背景
牛皮鞭效應(Bullwhip Effect)又稱“牛鞭效應”或者“長鞭效應”，是經濟學上的一個術語，指供應鏈上的一種需求變異放大現象。
1995年，寶潔公司(P&G)管理人員在考察嬰兒一次性紙尿褲的訂單分佈規律時，發現一定地區的嬰兒對該產品的消費比較穩定，零售商那裡銷售量的波動也不大，但廠家從經銷商那裡得到的訂貨量卻出現大幅度波動，同一時期廠家向原材料供應商的訂貨量波動幅度更大。這一現象與人們在揮動鞭子時手腕稍稍用力，鞭梢就會出現的大幅度擺動的現象相類似。於是，人們就將這種現象稱為牛皮鞭效應。
美國著名的供應鏈管理專家Hau L．Lee教授是最早將這種現象稱為“Bullwhip Elfect”的，他解釋Bullwhip Effect為：儘管特定產品的顧客需求變動不大，但是這些商品的庫存和延期交貨波動水平卻相當大。簡單地講，牛皮鞭效應就是指供應鏈下游消費需求輕微變動而導致的上游企業生產、經營安排的劇烈波動的現象。當市場上一種商品的消費需求發生細微變動時，這種波動會沿著零售商、批發商、分銷商直至製造商逆流而上，並逐級擴大，在達到最終源頭供應商時，其獲得的需求信息和實際消費市場中的顧客需求信息發生了很大的偏差，需求信息嚴重扭曲或失真，這就是牛皮鞭效應。
精明的供應鏈管理涉及利用渠道範圍的整合來更好地滿足客戶需求。通過協調質量管理活動，可以提高生產力和效率。如果我們實施一種基於發散系統的控制技術，我們可能能夠減少牛皮鞭效應，從而在單一的產品供應鏈中獲得更多的控制。讓我們更深入地研究如何確切地減少牛皮鞭效應。
第一步-從基本統計過程控制開始。
第二步-利用EWMA避免牛皮鞭效應。
第三步-採取行動，加快生產。
第一步-從基本統計過程控制開始
供應鏈對商業企業的健康至關重要，因此我們必須通過採取預防和緊急措施來維持供應鏈。由於供應鏈包含了如此多的方面，必須制定措施來指示供應鏈何時不能有效地和富有生產力地運行。幸運的是，基本的統計質量控制將指示供應鏈中何時存在風險。越快發現這些風險，就越能更好地進行必要的改變，以減少成本、瓶頸和庫存短缺。一種常用且可信的統計過程控制技術是控制圖。
控制圖是監控過程特性的首選工具。控制圖有多種類型，移動極差(I-MR)和均值極差(XBAR-R)圖是最流行的兩種類型。
現在讓我們來看看實際操作中的控制圖。在本例中，我們將查看一家公司，該公司希望仔細監控其某一產品的銷售量。虛構的數據集由過去75天的銷售量組成。
一旦數據集在Minitab統計軟件中準備就緒，我們將點擊：統計—控制圖—單值的變量控制圖—I-MR控制圖。
我們將完成如下所示的對話框，然後單擊“確定”。
然後我們會得到一個類似如下的控制圖：
根據輸出結果，我們得到了一個處於統計控制中的過程的控制圖。這張圖表沒有指出任何失敗的檢驗，也沒有明顯的模式。如果仔細觀察，後面的數據顯示過程均值可能略有上升，但沒有正式脫離控制點的點位。如果該公司使用這張圖表-而且只使用這張圖表來監控供應鏈，他們會得出結論，平均水平隨著時間的推移一直是穩定的。
在正常業務情況下，這應該足夠了。然而，當商業環境發生變化時，就像今天一樣，你必須更深入地研究數據，看看你是否能預測到即將到來的變化。
第二步-利用EWMA避免牛皮鞭效應
I-MR和XBAR-R控制圖在檢測過程均值變化較大的相關性方面是有效的，這就是為什麼它們經常被用作統計過程控制的第一步。在正常的業務條件下，較小的波動沒有那麼大的意義，所以這些控制圖就足夠了。然而，當商業環境發生變化時，檢測到流程中較小的變化對於供應鏈做好最好的準備是至關重要的。
指數加權移動平均（EWMA）控制圖，不同於其他的控制圖，它將所有以前的點的數據合併到後面的每個點上。因此，EWMA控制圖能更有效地檢測過程均值中的小變化。對感興趣的質量特性的小變化的快速檢測和易於計算使EWMA圖表成為監控供應鏈的一個有吸引力的圖表。這一點尤其重要，因為為了儘量減少牛皮鞭效應，我們需要在需要時儘可能迅速和明智地採取措施。
讓我們看一下與前面相同的例子，但是使用EWMA控制圖。工程師會決定使用它，以確保即使檢測到一個小的變化。這可能有助於預測未來的牛皮鞭效應，讓供應鏈提前做好準備。
要在Minitab中創建EWMA控制圖，請轉到統計>控制圖>時間加權控制圖> EWMA。完成如下所示的對話框，然後單擊ok。
如你所見，3月5日以後，有一個明顯的上升趨勢，最後一點是失控的(用紅色標記)。在這一點上，這種平均值的變化應該進行調查，因為銷售的平均數量在增加，公司可能需要採取措施來滿足客戶的需求。
隨著需求的增長，公司計劃迅速增加生產。
第三步——採取行動，加大生產
隨著EWMA控制圖顯示需求即將增加，公司可能會決定增加更多的生產線來滿足不斷增長的需求。當然，首先要看的是生產該產品的同一家工廠。
鑑於當前的事件，讓我們用一個洗手液的例子。在這種情況下，該公司在兩條生產線上生產洗手液，幸運的是，他們有第三條生產線，他們可以準備擴大生產能力。
在開始使用第三條線路之前，他們的工程師要確保兩件事:
1) 所生產的洗手液酒精含量不低於60%
2) 第三條線和其他兩條線的平均值是一樣的
最終的目標是讓這三條生產線生產出平均酒精含量為60%的優質產品。為了達到這一目的，該公司的一位統計學家建議對產品的酒精含量進行單因子方差分析(ANOVA)。
單因子方差分析是統計學中最常用的方法之一。這是用來確定因子在多個水平上的均值是否在統計上不同。該方法是雙樣本t檢驗的推廣。但與t檢驗不同的是，單因子方差分析允許你在保證總體錯誤率的情況下檢驗2個以上的平均值。
回顧我們的示例，我們將兩條生產線稱為生產線1和生產線2。該公司想知道第三生產線（生產線3）生產的產品平均水平與生產線1和生產線2相似。經過功效和樣本量分析後，他們決定從每條生產線中測量25瓶洗手液，共計75瓶洗手液。數據已放入Minitab工作表中。
單因子方差分析檢驗以下假設：
H0：所有均值都相等
H1：並非所有均值都相等
檢驗的決定將是拒絕還是不拒絕原假設。如果我們拒絕原假設（H0），那麼我們可以說至少其中一條線平均值不同（然後，我們將不得不進行多重比較分析以找出哪些線不同）。如果我們不能拒絕，我們得到的結論是3條生產線的均值沒有顯著差異。
要在Minitab中進行單因子方差分析，請轉到：統計 > 方差分析 > 單因子方差分析。完成如下所示的對話框。單擊“圖形”並選擇“箱形圖”，然後單擊OK兩次。
分析的輸出如下。箱形圖顯示這些線的均值並沒有那麼大的不同。此外，3條生產線的平均值都高於目標平均值0.6，這表明每行生產的瓶中至少含有60%的酒精。
方差分析表中的p值為p = 0.733。使用0.05的alpha值，我們可以得出95%置信區間的結論，沒有足夠的證據表明這3條生產線線的平均值是不同的。換句話說，因為沒有證據表明這三條線是不同的，所以公司不能拒絕原假設，並假設這三條線的平均值是相似的。於是，該公司可以使用第三生產線生產額外的洗手液!
結論
無論您是處於數據分析和統計過程控制的早期階段，還是正在尋找更高級的方法，Minitab都可以幫助您快速有效地分析數據，以便輕鬆有效地採取數據驅動的操作。
如果您已經在使用控制圖，那麼現在也許是探索EWMA控制圖以更快地識別變化的時候了。然後，您可以進一步利用數據分析來幫助您提高最需要的產品的產量。
