초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Demand driven material requirement planning(DDMRP, Ptak과 Smith, 2011)의 주요내용은 재고보충(replenishment)이다. 일반적으로 재고보충 방식에 대한 연구는 보충시기나 보충수량의 결정이 연구대상이다. 대체적으로 보충시기는 demand during lead time(DDLT)와 안전재고(safety stock)의 합으로 결정되며, 보충수량은 economic order quantity(EOQ)를 기반으로 결정된다. 보충시기의 안전재고 결정에서 기존 방식과 DDMRP재고보충 방식과 차이가 있으며, 이것이 본 논문에서 연구대상이다.
대부분의 기존 재고보충 모델에서는 확률이론에 기초하여 주어진 서비스수준의 ...

Demand driven material requirement planning(DDMRP, Ptak과 Smith, 2011)의 주요내용은 재고보충(replenishment)이다. 일반적으로 재고보충 방식에 대한 연구는 보충시기나 보충수량의 결정이 연구대상이다. 대체적으로 보충시기는 demand during lead time(DDLT)와 안전재고(safety stock)의 합으로 결정되며, 보충수량은 economic order quantity(EOQ)를 기반으로 결정된다. 보충시기의 안전재고 결정에서 기존 방식과 DDMRP재고보충 방식과 차이가 있으며, 이것이 본 논문에서 연구대상이다.
대부분의 기존 재고보충 모델에서는 확률이론에 기초하여 주어진 서비스수준의 안전계수를 사용하여 안전재고를 결정한다. Brown[1959]에 따르면, 잘못된 수요분포 형태를 근거로 안전계수를 사용하면 심각한 결과를 초래하므로 정확한 분포형태를 사용해야 한다. 그러나 실용적 측면에서, 히스토리에서 데이터 선택 범위에 따라 분포형태는 상당히 달라지므로 정확한 분포유형에 근거한 안전계수 사용은 실효성이 낮다.
“The Goal(1984)” 저자 Goldratt은 MTA(make-to-availability, 가용성생산) 운영방법을 통해 이에 대한 실용적 대안으로 분포형태에 기초한 안전계수를 사용하지 않는 TOC(theory of constraints)재고보충 방법을 제안했다(Theory of Constraints Handbook, 2010). 그 이후로 TOC재고보충 방식을 포함한 MTA방법을 적용한 성공사례들이 TOCICO Conference나 연구문헌을 통해 자주 발표되었다(TOCICO, 2018). 따라서 TOC재고보충 방식은 기존 보충방식보다 실용성이 높을 뿐만 아니라 효과성도 있다고 판단할 수 있다.
Ptak과 Smith는 MTA를 실용적인 측면에서 보다 구체적으로 구조화 하여 DDMRP(Ptak과 Smith, 2011)를 소개한다. Demand Driven Institute[2019, DDMRP 연구기관]는 DDMRP를 적용한 성공사례들을 컨퍼런스를 통해 꾸준히 제공하며, 연구문헌을 통해서도 보고되고 있다. 이를 통해 DDMRP 또한 기존 재고보충 방식 보다 실용성과 효과성 측면에서 우수하다고 판단한다.
하지만 DDMRP재고보충 방식에서 안전재고 결정은 제공된 가이드라인에서 파라메터 값들을 선택하도록 한다. 이때 사용자가 임의적으로 선택할 수 있으므로 결과의 일관성이 낮다. 보다 일관된 결과를 얻기 위해 객관적 접근이 필요하다.
본 연구에서는 DDMRP재고보충 방식에서 제공되는 가이드라인을 기반으로 하여 새로운 안전재고 수식을 제시한다. 제시된 수식은 수학적 공식이므로 객관적이며 결과의 일관성이 높다. 또한 DDMRP재고보충 방식의 성과를 저하시키지 않고, 오히려 특정 상황에서 더 나은 성과를 기대한다.
제시한 안전재고 수식에 대한 유효성을 검증하기 위해 재고보충 방식을 모델링한 시뮬레이션을 수행한다. 세가지 공식, 즉 DDMRP 가이드 라인의 안전재고, 기존 안전재고 수식, 그리고 제시한 안전재고 수식을 각각 적용하여 수행한다. 시뮬레이션 결과로 평균 재고수준과 결품 횟수를 비교하여 제시한다.