviges der fra deres faktiske forecast, hvortil det antages, at det beregnede salgsforecast er repræsentativt. I app. B bilag 5 fremgår det, at DS anvender et salgsforecast med sikkerhed. Jo længere ud i fremtiden der forecastes, desto højere procentsats er der tillagt forecastets sikkerhed. Da lagermodellen er opstillet over en periode på 61 dages, beregnes gennemsnittet af den tillagte sikkerhed. Ud fra det udleverede data, tillægges salgsforecastet en sikkerhed på 28,47%. Ordretidspunktet kan derfor opstilles på følgende måde, hvor der bestilles hvis følgende er opfyldt: 13. Ordreafgivelse 1 : E(Primo lager i+3 ) minimumslager + Salgsforecast med sikkerhed j NB: Grundet begrænsninger på leveringsdage, skal der på torsdage og søndage inkluderes salgsforecast for én dag ekstra, når det skal vurderes, om en orde skal afgives. i+2 j=i I realiteten burde tabellen Salgsforecast pr. dag i enheder fra app. A bilag 5 blive opdateret, hver gang en uge forløb i modellen. Dette vil i afhandlingens lagermodel betyde, at når modellens første syv dage er simuleret, burde disse dage udgøre én af de fire uger i bestemmelsen af hver ugedags andel, og ugen burde medtages i det samlede gennemsnitssalg. Dette er dog ikke gjort, idet udsolgte dage i modellen vil resultere i en forkert fordeling af ugedagenes andel af salget den pågældende uge. Hvis dette skete i den virkelige SAP udregning, vil observationerne blive frasorteret som outliers, hvilket ikke gøres i afhandlingens simuleringsmodel (Møller, 2016). Derfor er forecastet deterministisk til bestemmelsen af ordretidspunktet. Desuden gælder følgende relation for ordreafgivelse: 14. Ordreafgivelse 2 : Aktive bestillinger 1 Side 44 af 113

46 Ankomstdag Hvis der er afgivet en orde, angiver denne kolonne, hvilken dag den bestilte ordre bliver leveret. Ankomsttidspunktet afhænger af lead-time på leveringen, som af app. B bilag 2 fremgår til at være to hele dage. Kolonnen Ankomstdag tager kun en værdi, hvis der i kolonnen Ordreafgivelse er afgivet en ordre. Hvis lageret ikke rammer bestillingspunktet, beskrevet i tidligere afsnit, afgives der ingen ordre og ankomstdag tager værdien 0 (Relation 15 Ankomst dag 1 ). Da der ingen leveringer finder sted på onsdage og søndage, tager modellen højde for dette. Heraf gør dette at leveringer, som normalt skulle være leveret om onsdagen eller søndagen, ikke bliver leveret før torsdagen eller mandagen (Relation 15a og 15b). 15. Ankomst dag 1 : Hvis(ordreafgivelse i = 1; dag i+2 ; 0) a. Hvis(dag i+2 = "Onsdag"; dag i+3 ; 0) b. Hvis(dag i+2 = "Søndag"; dag i+3 ; 0) Antal varer i dag Denne kolonne aktiveres, når kolonnen Ankomstdag har denne dag som værdi. Denne kolonne afspejler mængden af varer, der leveres denne dag. Da leveringsstørrelsen som udgangspunkt er deterministisk, vil denne kolonne altid have samme værdi på 108 enheder. Tabte enheder i salg Den sidste kolonne i modellen beregner, hvor meget salg der er gået tabt, grundet utilstrækkelig lagerbeholdning. Hvis efterspørgslen er større end lagerbeholdningen registrerer denne kolonne, hvor mange solgte enheder butikken er gået glip af. 5.3 Validering af modellen For at sikre modellens validitet, vil dette afsnit teste modellen og dens reaktioner, hvilket gøres ved at indsætte observeret salgsdata. Derfor indsættes reelle salgsdata, udleveret af DS, for perioden d til for, at undersøge om modellen følger det reelle stykregnskabs reaktioner. Af denne periode er salgsdata fra d til d ikke benyttet til opstillingen af modellen. Derfor har disse salgsdata ingen indflydelse på genbestillingstidspunkt, forecast eller lignende, der er udregnet i forbindelse med opstillingen af modellen. I app. A bilag 6 ses periodens salgsdata indsat i modellen, hvor kolonnerne til genereringen af en Side 45 af 113

47 tilfældig efterspørgsel er slettet, og det faktiske svind for perioden er indtastet manuelt. Samlet set sker der, for denne periode, ingen OOS og dermed ingen tabte enheder i salg, hvilket også kan ses af de reelle data. Modellen fremkommer altså til samme resultat som de reelle salgsdata ift. OOS. Ydermere, hvis man kigger på bevægelserne i stykregnskabet, bestillingstidspunkterne og varemodtagelserne, giver modellen et tilnærmelsesvist godt billede af virkeligheden. I app. A bilag 6 er der desuden indsat en kolonne, der viser det faktiske ultimolager for FSN, hvor denne kolonne kan sammenlignes med modellens ultimolager. I løbet af de indsatte 60 dage ses der 8 tilfælde, hvor en ordre modtages på præcist samme dag for både modellen og de reelle salgsdata. Modsat ses der 6 tilfælde, hvor datoen for modtagelsen ikke er den samme, dog ses det for disse tilfælde, at forskydningen af leveringsdagen, fra det reelle til modellen, er minimal. Baggrunden for denne ulighed er, som tidligere beskrevet, at DS i virkeligheden benytter sig af multiple regression til forecastet, hvoraf salgsforecastet nuanceres på forskellige måder, hvilket der i denne afhandling ikke har været mulighed for. Alt i alt giver modellen på trods af de små forskydninger et ganske virkelighedsnært billede af lagerstyringen i DS. Produkttilgængelighed Selvom modellen ses som værende valid ift. lagerstyring, lagerets bevægelser og OOS, så giver modellen ikke nødvendigvis et tilfredsstillende billede af den reelle virkelighed. Hvis produkttilgængelighed inddrages i diskussionen, skal det understreges, at produktet ikke nødvendigvis er tilgængeligt for kunden blot fordi, stykregnskabet er positivt. Som tidligere nævnt har europæiske studier vist at 85% af fejlene, der resulterer i en tom hylde, fejl der sker ude i den enkelte butik. Ydermere ses det, at der blandt de hyppigste årsager til OOS, indgår manglende nedskrivninger og genopfyldning af varer, hvilket også gør sig gældende for FSN (ECR, 2003). Under interviewet med Thomas Stauning kom det til kende, at FSN ofte oplever varer, der bliver smidt ud, uden de bliver registeret. Dette giver et misvisende stykregnskab, hvilket kan være en af baggrundene for OOS. Dette aspekt er hverken medregnet i den opsatte model eller i det udleverede datasæt. Ydermere er det oplyst, at der i FSN er problemer med genopfyldningen af varerne. I app. C bilag 1, der viser en korrespondance med Tanja Jørgensen, beskrives der, at pladsen for Budget - Finvalset havregryn, i et tidsrum af butikkens åbningstid, har været tom. Produktet har altså ikke været tilgængeligt for kunden i denne periode, på trods af at en ny levering var modtaget og indregistreret på stykregnskabet. Sådanne tilfælde kan have en stor påvirkning på salgstallene, hvorfor disse ikke er en perfekt substitut for den reelle efterspørgsel. Hvis salgstallene flere gange har været påvirket af sådanne hændelser, vil antagelsen om at sætte salgstallene lig efterspørgslen give en stor fejlmargin, hvilket giver modellen et ikke-retvisende billede af virkeligheden. Det Side 46 af 113

48 ses af Eventforce rapporten i app. B Bilag 1, at der d var 73 tilfælde, hvor produktet var på lager, men ikke opfyldt i butikken. Modellen kan altså betvivles, da den udelukkende fokuserer på den overordnede lagerstyringen og ikke de daglige arbejdsgange. Der kan altså godt indgå varer på stykregnskabet, uden de faktisk er tilgængelige for kunden, hvortil der intet bliver solgt. Dette inkluderes ikke i modellen trods de åbenlyse tvivlselementer. 6. Udgangspunkt for analysen Discountbutikkerne vinder hvert år markedsandele, hvilket sætter sine spor på detailmarkedet. Nærkøbmænd og mindre supermarkeder bliver presset ud af discountbutikkerne, imens de store supermarkedskæder forventes at fastholde deres markedsandele ved øget butiksantal (Seerup, 2015 og Jensen). Den skærpede konkurrence og kundernes stigende præferencer mod billigere alternativer, kan have store konsekvenser for markedets aktører, herunder også for DS. Ifølge en undersøgelse fra 2014, er beliggenhed den vigtigste faktor, når kunderne skal vælge dagligvarebutik, hvor denne er efterfulgt af vareudvalg samt pris, som henholdsvist 2. og 3. vigtigste faktor (Konkurrence- og forbrugerstyrelsen 2014). Discountkæderne slår supermarkederne på pris, hvorfor supermarkederne bør differentierer sig på eksempelvis beliggenhed og/eller produktudvalget. Inddrages flere aspekter i kundeadfærden, om valget af supermarked, ses det, at kunderne vægter kølængderne ved kasserne, hvor mange produkter der er promoveret og antallet af OOS højt (ECR, 2003). Kundernes butiksloyalitet er med tiden blevet en svagere faktor, og er i dag næsten ikkeeksisterende. Forbrugerens handelsmønster er derimod domineret af sædvane, hvor denne sædvane er letpåvirkelig af nye vaner, og derfor vil forbrugerne hurtigt kunne skifte supermarked eksempelvis på grund af beliggenhed (Jensen). På trods af en faldende loyalitet over for de enkelte butikker, ses det, at loyaliteten over for produktmærkerne er endnu mindre. Altså vil langt flere kunder, ved en OOS, vælge at tage et substituerende produkt i det supermarked de allerede handler i, i stedet for at skifte til et andet supermarked (ECR, 2003). DS er selv opmærksomme på den øgede konkurrence, ikke blot i Danmark men i hele Europa, hvortil DS i den senere tid har ekspanderet deres vifte af handelsområder. Det strategiske opkøb af Wupti.com og Iposen.dk blev foretaget for, at nå ud til en større kundegruppe og opbygge en bredere markedsdækning. Desuden har DS d fremlagt at, de i de kommende år vil investere 2 milliarder kroner årligt på nye butikker, renovering og E-commerce (Moestrup, 2016). Dette ses som en klar investering i fremtiden, og et ønske om forbedring af deres nuværende position på markedet, både i Danmark men også i resten af Europa. Side 47 af 113

49 For at kunne udarbejde en analyse opstilles et udgangspunkt, som de individuelle scenarier, i afsnit 7, vil blive sammenlignet med. Den opstillede lagermodel simuleres 300 gange ud fra Monte Carlo simuleringsprincippet. Ud fra de mange simuleringer vil et udgangspunkt blive beskrevet, hvorefter dette vil bruges til sammenligning af resultaterne i analysen af de forskellige field stimulation scenarier. Salgsprisen fremgår af udleveret data til at være kr. 9,5, hvilket kan ses af app. B bilag 4. Denne pris er som tidligere nævnt fast, da Budgetprodukter aldrig bliver prispromoveret (Stauning, 2016). Kostprisen på produktet angives i to forskellige priser; MAP og leverandørprisen. MAP står for Moving Average Price og dækker over alle omkostninger i forbindelse med hjemtagelse af produktet, hvorimod leverandørprisen udelukkende dækker over kostprisen hos leverandøren. I app. B bilag 4 fremgår det, at MAP og leverandørprisen pr. enhed er henholdsvis kr. 4,37 og kr. 4,04. Af DS er det oplyst, at den normale pris pr. leverede palle er kr. 115, hvilket ses af korrespondance i app. C bilag 2. Derfor er det antaget, at prisen for en kvartpalle er ¼ af denne pris, hvorfor omkostningerne pr. kvartpalle er fastsat til, at være kr. 28,75. Udgangspunktets nøgletal er illustreret i nedenstående figur 6-1. Da modellen er vedlagt som ekstramateriale, henvises der til denne, for kontrol af beregningerne. Figur 6-1 Oversigt over udgangspunktets centrale nøgletal Kilde: Egen bearbejdning Figur 6-1 viser en tilfældig opdatering af modellens 300 simuleringer, hvori det ses, at det gennemsnitlige salg er enheder svarende til en omsætning på kr Ud fra højeste og laveste antal solgte enheder ses det, at salget varierer med 428, svarende til en omsætning på kr Worst case med en omsætning på kr og best case med en omsætning på kr Side 48 af 113

50 Siden år 1913 har det, blandt eksperter inden for lagerstyringsteori, været kendt, at en virksomhed opnåede de minimale omkostninger når ordreomkostninger er lig Lageromkostninger (Harris, 1913). I denne simulering ses det, at de gennemsnitlige ordre- og lageromkostninger er henholdsvis kr. 438 og kr. 383, ved en lagerrente på 8% og en ordreomkostning på kr. 28,75 pr. kvartpalle. Dette kunne tyde på begrænsede optimeringsmuligheder på dette punkt, da omkostningerne er relativt tæt på hinanden. Desuden er det ikke sikkert, at omkostningerne i denne analyse er minimeret, når ordre- er lig lageromkostningerne. Dette skyldes at en lang række af forudsætningerne for Economic Order Quantity er brudt. Udgangspunktet viser desuden, at næsten ingen kunder skuffes, når de ankommer til butikken og vil købe varen. Simuleringen viser, at den gennemsnitlige tabte efterspørgsel i løbet af 61 simulerede dage, blot er 0,03 enheder og at der i worst case er 4 enheder i tabt salg. Desuden ses det, at der i 293 af de 300 simuleringerne ikke er nogle kunder, der går forgæves, hvorfor det kun er i ca. 2% af simuleringerne, hvor kunder oplever udsolgt. Af de 300 simuleringer ses det, at det gennemsnitlige antal gange, hvor sikkerhedslageret på 21 enheder har været i brug, er 0,34 gange. Ud fra simuleringerne har det i modellen været muligt at beregne, at sikkerhedslageret i 88 af simuleringerne har været i brug én dag, hvor sikkerhedslageret i ét tilfælde, ud af de 300 simuleringer, var i brug tre ud af de 61 dage. Servicegraden for dette produkt er dermed på 99,998%, hvorfor der ifølge modellen kun er ca. én ud af kunder, der går forgæves. Af DS er det oplyst, at lagerets omsætningshastighed er er af deres centrale mål for en effektiv lagerstyrring lagerstyrring, hvorfor dette også er udregnet i modellen (Møller, 2016). Her ses det, at lageret omsættes 14,8 gange i løbet af de 61 dage, svarende til at produktet gennemløber lageret på ca. 4 dage. Det er oplyst, at DS er begyndt at fokuserer på, hvilke produkter der er vigtigst for kunden, hvorfor de enkelte butikkers lagerbeholdning for disse produkter er højere end generelt. Alle produkter vægtes altså ikke lige højt, når det vurderes, hvor stort sikkerhedslageret og omkostningerne til det enkelte varenummer skal være (Møller, 2016). Det kan ud, fra det ovenstående udgangspunkt, formodes at Budget - Finvalset havregryn, er et af de produkter, som DS vægter højt, når de allokerer omkostninger og lagerplads til de enkelte produkter. Dette kan altså være forklaringen på, at én ud af kunder, ifølge modellen, går forgæves. Side 49 af 113

51 7. Analyse Field Stimulation Analysen opbygges som et field stimulation studie, hvor tre sandsynlige scenarier opstilles og analyseres individuelt (Bryman, 2011). Ud fra udgangspunktet i afsnit 6, analyseres udviklingen i omkostningerne og serviceniveauet, såfremt det pågældende scenarie skulle blive en realitet. Efter den kvantitative analyse af modellens output, vil hvert scenaries påvirkning på omkostningerne og serviceniveauet, blive beskrevet i afsnit 8. Afsnit 8 omhandler derfor en bredere diskussion, af modellens kvantitative output. Scenarierne er fiktivt opstillet, således de indeholder diversitet og dermed har forskellige fokuspunkter. Ydermere har scenarierne alle afsæt i realistiske begivenheder således, at analyserne kan anvendes, hvis scenarierne skulle blive en realitet. Scenarierne beskrives kort nedenfor og vil i deres respektive afsnit blive uddybet nærmere: Scenarie 1: Som et nyt tiltag, kan alle visiterede borgere, institutioner og erhvervsdrivende i Aarhus Kommune, foretage deres varebestillinger via Iposen.dk. Det forventes derfor, at efterspørgslen, på nogle produkter, stiger og bliver mere uforudsigelig. De produkter som især forventes at blive påvirket, af det nye tiltag, er produkter som mælk, havregryn, saftevand, smør, bleer, toiletpapir mv. Det ønskes derfor analyseret, hvordan ændringerne i efterspørgselsmønsteret, som følge af Iposen.dk, påvirker den nuværende lagerstruktur. Scenarie 2: DS vil gerne tilnærme sig Just-in-time (JIT) princippet, hvorfor effekten af en nedsættelse i lead-time, fra to dage til én dag, analyseres. Herunder undersøges det, hvordan ændringen påvirker de samlede omkostninger og servicegraden. Scenarie 3: DS har indset, at den historiske lagerbeholdning, for nogle produkter, heriblandt Budget - Finvalset havregryn, er for høj. DS ønsker derfor at undersøge, hvor meget de samlede omkostninger kan reduceres under forudsætning af, at servicegraden minimum skal være 99,5% NB: Det skal før analysens start understreges, at afhandlingen ikke har til formål, at finde de optimale løsninger i scenarie 1 og 2. Alle de tre scenarier afgrænses fra analyse af, hvordan lagerstrukturen bør ændres, hvis en af scenarierne bliver en realitet. Formålet med analysen er at analysere, hvordan et givent scenarie påvirker modellens setting, og hvilke konsekvenser scenariet kan medføre i den nuværende lagerstruktur. I scenarie 2 og 3 vil modellens gennemsnitlige salgsmængde være upåvirket ift. udgangspunktet, hvorfor eventuelle afvigelser i salgsmængden ignoreres i analysen. De analyserede omkostninger vil derfor være Side 50 af 113

52 isoleret fra støj, da eventuelle afvigelser skyldes ændringer i modellens setting. Kostprisen forventes ikke at ændre sig, hvorfor denne er fastholdt i analysen. Afslutningsvist fokuseres der, i ingen af de 3 opstillede scenarier, på omkostningerne til waste, da ingen af scenarierne påvirker denne faktor. Analysen af scenarierne vil, i dette afsnit, kun omfatte det kvantitative data, der er genereret af modellen. Efter den kvantitative analyse, vil yderligere omkostningsfaktorer blive analyseret i afsnit 8, hvor vurderingen af hvert scenarie også vil blive præsenteret. Alle de tre scenarier er vedlagt som ekstramateriale, hvoraf ændringerne i modelopstillingen kan inspiceres. Hvert scenarie indeholder alle de samme faner som udgangspunktet, hvorfor der kun er foretaget mindre ændringer og tilføjelser i filerne for hvert scenarie. 7.1 Iposen.dk implementeres DS opkøbte i 2015 Wupti.com og Iposen.dk. De to virksomheder blev opkøbt, som en del af DS plan om, at overgå den generelle markedsvækst inden for online handel (Moestrup, 2016). Iposen.dk er et nyt koncept, hvor visiterede borgere, erhvervsdrivende og institutioner kan bestille vare online, hvorpå FSN pakker varerne og leverer dem (Stauning, 2016). I en korrespondance med Thomas Stauning, som kan ses i app. C bilag 4, at FSN er den eneste Føtex i Aarhus der pakker for Iposen.dk. Desuden oplyses det, at ordrerne til Iposen.dk pakkes alle ugens dage, med undtagelse af fredag og lørdag, hvortil der i gennemsnit pakkes 50 ordre pr. dag. FSN forventer, at den årlige omsætning, som følge af Iposen.dk, vil forøges med 1%, men med chance for en stigning i omsætningen på op til 3% årligt. Afslutningsvist oplyses det, at institutionerne typisk køber for mellem kr. 500 og kr pr. ordre, hvortil ordrerne indeholder meget økologisk mælk, økologisk havregryn og sæsonens frugter. I dette scenarie antages det, at Budget - Finvalset havregryn indgår som ét af de produkter institutionerne bestiller, hvoraf efterspørgslen stiger. I modellen illustreres efterspørgslen fra Iposen.dk i en kolonne for sig, hvortil denne efterspørgsel tillægges den oprindelige efterspørgsel, fra modellen, når dagens salg skal bestemmes. Til genereringen af efterspørgslen fra Iposen.dk, har fremgangsmetoden været den samme, som til genereringen af den normale efterspørgsel. Der findes ingen historiske salgsdata fra Iposen.dk, hvorfor de opstillede salgsintervaller og den tildelte hyppighed, er baseret på et akademisk skøn af, hvor mange poser Budget Finvalset havregryn, specielt børneinstitutioner, aftager. Efterspørgselsintervallerne og de tildelte hyppigheder, er fastsat ud fra opgaveskrivernes subjektive vurdering, hvorfor der ikke findes noget belæg for disse. Den øgede efterspørgsel er fastsat ud fra antagelsen om, at den primære kunde er børneinstitutioner, hvorfor det daglige antal af Side 51 af 113

53 kunder dækker over 0 til 3 børneinstitutioner. En oversigt over efterspørgselsintervallerne og de tildelte hyppigheder kan ses af figur 7-1. Figur 7-1 Efterspørgselsintervallerne til Iposen.dk Kilde: Egen bearbejdning Modellen er opstillet således, at der ikke genereres nogen efterspørgsel fra Iposen.dk på fredag og lørdag, da det er oplyst at der ikke pakkes varer disse dage. I dette scenarie forventes der hverken drastiske ændringer i antallet af OOS eller serviceniveauet, hvilket skyldes det høje lagerniveau fra udgangspunktet. Det forventes derfor, at den nuværende lagerstruktur fra udgangspunktet, har kapacitet til at efterkomme den øgede efterspørgsel. Usikkerheden forventes at stige, hvorfor det ligeledes forventes, at der forekommer flere tilfælde, hvor den øgede efterspørgsel resulterer i et højere OOS niveau. Nedenstående figur viser effekten af den øgede efterspørgsel, fra Iposen.dk, uden tilpasning af salgsforecastet eller minimumslager: Side 52 af 113

54 Figur 7-2 Oversigt ved implementering af Iposen.dk Kilde: Egen bearbejdning I figur 7-2 illustreres det, at den gennemsnitlige salgsmængde er steget fra udgangspunktets enheder til dette scenaries enheder. Da denne stigning udgør essensen i dette scenarie, kommer det umiddelbart ikke som nogen overraskelse at efterspørgslen stiger, hvorfor dette ikke analyseres yderligere. Fokuseres der på omkostningerne genereret af simuleringen ses det, at ordreomkostningerne er steget fra kr. 438 til kr. 504, hvilket giver mening, da flere ordre skal bestilles hjem. Modsat ses det, at lageromkostningerne falder med kr. 68, hvorfor de samlede ordre- og lageromkostninger næsten er uændret. Hvis omkostningerne ved tabt salg inkluderes, ses en stigning i de totale omkostninger på ca. kr. 45, svarende til en stigning på 5,3% af de totale omkostninger. Umiddelbart er udviklingen i omkostningerne meget logiske, hvilket skyldes at der skal bestilles flere vare, da efterspørgslen er højere, og derfor opleves der højere ordreomkostninger. Analysen viser desuden, at lagerets omsætningshastighed øges fra udgangspunktets 14,8 gange til 20,94 gange, hvilket giver intuitiv mening, da flere produkter kommer igennem lageret i samme periode. Den mest centrale udvikling i dette scenarie ses dog af servicegraden, der falder med 0,5%, hvilket giver en stigning i antallet af kunder der oplever OOS. I udgangspunktet ses det, at tabte enheder i salg i gennemsnit er på 0,03 enheder, hvortil der er tilhørende omkostninger på kr. 0,15. I dette scenarie er der i gennemsnit 8,83 enheder i tabt salg, hvortil der i gennemsnit er forbundet kr. 45,30 omkostninger med disse. Hertil ses det, at antallet af simuleringer, hvor ingen kunder går forgæves, reduceres fra udgangspunktets 293 simuleringer til kun 155 simuleringer. Denne reducering svarer til, at der i næsten halvdelen af simuleringerne vil være dage, hvor kunderne oplever OOS. Side 53 af 113

55 Afslutningsvist ses det af figuren, at minimumslageret på 21 benyttes flere gange end i udgangspunktet. Minimumslageret er opsat som en mindsteværdi for lagerbeholdningen, hvorfor lageret ikke må komme under den fastsatte grænse (Møller, 2016). I udgangspunktet passede denne indstilling tilnærmelsesvist, hvor minimumslageret blot blev benyttet 0,56% af dagene. I scenarie 1 har denne procentsats ændret sig således, at minimumslageret nu i gennemsnit benyttes 4,72% af dagene. Dette svarer til, at minimumslageret i gennemsnit benyttes 2,88 gange i løbet af simuleringsperioden på 61 dage. I app. C bilag 4 fremgår det, at FSN er bevidste om den effekt, som den øgede efterspørgsel fra Iposen.dk medfører. I bilaget fremgår det at FSN, for visse produkter, har hævet minimumslageret med 50%. Dette gøres netop for, at sikre at det stadig er få kunder der oplever OOS. Dette viser klart, at DS er klar over vigtigheden af høj produkttilgængelighed og hvor vigtigt OOS er for kunderne. Delkonklusion: Ved at indfører Iposen.dk, og antage at institutionerne ikke nødvendigvis kun køber økologisk havregryn, men også køber Budget Finvalset havregryn, en effekt på modellens resultater. Salget stiger, og ved en uændret lagerstruktur ses en stigning i de samlede omkostninger til ordre, lager og tabt bruttofortjeneste på kr. 43. Serviceniveauet falder, og FSN vil deraf opleve flere OOS, hvortil der kan være forbundet flere omkostninger end beregnet i modellen. Det ses som forventet, at stigningen i efterspørgslen ikke er så ekstrem, at FSN ikke kan håndtere den øgede efterspørgsel, med den nuværende lagermodel. Hovedårsagen til at den nuværende lagerstruktur kan håndtere den øgede efterspørgsel, er udgangspunktets høje serviceniveau, som kommer af produktets høje forecast og minimumslager. Alt i alt vil der opleves større usikkerhed, men overordnet set, vil den nuværende lagerstruktur, på bekostning af servicegraden, godt kunne indramme den øgede efterspørgsel. 7.2 Lead-time nedsættes til én dag JIT blev introduceret af japanske Toyota i 1997, hvor JIT siden hen, er blevet en velkendt og anerkendt optimeringsfilosofi inden for lagerstyring. JIT princippet er en produktionsfilosofien om, at et produkt eller en komponent ikke skal ankomme før, den skal bruges, men ankommer netop til det tidspunktet, hvor den skal bruges. Teoretisk ville implementeringen af JIT reducerer omkostningerne forbundet med overproduktion, transport, lager mv. (Bozarth, 2007). JIT vil ikke kunne implementeres fuldt ud i DS, hvilket skyldes, at de ikke kan få leveret hvert enkelt produkt til netop den tid, hvor en given kunde efterspørger produktet. Dette scenarie tager dog udgangspunkt i en analyse, hvor JIT-princippet tilnærmes ved, at sænke lead-time fra to dage til én dag. Side 54 af 113

56 Forventningerne til dette scenarie er, at de samlede lageromkostninger vil blive reduceret, da der ved en leadtime på én dag, ikke vil være behov for så stor lagerbeholdning. Transportomkostningerne vil i dette tilfælde ikke forventes at falde, da den krævede leveringsmængde er uafhængig af lead-time. FSN skal derfor have samme mængde leveret uanset om lead-time er på to eller én dag, og deraf vil antallet af leveringer være nogenlunde lig udgangspunktet. Ordrebestilling skal fortsat ske om morgen inden kl 05:15, men lead-time ændres, så der fra ordretidspunktet nu går 24 timer til ordren er leveret, hvor der før gik 48 timer. Desuden arbejdes der stadig med antagelsen om, at der ingen leverancer sker onsdage og søndage, hvorfor leverancer der burde være modtaget disse dage, først leveres den næstkommende dag. Yderligere er forecastet ændret, så der i forecastet kigges på; hvis der ikke bestilles en pågældende dag, hvornår kan en ordre så modtages næste gang. Ved denne ændringen i dette scenarie er der beregnet nye bestillingstidspunkter for hver eneste ugedag. Ændringerne i bestillingstidspunktet kan ses i app. A bilag 7, hvor nye grænser for bestillingstidspunktet fremgår af tabellen salgsforecast hvis der bestilles:. Følgende figur viser resultaterne af simuleringen, hvis lead-time ændres til én dag: Figur 7-3 Oversigt ved ændring af lead-time fra 2 til 1 dag. Kilde: Egen bearbejdning. Ved en sammenligning af resultaterne i figur 7-3 og udgangspunktet, kigges der først på de ændrede omkostninger. For omkostningerne ses der, modsat forventet, et umiddelbart et fald i transportomkostningerne. Ændringerne i transportomkostningerne skyldes, at lead-time ændres, hvoraf bestillingspunkterne, illustreret i app. A bilag 7, også er ændret. Da hver dags bestillingstidspunkt er ændret til et Side 55 af 113

57 lavere, vil der i simuleringen, på de 61 dage, i gennemsnit forekomme færre bestillinger. Dette skyldes ikke behovet for færre varer men, at perioden er afgrænset til 61 dage, hvorfor der i gennemsnit vil blive afgivet færre ordre inden perioden er afsluttet. Nogle af de ordreafgivelser der, i udgangspunktet, finder sted i slutningen af simuleringsperioden, vil ikke nødvendigvis blive afgivet med en lead-time på én, da bestillingspunktet er lavere. Derfor afspejler de faldne ordreomkostninger ikke virkeligheden, da ordreomkostningerne i scenariet formodenligt havde været identiske med udgangspunktet, hvis perioden havde været uendelig. Mere essentielt er det, at lageromkostningerne falder, hvilket også er hovedargument for at reducere leadtime. I denne simulering falder de gennemsnitlige lageromkostninger fra kr. 383 til kr De samlede gennemsnitsomkostninger er faldet med ca. kr. 80 for en periode på 61 dage, hvilket er en procentvis besparelse på 9,74%. På trods af, at de samlede omkostninger falder, stiger usikkerheden i dette scenarie. Servicegraden reduceres minimalt, hvorfor den i gennemsnit stadig er 99,9%. Omkostningerne forbundet med tabt salg, er derfor steget til nu at være på kr. 7,9. Kigger man derimod på antallet af gange sikkerhedslageret er i brug, sker der en stigning fra 0,56% til 2,68% af de samlede dage. Med en stigning i usikkerheden, vil der opleves en større risiko for OOS, og derfor ses der i worst case en stigning i omkostningerne ved tabt salg fra kr. 20,5 til kr I den sammenhæng falder antallet af simuleringer, hvor ingen kunder går forgæves, efter produktet, fra 293 til 236 simuleringer. Altså ses der en højere usikkerhed og risiko for OOS, ved at ændre lead-time til én dag. Afslutningsvist ses det, at omsætningshastigheden for lageret stiger fra 14,8 til 18,2 gange i gennemsnit i løbet af perioden. Dette er en af DS målepunkter for lageret, hvorfor en stigning på ca. 4 gange på 61 dage ses, som en positiv ændring (Møller, 2016). Den øgede omsætningshastighed skyldes, at der i dette scenarie er laver lagerbeholdning, hvorfor den logisk bliver omsat flere gange i løbet af perioden. Delkonlusion: Samlet set vil omkostningerne, som JIT filosofien siger, falde ved at ændre lead-time fra to til én. Der kan ifølge modellens beregninger ses, at en besparelse på kr. 72, svarende til 8,8%, kan realiseres, hvilket dog medfører øget usikkerhed og dermed en stigning i antallet af OOS. Den øgede usikkerhed påvirker ikke resultaterne markant og det ses, at servicegraden stadig er på 99,9%. Hvis antagelsen om, at én kunde kun køber ét eksemplar af varen er korrekt, vil der i gennemsnit kun går 1,54 kunder forgæves pr. simulering. For at mindske usikkerheden, og dermed forbedre worst case scenariet, kan nogle af de besparede omkostninger Side 56 af 113

58 benyttes til at øge minimuslageret. Analysen af den foreslåede forøgelse foretages dog ikke, men står blot som en eventuel mulighed. 7.3 Minimering af de samlede omkostninger Virksomheder har flere grunde til, at minimere deres lagerbeholdning mest muligt. Unødvendig høj lagerbeholdning optager plads, som kunne være brugt på anden vis og binder kapital i lageret, som kunne være investeret andre steder. Ydermere bliver håndtering, kontrol og monitorering af lageret mere kompleks, når lagerbeholdningen øges (Malakooti, 2013). På trods af Martin Skov Møllers udtalelse der budgetteres med aldrig at gøre brug af sikkerhedslageret, fraviges denne udtalelse i dette scenarie. Derimod vil denne analyse forsøge at analysere, hvor stor en besparelse der kan realiseres, såfremt man budgettere med, at benytte minimumslageret. DS ønsker derfor analyseret, hvor stor en besparelse der kan realiseres, hvis servicegraden som minimum skal være 99,5%. Dette scenarie er i princippet en følsomhedsanalyse, hvor en minimal omkostning kan realiseres, såfremt det rette miks af minimumslager og forecastsikkerhed opnås. Ud fra udgangspunktet forventes det, at de samlede omkostninger kan reduceres, grundet det høje lagerniveau for ultimolageret. I udgangspunktet kan det beregnes, at det gennemsnitlige ultimolager er over 107 enheder. Niveauet er ekstrem højt og med en servicegrad på 99,998% kan det forventes, at omkostningerne kan reduceres markant uden en væsentlig forværring af servicegraden. Sådanne analyse tager i realiteten udgangspunkt i, hvor meget FSN kan reducere deres lead-strategi på lageret. Ved at minimere sikkerhedslageret, og sikkerheden på salgsforecastet, ændres niveauet for den generelle lagerbeholdning, hvorfor niveauet på den fulgte lead-strategi falder. FSN vil derfor tilnærme sig en matchstrategi, hvor man der fokuseres på, lige præcis at have tilstrækkelig lagerbeholdning til, at kunne opfylde kundernes efterspørgsel. Risikoen ved at tilnærme sig en match-strategi er dog, at flere kunder risikere at gå forgæves (Bozarth, 2007). Det optimale, til løsningen af denne analyse, havde været at opstille nogle grafer for omkostningerne. Under en række forudsætninger, ville de minimale omkostninger være gældende, når ordreomkostningerne er lig lageromkostninger (Harris, 1913). Da flere omkostninger inkluderes i denne beregning, og forudsætningerne er brudt, fraviges denne metode. En anden metode hvorpå scenariet kunne optimeres ville være ved brug Excels Side 57 af 113

59 målsøgning. Målsøgning er dog ikke muligt, da optimeringen sker på baggrund af en stokastisk model, hvor der er kørt 300 simuleringer. Derfor bliver scenariet optimeret og analyseret ved gradvist, at ændre i enten sikkerhedslageret eller den procentvise sikkerhed for salgsforecast. Da der optimeres ud fra stokastiske værdier, vil der i dette scenarie ikke blive fundet en eksakt optimering men derimod en tilnærmelse. Formålet med dette scenarie er at foretage en følsomhedsanalyse af, hvordan de minimale omkostninger realiseres ved, at reducere i minimumslageret og den procentvise sikkerhed på salgsforecastet. Indledningsvist analyseres det, hvor store besparelser der kan realiseres, såfremt minimumslageret reduceres og salgsforecastet bibeholdes. Derefter analyseres det omvendt, hvor store besparelser der kan realiseres, såfremt minimumslageret bibeholdes og sikkerheden reduceres. Efter de individuelle analyser vil der afslutningsvis blive foretaget en analyse af, hvor meget omkostningerne kan minimeres, hvis der optimeres ud fra et sammenspil imellem de to parametre. Under hensynstagen til servicegraden, vil analysen i dette scenarie udelukkende fokusere på omkostninger til lager, ordre og tabt bruttofortjeneste, hvorfor andre faktorer igen ignoreres. Indledningsvist analyseres effekten ved ændringer i minimumslageret, der som udgangspunkt er på 21 enheder. Salgsforecastet med en sikkerhed på 28,37% bibeholdes derfor i den indledende analyse. Minimumslageret reduceres først til 15 enheder, hvoraf de samlede omkostninger falder fra kr. 821 til ca. kr Hvis reducering af minimumslageret forsættes indtil minimumslageret er på 0 enheder, observeres en konstant reducering af de samlede gennemsnitsomkostninger. Resultaterne af at fjerne minimumslageret kan af figur 7-4 ses, hvori det illustreres, at de gennemsnitlige omkostninger ca. er på kr. 762 og at de samlede omkostninger i worst case er ca. kr Serviceniveauet er stadig på 99,97% og gennemsnitsomkostningerne til tabt salg er blot på kr. 2,31, hvorfor lagerniveauet stadig bør kunne reduceres i bestræbelsen på en omkostningsbesparelse. Side 58 af 113

60 Figur 7-4 Oversigt ved minimumslager = 0 enheder og salgsforecast med sikkerhed = 28,47% Kilde: Egen bearbejdning. Da reducering af sikkerhedslageret til 0 enheder har medført et vedvarende fald i omkostninger, tyder noget på, at lagerniveauet stadig er for højt. Derfor undersøges det, hvordan ændringer i salgsforecast med sikkerhed kan påvirke de gennemsnitlig samlede omkostninger. For at isolere effekten af ændringerne i sikkerheden for salgsforecastet, nulstilles ændringerne i minimumslageret, så denne igen er på 21 enheder. Sikkerheden på salgsforecastet er, som beskrevet tidligere, baseret på udleveret salgsforecast og fastsat til 28,47%. Hvis der afviges fra den høje sikkerhed og sikkerheden nedsættes til eksempelvis 20%, reduceres de gennemsnitlige samlede omkostninger fra kr. 821 i udgangspunktet, til ca. kr Ved en sikkerhed på 20% er serviceniveauet stadig på 99,99% og de gennemsnitlige omkostninger til tabt salg er blot på kr. 0,1. Hvis sikkerheden for salgsforecastet gradvist reduceres indtil sikkerhed = 0%, opleves der, ligesom ved minimumslager, en konstant reducering af de gennemsnitlig samlede omkostninger. Af figur 7-5 ses det, at de gennemsnitlige samlede omkostninger til lager, ordre og tabt salg i dette tilfælde er omkring kr Ved at fjerne sikkerheden på salgsforecastet helt, stiger gennemsnitsomkostningerne ved tabt salg, og der observeres nu et gennemsnit på 2,31 enheder. Med en sikkerhed på 0% er worst case noget anderledes fra udgangspunktet. Dette skyldes, at der i worst case nu er tabt bruttofortjeneste for 40 enheder, svarende til kr Side 59 af 113

61 Figur 7-5 Oversigt ved minimumslager = 21 enheder og salgsforecast med sikkerhed = 0% Kilde: Egen bearbejdning. I tilfælde af, at sikkerheden på salgsforecastet reduceres til 0% og sikkerhedslageret forbliver på 21 enheder, falder servicegraden til 99,88%, hvilket stadig er over det ønskede servicemål på 99,5%. Derudover kan det af figur 7-5 ses, at usikkerheden stiger en smule. DS ønsker ikke at gøre brug af sikkerhedslageret, men ved reducering af sikkerheden på slagsforecastet til på 0%, vil der i gennemsnit gøres brug af sikkerhedslageret 2,47 gange i løbet af de 61 dage. Dertil ses det, at der i worst case gøres brug af sikkerhedslageret 11 gange. Forklaringen på det lille fald i ordreomkostninger er givet vis de samme faktorer, som blev beskrevet i afsnit 7.2. Ved at salgsforecastet nedjusteres, vil der være simuleringer, hvor der ikke afgives en ordre i slutningen af de 61 dage. De isolerede effekter ved ændringer i minimumslageret og salgsforecastets sikkerhed, viser begge reducering af de samlede omkostninger. Ligeledes viste begge analyser, at de samlede omkostninger kunne minimeres, indtil, at den analyserede faktor var sat lig nul. Derfor forsøges de to parametre nu optimeret i sammenspil med hinanden. Derfor nulstilles alle ændringer igen tilbage til udgangspunktet hvor minimumslageret er på 21 enheder og sikkerheden på salgsforecastet er på 28,47%. Det er via analyse klarlagt, at der ved gradvis reducering af først minimumslageret og derefter salgsforecastet, kan realiseres besparelser i de samlede omkostninger. I den samlede analyse startes det med, at begge værdier halveres, hvorfor sikkerhedslageret fastsættes til 11 enheder og sikkerheden på salgsforecastet til 14%. Effekterne af sådanne ændringer viser, ifølge modellens beregninger, at de gennemsnitlig samlede omkostninger falder til kr De samlede omkostninger ved en halvering af både sikkerhedslageret og Side 60 af 113

62 salgsforecastet, er altså ikke så effektive, som ved at fjerne sikkerheden på salgsforecastet helt. Det beregnes ved denne lagerstruktur, at sikkerhedslageret, på 11 enheder, i gennemsnit tages i brug 2,29 ud af de 61 dage. Ved gradvist at justere de to parametre findes det, at de laveste omkostninger til ordre, lager og tabt bruttofortjeneste opnås, når minimumslageret er på 10 enheder og sikkerheden er på 0%. Figur 7-6 Oversigt ved minimumslager = 10 enheder og salgsforecast med sikkerhed = 0% Kilde: Egen bearbejdning Ved denne struktur ses det, at de samlede omkostninger for lager, ordre og tabt bruttofortjeneste er faldet til kr Ordreomkostningerne er faldet marginalt, hvilket kan forklares ud fra tidligere argumenter. Lageromkostningerne er ved omlægningen af lagerstrukturen faldet med kr. 125, hvilket skyldes, at færre enheder på ultimolageret. Den isolerede besparelse på lager og ordreomkostninger for simuleringsperioden er på kr. 137 svarende til 16,7%. Denne besparelse viser dog ikke det endelige resultat, da der samtidig skal tages højde for tabt bruttofortjeneste. De samlede omkostninger til tabt bruttofortjeneste, er i gennemsnit er på kr. 32,7. Samlet set kan der ved denne lagerstruktur realiseres, en besparelse på omkring kr. 105 svarende til 12,8%. Ved ændringen til den ovenstående lagerstruktur øges usikkerheden markant. Det gennemsnitlige antal dage, hvor sikkerhedslageret er i brug, er gået fra 0,34 dage pr. simulering til nu, i gennemsnit, at blive taget i brug i 4,81 dage svarende til ca. 8% af dagene. Ved dette løsningsforslag er servicegraden stadig inden for det ønskede mål på 99,5%, da det beregnede serviceniveau er 99,61%. Lagerets omsætningshastighed vil for dette scenarie øges fra 14,8 til 22,1 svarende til Side 61 af 113

63 en stigning på 7,3 gange. Da dette, ifølge udtalelse fra Martin Skov Møller, er en af DS centrale mål, når de måler effektiviteten af lageret, så anses dette som værende en positiv ændring. Den ovenstående løsning er ikke en 100% optimering af scenariet. Grundet fremgangsmetoden er det ikke muligt at udpege den optimale lagerstruktur med 100% sikkerhed. Derfor kan der ved gennemgang af modellen opleves, at lignende resultater kan opnås, hvis afviges en smule fra løsningen på på minimumslager = 10 enheder og sikkerhed = 0%. Derfor kan der, ved mindre ændringer i minimumslageret og sikkerheden for forecastet, opnås lignende resultater, hvis de to variable korrigeres i modsat retning. Desuden skal det understreges, som nævnt i afgrænsningen, at resultaterne ikke kan genskabes med 100% nøjagtighed, hvorfor lignende resultater kan opnås ved replikering af studiet. Delkonklussion: Hvis DS afviger fra deres nuværrende minimumslager og forecast med sikkerhed for Budget - Finvalset havregryn, kan det altså konkluderes, at de samlede lager- og ordreomkostninger kan minimeres med op til 16,7%. Denne reducering af omkostningerne implicerer dog øgede omkostninger i tabt bruttofortjeneste og dermed flere kunder, der i sidste ende oplever udsolgt. Hvis den tabte bruttoavance fratrækkes, kan omkostningerne samlet set reduceres med 12,8%. Den tabte bruttoavance dækker over, at der i gennemsnit er enheder 6,38 i tabt salg, hvorfor nogle kunder begynder at gå forgæves. Den eventuelle effekt af flere udsolgtsituationer gennemgås i afsnit Generalisering af analysen I den følgende kvalitative diskussion inddrages og diskuteres de ovenstående kvantitative field stimulation analyser, ift. sekundære datakilder og de oplysninger der er udleveret af DS. I dette afsnit er der udarbejdet en generalisering og perspektivering af den kvantitative analyse. I generaliseringen og perspektiveringen, inddrages der ikke en diskussion af de fundne resultaters repræsentativitet, hvorimod denne diskussion udarbejdes i afsnit 9. I afsnit 6 blev nogle af udfordringerne for DS nævnt, hvorunder især kundernes dalende loyalitet over for supermarkederne og produktbrands, samt ændringer af kundernes præferencer og handelsmønstre, er centrale elementer. Det sås af ECRs rapport fra 2003, at kort kø ved kasserne, mange promoverede vare og et lavt antal OOS fremstod som de vigtigste faktorer for kunderne i valget af supermarked. Det beskrives, at 30% af kunderne vægter et lavt antal OOS som en af de vigtigste faktorer på deres indkøbstur, hvilket især skyldes, at OOS fra kundernes synspunkt er spild af tid, penge og energi (ECR, 2003). Sammenholdes dette med de Side 62 af 113

64 ovenstående kvantitative field stimulation analyser, vil der i alle udfald ske en øget usikkerhed for antallet af OOS. Ved en ændring som eksempelvis i scenarie 3 vil der i gennemsnit være 6,38 enheder tabt salg. Det vil altså sige, at der i gennemsnit, under antagelse af at hver kunde køber én pose havregryn, er 6,38 kunder i perioden på 61 dage, der oplever OOS for dette produkt. Hvis resultaterne fra scenarie 3 forsøges generaliseret til en del af FSNs andre produkter, eksempelvis 500 andre varenumre, vil det ses, at 6, = enheder vil indgå som tabt salg grundet OOS. Grunden til at der ikke generaliseres til alle FSNs varenumre, skyldes at hvert varenummer har individuelle adfærdsmønstre ift. minimumslager, salg, forecast mv. Valget af de 500 enheder er fremkommet ved en vurdering af, at ca. 1 ud af 30 produkter, groft antaget, kan have samme adfærdsmønster som Budget - Finvalset havregryn. Beregningerne er foretaget under antagelse af, at hver kunde køber netop én pakke havregryn, hvilket ikke nødvendigvis er realiteten. Udregningen af enheder resulterer derfor ikke nødvendigvis i at kunder oplever OOS, dog regnes der videre med dette. Umiddelbart kunne det lyde som en ekstrem mængde, men jf. app. B bilag 1 ses det, at en scanning af butikkens OOS, der er udarbejdet af Eventforce, viste, at FSN på én dag, havde 374 OOS. Hvis antallet ganges op med perioden på 61 dage, og divideres så det fås for 500 produkter, fås = 760 OOS, hvilket skal ses ift. udgangspunktet. Da det netop er beskrevet, at scenarie 3 ændrer på usikkerheden, og dermed tillader flere OOS, vil disse to tal sat over for hinanden fremstå reelle. Derfor kan det resultere i tabt omsætning for FSN, hvorfor de ovenstående tre scenarier ikke nødvendigvis ses som profitable løsninger. Inddrages perspektivet af brandloyalitet over for butiksloyalitet, ses det at begge er nedadgående (ECR, 2003 og Jensen). ECR skriver, at 37% af de kunder der oplever OOS, vil substituere med et lignende produkt fra et andet brand, således, at hvis der opleves OOS på Budget - Finvalset havregryn, vil 37% af kunderne ifølge ECR rapporten vælge at købe havregryn af et andet brand. Det ses desuden, at kun 9% af kunderne definitivt vælger ikke at købe noget, hvis de oplever OOS af det ønskede produkt. Dette opleves reelt også i butikkerne, hvor medarbejdere til tider finder fyldte kurve efterladt i butikken, hvor en kunde er gået fra butikken uden at gennemføre købet (ECR, 2003 og Stauning, 2016). Her bør afhandlingens fokusprodukt overvejes, da graden af brandloyalitet varierer på tværs af produktkategorier. Står en kunde over for købet af en parfume er involveringsgraden højere og beslutningsprocessen længere for kunden, end ved købet af en pose havregryn (Hollensen, 2010). Ved købet af en pose havregryn er der en kort beslutningsproces, hvorfor beslutningen om at tage et andet brand ses som værende et meget sandsynligt udfald. Der arbejdes dog videre med de, i ECRrapporten, opsatte procentsatser. Her kan scenarie 1 inddrages, som er det scenarie, der giver den største usikkerhed ift. OOS, med et gennemsnitligt tabt salg på 8,83 enheder på 61 dage. Her fremkommer det, at kun Side 63 af 113

65 8,83 9% = 0,795 kunder på 61 dage vil droppe sit køb i butikken. Ganges det op på 500 produkter, på samme måde som tidligere, ses det, at 398 kunder vil vælge ikke at købe noget i butikken, hvilket stadig at underlagt samme antagelse om, at hver kunde køber ét af hvert produkt. Altså ses de opsatte scenarier jf. ECRs rapport ikke ligeså katastrofale for FSN som først antaget, der vil dog være forbundet utroligt mange omkostninger i det tab scenarierne opstiller. Laves samme udregning eksempelvist for scenarie 2, fremkommer det her, at kun 69 kunder vil forlade butikken uden at gennemføre et køb. Dette vil altså medføre en stigning i omkostninger for FSN, dog i begrænset omfang, ift. de resterende scenarier. Samlet set fremstår de ovenstående beregninger meget usikre, da mange kvalitative faktorer påvirker modellens resultater. Worst case for alle scenarier giver meget ekstremt udfald, set ift. de gennemsnitlige værdier, hvorfor det reelle billede kan forme sig anderledes end i modellen. Et andet element der spiller ind på usikkerheden i det ovenstående, er antallet af OOS den enkelte kunde oplever. Kundeadfærden ændres med antallet af OOS der opleves, hvor op mod 70% af kunderne vælger at skifte forretning og købe produktet et andet, hvis de oplever tre OOS i butikken (ECR, 2003). Dette beskriver usikkerheden i ovenstående beregninger, hvilket, der i modellen, ikke kan tages højde for, da det ikke vides, hvor mange gange denne pågældende kunde er gået forgæves efter et produkt. Her ville antallet af personer der ikke fulender købet i scenarie 2 måske være højere end 69, hvortil denne løsning da ikke fremstår attraktiv for FSN. For alle scenarierne er omkostningerne ved tabt bruttofortjeneste på baggrund af OOS udregnet. Modellens udregning af omkostninger, er dog ikke nødvendigvis de eneste omkostninger, som vil være forbundet med et øget antal OOS. Det nævnes ovenfor, at ca. 9% af kunderne vælger ikke at gennemføre købet, hvis de møder OOS, hvortil dette for tredje OOS kunden møder viser sig at være ca. 70% af kunderne (ECR, 2003). I sådanne tilfælde er det ikke kun den tabte bruttoavance ved det enkelte produkt der mistes, men faktisk tabt bruttoavance ved alle de produkter kunden ville have købt. Hvis en kunde gentagende gange oplever mange OOS, kan det resultere i, at kunden konsekvent vælger et andet supermarked, hvilket fører tilbage til kunderes præferencer i valget af supermarked (ECR, 2003). Det er altså ikke udelukkende den tabte omsætning ved det enkelte produkt, der bør ses som en omkostning for supermarkedet, hvorfor kundens lifetime-value bør inddrages. Lifetime-value beskriver værdien af kunden over hele kundens levetid, altså hvor meget hver kunde handler for i sit liv. Hvis en kunde konsekvent vælger at handle i et andet supermarked, er det nærliggende at regne lifetime-value med, som en del af den tabte bruttoavance, og deraf også som del af de omkostninger, der bør indregnes ved ændringerne. Oplysninger om lifetime-value er dog ikke blevet oplyst af DS, hvorfor det ikke har været muligt at indregne disse i de samlede omkostningsberegninger. Side 64 af 113

66 DS arbejder med det der kaldes basket size, som er et mål for, hvor meget en gennemsnitlig transaktion er værd. Dette mål er opsat, for at kunne sammenligne salget på tværs af Føtex butikker på trods af størrelse og kundegruppe. For FSN ligger denne basket size på kr. 105 pr. transaktion, hvori dette inkluderer alle transaktioner, både kiosk-, bager- og kassetransaktioner (Stauning, 2006 og Møller, 2006). Det oplyses desuden, at man ofte arbejder med reelle kassetransaktioner, altså det der købes ved kasserne, hvor transaktionerne ved kiosk, bager og kundeservice fratrækkes. Dette gøres for, at give et mere retvisende billede af, hvad der reelt bliver købt for inde i butikken, hvorfor den oplyste basket size på kr. 105 formodentligt ikke er repræsentativ for salget i butikken (Møller, 2016). I beregningerne tages der ikke højde for lifetime-value, da det ikke har været muligt at regne en lifetime-value, da mange kunder handler i flere forskellige butikker. Inddrages den oplyste basket size i beregningerne af de samlede omkostninger, for perioden på 61 dage for, 500 produkter, fremkommer nedenstående figur 8-1. I denne figur er scenarie 1 undladt, da dette scenarie har fokus på øget salg, hvor de to følgende scenarier fokuserer på minimering af omkostningerne. Figuren er desuden klippet ind i app. A bilag 8, hvor alle formler for udregningerne er vist. Figur 8-1 Oversigt over de samlede omkostninger for udgangspunktet og scenarie 2 og 3 Kilde: Egen bearbejdning Tallene, til udregningen af disse omkostninger, er udtrukket direkte fra de figurer der indgår i de analyserede scenarier. Desuden er omkostningerne, for den tabte basket size størrelse, udregnet som tabt bruttoavance. Det er oplyst af DS, at den gennemsnitlige bruttoavance for produkter i FSN er ca. 29%, hvorfor de kr. 105 for den gennemsnitlige basket size er ganget med 29%. I beregningerne, der er foretaget i figuren, er der ikke medregnet omkostninger for tabt salg for de 91% af de kunder der reelt møder en OOS, men ikke forlader butikken. Dette skyldes, at disse 91% af kunderne enten vælger et substituerende brand, køber varen i en Side 65 af 113

67 anden forhandler af produktet, køber varen på et andet tidspunkt eller køber en anden størrelse af produktet (ECR, 2003). Ud fra figur 8-1 ses det, at udgangspunktets samlede omkostninger er kr , hvilket bliver brugt som referencepunkt for de 2 scenariers samlede omkostninger. I scenarie 2 ændres lead-time fra to til én dag, hvoraf der især ses en besparelse af de samlede lageromkostninger. Der opleves dog et trade-off, da besparelserne vil medføre en øget risiko for OOS, hvorfor det kan beregnes, med afsæt i de 9% som forlader butikken når de møder OOS, at 69 kunder over 61 dage, ikke vil fuldende deres køb. Omkostninger forbundet med dette er på kr , hvorimod der i udgangspunktet kun er omkostninger på kr. 41. Når alle omkostninger vurderes, er der i scenarie 2 en samlet besparelse på kr ift. udgangspunktet, hvilket er en besparelse på 9,2%. Scenarie 3 indeholder en endnu større samlet besparelse, hvor der ift. udgangspunktet spares kr , hvilket svarer til 14,6%. Besparelsen i scenarie 3 kommer hovedsageligt af minimerede lageromkostninger, da minimumslageret er sænket til 10 og sikkerheden for forecastet er 0%. Ved denne ændring ses det dog, at antallet af kunder, der ikke gennemfører købet er meget højere end for udgangspunktet, og er for scenarie 3 på kr sammenlignet med udgangspunktets kr. 41. Risikoen for tabet af kunder skal derfor vurderes ift. de mulige besparelser, der kan finde sted ift. leverings- og lageromkostninger. Hertil er lifetime-value for den enkelte kunde dog ikke indregnet, hvorfor der ikke vil være nogen endelig konklusion af disse scenariers omkostningsbesparelser. Dertil skal de bløde aspekter, som blev nævnt i udgangspunktet for analysen, også tages i betragtning, herunder især kundepræferencerne. Ét af de områder, hvor supermarkederne differentierer sig over for discountbutikkerne, er på sortimentsudvalget. Hvis man øger risikoen for OOS, og dermed mindsker tilgængeligheden af sortimentsudvalget, vil det kunne resultere i, at kunderne vænnes til tanken om, lav produkttilgængelighed i det pågældende supermarked. Hvis det gøres, som det eksempelvis sås af scenarie 3, hvor niveauet af OOS øges, vil supermarkederne miste den fordel, de har over for discountbutikkerne. Når priserne holdes fast, kan det overvejes, hvor mange af FSNs kunder, der fortsat vil være kunder, hvis produkttilgængeligheden falder. OOS kan ses som en kritisk succesfaktor for FSN, og derfor kan det betvivles, om risikoen ved at øge usikkerheden kun indrammer de ovenforstående økonomiske udregninger, eller om der er langt flere omkostninger forbundet med de opsatte scenarier. Derfor vil der af denne analyse ikke fremkomme nogen entydig anbefaling af de opsatte scenarier, Side 66 af 113

68 da alle omkostningsaspekterne ikke kan indregnes. Dog ses besparelserne for de to scenarier ikke som værende store nok til at risikere det øgede OOS niveau. Afslutningsvist kan det diskuteres, om den ovenstående perspektivering reelt kan finde sted, hvor resultaterne af ét varenummer forsøges generaliseret til eksempelvis 500 andre varenumre i FSN. Produktkategorien Morgenmadsprodukter, som Budget - Finvalset havregryn hører ind under, har en gennemsnitlig OOS-rate på blot 2,4%, hvoraf eksempelvis frosne madvare har et gennemsnit 9% (Aastrup, 2009). Det kan altså betvivles, om Budget - Finvalset havregryn overhovedet kan perspektiveres til andre produkter og produktkategorier i FSN. Diskussionen af denne perspektivering og generalisering vil foretages i det følgende afsnit. 9. Vurdering af studiet I løbet af afhandlingen er modellens validitet og anvendelighed testet. Her er der indsat reelle salgstal for en senere perioden end den, som modellen er opbygget ud fra, hvoraf det ses, at modellen reagerer på næsten samme måde som den faktiske lagermodel. Modellens validitet er dog kun testet på det produkt, den er opbygget ud fra, hvorfor modellen ikke nødvendigvis er valid og repræsentativ for alle FSNs produkter. For reelt at kunne generalisere resultaterne, burde modellen være valideret ved, at indsætte salgstal for nogle af butikkens andre produkter. Her kunne der inddrages produkter fra forskellige produktkategorier for at teste modellens robusthed, og heraf klarlæge om modellens resultater er repræsentative for andre produkter. Et af afhandlingens andre kritikelementer er genereringen af efterspørgslen, som genereres ud fra historisk salgsdata. Det udleverede salgsdata viser ikke, hvor mange kunder der hver dag er gået forgæves, hvorfor salgsdaten kan være misvisende til genereringen af efterspørgsel. Alligevel er afhandlingens efterspørgsel genereret ud fra historiske salgsdata. Ydermere tager den opsatte model ikke højde for produkttilgængelighed, hvor kunder godt kan opleve OOS, selvom varen er registreret på stykregnskabet. I app. C bilag 1, dokumenteres det, at der d befandt sig en hel kvartpalle af Budget - Finvalset havregryn på lageret, som ikke blev kørt ind i butikken på trods af, at pladsen var tom. Dette understøttes yderligere af Event Force rapporten vedlagt i app. B bilag 1, hvori det fremgår, at der d var 73 tilfælde, hvor produktet var på lager, men ikke genopfyldt i butikken. Det vides derfor, at der eksisterer problemer med produkttilgængeligheden, hvorfor anvendelse af faktiske salgstal til generering af efterspørgslen, ikke nødvendigvis er repræsentativ for den faktiske efterspørgsel af produktet, hvortil modellens resultater kan være misvisende. Side 67 af 113

69 Det er dog ikke kun modellens opbygning der medfører problemer med repræsentativiteten og deraf generaliseringsevnen. Afhandlingens fokusprodukt ses heller ikke nødvendigvis som værende repræsentativ for alle FSNs produkter, hvorfor en reel generalisering kan være meget misvisende. Det er tidligere nævnt at produktet, Budget - Finvalset havregryn, er udvalgt for at simplificere modelopbygningen. Produktet har jf. app. A bilag 1, en fast leveringsstørrelse, og promoveres aldrig på pris (Stauning, 2016). Sekundære datakilder viser, at der eksempelvis i Frankrig er 75% større risiko for OOS på promoverede produkter end på ikkepromoverede produkter (ECR, 2003). Der er altså større risiko for at promoverede produkter er OOS end ikkepromoverede produkter, hvorfor analysen ikke nødvendigvis er repræsentativt for alle promoverede produkter. Ydermere er det ikke kun promoverings-aspektet der gør produktet besværligt at perspektivere resultaterne til de resterende produkter i FSN. Tidligere er det nævnt at det generelle OOS niveau varierer på tværs af produktkategorier, hvor OOS niveauet for f.eks. morgenmadsprodukter er på 2,4%, hvor det for frisk kød er 6,8% (Aastrup, 2009). Da der fremkommer strukturelle forskelle i OOS niveauet for forskellige varegrupper, kan det være tvivlsomt, om et produkt fra en kategori kan perspektiveres til et produkt fra en anden kategori. I afsnit 8 er der, på baggrund af ECRs studie fra 2003, fastsat en procentdel af kunder, som forlader butikken og annullerer hele deres køb, når de møder OOS på en efterspurgt vare. Studiet viste at der, på tværs af Europa, var 9% af de adspurgte kunder, som forlod butikken første gang de oplevede OOS på en efterspurgt vare (ECR, 2003). Disse 9% er i afsnit 8 benyttet til bestemmelsen af, hvor stor en procentdel af kunderne der forlader butikken når de møder en vare der er OOS, hvilket ikke nødvendigvis er repræsentativt for Budget- Finvalset havregryn. Anvendelsen af de 9% er tvivlsom, da beslutningsprocessen er kort og involveringsgraden lav for sådanne produkttyper, især når sortimentsudvalget er så dybt, som det er for havregryn. Det forventes derfor, at 9% er en høj procentsats, da de færreste kunder vil forlade butikken, blot fordi deres normale havregrynsmærke ikke er i butikken. Det formodes, at lang de fleste kunder vil vælge én af de mange substituerende havregrynsmærker i butikken, såfremt Budget Finvalset havregryn er OOS. Dette kan være anderledes mange af butikkens andre produkter, eksempelvis parfumer og kosmetik, hvor der formodentligt er en større andel af kunderne, der vælger at forlade butikken, hvis deres foretrukne mærke ikke er tilgængeligt. Derfor kan der argumenteres for, at generalisering til produkter med korte beslutningsprocesser og lave involveringsgrader ikke vil være valid. Hele den ovenstående analyse, med udgangspunkt i field stimulation, er udarbejdet på baggrund af ét produkt, hvorfor denne analysedel kan være fejlagtig i dens generalisering. I afsnit 8 er alligevel forsøgt, at generalisere Side 68 af 113

70 resultaterne fra de opstillede scenarier til andre produkter i FSN, hvortil der er argumenteret for, at generaliseringen ikke nødvendigvis er valid. På trods af, at analysen kan være misvisende, giver den et billede af, hvordan ændringerne af lagerstrukturen, i de 3 scenarier, vil påvirke den overordnede lagerstyrring og dens omkostninger. 10. Konklusion Afhandlingens problemformulering tager udgangspunkt i opbygningen af en valid lagermodel for FSN. Heraf er der taget udgangspunkt i opstillingen af en retvisende lagermodel for produktet Budget Finvalset havregryn. Et omfattende datamateriale blev udleveret, hvorfor store dele af afhandlingens fokus har været validering af datasættet og opstilling af modellen således, at virkelighedsbilledet afspejles. Valideringen er sket ud fra statistiske værktøjer, hvor autokorrelationsanalyser, residualværdianalyser og analyser ud fra standardafvigelser er anvendt til analyse af, om observationer bør fjernes på baggrund af et statistisk grundlag. Den omfattende valideringsproces er påkrævet, da den opstillede model blev benyttet til en field stimulation analyse af tre realistiske scenarier, hvor en valid model er nødvendig, til udarbejdelsen af pålidelige resultater. I valideringsprocessen frasorteredes forskellige data fra det udleverede datasæt, hvori der bl.a. indgår salgsdata, leveringsstørrelser og leveringsdage. Efter den statistiske validering af datasættet blev modellen opstillet, hvor hver kolonne blev forklaret. I forklaringen af modellens kolonner uddybes den enkelte celles relationer og logiske sammenhænge således, at læseren guides igennem den logiske opsætning af hele modellen. For at effekten i de forskellige scenarier kunne analyseres, blev der, ud fra den opstillede model, beskrevet et udgangspunkt for analysen. I udgangspunktet blev der redegjort for FSNs nuværende lagerstruktur, og hvilke omkostninger der er forbundet med denne. I beskrivelsen af udgangspunktet blev efterspørgslen, ordre- og lageromkostningerne, servicegraden, tabt bruttofortjeneste mv. beskrevet, som, i det efterfølgende field stimulation studie, blev anvendt som referencepunkt. I afhandlingen er der opstillet tre forskellige scenarier, som alle vurderes at være realistiske. Første scenarie fokuserer på opkøbet af Iposen.dk, hvoraf DS forventer en stigning i den årlige omsætning på ca. 1%, med chance for en stigning på op til 3%. En ekstra kolonne blev derfor tilføjet i modellen, som indeholdte den genererede efterspørgsel fra Iposen.dk. Formålet med analysen var, at belyse om den nuværende lagerstruktur er gearet til en stigning i efterspørgslen. Analysen viste, som forventet, at FSN, på trods af den øgede efterspørgsel, fastholder serviceniveauet på over 99,5%. Alt i alt medfører den øgede efterspørgsel, fra Iposen.dk, en stigning i usikkerheden, men grundet det høje lagerniveau fra udgangspunktet, er der ikke Side 69 af 113

71 nødvendigvis påkrævet ændringer i lagerstrukturen. Ydermere er der i analysen af scenariet redegjort for, at DS er bevidste om problematikken, hvorfor minimumslageret for nogle produkter er øget med op til 50% af hensyn til Iposen.dk. Scenarie 2 tager udgangspunkt i en reducering af lead-time fra to til én dag. Ved tilnærmelse af JIT princippet observeres der i dette tilfælde, en reducering af omkostningerne på bekostning af en stigning i usikkerheden. Analysen viste, at der ved en af reducering af lead-time kan realiseres en besparelse på næsten 10%. Konsekvenserne af den reducerede lead-time er, som nævnt, en øget usikkerhed, som dog stiger marginalt. Hvis lead-time reduceres til én dag, resulterer dette i en reducering af servicegraden, som dog stadig vil være 99,9%. Hvis det formås at reducere lead-time fra to til én dag, vil der, ifølge modellens beregninger for perioden på 61 dage, kunne realiseres en samlet besparelse på ca. kr Trade-offet ved denne besparelse er dog en stigning i antallet af kunder der ikke gennemfører deres køb, fordi de oplever OOS. Tabet af kunder, på baggrund af OOS, medfører ifølge beregningerne omkostninger på ca. kr Scenarie 3 indeholder en følsomhedsanalyse, hvori de samlede omkostninger blev forsøgt minimeret under forudsætning af, at servicegraden forsat skulle være over 99,5%. Analysen viste, at de samlede omkostninger minimeres, når minimumslageret = 10 enheder og sikkerheden på salgsforecastet = 0%. Af beregningerne i scenariet fremgår det, at når den tabte bruttofortjeneste fratrækkes de mulige besparelser til ordre- og lageromkostninger, kan der ved ændring af lagerstrukturen realiseres en besparelse på kr. 105 svarende til 12,8%. Hvis lagerstrukturen ændres til det beskrevne niveau, reduceres servicegraden til 99,61%, hvilket stadig er over det påkrævede serviceniveau, på 99,5%, i scenariet. Hvis den reducerede servicegrad generaliseres til 500 produkter, sås det i figur 8-1, at den øgede usikkerhed medførte en ekstra omkostning, i form af tabt salg, på kr På trods af de øgede omkostninger til tabt salg kan, der for den to måneder lange periode, realiseres en besparelse på ca. kr Besparelserne i scenarie 2 og 3 er dog ikke definitive, da flere omkostningsfaktorer ikke er medregnet. På baggrund af den eksisterende usikkerhed i omkostningsberegningerne, fremlægger denne afhandling ikke en endelig anbefaling til FSN. Udover problemerne med validiteten af omkostningsberegningerne forekommer der problemer med generaliseringen af afhandlingens resultater, da det ikke med sikkerhed vides, om resultaterne kan generaliseres, til en større del af butikken, og i så fald, hvor vidt. Side 70 af 113

72 11. Yderligere studier Hvis emnet i denne afhandling skulle studeres yderligere og resultaterne være mere robuste, ville det kræve en mere omfattende validering af modellen. Ved videre studier ville det være interessant, at undersøge modellens anvendelighed på andre produkter inden for samme produktkategori og hvis dette lykkedes, så undersøge, om modellen kan anvendes på DS det generelle produktsortiment. Ved sådan validering af modellen, ville små justeringer være nødvendig, hvor der bl.a. skulle ske en ændring i generering af efterspørgsel og efterspørgselsintervallerne, ordrestørrelsen mv. Afhandlingens opstillede model kommer frem til det entydige resultat, at der for Budget finvalset havregryn ikke er problemer OOS, da der i udgangspunktet ikke er nogle kunder der går forgæves. I afsnit 9 er det klarlagt, at resultaterne ikke nødvendigvis kan generaliseres til hele sortimentet, bl.a. fordi det analyserede produkt er et privat label, hvorfor minimering af udsolgt situationer måske er et centralt fokus. På baggrund af oplysningerne i app. C bilag 1 er der mistanke om, at modellens resultater ikke nødvendigvis er repræsentativ, da FSN, og DS generelt, oplever problemer med produkttilgængelighed. Problemerne med produkttilgængeligheden eksisterer i alle Føtex butikker i Århus, hvoraf det i app. B bilag 3 fremgår, at det i gennemsnit er 42% af alle OOS der skyldes fejl i butikken, herunder manglende opfyldning fra lageret. Afhandlingen redegøre for at produkttilgængeligheden er et problem, som hverken SAP eller denne afhandlings lagermodel kan medregne, hvorfor yderligere studier dette område vil være interessant. Studier af hvorfor utilgængelighed af produkter opstår, og hvordan disse kan minimeres vil være yderst relevante. Ved gennemførslen af sådanne studier, vil DS i fremtiden kunne sikre, at færre kunder går forgæves, hvilket kan hjælpe DS med bibeholde deres position som markedsleder. Side 71 af 113

73 12. Referencer Aarhus kommune, [ ] Aastrup, J., & Kotzab, H., 2009, Analyzing out-of-stock in independent grocery stores an empirical study. I; International Journal of Retail & Distribution Management, vol. 37, no. 9: side Aastrup, J., & Kotzab, H., 2010, Forty years of Out-of-Stock research and shelves are still empty. I; The International Review of Retail, Distribution and Consumer Research, vol. 20, no. 1: side Annual report 2014, [ ] Balakrishnan, N., Render, B. & Stair, R.M. Jr., 2014, Managerial Decision Modeling, udgivet af; Pearson Education, Aarhus University 3 rd edition, kapitel 7 Bartmann, D. & Beckmann, M.J., 1992, Inventory Control, Models and Methods, af: Springer-Verlag Berlin Heidelberg, Foreword Brandel, W., 2009, Free up cash! Inventory optimization--more important than ever--can preserve working capital in tough times, i: Computerworld, Bind 43, Hæfte 26, Side 28 Bryman, A. & Bell, E., 2011, Business Research Methods, af: Oxford university press, 3 rd edition, kapitel 1, 2, 6, 8 og 11 Bozarth, C.C. & Handfield, R.B., 2007, Introduction to operations and supply chain management, udgivet af: Pearson Education, international 2 nd edition, Kapitel 14 og 16 Brown, M., 2011, Inventory Optimization: Show Me the Money, i: Supply Chain Management Review, Bind 15, Hæfte 4, Side 47 Dansk supermarked, [ ] Dansk handelsblad, Jesper Veber Knudsen, 11/ ?utm_source=nyhedsbrev&utm_medium= &utm_term=http%3A%2F%2Fdhblad.dk%2Fdansksupermarked-fejrer-vi-har-overhalet-coop-11%2F &utm_content&utm_campaign=Dagligt [ ] Side 72 af 113

74 ECR, Europe, 2003, Optimal Shelf Availability, Increasing Shopper Satisfaction at the Moment of Truth, af: ECR Europe, Brussels Fawcett, S.E., Magnan, G.M. & McCarter, M.W., 2008, Benefits, Barriers, and Bridges to effective supply chain management, i: Supply Chain Management: An International Journal, Vol. 13, side Harris, F.W., 1913, How many parts to make once, gentrykt i: Factory, The Magazine of Management, Vol. 10, nr. 2, side , 152 Hollensen, S., 2010, Marketing management A relationship approach, af: Pearson Education limited, s Jensen, J.B., Dansk Detailhandel I fremtiden, af: Fremtidsforsk.dk, [ ] Jørgensen, T.S., 2016, korrespondance se appendix C bilag 1 og 3 Keller, G., 2008, Marginal Statistics af: South-Western, a part of Cengage Learning, 8 th edition, Kapitel 4 (side ), kapitel 16 Konkurrence- og forbrugerstyrelsen, Fremtidens detailhandel, 2014 Lyager, L.V., egen viden gennem arbejde i Føtex siden år 2007 Malakooti, B., 2014, Operations and production systems with multiple objectives, af: John Wiley And Sons Ltd., kapitel 6 Malhotra, N.K., Birks, D.F., Wills, P., 2012, Marketing Research, An applied approach, af: Pearson Education, international 4 th edition, side Malik, Y., Niemeyer, A., & Ruwadi, B, 2011, Building the supply chain of the future, i: McKinsey Quarterly, Hæfte 1, Side McGinnis, M.A., 1992, Military Logistics: Insights for Business Logistics, i: International Journal of Physical Distribution & Logistics Management, Bind 22, Hæfte 2, Side Moestrup, J.H.R & Ritzau, 2016, Satser milliarder: Åbner eller ombygger 70 Netto'er - her kommer der nye Føtex'er af: TV2 Business, 70-nettoer-her-kommer-der-nyefotexer?utm_source=Facebook&utm_campaign=TV_2_News&utm_medium=Social [ ] Side 73 af 113

75 Møller, M.S., 2016, interview se appendix D Bilag 2 Seerup, T.J., 2015, Discountbutikkerne kvæler supermarkeder og små købmænd, i: TV2 Business, [ ] Statistikbanken, kode DB07, [ ] Stauning, T, 2016, interview se appendix D bilag 1 Wiese, T, 2013, Top 5 nytårsfortsætter, [ ] Side 74 af 113

76 13. Appendix 13.1 Appendix A Materiale af egen bearbejdning Bilag 1: Illustration af leveringsdage og leveringsstørrelser. Den gængse levering er 108 enheder, som opstilles på en individuel kvartpalle (Egen bearbejdning) Illustration af leveringsdage og ordrestørrelse Mandag Tirsdag Onsdag Torsdag Fredag Lørdag Søndag Side 75 af 113

77 Hyppighed Hyppighed Hyppighed Bilag 2: Residualfordeling, med løbende frasortering af udvalgte data Figur 1: Residualfordeling for hele datasættet Efterspørgselsinterval Figur 2: Residualfordeling når obs. på 75 frasorteres Eftersprøgselsinterval Figur 3: Residualfordeling når obs. på 75 og 60 frasorteres Efterspørgselsinterval Side 76 af 113

78 Hyppighed Hyppighed Figur 4: Residualfordeling når obs. på 75, 60 og 58 frasorteres Efterspørgselsinterval Figur 5: Residualfordeling når obs. på 75, 60, 58 og 53 frasorteres Efterspørgselsinterval Side 77 af 113

79 Hyppighed Bilag 3 Fordeling af efterspørgsel ved genereringer Fordeling af efterspørgsel 20 Serie Efterspørgsel Bilag 4 oversigt over efterspørgselsintervallerne for hver dag Side 78 af 113

80 Bilag 5 Oversigt over fordelingen for hver ugedag. Side 79 af 113

81 Bilag 6 Validering af modellen, med indsat salgsdata, plus reelle bevægelse af stykregnskabet (denne bevægelse ses af den mørkegrå søjle). Side 80 af 113

82 Bilag 7 Oversigt over nye bestillingspunkter, hvis lead-time reduceres til én dag. Bilag 8 Vis formler af omkostningsbesparelserne for de opsatte scenarier i analysen: Side 81 af 113

83 13.2 Appendix B Udleveret materiale Bilag 1: Interne Eventforce rapporter for antallet af OOS og årsagerne for OOS: Storcenter Nord: Side 82 af 113

84 Bilag 2: Oversigt over lead-time, og minimumslager Side 83 af 113

85 Bilag 3 Oversigt over event force rapporter fra alle Føtex butikker i Århus. NB: hver butik har tildelt et individuelt butiksnummer, hvor screenshots af rapporter for hver butik er vist nedenfor. Fælgende butikker er repræsenteret. De individuelle butiksnumre er oplyst af Thomas Stauning og kan ses i afslutningen af dette bilag. Side 84 af 113

86 Side 85 af 113

87 Bilag 4: Intern data for Budget Finvalset havregryn Bilag 5 Udklip af DS eget salgsforecast for Budget - Finvalset havregryn Side 86 af 113