كيف تصنع الشركة أزمة مخزون من لا شيء؟ عن الـ (Bullwhip Effect) أتحدث

أحيانا لا تبدأ أزمة المخزون من نقصٍ حقيقي في الطلب، ولا من عجزٍ لدى المورد، ولا حتى من مشكلة في الطاقة الإنتاجية، تبدأ من قرار صغير يبدو منطقيًا تمامًا، فرع باع خلال أسبوع 110 وحدات بدلًا من متوسطه المعتاد البالغ 100، لا شيء استثنائيًا هنا، لكن مسؤول المخزون لا يرى الـ110 باعتبارها مجرد ملاحظة في سجل المبيعات؛ بل يقرأها كإشارة محتملة إلى أن الطلب يتجه إلى الصعود، فيطلب 120، والمخزن الذي يواجه بدوره مهلة توريد ومخاطر نفاد المخزون، لا يرى الـ120 باعتبارها طلب الفرع فقط، وإنما كإشارة إلى ارتفاع محتمل في الطلب عبر الشبكة، فيرفع طلبه إلى 140، والموزع أمام عدة طلبات متزامنة من عدة فروع، يرفع طلبه إلى 170، والمصنع الذي لا يرى المستهلك النهائي أصلًا، يرى فجأة سلسلة من الطلبات الصاعدة.. فيزيد الإنتاج.

وهكذا يمكن أن تتحول زيادة محدودة في Sell-out إلى موجة متضخمة في Orders كلما اتجهنا نحو المورد، هذه هي إحدى أكثر المفارقات إثارة في إدارة سلاسل الإمداد:

قد لا تكون الشركة قد واجهت زيادة كبيرة في الطلب أصلًا؛ قد تكون قد صنعت لنفسها إشارة طلب أكبر من الطلب الحقيقي، وهنا يظهر ما يُعرف في إدارة العمليات بـ Bullwhip Effect: تزداد تقلبات الطلبات كلما تحركنا من العميل باتجاه أعلى السلسلة، بحيث تصبح الـOrders أكثر تذبذبًا من الـSales نفسها، لكن وصف الظاهرة بهذه الطريقة لا يزال سطحيًا.

فالسؤال الأكثر أهمية هو:

كيف يستطيع نظام كامل من الشركات والأنظمة والـKPIs والقرارات العقلانية أن يحوّل زيادة صغيرة في الطلب إلى أزمة مخزون؟

فالمشكلة تبدأ عندما نخلط بين "الطلب" و"الإشارة القادمة من الطلب"، هذه واحدة من أكثر النقاط حساسية في الموضوع، المصنع لا يرى بالضرورة طلب المستهلك، هو يرى Order قادمًا من الموزع، والموزع لا يرى بالضرورة ما يحدث عند المستهلك النهائي، هو يرى Order قادمًا من الفروع، والفرع قد لا يتعامل مع الطلب الفعلي كما هو؛ فقد يضيف Safety Stock، أو يعوض نقصًا سابقًا، أو يرفع الكمية بسبب عدم اليقين في الـLead Time.

وبالتالي، فإن الرقم الذي يتحرك upstream ليس "الطلب" بالمعنى البسيط،إنه:

Demand + Forecast Adjustment + Safety Stock + Lead Time Consideration + Local Policy + Human Judgment

وهنا تبدأ المشكلة.

كل حلقة في السلسلة تعيد تفسير الإشارة قبل أن تمررها إلى الحلقة التالية، فتصل المعلومة إلى أعلى السلسلة وقد تغيرت طبيعتها تمامًا، ولهذا كان أحد الاستنتاجات الأساسية في البحث الكلاسيكي لـLee وPadmanabhan وWhang أن الطلبات نفسها يمكن أن تصبح مصدرًا لمعلومة مشوهة عن الطلب الحقيقي، وأن التشوه يميل إلى الازدياد كلما اتجهنا upstream.

أول مولّد للتضخم: Demand Signal Processing

لنفترض أن مبيعات أحد الفروع ارتفعت بشكل مفاجئ خلال أسبوع، هل هذا يعني أن الطلب القادم سيرتفع؟ ليس بالضرورة، ربما كانت هناك حملة ترويجية، ربما اشترى أحد العملاء كمية استثنائية، ربما حدث Stockout لدى منافس، ربما كان هناك تغير موسمي قصير، لكن إذا تعامل نظام التخطيط مع الزيادة باعتبارها Trend، فسيقوم بتعديل الـForecast، ثم يُبنى الـReplenishment على الـForecast الجديد، ثم تبنى عليه أوامر الشراء، ثم يبني المورد إنتاجه على أوامر الشراء.

وهنا حدث شيء مهم:

خطأ التفسير الأول لم يبقَ داخل قسم التخطيط؛ لقد تحول إلى كمية مادية تتحرك عبر السلسلة، وهذه هي خطورة الـDemand Signal Processing، لم تكن المشكلة أن الشركة تستخدم Forecast، المشكلة هي كيف تفسر البيانات الحالية، وكم مرة تعيد بناء توقعاتها، وكيف تربط التوقع بقرار الطلب.

ثم يأتي الـOrder Batching

وهنا قد يحدث شيء أكثر غرابة.

لنفترض أن الطلب الحقيقي على منتج ما يبلغ 100 وحدة أسبوعيًا، لكن الفرع لا يطلب كل أسبوع، بل ينتظر حتى تتجمع احتياجاته ثم يرسل أمرًا واحدًا، أصبح لدينا:

Week 1 = 0

Week 2 = 0

Week 3 = 0

Week 4 = 400

بالنسبة للفرع، لم يتغير الطلب الشهري، لكن بالنسبة للمورد، الصورة مختلفة تمامًا، هو لا يرى 100 وحدة مستقرة أسبوعيًا، يرى صفرًا… صفرًا… صفرًا… ثم قفزة إلى 400، وإذا كانت عدة حلقات في السلسلة تعمل بالطريقة نفسها، فإن التجميع المتكرر للطلبات يمكن أن يصنع نمطًا من التذبذب لا علاقة له بالنمط الحقيقي لاستهلاك العميل، وهنا يصبح توقيت الطلب نفسه مصدرًا للضوضاء، أي أن السلسلة لا تنقل الطلب فقط؛ إنها تعيد تشكيله.

ثم تأتي الأسعار لتربك الصورة أكثر

افترض أن المورد أعلن: (خصم 15% عند شراء كمية كبيرة)

من منظور المشتريات، قد يبدو القرار ممتازًا، لكن ماذا يحدث عندما تشتري الشركة 6 أشهر من احتياجاتها لأن السعر أصبح جذابًا؟ المورد يرى قفزة في الطلب، وقد يفسرها على أنها نمو حقيقي في السوق، ثم تأتي فترة ما بعد العرض، تنخفض الطلبات بشدة، فتظهر مشكلة أخرى: المورد يعتقد أن الطلب انهار، بينما الحقيقة أن الطلب فقط عاد إلى مستواه الطبيعي بعد أن سُحبت المبيعات إلى الأمام، وهنا يتحول Price Variation من أداة تجارية إلى مصدر لتشويه الإشارة التي تعتمد عليها بقية السلسلة، ولهذا أدرجت تقلبات الأسعار ضمن المصادر الرئيسية للـBullwhip Effect.

أما الـRationing فيكشف جانبًا أكثر خطورة

تخيل أن المورد لا يستطيع تلبية كل الطلب، لديه 1,000 وحدة فقط، بينما الطلبات الواردة تصل إلى 2,000، فتبدأ الشركات في رفع طلباتها، ليس لأنها تحتاج فعلًا إلى هذه الكمية، وإنما لأنها تخشى ألا تحصل على الكمية التي تحتاجها، وهنا يتغير سلوك الطلب نفسه، الطلب المرسل إلى المورد لم يعد يعكس True Demand فقط، بل يعكس أيضًا: الخوف من عدم الحصول على المنتج، وهذه نقطة شديدة الأهمية، لأنك إذا بنيت تخطيط الإنتاج على تلك الطلبات، فقد تنتج بناءً على الخوف من النقص وليس بناءً على الاستهلاك الحقيقي، ثم عندما تنتهي حالة النقص، تختفي الطلبات المتضخمة فجأة، فتبدو لك السوق وكأنها انهارت، بينما الحقيقة غير ذلك، فالإشارة كانت كاذبة منذ البداية.

المشكلة إذن ليست أن أحدًا "أخطأ"

وهنا الجزء الأكثر إثارة في الـBullwhip Effect، في كثير من الحالات، تستطيع أن تجد أن كل طرف في السلسلة كان يتصرف بطريقة تبدو منطقية إذا نظرنا إليه منفردًا، الفرع يريد حماية مستوى الخدمة، المخزن يريد الحفاظ على الـSafety Stock، الموزع يريد تجنب Stockout، المشتريات تريد الاستفادة من السعر، المورد يريد استغلال طاقته الإنتاجية، وكل طرف يحاول تحسين قراره بناءً على المعلومات المتاحة له، لكن مجموع القرارات المنطقية قد ينتج نظامًا غير منطقي، وهذه من أهم الأفكار التي تجعل الـSupply Chain مختلفة عن مجرد إدارة مخزون، لأننا لا نتعامل مع قرارات مستقلة، نحن نتعامل مع نظام ديناميكي مترابط، قرارك اليوم يصبح معلومة لشخص آخر غدًا، وقرار ذلك الشخص يصبح مدخلًا لقرار ثالث، وهكذا يمكن أن تنتقل المعلومة عبر السلسلة وهي تزداد تضخمًا في كل محطة.

لذلك لا يكفي أن نقول: "لدينا Forecast أفضل"

الحل ليس دائمًا في خوارزمية Forecast أكثر تعقيدًا، فإذا كانت كل حلقة في السلسلة تبني توقعاتها على Orders متضخمة بدلًا من بيانات الاستهلاك الفعلي، فقد يصبح لديك Forecast متطور جدًا مبني على إشارة سيئة، وهنا تظهر أهمية Information Sharing، فكلما اقتربت قرارات التخطيط من البيانات الحقيقية للـPoint of Sale، وقلت المسافة بين الطلب الحقيقي والقرار upstream، أصبح من الممكن تقليل جزء من التشوه الناتج عن إعادة تفسير الطلب في كل حلقة.

والأبحاث التجريبية لا تتعامل مع الـBullwhip باعتباره ظاهرة نظرية فقط؛ فقد دُرست فعليًا على بيانات شركات وسلاسل توريد، كما أظهرت دراسات أن الظاهرة ترتبط بتباين الطلبات وبمستويات المخزون والـStockouts.

المفارقة الأخيرة

قد تدخل الإدارة إلى اجتماعها وهي ترى: ارتفاعًا في الطلب، فيطلب قسم المشتريات المزيد، فيزيد المخزون، ثم يزيد الإنتاج، ثم ترتفع الطاقة المستخدمة، ثم تمتلئ المستودعات، ثم ينخفض الطلب إلى مستواه الطبيعي، فتكتشف الشركة بعد ذلك أنها لا تعاني من نقص المخزون، بل من فائض مخزون صنعته استجابتها لنقص لم يكن موجودًا بهذا الحجم أصلًا.

وهنا تتضح الفكرة الأساسية:

الـBullwhip Effect ليس مجرد مشكلة Inventory.

إنه في جوهره مشكلة Information Distortion.

فالمنتج يتحرك في اتجاه، لكن المعلومات تتحرك في الاتجاه الآخر، وإذا لم تنتقل المعلومات بدقة، فإن كل حلقة تبدأ في "تخمين" ما يحدث خلفها، ومع كل تخمين جديد، تتسع المسافة بين: ما يطلبه العميل فعلًا، وما تعتقد سلسلة الإمداد أنه يطلبه.

ولهذا فإن السؤال الأدق في إدارة سلاسل الإمداد ليس:

«كم نحتاج أن ننتج؟»

بل قبل ذلك بكثير:

«هل الرقم الذي نبني عليه قرار الإنتاج يمثل الطلب الحقيقي أصلًا؟»

فأحيانًا لا تكون الأزمة في أن السوق طلب أكثر مما تستطيع الشركة توفيره، الأزمة أن سلسلة الإمداد نفسها جعلت الجميع يعتقد أن السوق طلب أكثر مما طلب، وهنا يبدأ الـBullwhip Effect.