Operasjonsstrategi lekserhjelp. 1. (TCO 5) Hva er prognosen for mai, basert på et vektet glidende gjennomsnitt som er brukt på følgende etterspørselsdata og bruker vektene 4, 3, 2 (største vekt er for de nyeste dataene) Nov. Dec. Jan Februar mar. april 37 36 40 42 47 43 (poeng: 6) 42.5. Vis mer 1. (TCO 5) Hva er prognosen for mai, basert på et vektet glidende gjennomsnitt som er brukt på følgende etterspørselsdata og bruker vektene 4, 3, 2 (største vekt er for de nyeste dataene) 2. november . (TCO 5) Jim039s avdeling på et lokalt varehus har sporet salg av et produkt i løpet av de siste ti uker eksponensiell utjevning med en alfa på 0,4. I januar prognostiserte han 150.000 i salg og oppnådde 155.000 salg. Ved å bruke denne samme prognosemodell, anslår Jims februar salg. (Poeng: 6) 152 000 155 000 157 000 305 000 3. (TCO 5) Ved å bruke et treårig glidende gjennomsnittlig prognose beløpet for år 10. År 99 (Poeng: 7) År 10 122.87 År 10 99.98 År 10 110.67 År 10 115.87Kapitel 11 - Etterspørselsforvaltning amp prognoser 1. Perfekt prognose er praktisk talt umulig 2. I stedet for å søke etter den perfekte prognosen, er det langt viktigere å etablere praksis med kontinuerlig gjennomgang av prognosen og å lære å leve med unøyaktig prognose. 3. Ved prognoser er en God strategi er å bruke 2 eller 3 metoder og se dem for kommonsens syn. 2. grunnkilder til etterspørsel 1. Avhengige etterspørselen - etterspørsel etter produkter eller tjenester forårsaket av etterspørselen etter andre produkter eller tjenester. Ikke mye firmaet kan gjøre, det må oppfylles. 2. Uavhengig etterspørsel - etterspørsel som ikke direkte kommer fra etterspørselen etter andre produkter. Firmaet kan: a) Ta en aktiv rolle for å påvirke etterspørselen - legge press på salgsstyrken din b) Ta en passiv rolle for å påvirke etterspørselen - Hvis et firma kjører i full kapasitet, vil det kanskje ikke gjøre noe med etterspørselen. Andre grunner er konkurransedyktige, juridiske, miljømessige, etiske og moralske. Forsøk å forutsi fremtiden basert på tidligere data. 1. Kort sikt - under 3 måneder - taktiske beslutninger som å fylle opp inventar eller planlegger EEer på kort sikt 2. Middels sikt - 3 M-2Y - fange sesongvirkninger som kunder svarer på et nytt produkt 3. Langsiktig - mer enn 2 år. Å identifisere viktige vendepunkter og oppdage generelle trender. Lineær regresjon er en spesiell type regresjon der relasjonene mellom variabel danner en rett linje Y abX. Y-avhengig variabel a - Y avgrensning b - skråning X - uavhengig variabel Det brukes til langsiktig prognose av store hendelser og aggregeringsplanlegging. Den brukes til både prognoser for tidsserier og prognoser for tilfeldige forhold. Er den mest brukte prognoseteknikken. De siste hendelsene er mer veiledende for fremtiden (høyest forutsigbar verdi) enn de i den fjernere fortiden. Vi bør gi mer vekt til malmen de siste tidsperioder når vi regner med prognoser. Hvert trinn i fortiden er redusert med (1 alfa). Jo høyere alfa, desto nærmere følger prognosen. Nyeste vekting alfa (1-alfa) na 0 Data en periode eldre alfa (1-alfa) na 1 Data to tidsperiode eldre alfa (1-alfa) na 2 Hvilken av følgende prognosemetoder er svært avhengig av valg av rettpersoner som dømt vil bli brukt til å faktisk generere prognosen Verdien må være mellom 0 og 1 1. 2 eller flere forhåndsdefinerte verdier av Alpha - avhengig av graden av feil benyttes forskjellige verdier av Alpha. Hvis feilen er stor, er Alpha 0,8, hvis feilen er liten, Alpha er 0,2. 2. Beregnede verdier for Alpha - eksponensielt jevnet faktisk feil dividert med eksponensielt forvrengt absolutt feil. Kvalitative teknikker i prognose Kunnskap om eksperter og kreve stor vurdering (nye produkter eller regioner) 1. Markedsundersøkelse - leter etter nye produkter og ideer, liker og misliker eksisterende produkter. Primært FORSØKER amp INTERVIEWS 2. Panel Consensus - ideen om at 2 hoder er bedre enn en. Panel av mennesker fra en rekke stillinger kan utvikle en mer pålitelig prognose enn en smalere gruppe. Problemet er at lavere EE-nivåer blir skremt av høyere styringsnivåer. Executive judgment brukes (høyere nivå av ledelse er involvert). 3. Historisk Analogi - Et firma som allerede produserer brødristere og ønsker å produsere kaffekasser, kan bruke brødristerens historie som en sannsynlig vekstmodell. 4. Delphi Metode - svært avhengig av valg av rett personer som dømt vil bli brukt til å faktisk generere prognosen. Alle har samme vekt (mer rettferdig). Tilfredsstillende resultater oppnås vanligvis i 3 runder. FORMÅL - Samarbeidsprosjekt, prognoser og etterfylling (CPFR) For å utveksle valgt intern informasjon på en delt webserver for å sikre pålitelig og langsiktig fremtidsperspektiv av etterspørsel i forsyningskjeden. A Forecast Calculation Examples A.1 Forecast Calculation Metoder Tolv metoder for beregning av prognoser er tilgjengelige. De fleste av disse metodene sørger for begrenset brukerkontroll. For eksempel kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres. Følgende eksempler viser beregningsmetoden for hver av de tilgjengelige prognosemetoder, gitt et identisk sett med historiske data. Følgende eksempler bruker de samme salgsdataene fra 2004 og 2005 for å produsere en salgsprognose fra 2006. I tillegg til prognoseberegningen inneholder hvert eksempel en simulert 2005-prognose for en tre måneders holdoutperiode (behandlingsalternativ 19 3) som deretter brukes til prosent av nøyaktighet og gjennomsnittlige absoluttavviksberegninger (faktisk salg sammenlignet med simulert prognose). A.2-prognoser for prestasjonsvurderingskriterier Avhengig av valg av behandlingsalternativer og trender og mønstre som finnes i salgsdata, vil enkelte prognosemetoder utføre bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for ett produkt, kan ikke være aktuelt for et annet produkt. Det er heller ikke sannsynlig at en prognosemetode som gir gode resultater på et stadie av produktets livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere den nåværende ytelsen til prognosemetodene. Disse er gjennomsnittlig absolutt avvik (MAD) og prosentandel av nøyaktighet (POA). Begge disse resultatevalueringsmetodene krever historiske salgsdata for en spesifisert tidsperiode. Denne tidsperioden kalles en holdoutperiode eller perioder som passer best (PBF). Dataene i denne perioden brukes som grunnlag for å anbefale hvilke av prognosemetoder som skal brukes til å lage neste prognoseprojeksjon. Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til den neste. De to prognosevalueringsmetodene er demonstrert på sidene som følger eksemplene på de tolv prognosemetodene. A.3 Metode 1 - Spesifisert prosent over siste år Denne metoden multipliserer salgsdata fra forrige år med en brukerdefinert faktor for eksempel 1,10 for en 10 økning, eller 0,97 for en 3 reduksjon. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss brukerens spesifiserte antall tidsperioder for vurdering av prognoseytelse (behandlingsalternativ 19). A.4.1 Varselberegning Område for salgshistorie som skal benyttes ved beregning av vekstfaktor (behandlingsalternativ 2a) 3 i dette eksemplet. Sum de tre siste månedene 2005: 114 119 137 370 Sum samme tre måneder for året før: 123 139 133 395 Den beregnede faktoren 370395 0,9367 Beregn prognosene: januar 2005 salg 128 0,9367 119,8036 eller ca 120 februar 2005 salg 117 0,9367 109,5939 eller ca 110 mars 2005 salg 115 0,9367 107,7205 eller ca 108 A.4.2 Simulert prognoseberegning Summen av de tre månedene 2005 før utholdelsesperioden (juli, august, september): 129 140 131 400 Sum samme tre måneder for forrige år: 141 128 118 387 Beregnet faktor 400387 1.033591731 Beregn simulert prognose: oktober 2004 salg 123 1.033591731 127.13178 november 2004 salg 139 1.033591731 143.66925 desember 2004 salg 133 1.033591731 137.4677 A.4.3 Prosent av nøyaktighetsberegning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Middel Absolutt Avviksberegning MAD (127.13178 - 114 143.66925 - 119 137.4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metode 3 - Året i år Dette metoden kopierer salgsdata fra foregående år til neste år. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som er angitt for å vurdere prognoseytelsen (behandlingsalternativ 19). A.6.1 Varselberegning Antall perioder som skal inkluderes i gjennomsnittet (behandlingsalternativ 4a) 3 i dette eksemplet For hver måned av prognosen, gjennomsnitt de tre foregående månedene. Januar prognose: 114 119 137 370, 370 3 123 333 eller 123 februar prognose: 119 137 123 379, 379 3 126 333 eller 126 Mars prognose: 137 123 126 379, 386 3 128 677 eller 129 A.6.2 Simulert prognoseberegning Oktober 2005 salg 140 131) 3 133 33333 November 2005 salg (140 131 114) 3 128 33333 Desember 2005 salg (131 114 119) 3 121 33333 A.6.3 Prosent av nøyaktighetsberegning POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Middel Absolutt Avviksberegning MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metode 5 - Lineær tilnærming Lineær tilnærming beregner en trend basert på to salgshistorikk datapunkter. Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden. Bruk denne metoden med forsiktighet, da langdistanseprognosene utløses av små endringer på bare to datapunkter. Nødvendig salgshistorie: Antall perioder som skal inkluderes i regresjon (behandlingsalternativ 5a), pluss 1 pluss antall tidsperioder for evaluering av prognoseprestasjon (behandlingsalternativ 19). A.8.1 Varselberegning Antall perioder som skal inkluderes i regresjon (behandlingsalternativ 6a) 3 i dette eksemplet For hver måned av prognosen legger du til økningen eller reduksjonen i de angitte periodene før utholdelsesperioden forrige periode. Gjennomsnitt for de foregående tre månedene (114 119 137) 3 123.3333 Sammendrag av de foregående tre månedene med vekt (114 1) (119 2) (137 3) 763 Forskjellen mellom verdiene 763 - 123.3333 (1 2 3) 23 Forhold 12 22 32) - 2 3 14 - 12 2 Verdi1 DifferenceRatio 232 11,5 Verdi2 Gjennomsnitt - verdi1-forhold 123.3333 - 11.5 2 100.3333 Prognose (1 n) verdi1 verdi2 4 11.5 100.3333 146.333 eller 146 Varsel 5 11.5 100.3333 157.8333 eller 158 Varsel 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulert prognoseberegning oktober 2004 Salg: Gjennomsnitt for de foregående tre månedene (129 140 131) 3 133 33333 Sammendrag av de foregående tre månedene med vekt (129 1) (140 2) (131 3) 802 Forskjellen mellom verdier 802 - 133.3333 (1 2 3) 2 Forhold (12 22 32) - 2 3 14 - 12 2 Verdi1 DifferenceRatio 22 1 Verdi2 Gjennomsnittlig verdi1-verdi 133.3333 - 1 2 131.3333 Prognose (1 n) verdi1 verdi2 4 1 131.3333 135.3333 November 2004 salg Gjennomsnitt for de foregående tre månedene (140 131 114) 3 128 3333 Sammendrag av de foregående tre månedene med vekt (140 1) (131 2) (114 3) 744 Forskjell mellom verdiene 744 - 128 3333 (1 2 3) -25,9999 Verdi1 DifferenceRatio -25.99992 -12.9999 Verdi2 Gjennomsnittlig verdi1-forhold 128.3333 - (-12.9999) 2 154.3333 Varsel 4 -12.9999 154.3333 102.3333 Desember 2004 salg Gjennomsnitt for de foregående tre månedene (131 114 119) 3 121.3333 Sammendrag av de foregående tre månedene med vekt (vekt) 131 1) (114 2) (119 3) 716 Forskjellen mellom verdiene 716 - 121.3333 (1 2 3) -11.9999 Verdi1 DifferenceRatio -11.99992 -5.9999 Verdi2 Gjennomsnittlig verdi1-verdi 121.3333 - (-5.9999) 2 133.3333 Værvarsel 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Prosent av nøyaktighetsberegning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Gjennomsnittlig Absolutt Avviksberegning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Metode 7 - secon d Gradert tilnærming Linjær regresjon bestemmer verdier for a og b i prognoseformelen Y a bX med sikte på å tilpasse en rett linje til salgshistorikkdataene. Second Degree Approximation er lik. Denne metoden bestemmer imidlertid verdiene for a, b og c i prognoseformelen Y a bX cX2 med sikte på å tilpasse en kurve til salgshistorikkdataene. Denne metoden kan være nyttig når et produkt er i overgangen mellom stadier av en livssyklus. For eksempel, når et nytt produkt flytter fra introduksjon til vekststadier, kan salgstrenden akselerere. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til null (avhengig av om koeffisient c er positiv eller negativ). Derfor er denne metoden bare nyttig på kort sikt. Prognose spesifikasjoner: Formlene finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n i behandlingsalternativet 7a, hvor mange tidsperioder dataene skal samles inn i hver av de tre punktene. I dette eksemplet n 3. Derfor blir faktiske salgsdata for april til juni kombinert med første punkt, Q1. Juli til september legges sammen for å skape Q2, og oktober til desember sum til Q3. Kurven vil bli montert på de tre verdiene Q1, Q2 og Q3. Nødvendig salgshistorie: 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (PBF). Antall perioder som skal inkluderes (behandlingsalternativ 7a) 3 i dette eksemplet Bruk de forrige (3 n) månedene i tre måneders blokker: Q1 (apr - juni) 125 122 137 384 Q2 (jul - september) 129 140 131 400 Q3 Okt - des) 114 119 137 370 Det neste trinnet omfatter å beregne de tre koeffisientene a, b og c som skal brukes i prognoseformelen Y a bX cX2 (1) Q1 en bX cX2 (hvor X1) abc (2) Q2 en bX cX2 (hvor X 2) en 2b 4c (3) Q3 en bX cX2 (hvor X 3) en 3b 9c Løs de tre ligningene samtidig for å finne b, a og c: Trekk likning (1) fra ligning (2) og løs for b (2) - (1) Q2 - Q1 b 3c Erstatt denne ligningen for b til ligning (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Til slutt erstatte disse ligningene for a og b til ligning (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andre gradstilnærmelsesmetoden beregner a, b og c som følger: en Q3 - 3 (Q2 - Q1) 370-3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370-400) (384-400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3-23) 85 Y a bX cX2 322 85X (-23) X2 Januar til marsvarsel (X4): (322 340 - 368) 3 2943 98 per periode april til juni prognose (X5): (322 425 - 575) 3 57 333 eller 57 per periode Juli til september prognose (X6): (322 510 - 828) 3 1,33 eller 1 per periode oktober til desember (X7) 595 - 11273 -70 A.9.2 Simulert prognoseberegning oktober, november og desember 2004 salg: Q1 (jan - mar) 360 Q2 (apr - juni) 384 Q3 (jul - september) 400 til 400-3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prosent av nøyaktighetsberegning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Gjennomsnittlig Absolutt Avviksberegning MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Metode 8 - Fleksibel metode Den fleksible metoden (Prosent over en måned før) 1, prosent over fjoråret. Begge metodene multipliserer salgsdata fra en tidligere tidsperiode av en brukerdefinert faktor, og deretter prosjektet det resultatet inn i fremtiden. I prosentandelen over siste årsmetoden er projeksjonen basert på data fra samme tidsperiode året før. Den fleksible metoden legger til rette for å angi en annen tidsperiode enn samme periode i fjor som skal brukes som grunnlag for beregningene. Multiplikasjonsfaktor. For eksempel angi 1,15 i behandlingsalternativet 8b for å øke tidligere salgshistorikkdata med 15. Baseperiode. For eksempel vil n 3 føre til at den første prognosen baseres på salgsdata i oktober 2005. Minste salgshistorie: Brukeren spesifiserte antall perioder tilbake til basisperioden, pluss antall tidsperioder som kreves for å evaluere prognoseprestansen ( PBF). A.10.4 Gjennomsnittlig Absolutt Avviksberegning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metode 9 - Vektet Flytende Gjennomsnitt Vektet Flytende Gjennomsnittlig (WMA) - metode ligner Metode 4, Flytende Gjennomsnitt (MA). Imidlertid kan med vektet flytende gjennomsnitt gi ulik vekt til de historiske dataene. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, så dette gjør WMA mer lydhør overfor endringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel angi n 3 i behandlingsalternativet 9a for å bruke de siste tre periodene som grunnlag for projeksjonen inn i neste tidsperiode. En stor verdi for n (som 12) krever mer salgshistorikk. Det resulterer i en stabil prognose, men vil være sakte for å gjenkjenne endringer i salgsnivået. På den annen side vil en liten verdi for n (som 3) reagere raskere på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Vekten tilordnet hver av de historiske datoperiodene. De tildelte vekter må total til 1,00. For eksempel, når n 3, tilordner vekter på 0,6, 0,3 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metode 10 - Linjær utjevning Denne metoden ligner metode 9, vektet flytende gjennomsnitt (WMA). Imidlertid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tildele vekter som avtar lineært og summen til 1,00. Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som det gjelder for alle lineære bevegelige gjennomsnittlige prognoseteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen. Dette er angitt i behandlingsalternativet 10a. For eksempel angi n 3 i behandlingsalternativet 10b for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode. Systemet vil automatisk tildele vektene til de historiske dataene som avtar lineært og summen til 1,00. For eksempel, når n 3, vil systemet tildele vekter på 0,5, 0,3333 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). A.12.1 Varselberegning Antall perioder som skal inkluderes i utjevnings gjennomsnitt (prosesseringsalternativ 10a) 3 i dette eksemplet Forhold for en periode før 3 (n2 n) 2 3 (32 3) 2 36 0,5 Forhold for to perioder før 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Forhold for tre perioder før 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar prognose: 137 0,5 119 13 114 16 127,16 eller 127 februar prognose: 127 0,5 137 13 119 16 129 Mars prognose: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulert prognoseberegning oktober 2004 salg 129 16 140 26 131 36 133 66666 november 2004 salg 140 16 131 26 114 36 124 desember 2004 salg 131 16 114 26 119 36 119.3333 A.12.3 Prosent av nøyaktighetsberegning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Gjennomsnittlig Absolutt Avviksberegning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metode 11 - Eksponensiell utjevning Denne metoden ligner metode 10, lineær utjevning. Ved lineær utjevning tilordner systemet vekten til de historiske dataene som avtar lineært. Ved eksponensiell utjevning tilordner systemet vekt som eksponentielt forfall. Eksponensiell utjevningsprognosering er: Prognose a (Tidligere faktisk salg) (1-a) Tidligere prognose Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra forrige periode. a er vekten på det faktiske salget for den foregående perioden. (1-a) er vekten på prognosen for foregående periode. Gyldige verdier for et område fra 0 til 1, og faller vanligvis mellom 0,1 og 0,4. Summen av vekter er 1,00. a (1 - a) 1 Du bør tilordne en verdi for utjevningskonstanten, a. Hvis du ikke tilordner verdier for utjevningskonstanten, beregner systemet en antatt verdi basert på antall perioder med salgshistorikk som er angitt i behandlingsalternativet 11a. en utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for et område fra 0 til 1. n rekke salgshistorikkdata som skal inkluderes i beregningene. Vanligvis er et år med salgshistorikkdata tilstrekkelig til å anslå det generelle salgsnivået. For dette eksempelet ble en liten verdi for n (n 3) valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene. Eksponensiell utjevning kan generere en prognose basert på så lite som et historisk datapunkt. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). A.13.1 Varselberegning Antall perioder som skal inkluderes i utjevnings gjennomsnitt (prosesseringsalternativ 11a) 3 og alfafaktor (behandlingsalternativ 11b) tom i dette eksemplet en faktor for eldste salgsdata 2 (11) eller 1 når alfa er spesifisert en faktor for 2. eldste salgsinformasjon 2 (12) eller alfa når alfa er spesifisert en faktor for 3. eldste salgsdata 2 (13), eller alfa når alfa er spesifisert en faktor for de siste salgsdataene 2 (1n) , eller alfa når alfa er spesifisert November Sm. Nr. a (oktober faktisk) (1 - a) oktober sm. Nr. 1 114 0 0 114 desember Sm. Nr. a (november faktisk) (1 - a) november sm. Nr. 23 119 13 114 117.3333 januar Værvarsel a (desember faktisk) (1 - a) desember sm. Nr. 24 137 24 117.3333 127.16665 eller 127 februar Værvarsel januar Værvarsel 127 Mars Forecast januar Værvarsel 127 A.13.2 Simulert prognoseberegning juli 2004 Sm. Nr. 22 129 129 august Sm. Nr. 23 140 13 129 136.3333 september sm. Nr. 24 131 24 136.3333 133.6666 Oktober, 2004 salg Sep Sm. Nr. 133.6666 august 2004 Sm. Nr. 22 140 140 september Sm. Nr. 23 131 13 140 134 oktober Sm. Nr. 24 114 24 134 124 november, 2004 salg sep sm. Nr. 124 september 2004 Sm. Nr. 22 131 131 Sm. Nr. 23 114 13 131 119.6666 November Sm. Nr. 24 119 24 119.6666 119.3333 Desember 2004 salg Sep Sm. Nr. 119.3333 A.13.3 Prosent av nøyaktighetsberegning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Gjennomsnittlig Absolutt Avviksberegning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metode 12 - Eksponensiell utjevning med trend og sesongmessighet Denne metoden ligner metode 11, eksponentiell utjevning ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder imidlertid også en term i prognosekvasjonen for å beregne en glatt trend. Prognosen består av en glatt gjennomsnitt som er justert for en lineær trend. Når spesifisert i behandlingsalternativet, er prognosen også justert for sesongmessig. en utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for alfaområdet fra 0 til 1. b utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for trendkomponenten i prognosen. Gyldige verdier for beta rekkevidde fra 0 til 1. Om en sesongbasert indeks er brukt på prognosen a og b er uavhengig av hverandre. De trenger ikke å legge til 1,0. Minst nødvendig salgshistorie: to år pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). Metode 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en jevn trend og en enkel gjennomsnittlig sesongfaktor. A.14.1 Varselberegning A) Et eksponentielt glatt gjennomsnitt MAD (122,81 - 114 133,14 - 119 135,33 - 137) 3 8.2 A.15 Evaluering av prognosene Du kan velge prognosemetoder for å generere så mange som tolv prognoser for hvert produkt. Hver prognosemetode vil trolig skape en litt annen projeksjon. Når det regnes med tusenvis av produkter, er det upraktisk å ta en subjektiv beslutning om hvilke av prognosene som skal brukes i dine planer for hver av produktene. Systemet evaluerer automatisk ytelsen for hvert av prognosemetoder du velger, og for hvert av produktene prognose. Du kan velge mellom to ytelseskriterier, gjennomsnittlig avvik (MAD) og prosentandel av nøyaktighet (POA). MAD er et mål på prognosefeil. POA er et mål på prognoseforspenning. Begge disse ytelsesevalueringsteknikkene krever faktiske salgshistorikkdata for en brukerdefinert tidsperiode. Denne perioden med nyere historie kalles en holdout periode eller perioder som passer best (PBF). For å måle resultatene av en prognosemetode, bruk prognosemålingene for å simulere en prognose for den historiske holdoutperioden. Det vil vanligvis være forskjeller mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når flere prognosemetoder er valgt, oppstår denne samme prosessen for hver metode. Flere prognoser beregnes for holdoutperioden, og sammenlignet med den kjente salgshistorikken for samme tidsperiode. Prognosemetoden som gir den beste kampen (best egnet) mellom prognosen og det faktiske salget i holdoutperioden, anbefales for bruk i dine planer. Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til den neste. A.16 Mean Absolute Deviation (MAD) MAD er gjennomsnittet (eller gjennomsnittet) av absoluttverdiene (eller størrelsen) av avvikene (eller feilene) mellom faktiske og prognose data. MAD er et mål på den gjennomsnittlige størrelsen på feilene som kan forventes, gitt en prognosemetode og datahistorie. Fordi absoluttverdier brukes i beregningen, avbryter ikke positive feil ut negative feil. Når man sammenligner flere prognosemetoder, har den med den minste MAD vist seg å være den mest pålitelige for det aktuelle produktet i den perioden. Når prognosen er upartisk og feil distribueres normalt, er det et enkelt matematisk forhold mellom MAD og to andre vanlige målefordeler, standardavvik og gjennomsnittlig kvadratfeil: A.16.1 Prosent av nøyaktighet (POA) Prosent av nøyaktighet (POA) er et mål på prognoseforstyrrelser. Når prognosene er konsekvent for høye, samles varebeholdninger og lagerkostnadene øker. Når prognosene er konsekvent to lave, forbruker varebeholdningen og kundeservicen avtar. En prognose som er 10 enheter for lav, da 8 enheter for høye, deretter 2 enheter for høye, ville være en objektiv prognose. Den positive feilen på 10 er kansellert av negative feil på 8 og 2. Feil Aktuell - Prognose Når et produkt kan lagres i lagerbeholdning, og når prognosen er objektiv, kan en liten mengde sikkerhetslager brukes til å buffere feilene. I denne situasjonen er det ikke så viktig å eliminere prognosefeil som det er å generere objektive prognoser. Men i tjenesteytende næringer vil ovennevnte situasjon bli sett på som tre feil. Tjenesten ville være underbemannet i den første perioden, deretter overbemannet for de neste to perioder. I tjenester er størrelsen på prognosefeil vanligvis viktigere enn det som er prognostisk forspenning. Summen over holdoutperioden tillater positive feil å avbryte negative feil. Når summen av det faktiske salget overstiger summen av prognosen, er forholdet større enn 100. Det er selvfølgelig umulig å være mer enn 100 nøyaktige. Når en prognose er objektiv, vil POA-forholdet være 100. Derfor er det mer ønskelig å være 95 nøyaktig enn å være 110 nøyaktig. POA-kriteriet velger prognosemetoden som har et POA-forhold nærmest 100. Skripting på denne siden forbedrer innholdsnavigasjon, men endrer ikke innholdet på noen måte. Spørsmål. 1. (TCO 5) Bruk et fireårig glidende gjennomsnitt foreca. 1. (TCO 5) Ved hjelp av et fireårig glidende gjennomsnitt prognose beløpet for år 10. Uke Etterspørsel 1 79 2 90 3 59 4 91 5 140 6 98 7 110 8 123 9 99 (Poeng 10) År 10 122.87 År 10 107,5 År 10 110,67 År 10 115,87 2. (TCO 5) Favoritt Distribusjonsselskap kjøper små importerte pyntegjenstander i bulk, pakker dem og selger dem til butikkene. I februar forutslo selskapet at de ville selge 10.000 pyntegjenstander. Salget til februar var 9000 pyntegjenstander. Ved å bruke en utjevningskonstant med en alfa på 0,3, vil salgsbehandleren prognose mars-salget ved hjelp av eksponensiell utjevning. (Poeng 10) 9.700 pyntegjenstander 9.800 pyntegjenstander 9.500 pyntegjenstander 10,200 pyntegjenstander 3. (TCO 8) ABC Motors, Inc. ønsker å øke kapasiteten ved å legge til en annen hjulbalanse. Den faste prisen for en maskin er 6.400, og den variable kostnaden er 3,50 per enhet. ABC belaster 7,50 for å balansere ett hjul. Hva er break-even punkt i enheter (poeng. 10) 250 hjul 1600 hjul 3000 hjul 3429 4. (TCO 9) En fullservice restaurant vurderer å åpne et nytt anlegg i en bestemt by. Tabellen nedenfor viser sine vurderinger av fire faktorer på hver av to potensielle nettsteder. Faktorvekt Vindby Statlig linje Godkjennelse av lokalbefolkningen .40 30 30 Trafikkstrøm .20 50 20 Tilgjengelighet av parkering .10 30 40 Vekstpotensial .30 20 20 Ved å bruke fabrikkvurderingsmetoden er poengsummen for Wind City og poengsummen for State Line er . (Punkt 10) vindby 7,00 statslinje 7.25 vindby 14 statlig linje 14.50 vindby 28 statlig linje 29 vindby 31 statlig linje 26 5. (TCO 4) Dulac Box-fabrikken produserer 600 cypresspakker i to åtte-timers skift . Bruken av ny teknologi har gjort det mulig for dem å øke produktiviteten med 30. Produktiviteten er nå omtrentlig. (Poeng 10) 32,5 boxeshr 40,6 boxeshr 48,75 boxeshr 81,25 boxeshr 300 boxeshr 6. (TCO 8) Et bakeri har en designkapasitet til å bake 200 brødbrød om dagen. Men på grunn av planlagt vedlikehold av utstyret, føler ledelsen at de kan bake 150 brød om dagen. I går ble gassen slått av mens byen var å reparere en lekkasje og bare 10 brød der det ble bakt. Hva er effektiviteten til ovene i går (poeng. 10) 5 6,66 10 20 1. (TCO 7) De spesifikke komponentene som inngår i det tredje huset i kvalitetshuset er tilfreds med. (Punkt 5) Krav til kvalitetskrav for kunden Designelementer Ingen av de ovennevnte 2. (TCO 7) Hvilket av følgende er falskt angående datamaskinstøttet design (punkt 5). Det er effektivt å bruke i de fleste produksjons - og designinnstillinger. Det er en effektiv teknologi og i betydelig bruk. Det resulterer i kortere utviklingssykluser for praktisk talt alle produkter. Det er bruk av datamaskiner for interaktivt å designe produkter og forberede engineering dokumentasjon. Det er tregere å designe et produkt uten å bruke CAD. 3. (TCO 7) I hvilken fase av produktets livssyklus bør produktstrategi fokusere på prosessendringer (punkt 5) Implementasjonsvekst Forfall Avfall Ingen av de ovennevnte 4. (TCO 7) Prognoser klassifiseres vanligvis etter tidshorisont i tre kategorier :. (Poeng 5) kortdistanse, mellomstore og langdistanse finansregnskap, markedsføring og drift strategisk, taktisk og operativ eksponensiell utjevning, regresjon og tidsserier avdelings-, organisatorisk og industriell 5. (TCO 8) Fire typer prosessstrategier er. (Poeng 5) varer, tjenester, automatisert og hybrids manuelt, automatisert, datamaskin og serviceprosessfokus, gjentatt fokus, massetilpasning og produktfokus modulært, kontinuerlig, diskret og teknologisk 6. (TCO 8) Hvilken av Følgende kostnader vil pådras selv om det ikke produseres noen enheter (punkt 5) Råmaterialkostnader Direkte lønnskostnader Transportkostnader Bygge leiekostnader Innkjøpskostnader 7. (TCO 8) Et system som bruker en automatisert arbeidscelle styrt av elektroniske signaler fra en felles sentralisert datamaskin anlegg kalles a (n). (Punkt 5) adaptiv kontrollsystem robotteknikk fleksibelt produksjonssystem automatisk styrt kjøretøy (AGV) systemproduksjon celle 8. (TCO 8) Hvilke av følgende transformasjoner har generelt lavest anleggsutnyttelse (punkt 5) Prosessfokusert prosess Gjentatt prosessprodukt - fokusert prosess Kontinuerlig prosess 9. (TCO 1) Walter Shewhart er oppført blant de viktige menneskene i driftsledelsen på grunn av hans bidrag til. (Poeng 5) statistikk statistisk prøvetaking kvalitetskontroll Alle ovennevnte 10. (TCO 1) Operations Management er aktuelt. (Punkt 5) hovedsakelig til tjenestesektoren til tjenester som utelukkende hovedsakelig til industrisektoren til industri og tjenesteytende næringer til industrisektoren utelukkende 11. (TCO 2) Det grunnleggende formål for eksistensen av enhver organisasjon er beskrevet av dens. (Poeng 5) taktikk visjonspolitikk SWOT-analyse Ingen av de ovennevnte 12. (TCO 2) Hvilken av følgende er ikke en operasjonsstrategi (poeng 5). Response Low cost leadership Differentiering Alle de ovennevnte er operasjonsstrategier. Ingen av de ovennevnte er operasjonsstrategier. 13. (TCO 2) Hvilke grunner er det for et firma å internasjonalisere operasjoner (punkt 5). Øk kostnadene Forbedre forsyningskjeden Gi mindre varer og tjenester. Forstå varelager Alt ovenfor 14 (TCO 3) Godkjenningsprøving. (Poeng 5) er anvendelsen av statistiske teknikker for å akseptere eller avvise mye materiale basert på prøvetaking som ble utviklet av Frederick Taylor, brukes til å avgjøre om å akseptere eller avvise mye materiale basert på evaluering av kostnader, skiller den naturlige og Tilordnede årsaker til variasjon 15. (TCO 3) En prosessfokusert prosess brukes ofte til å produsere. (Punkt 5) høyvolum, høyt utvalg av produkter med lav volum, høyt utvalg av produkter med høy volum, lavt utvalg av produkter med lav variasjon på enten høy eller lav volum 1. (TCO 3) Hvilken av Følgende er vanligvis funnet i de fleste JIT-miljøer (punkt 5). Høye mengder avfall i form av tid og produksjonsavfall. En stor variasjon. Inventarisk reduksjon Trykksystemer 2. (TCO 3) Total kvalitetsstyring understreker. (Punkt 5) Kvalitetsstyringsansvarets ansvar for å identifisere og løse alle kvalitetsrelaterte problemer, en forpliktelse til kvalitet som går utover interne virksomhetsproblemer til leverandører og kunder, et system der sterke ledere er de eneste beslutningstakerne en prosess hvor de fleste statistikere bli involvert ISO 14000 sertifisering 3. (TCO 6) En ingeniør tegning. (Punkt 5) Gruppedeler i familier viser grafisk hvordan produktet er montert, lister opp operasjonene, inkludert montering og inspeksjon, som er nødvendig for å produsere komponenten med materialet som er spesifisert i regningen for materiale, gir detaljerte instruksjoner om hvordan du utfører en gitt oppgave dimensjonene, toleransene, materialene og ytelsene til en komponent 4. (TCO 6) Hvilke av følgende vilkår refererer til bruk av spesialiserte dataprogrammer for å styre og kontrollere produksjonsutstyr (punkt 5) CAD - Computer Aided Design CAM - Computer Aided Manufacturing CAM - Computer Assisted Moduler Modular Design 5. (TCO 6) Produktdesignteknikken som kan produseres til krav selv med ugunstige forhold i produksjonsprosessen er (punkt 5) CAD Design CAM Design Robust Design Modulært Design 6. ( TCO 10) Målet med en menneskelig ressursstrategi er å. (Punkt 5) produsere etterspørselsprognosen til laveste lønnskostnadskonfigurasjonsnivåer med etterspørsel oppnå en rimelig kvalitet på arbeidslivet til lave kostnader administrere arbeids - og designjobber slik at folk utnyttes effektivt og effektivt 7. (TCO 10) Den visuelle arbeidsplassen inkluderer . (Punkt 5) malte symboler for å indikere riktig sted for verktøy og utstyrsmerking av deler, skuffer og verktøy for å redusere avfallshåndtering, visuelle signaler og statistisk prosesskontroll (SPC), viser fargekodede lys og tegn for å indikere at der er et problem Alle de ovennevnte 8. (TCO 11) I beslutningen om kjøp eller kjøp er en av grunnene til å kjøpe. (Punkt 5) for å sikre tilstrekkelig forsyning lavere anskaffelseskost for å oppnå ønsket kvalitet for å fjerne leverandøravtale 9. (TCO 11) Hvilken av følgende er en fordel med drop shipping (punkt 5) Reduksjon i tid Reduksjon i fraktkostnader Bedre kvalitet av produktet Redusert krymping Alle ovennevnte 10. (TCO 11) Hovedformålet med forsyningskjedenes strategi er. (Punkt 5) å bygge en leverandørkæde som fokuserer på å maksimere verdien til den endelige kunden, for å velge leverandører primært på respons eller differensiering for å redusere produksjonens ledetid øke antall leverandører Ingen av de ovennevnte 11. (TCO 11) De tre Klassiske typer forhandlingsstrategier er. (Poeng 5) leverandør evaluering, leverandørutvikling og leverandørvalg Teori X, teori Y og teori Z mange leverandører, få leverandører og keiretsu kostnadsbaserte prismodeller, produksjonsbasert prismodell og konkurransedyktig budgivning Ingen av de ovennevnte 12. (TCO 12) Kortsiktige tidsplaner utarbeides. (Punkt 5) direkte fra aggregeringsplanene direkte fra hovedplanen fra lagerregistreringer for gjenstander som har blitt brukt opp fra hovedplanene som er avledet av kortsiktige planer fra innkjøpsplanene 13. (TCO 12) Samlet planlegging er kapasitetsplanlegging for. (Punkt 5) lang rekkevidde det nærmeste området kort rekkevidde vanligvis tre til 18 måneder typisk ett eller flere år 14. (TCO 13) prosessen som involverer reparasjon i nødstilfelle eller prioritet, kalles (punkt 5) sammenbrudd vedlikeholdsvedlikeholdsvedlikeholdssvikt vedlikehold forebyggende vedlikehold prioritet vedlikehold 15. (TCO 13) Sannsynligheten for at et produkt vil fungere skikkelig for en bestemt tid under angitte forhold, er. (Punkter 5) Funksjonalitet Vedlikehold Holdbarhet Pålitelighet Til bruk Ekspert Svar
No comments:
Post a Comment