Kapitel 11 - Efterfrågan Management amp Prognoser 1. Perfekt prognos är praktiskt taget omöjligt 2. Istället för att söka efter den perfekta prognosen är det mycket viktigare att fastställa praxis för kontinuerlig översyn av prognos och att lära sig att leva med felaktiga prognoser. 3. Vid prognoser , en bra strategi är att använda 2 eller 3 metoder och se dem för kommonsens syn. 2. Grundkällor för efterfrågan 1. Beroende efterfrågan - Efterfrågan på produkter eller tjänster som orsakas av efterfrågan på andra produkter eller tjänster. Inte mycket företaget kan göra, det måste vara uppfyllt. 2. Oberoende efterfrågan - efterfrågan som inte direkt kan härledas från efterfrågan på andra produkter. Fast kan: a) Ta en aktiv roll för att påverka efterfrågan - tillämpa press på din försäljningskraft b) Ta en passiv roll för att påverka efterfrågan - Om ett företag är i full kapacitet, kanske det inte vill göra något för efterfrågan. Andra skäl är konkurrenskraftiga, juridiska, miljömässiga, etiska och moraliska. Försök att förutse framtiden utifrån en tidigare data. 1. Kort sikt - under 3 månader - taktiska beslut som att fylla på inventarier eller planera EE på kort sikt 2. Medellång sikt - 3 M-2Y - fånga säsongseffekter som kunder svarar på en ny produkt 3. Lång sikt - mer än 2 år. Att identifiera stora vändpunkter och upptäcka allmänna trender. Linjär regression är en speciell typ av regression där relationerna mellan variabel bildar en rak linje Y abX. Y - beroende variabel a - Y avlyssning b - sluttning X - oberoende variabel Det används för långsiktig prognos av större händelser och aggregerad planering. Den används för både prognoser för tidsserier och prognoser för tillfälliga förhållanden. Är den mest använda prognostekniken. De senaste händelserna är mer vägledande för framtiden (högst förutsägbart värde) än de i det avlägsna förflutna. Vi bör ge större vikt åt malmens senaste tidsperioder när vi prognoserar. Varje inkrement i det förflutna minskar med (1 alfa). Ju högre alfa, desto närmare följer prognosen. Senaste viktning alfa (1-alfa) na 0 Data en tidsperiod äldre alfa (1-alfa) na 1 Data två tidsperiod äldre alfa (1-alfa) na 2 Vilken av följande prognosmetoder är mycket beroende av val av Rätt personer som diktigt används för att faktiskt generera prognosvärdet måste vara mellan 0 och 1 1. 2 eller flera förutbestämda värden för Alpha - beroende på graden av fel används olika värden för Alpha. Om felet är stort, är Alpha 0,8, om felet är litet, Alpha är 0,2. 2. Beräknade värden för Alpha - exponentiellt jämnade faktiska fel dividerat med det exponentiellt kvävda absoluta felet. Kvalitativa tekniker i prognoser Kunskap om experter och kräver stor bedömning (nya produkter eller regioner) 1. Marknadsundersökning - letar efter nya produkter och idéer, gillar och ogillar om befintliga produkter. Primärt tittar förstärkare 2. Panel Consensus - tanken att 2 huvuden är bättre än en. Panel av personer från olika positioner kan utveckla en mer tillförlitlig prognos än en smalare grupp. Problemet är att lägre EE-nivåer skrämmas av högre nivåer av förvaltning. Verkställande dom används (högre ledningsnivå är inblandad). 3. Historisk Analogi - ett företag som redan tillverkar brödrostar och vill producera kaffekrukor kan använda brödrosthistoriken som en sannolik tillväxtmodell. 4. Delphi Metod - mycket beroende av val av rätt personer som diktigt kommer att användas för att faktiskt generera prognosen. Alla har samma vikt (mer rättvis). Tillfredsställande resultat uppnås vanligen i 3 omgångar. MÅL - Samarbetsplanering, prognos och efterfyllning (CPFR) Att utbyta utvald intern information på en gemensam webbserver för att tillhandahålla tillförlitliga och långsiktiga framtida synpunkter på efterfrågan i supply chain. Weighted Moving Average Prognosmetoder: Fördelar och nackdelar Hej, ÄLSKAR din inlägg. Undrade om du kunde utveckla vidare. Vi använder SAP. I det finns ett urval som du kan välja innan du kör din prognos som kallas initialisering. Om du markerar det här alternativet får du ett prognosresultat, om du kör prognos igen, under samma period och inte kontrollerar initieringen ändras resultatet. Jag kan inte ta reda på vad den här initialiseringen gör. Jag menar matematiskt. Vilket prognosresultat är bäst att spara och använda till exempel. Förändringarna mellan de två är inte i den prognostiserade kvantiteten men i MAD och Error, säkerhetslager och ROP-kvantiteter. Inte säker på om du använder SAP. hej tack för att du förklarade så effektivt det var för gd. tack igen Jaspreet Lämna ett svar Avbryt svar Om Shmula Pete Abilla är grundaren av Shmula och karaktären, Kanban Cody. Han har hjälpt företag som Amazon, Zappos, eBay, Backcountry och andra att minska kostnaderna och förbättra kundupplevelsen. Han gör det genom en systematisk metod för att identifiera smärtpunkter som påverkar kunden och verksamheten och uppmuntrar ett brett deltagande från företagets intresseföretag för att förbättra sina egna processer. Den här webbplatsen är en samling av sina erfarenheter som han vill dela med dig. Kom igång med gratis nedladdningar FORECASTING Seasonal Factor - andelen av genomsnittliga kvartalsbehov som uppstår i varje kvartal. Årsprognos för år 4 beräknas vara 400 enheter. Genomsnittlig prognos per kvartal är 4004 100 enheter. Kvartalsprognos avg. prognos säsongsfaktor. ÅRSAGSBESKRIVNINGSMETODER Kausala prognosmetoder bygger på ett känt eller uppfattat förhållande mellan den faktor som ska prognostiseras och andra externa eller interna faktorer 1. regression: matematisk ekvation relaterar en beroende variabel till en eller flera oberoende variabler som tros påverka den beroende variabeln 2. Ekonometriska modeller: System av ömsesidiga regressionsekvationer som beskriver en viss sektor av ekonomisk aktivitet 3. Inmatningsutgångsmodeller: beskriver flödena från en sektor av ekonomin till en annan och förutsätter sålunda de ingångar som krävs för att producera utgångar i en annan sektor 4. simuleringsmodeller MÅLNINGSFÖRSKRIFTSFEL Det finns två aspekter av prognosfel att vara oroliga för. - Bias och noggrannhet. - En prognos är partisk om den stör mer i en riktning än i den andra. Metoden brukar underskatta eller överprognoser. Noggrannhet - Prognosens noggrannhet avser avståndet för prognoserna från den faktiska efterfrågan ignorerar riktningen för det felet. Exempel: I sex perioder har prognoser och faktisk efterfrågan spåras. Följande tabell ger den faktiska efterfrågan D t och prognostiseringsbehovet F t i sex perioder: Kumulativ summa av prognosfel (CFE) -20 genomsnittlig avvikelse (MAD) 170 6 28,33 genomsnittlig kvadrat fel (MSE) 5150 6 858.33 standardavvikelse för prognosfel 5150 6 29.30 genomsnittligt absolutprocentfel (MAPE) 83,4 6 13,9 Vilken information ger varje prognos tenderar att överskatta det genomsnittliga genomsnittet för efterfrågan per prognos var 28,33 enheter eller 13,9 av Den faktiska efterfrågesamplingsfördelningen av prognosfel har en standardavvikelse på 29,3 enheter. KRITERIER FÖR VAL AV EN PROJEKTMETOD Mål: 1. Maximera noggrannhet och 2. Minimera Bias Potential Rules för att välja en prognosmetod för tidsserier. Välj den metod som ger minsta bias, mätt med kumulativt prognosfel (CFE) eller ger den minsta genomsnittliga absoluta avvikelsen (MAD) eller ger den minsta spårningssignalen eller stöder ledningens övertygelser om det underliggande mönstret efterfrågan eller andra. Det verkar uppenbart att viss mått på både noggrannhet och förspänning ska användas tillsammans. Hur Hur mycket om antalet perioder som ska samplas om efterfrågan är iboende stabil, låga värden på och och högre värden av N föreslags om efterfrågan är iboende instabil, höga värden på och och lägre värden av N föreslås FOCUS FORECASTING quotfocus prognoskvot avser Ett prognos för prognoser som utvecklar prognoser med olika tekniker, väljer sedan prognosen som producerades av kvoterna för dessa tekniker, där kvoten bestäms av viss mått av prognosfel. FOKUSSPROJEKT: EXEMPEL För årets första halvår har efterfrågan på ett detaljhandelsobjekt varit 15, 14, 15, 17, 19 och 18 enheter. En återförsäljare använder ett fokuseringsprognossystem baserat på två prognostekniker: ett tvåårigt glidande medelvärde och en trendjusterad exponentiell utjämningsmodell med 0,1 och 0,1. Med exponentiell modell var prognosen för januari 15 och trenden i slutet av december var 1. Återförsäljaren använder den genomsnittliga absoluta avvikelsen (MAD) under de senaste tre månaderna som kriterium för att välja vilken modell som ska användas för att prognostisera för nästa månad. en. Vad kommer prognosen för juli och vilken modell kommer att användas b. Skulle du svara på del a. vara annorlunda om efterfrågan på maj hade varit 14 i stället för 19-tidsseriemetoder. Tidsseriemetoder är statistiska tekniker som utnyttjar historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namnetidsserierna föreslår, beräknar dessa metoder prognosen till endast en faktor - tid. De innefattar bland annat glidande medelvärde, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för prognoser för kortdistans mellan service - och tillverkningsföretag. Dessa metoder antar att identifierbara historiska mönster eller trender för efterfrågan över tiden kommer att upprepa sig. Flyttande medelvärde En prognos för tidsserier kan vara så enkel som att använda efterfrågan under den aktuella perioden för att förutsäga efterfrågan under nästa period. Detta kallas ibland en naiv eller intuitiv prognos. 4 Till exempel, om efterfrågan är 100 enheter i veckan, är prognosen för nästa veckors efterfrågan 100 enheter om efterfrågan visar sig vara 90 enheter istället, då efterfrågan på följande veckor är 90 enheter, och så vidare. Denna typ av prognostiseringsmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Den enkla glidande metoden använder flera efterfrågningsvärden under det senaste förflutet för att utveckla en prognos. Detta tenderar att dämpa eller släta ut de slumpmässiga ökar och minskar en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och uppvisar inte något uttalat efterfrågan, såsom en trend eller ett säsongsmönster. Flytta medelvärden beräknas för specifika perioder, till exempel tre månader eller fem månader, beroende på hur mycket prognosen önskar släta efterfrågningsdata. Ju längre den rörliga genomsnittliga perioden, ju mjukare blir det. Formeln för att beräkna det enkla glidande genomsnittet är att beräkna ett enkelt rörligt medelvärde. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor och byråer inom en 50-mils radie av sitt lager. Kontorsleveransverksamheten är konkurrenskraftig och möjligheten att leverera order snabbt är en faktor för att få nya kunder och hålla gamla. (Kontor beställer vanligtvis inte när de är låga på leveranser, men när de slutar helt. Därför behöver de sina beställningar omedelbart.) Företagets chef vill vara säker med tillräckligt många förare och fordon är tillgängliga för att snabbt kunna leverera order och De har tillräcklig inventering i lager. Därför vill chefen kunna förutse antalet order som kommer att inträffa under nästa månad (det vill säga för att prognostisera efterfrågan på leveranser). Från register över leveransorder har ledningen ackumulerat följande data under de senaste 10 månaderna, från vilken man vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober. Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt för nästa månad i sekvensen, vilket i det här fallet är november. Det glidande medelvärdet beräknas från efterfrågan på order under de föregående 3 månaderna i sekvensen enligt följande formel: 5-månaders glidande medelvärde beräknas från de föregående 5 månaderna av efterfrågningsdata enligt följande: 3- och 5-månaders Flyttande genomsnittliga prognoser för alla månader av efterfrågadata visas i följande tabell. Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen. De tidigare prognoserna för tidigare månader tillåter oss emellertid att jämföra prognosen med den faktiska efterfrågan för att se hur exakt prognosmetoden är - det vill säga hur bra det gör. Tre - och femmånadersgenomsnitt Både glidande genomsnittliga prognoser i tabellen ovan tenderar att släta ut variabiliteten i de faktiska uppgifterna. Denna utjämningseffekt kan observeras i följande figur där 3-månaders - och 5-månadsgenomsnittet har överlagts på en graf av de ursprungliga data: 5-månaders glidande medelvärde i föregående figur släpper ut fluktuationer i större utsträckning än 3 månaders glidande medelvärde. 3-månadersgenomsnittet återspeglar dock de senaste uppgifterna som finns tillgängliga för kontorsleverantören. Generellt är prognoser som använder det längre glidande genomsnittet långsammare att reagera på de senaste förändringarna i efterfrågan än de som gjordes med hjälp av kortare glidande medelvärden. De extra dataperioderna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i en glidande genomsnittlig prognos kräver ofta en viss mängd försök och felprov. Nackdelen med den glidande genomsnittliga metoden är att den inte reagerar på variationer som uppstår av en orsak, såsom cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras generellt. Det är i princip en mekanisk metod som speglar historiska data på ett konsekvent sätt. Emellertid har den glidande genomsnittliga metoden fördelen att det är lätt att använda, snabbt och relativt billigt. I allmänhet kan denna metod ge en bra prognos på kort sikt, men det bör inte skjutas för långt in i framtiden. Viktat rörande medelvärde Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande medelvärdet tilldelas vikter till de senaste data enligt följande formel: Efterfrågadata för PM Computer Services (visad i tabellen för Exempel 10.3) verkar följa en ökande linjär trend. Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiella utjämning och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10.3 och 10.4. De värden som krävs för minsta kvadratberäkningarna är följande: Med dessa värden beräknas parametrarna för linjär trendlinje enligt följande: Därför är linjär trendlinjekvation Att beräkna en prognos för period 13, låt x 13 i linjär trendlinje: Nedanstående diagram visar linjär trendlinje jämfört med aktuella data. Trendslinjen verkar tydligt återspegla de faktiska uppgifterna, det vill säga vara en bra passform, och skulle därmed vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är emellertid att den inte kommer att anpassas till en förändring i trenden, eftersom de exponentiella utjämningsprognosmetoderna kommer att det antas att alla framtida prognoser kommer att följa en rak linje. Detta begränsar användningen av denna metod till en kortare tidsram där du kan vara relativt säker på att trenden inte kommer att förändras. Säsongsjusteringar Ett säsongsmönster är en repetitiv ökning och minskning av efterfrågan. Många efterfrågan förekommer med säsongsbeteende. Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern och sjunker under våren och sommaren då efterfrågan på svalare kläder ökar. Efterfrågan på många detaljhandelsvaror, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinka, kalkoner, vin och frukt, ökar under semesterperioden. Efterfrågan på hälsokort ökar i samband med speciella dagar som Alla hjärtans dag och mors dag. Säsongsmönster kan också ske varje månad, veckovis eller till och med dagligen. Vissa restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar. Trafik - därmed försäljning - på köpcentra hämtar på fredag och lördag. Det finns flera metoder för att reflektera säsongsmönster i en prognos för tidsserier. Vi beskriver en av de enklare metoderna med en säsongsbetonad faktor. En säsongsfaktor är ett numeriskt värde som multipliceras med den normala prognosen för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsbetonade faktorer är att dela efterfrågan på varje säsongsperiod efter total årlig efterfrågan enligt följande formel: De resulterande säsongsfaktorerna mellan 0 och 1,0 är i själva verket den del av den totala årliga efterfrågan som tilldelas varje säsong. Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge anpassade prognoser för varje säsong. Beräkna ett prognos med säsongsjusteringar. Wishbone Farms växer kalkoner för att sälja till köttbearbetningsföretag under hela året. Men högsäsongen är uppenbarligen under fjärde kvartalet, från oktober till december. Wishbone Farms har upplevt efterfrågan på kalkoner under de senaste tre åren som visas i följande tabell: Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år : Sedan vill vi multiplicera den prognostiserade efterfrågan på nästa år, 2000, genom varje säsongsfaktor för att få den prognostiserade efterfrågan för varje kvartal. För att uppnå detta behöver vi en efterfråganprognos för 2000. I det här fallet, eftersom efterfrågadata i tabellen verkar uppvisa en generellt ökande trend, beräknar vi en linjär trendlinje för de tre års data i tabellen för att bli grov prognosuppskattning: Prognosen för 2000 är således 58,17 eller 58,170 kalkoner. Med hjälp av denna årliga prognosen för efterfrågan jämförs de säsongrensade prognoserna, SF i, för år 2000 med jämförelse av dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognosberäkningar som återspeglar både säsongsvariationerna i data och den allmänna uppåtgående trenden. 10-12. Hur är den glidande medelmetoden som liknar exponentiell utjämning 10-13. Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har 10-14. Hur skiljer sig justerad exponentiell utjämning från exponentiell utjämning 10-15. Vad bestämmer valet av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell 10-16. I kapitelexemplen för tidsseriemetoder antogs startprognosen alltid vara densamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan härledas vid faktisk användning. 10-17. Hur skiljer den linjära trendlinjeprognosmodellen från en linjär regressionsmodell för prognoser 10-18. Av de tidsseriemodeller som presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Varför 10-19. Vilka fördelar har justerad exponentiell utjämning över en linjär trendlinje för prognostiserad efterfrågan som uppvisar en trend 4 K. B. Kahn och J. T. Mentzer, prognoser inom konsument - och industrimarknaderna, Journal of Business Forecasting 14, nr. 2 (sommaren 1995): 21-28.
No comments:
Post a Comment