Safety stock toolkit

Zapas Bezpieczeństwa (ZB) 2.0 — audyt i budowa kalkulatorów

Następca metodologii zb 1.x. Wypracowany na realnym projekcie: portfel 907 SKU, dostawcy z Turcji/Chin/Europy, plik Excel z 56 tys. formuł, sześć iteracji recenzji profesorskiej. Zawiera nie tylko wzory, ale i katalog błędów, które NAPRAWDĘ wystąpiły — sprawdzaj je w każdym cudzym pliku.

Filozofia

ZB chroni przed dwoma niepewnościami naraz: zmiennością popytu i zmiennością czasu dostawy (LT). Zanim policzysz wzór — zrozum dane. Trzy pytania otwierające:

1. Ile tygodni niezerowych ma historia? (n_nz < 3 → żadna statystyka nie jest uczciwa)
2. Kto generuje ryzyko: popyt czy dostawca? (porównaj składniki LT×σ_D² vs D̄²×σ_LT²)
3. Czy ZB kosztuje mniej niż 30% wartości rocznej SKU? (jeśli nie — problem jest biznesowy: VMI/konsygnacja/eliminacja, nie wzór)

Tryby pracy — rozpoznaj, który dotyczy użytkownika

A. AUDYT istniejącego pliku — użytkownik przesyła Excel z obliczeniami ZB. B. BUDOWA kalkulatora — użytkownik ma dane (historia tygodniowa + parametry dostawców) i chce narzędzie dla portfela. C. POJEDYNCZY SKU / pytanie metodyczne — szybka analiza lub wybór metody.

We wszystkich trybach: jednostki! Ustal na starcie, czy popyt jest dzienny czy tygodniowy i czy LT jest w dniach czy tygodniach. Mieszanie poziomów czasu to najczęstsze źródło ZB zawyżonego/zaniżonego o rząd wielkości. Konwencja: historia i σ_D tygodniowo, LT w dniach → w formułach LT/7.

Tryb A — Audyt: obowiązkowa checklista

Wczytaj plik programowo (openpyxl, data_only=False ORAZ data_only=True — formuły i wartości osobno). Sprawdź KAŻDY punkt — to realne błędy z praktyki:

1. Porównanie tekstu z liczbą w IF — np. IF(T3>1.32,...) gdzie T3 to litera klasy XYZ. W Excelu tekst > liczba jest zawsze PRAWDĄ → warunek martwy. Objaw: jedna gałąź nigdy nie występuje w wynikach (np. 685×SBA, 0×Croston).
2. Nieistniejące funkcje — _xludf.* (artefakt generatorów), POISSON.INV (nie istnieje w żadnym Excelu, także 365 — używaj CRITBINOM/BINOM.INV). IFERROR maskuje takie błędy do 0 — po cichu!
3. Unarny minus przed potęgą — EXP(-A1^2/2) liczy EXP(+A1²/2), bo w Excelu -A1^2 = (-A1)². Zawsze pisz EXP(-(A1^2)/2).
4. CV liczony z tygodniami zerowymi — zawyża zmienność, wpycha wszystko do klasy Z. Klasyfikacja XYZ i kryterium Syntetos-Boylan: CV²_nz TYLKO z okresów niezerowych. σ_D do wzorów ZB: z pełnej historii (to poprawne).
5. Niespójna korekta fill rate — albo wszędzie LT_eff = LT/FR (podejście A, zalecane), albo nigdzie; ZB/FR (podejście B) nie może współistnieć z A. ROP też musi używać LT_eff, inaczej pipeline niedoszacowany dla słabych dostawców.
6. ISBLANK na kolumnie z formułą — formuła zwracająca 0/"" nigdy nie jest "blank". Bramy warunkowe buduj na wartościach (n_nz ≥ 8), nie na ISBLANK.
7. Błąd propagacji w AND — AND(ISNUMBER(X), ABS(N-X)>0.1) wybucha #VALUE! gdy X="" — Excel NIE skraca obliczeń w AND. Używaj zagnieżdżonych IF.
8. Filtr-zombie — autofiltr z zapisanym kryterium + wiersze ukryte na poziomie wiersza; usunięcie filtra NIE odkrywa wierszy. Napraw: wyczyść filterColumn w XML/openpyxl i ustaw row_dimensions.hidden=False.
9. Dane wejściowe-defaulty — σ_LT=0 przy LT>30 dni, identyczne FR dla całego portfela, LT>180 dni — wyglądają na niewypełnione pola, nie pomiary. Flaguj.
10. Newsvendor/DDMRP w złej roli — Newsvendor tylko jednookresowo (sezon/promo); DDMRP to polityka sterowania (bufory, ADU), nie kolejny wzór na ZB — nigdy w autoselekcji, zawsze jako flaga "kandydat" do decyzji eksperta.

Wynik audytu podawaj jak recenzent: błędy krytyczne / niespójności metodyczne / jakość danych / mocne strony — z liczbami (ile SKU dotkniętych, wpływ na kapitał).

Drzewo wyboru metody (AUTO) — serce metodologii

Kolejność sprawdzeń jest istotna (od dyskwalifikujących do domyślnych):

1. n_nz < 3                        → MANUAL/MTO (żadna statystyka; krytyczne: ZB≈1 partia ẑ,
                                     niekrytyczne: ZB=0, MTO/VMI)
2. p̂ > 1,32 tyg (przerywany):
   a. λ = D̄×LT_eff < 5 ORAZ ẑ ≤ 2  → M8 Poisson (popyt jednostkowy!)
   b. klasa Z, n_nz ≥ 8, LT_eff ≤ 13 tyg → M15 kwantyl empiryczny
   c. CV²_nz > 0,49                → M13 SBA
   d. inaczej                      → M12 Croston
   (M3/M4/M5/M7/M10/M11 ZABRONIONE dla przerywanego)
3. regularny, klasa C:
   a. wartość ZB > 30% wartości rocznej → MTO/VMI (koszt)
   b. inaczej                      → M2 (20% popytu w LT_eff)
4. regularny, segment AX/AY/BX/BY:
   a. σ_err dostępne i σ_err/σ_D ≤ 0,8 → M16 King z σ_err (prognoza tłumaczy strukturę)
   b. inaczej                      → M5 King's Formula z LT_eff

Progi i uzasadnienia każdej gałęzi + wzory wszystkich 16 metod: czytaj references/metody_zb_16.md.

Kolumnę AUTO stawiaj OBOK ręcznego wyboru użytkownika, nie zamiast — z alertem, gdy różnica ZB przekracza 20%. Automat proponuje, człowiek decyduje.

Alerty jakości (zawsze przy portfelu)

• 🔴 n_nz < 3 → decyzja manualna
• ⚠️ metoda normalna przy popycie przerywanym
• ⚠️ M15 przycięty (LT_eff > 13 tyg przy 26 tyg historii)
• 🟡 pokrycie ZB poza 2–20 tygodni
• 🔴 kapitał: wartość ZB > 30% wartości rocznej → VMI/konsygnacja/eliminacja; 🟡 20–30% → obniż SL / prostsza metoda / MTO
• ℹ️ kandydat DDMRP (LT > 30 dni, segment AX/AY)
• ℹ️ FR odbiega od benchmarku kraju > 10 p.p.
• Δ ZB_auto vs wybrane > 20% → przegląd

Tryb B — Budowa kalkulatora

Strukturę arkuszy, układ kolumn A–BE, pasma sekcji, grupowanie, ochronę i wszystkie pułapki techniczne openpyxl: czytaj references/struktura_v36.md.

Zasady nienegocjowalne:

• Żywe formuły Excel, nie wartości z Pythona (wyjątki: kwantyl empiryczny M15 i σ_err — oznacz jako STATYCZNE z instrukcją przeliczenia).
• Po każdym zapisie: przelicz przez LibreOffice (skrypt recalc) i wymagaj 0 błędów formuł. Ustaw fullCalcOnLoad=True.
• Waliduj liczbowo: przelicz ręcznie w Pythonie King's dla 2–3 SKU i porównaj co do sztuki; sprawdź rozkład metod AUTO i ogony pokrycia.
• Ochrona arkuszy bez hasła: edytowalne tylko komórki wejściowe; filtrowanie, sortowanie i formatowanie dozwolone.
• Wersjonuj plik (v3.x) i prowadź arkusz CHANGELOG — także z listą rzeczy świadomie NIEwdrożonych i dlaczego.

Tryb C — pojedynczy SKU

Workflow jak w zb 1.x: analiza historii (CV z niezerowych!), wybór σ_LT (PERT gdy tylko min/avg/max; MAD gdy ≥10 obserwacji), metoda z drzewa AUTO, korekta FR przez LT_eff, ROP = D̄×(LT_eff+T_review)+ZB, walidacja z historią (czy ZB bywał przekraczany; +20–30% marginesu ponad obserwowane maksimum).

Zasady recenzji profesorskiej (gdy oceniasz decyzje)

• Poprawność proceduralna ≠ poprawność merytoryczna: reguły mogły zadziałać, a wynik i tak jest szumem (n_nz=1: p̂ to cenzura, nie pomiar; CV²=0 to artefakt).
• Przy popycie grudkowym (partie ~stała wielkość co kilka tygodni) sensowna polityka to "trzymaj ≈1 partię + odnawiaj" — sprawdź, czy to nie cykliczne zamówienie jednego klienta → wtedy awizacja/MTO zamiast zapasu.
• DDMRP vs King: DDMRP celowo używa nominalnego DLT (zawodność dostawcy → Var_Factor, wg Ptak-Smith), King jawnie wycenia σ_LT i FR oraz gwarantuje mierzalny CSL. Porównania liczbowe traktuj jako sanity-check (±15%), nie test.
• KPI: dla A/B regularnych MAPE/Bias/RMSE; dla klasy Z — fill rate i kapitał, nie dokładność prognozy. KPI liczone z prognozy naiwnej oznaczaj jako PRZYKŁADOWE — do podmiany na błędy prognozy z ERP.
• 26 tygodni historii = założenie quasi-stacjonarności; sezonowość wymaga ≥104.

Pliki referencyjne

• references/metody_zb_16.md — wzory M1–M16 (Excel + interpretacja), progi decyzyjne, tablica G(z), bibliografia. Czytaj przy obliczeniach i audycie wzorów.
• references/struktura_v36.md — wzorcowa struktura pliku (13 arkuszy, kolumny A–BE), ustawienia ochrony, pułapki openpyxl/LibreOffice. Czytaj przy budowie lub naprawie pliku.