Bewegungsbedingte Lieferkette

Mit der Umstellung des Fahrgastes. In der Woche 6 des Kurses werden wir die Nachfrageverwaltung und die Prognose betrachten, ein Bereich, der erhebliche Aufmerksamkeit erhält, zumal das Interesse an dem Supply Chain Management wächst und wir versuchen, die Supply Chain effektiver zu planen und zu koordinieren Ein Ganzes. Es wird oft gesagt, dass Prognosen in der Regel falsch sind, etwas spektakulär so. Die Lernziele für diese Woche des Kurses sind, dass Sie die Rolle der Prognose als Grundlage für die Supply Chain Planung verstehen sollten, dass Sie in der Lage sein werden, die zu vergleichen Unterschiede zwischen unabhängiger und abhängiger Nachfrage Drittens, dass Sie in der Lage sein werden, die grundlegenden Komponenten der unabhängigen Nachfrage, einschließlich der durchschnittlichen, Trend, saisonale und zufällige Variation zu identifizieren Sie werden in der Lage, die gemeinsamen qualitativen Prognose-Techniken wie Delphi-Methode und Collaborative Forecasting Sie beschreiben Wird verstehen, grundlegende quantitative Prognose-Techniken und die Verwendung von Zersetzung zu prognostizieren, wenn Trend und Saisonalität vorhanden ist. Das folgende Video betont die Notwendigkeit für Genauigkeit und commonsense bei der Prognose. Forecasts können in zwei Arten unterteilt werden, strategische und taktische Strategische Prognosen werden verwendet, um zu helfen Die Schaffung der Strategie, die bestimmt, wie die Nachfrage erfüllt ist Taktische Prognosen werden verwendet, um die Entscheidungsfindung auf einer täglichen Basis zu unterstützen. Das Demand Management wird verwendet, um die Produkt - oder Dienstleistungsnachfrage zu beeinflussen, entweder steigende Nachfrage, sinkende Nachfrage oder Aufrechterhaltung Ein konstantes Niveau Das folgende Video betrachtet die Faktoren, die die Prognose in der Weinindustrie beeinflussen. Dependent und Independent Demand. Es gibt zwei grundlegende Quellen der Nachfrage, abhängig und unabhängig Abhängige Nachfrage ist die Nachfrage, die als Folge der Nachfrage nach anderen Produkten auftritt Oder Dienstleistungen Unabhängige Nachfrage ist die Nachfrage, die nicht auf der Grundlage der Nachfrage nach einem anderen Produkt oder Service prognostiziert werden kann. Dependent Nachfrage ist in der Regel sehr schwer zu beeinflussen ist die Nachfrage, die nicht abhängig von Faktoren, die Sie beeinflussen können und eher ist es Nachfrage, die Sie haben müssen Treffen Unabhängige Nachfrage kann in der Regel beeinflusst werden und deshalb haben Organisationen eine Wahl, ob sie eine aktive Rolle spielen und sie beeinflussen oder eine passive Rolle spielen und einfach auf die Nachfrage reagieren, die existiert. Das folgende Video sieht an, wie Motorola mit ihrer Prognose arbeitet. Das Lehrbuch Identifiziert vier grundlegende Arten von Prognosen Die qualitative Prognose basiert auf menschlichem Urteil und einige der Techniken, die bei der qualitativen Prognose verwendet werden, werden im Folgenden diskutiert. Zeitreihenanalyse betrachtet Muster von Daten über die Zeit Kausale Beziehungen untersucht die Beziehungen zwischen Faktoren, die die Nachfrage und die Simulation beeinflussen werden Versucht, die Nachfrage so zu modellieren, dass die Inter-Beziehung der Nachfragefaktoren besser verstanden werden kann. Das folgende Video untersucht, wie die Nachfrageverwaltung und die Prognose bei Lowes durchgeführt werden. Normalerweise wird die Nachfrage nach sechs Komponenten, durchschnittlich, Trend, saisonalen Elementen, zyklischen Elementen gedacht , Zufällige Variation und Autokorrelation Diese Elemente der Nachfrage ermöglichen es uns, das Muster der Nachfrage nach einem Produkt zu verstehen, das auf die Vorhersage der zukünftigen Nachfrage angewendet werden könnte. Die Nachfrage ist die durchschnittliche Nachfrage nach einem Produkt im Laufe der Zeit. Der Trend zeigt, wie sich die Nachfrage verändert hat Zeit und saisonale Nachfrage zeigt saisonale Schwankungen der Nachfrage Zyklische Elemente treten über einen längeren Zeitraum als saisonale Elemente und sind schwerer zu prognostizieren, zum Beispiel, als Folge von Konjunkturzyklen zufällige Variation basiert auf zufälligen Ereignissen, die unmöglich sind, vorauszusagen, während Auto - Korrelation ist die Beziehung zwischen vergangener und künftiger Nachfrage, das heißt, dass die zukünftige Nachfrage mit der aktuellen Nachfrage zusammenhängt. Wo ein hohes Maß an zufälliger Variation besteht, gibt es sehr wenig Bezie - hung zwischen aktueller Nachfrage und zukünftiger Nachfrage Wo es einen hohen Grad an Auto gibt - Korrelation gibt es eine starke Beziehung zwischen aktuellen und zukünftigen Nachfrage. Time-Serie Modelle. Time-Serie Modelle prognostizieren die Zukunft auf der Grundlage der Vergangenheit Modelle Verschiedene Modelle zur Verfügung stehen und die, die Sie verwenden sollten, hängt von der Zeit Horizont, die Sie prognostizieren möchten, die Daten, die Sie zur Verfügung haben, die Genauigkeit, die Sie benötigen, die Größe des Vorhersage-Budgets und die Verfügbarkeit von entsprechend qualifizierten Personen, um die Analyse durchzuführen Die folgende Tabelle von Seite 488 des Lehrbuchs ist Design, um bei der Auswahl der entsprechenden Tool. Linear Regression zu unterstützen Wird dort verwendet, wo es eine funktionale Beziehung zwischen zwei korrelierten Variablen gibt, die verwendet wird, um eine Variable basierend auf dem anderen vorherzusagen. Es ist nützlich, wo Daten relativ stabil sind. Die Komposition einer Zeitreihe wird verwendet, um die Zeitreihendaten in ihre verschiedenen zu identifizieren und zu trennen Nachfrage-Komponenten Zwei Arten von saisonalen Variation sind additiv identifiziert, wobei die saisonale Menge in jeder Jahreszeit konstant und multiplikativ ist, wo die saisonale Variation ein Prozentsatz der Nachfrage nach einem Zeitraum ist. Der einfache gleitende Durchschnitt ist nützlich, wenn die Nachfrage relativ stabil ist, nicht Schnell oder schnell abnehmen und wo es nur wenige saisonale Merkmale gibt. Durchgehende Mittelwerte können um ihren Mittelpunkt zentriert werden oder als Grundlage für die Vorhersage der Zukunft verwendet werden. Eine längere Zeitspanne wird zu einer besseren Glättung der Variation führen, während eine kürzere Zeitspanne statistisch erscheint Trends schneller. Ein gewichteter gleitender Durchschnitt ermöglicht es Ihnen, bestimmte Zeiträume innerhalb des Durchschnitts zu erhöhen, um eine größere Genauigkeit zu erzielen. Zum Beispiel kann schwereres Gewicht auf neuere Zeiträume gegeben werden, um mehr Wert auf die jüngste Nachfrage Aktivität zu legen. Exponentielle Glättung ist die Am meisten verwendet von allen Prognosetechniken und erscheint in allen computerbasierten Prognoseanwendungen Es wird viel in Einzelhandels - und Dienstleistungsbranchen verwendet Es ist oft sehr genau, es ist ziemlich einfach zu tun, es ist leicht zu verstehen, erfordert wenig Berechnungen und wird leicht auf Genauigkeit geprüft. Die folgenden Video-Details die Durchführung dieser Prognose-Techniken. Qualitative Prognose beinhaltet die Anwendung menschlichen Urteilsvermögens, um eine Prognose zu erstellen Normalerweise wird ein strukturierter Ansatz verwendet, im Gegensatz zu diesem. Verschiedene Techniken werden für die qualitative Prognose verwendet, einschließlich. Historische Analogie Basing Prognosen auf dem Bedarfsmuster Für ähnliche Produkte. Market Research Prognosen werden von einem Marktforschungsunternehmen, vor allem mit Umfragen und Interviews erstellt. Panel Consensus Wo eine Gruppe von Menschen mit Wissen in der Prognose Themenbereich, teilen ihre Gedanken und entwickeln eine Prognose. Delphi-Methode Eine Umfrage basierte Technik Das schafft Anonymität in einer Gruppe Es wird in der folgenden Video beschrieben. Kollaborative Planung, Prognose und Nachschub CPFR ist eine neue Innovation, die das Internet verwendet, damit die Menschen bei der Prognose-Erstellung zusammenarbeiten können. Es gibt zwei Arten von Prognose-Fehler Bias Fehler auftreten, wo dort Ist ein konsequenter Fehler gemacht, dass die Prognose durchdringt zufällige Fehler sind Fehler, die durch das Prognosemodell erklärt werden können, die sie zufällig und auf einer unvorhersehbaren Basis auftreten. Messungen des Prognosefehlers enthalten Mean Absolute Deviation MAD, Mean Absolute Prozentsatz Fehler MAPE und Tracking Signal Die Folgendes Video betrachtet Fragen in der menschlichen Prognose error. Tracking Signal ist eine Maßnahme, die verwendet wird, um die tatsächliche Leistung der Prognose im Laufe der Zeit zu überwachen, um zu sehen, ob es im Einklang mit den Veränderungen in der Nachfrage in der realen Welt ist Es kann wie eine Qualität verwendet werden Kontrolldiagramm. In dieser Woche haben wir die Nachfragesteuerung und die Prognose berücksichtigt und dabei sowohl qualitative als auch quantitative Techniken betont. Es wurde darauf hingewiesen, dass die Prognosen realistisch sind und bei der Verwendung von Prognosen, die auf der Vergangenheit beruhen, eine Vorsicht geboten wurde Die Zukunft wird aber oft wird Ihnen helfen, die folgenden Video-Features die Anwendung der Informationstechnologie auf die Prognose und ist vielleicht ein humorvoller Abschluss zu dieser Woche s material. SCRC Artikel-Bibliothek Zeitreihenmodelle Ansätze zur Prognose Ein Tutorial. Time Serie Modelle Ansätze Zu Prognose Ein Tutorial. Time-Serie Modelle. Quantitative Prognose-Modelle, die chronologisch arrangierte Daten verwenden, um Prognosen zu entwickeln. Sie das, was in der Vergangenheit passiert ist ein guter Ausgangspunkt für die Vorhersage, was in der Zukunft passieren wird. Diese Modelle können entworfen werden, um zu berücksichtigen. Seasonality effects. Can schnell auf eine große Anzahl von Produkten angewendet werden. Forecast Genauigkeit Maßnahmen können verwendet werden, um Prognosen, die Anpassung Management durch Exception. Randomness, Trend Saisonalität zu identifizieren. Unterscheiden zwischen zufälligen Schwankungen echte Änderungen der zugrunde liegenden Nachfragemuster. Unbequemlichkeit ist eine Tugend Wählen Sie das einfachste Modell, das den Job macht. h2 Moving Average Models. Basiert auf den letzten x Perioden. Geben Sie zufällige Schwankungen. Different Gewichte können auf vergangene Beobachtungen angewendet werden, wenn Wanted. Hinweis, wie die Prognosen glätten Variationen. SUPPLY CHAIN ​​MINDED. The statistische Prognose basiert auf verschiedenen Arten von formula. Formulas, auf denen die Prognose-Modelle basieren. Formulas, die verwendet werden, um die Prognoseergebnisse zu bewerten. Formula, um die Toleranz Spur zu berechnen Für die automatische Ausreißerkorrektur. Formulas für Prognosemodelle. Moving Average Model. This Modell wird verwendet, um Unregelmäßigkeiten im Zeitreihenmuster auszuschließen Der Durchschnitt der n letzten Zeitreihenwerte wird berechnet Der Mittelwert kann immer aus n Werten nach Formel 1 berechnet werden. Formula für den Moving Average. Thus wird der neue Mittelwert aus dem vorherigen Mittelwert berechnet und der aktuelle Wert mit 1 n gewichtet, abzüglich des ältesten mit 1 n gewichteten Wertes. Dieser Vorgang eignet sich nur für Zeitreihen, die konstant sind Ist für Zeitreihen ohne Trend - oder Saison-Muster wie alle historischen Daten gleichermaßen mit dem Faktor 1 n gewichtet werden, dauert es genau n Perioden für die Prognose, um sich an eine mögliche Niveauänderung anzupassen. Weighted Moving Average Model. You Bessere Ergebnisse erzielen als die, die mit dem gleitenden Durchschnittsmodell erhalten wurden, indem Gewichtungsfaktoren für jeden historischen Wert eingeführt wurden. Im gewichteten gleitenden Durchschnittsmodell wird jeder historische Wert mit dem Faktor R gewichtet. Die Summe der Gewichtungsfaktoren beträgt 1 die nachstehenden Formeln 3 und 4. Formel für den gewichteten Moving Average. Wenn die zu prognostizierten Zeitreihen trendähnliche Variationen enthalten, werden Sie mit dem gewogenen gleitenden Durchschnittsmodell und dem bewegten Durchschnittsmodell bessere Ergebnisse erzielen. Das gewichtete gleitende Durchschnittsmodell belastet die jüngsten Daten stärker als älter Daten bei der Ermittlung des Mittelwertes, vorausgesetzt, Sie haben die Gewichtungsfaktoren entsprechend ausgewählt. Daher ist das System in der Lage, schneller auf eine Niveauänderung zu reagieren. Die Genauigkeit dieses Modells hängt weitgehend von Ihrer Wahl der Gewichtungsfaktoren ab Wenn sich das Zeitreihenmuster ändert, Sie müssen auch die Gewichtungsfaktoren anpassen. Erste Ordnung Exponential Glättungsmodell. Die Prinzipien hinter diesem Modell sind. Je älter die Zeitreihenwerte sind, desto weniger wichtig werden sie für die Berechnung der Prognose. Der aktuelle Prognosefehler wird berücksichtigt Nachfolgende Prognosen. Das Exponential-Glättungs-Konstantmodell kann aus den obigen beiden Betrachtungen abgeleitet werden, siehe Formel 5 unten In diesem Fall wird die Formel zur Berechnung des Grundwertes verwendet. Eine einfache Transformation erzeugt die Grundformel für die exponentielle Glättung siehe nachstehende Formel 6.Formeln für Exponentielle Glättung. Bestimmen des Grundwertes. Um den Prognosewert zu bestimmen, benötigen Sie nur den vorherigen Prognosewert, den letzten historischen Wert und den Alpha-Glättungsfaktor. Dieser Glättungsfaktor gewichtet die neueren historischen Werte mehr als die weniger neueren Sie haben einen größeren Einfluss auf die Prognose. Wie schnell die Prognose reagiert auf eine Veränderung des Musters hängt von der Glättung Faktor Wenn Sie 0 für Alpha wählen, wird der neue Durchschnitt gleich der alten In diesem Fall der Grundwert zuvor berechnet Bleibt die Prognose nicht auf aktuelle Daten Wenn Sie 1 für den Alpha-Wert wählen, entspricht der neue Durchschnitt dem letzten Wert in der Zeitreihe. Die gängigsten Werte für Alpha liegen also zwischen 0 1 und 0 5 Beispielsweise beträgt ein Alpha-Wert von 0 5 historische Werte wie folgt 1. historischer Wert 50.2. historischer Wert 25.3. historischer Wert 12 5.4 historischer Wert 6 25. Die Gewichtungen der historischen Daten können durch einen einzigen Parameter geändert werden Relativ einfach auf Änderungen in der Zeitreihe zu reagieren. Das konstante Modell der ersten Ordnung exponentielle Glättung, die oben abgeleitet, kann auf Zeitreihen angewendet werden, die keine trendähnlichen Muster oder saisonale Variationen haben. General Formel für First-Order Exponential Smoothing. Using Die aus 6 abgeleitete Grundformel, die allgemeine Formel für die Exponentialglättung 7 erster Ordnung wird bestimmt, indem sowohl Trend - als auch saisonale Variationen berücksichtigt werden. Hier werden der Basiswert, der Trendwert und der Saisonindex wie in den Formeln 8 10 dargestellt berechnet. Formulas für die erstklassige Exponential-Glättung. Sekund-Auftrags-Exponential-Glättungsmodell. Wenn über mehrere Perioden eine Zeitreihe eine Änderung des Mittelwertes zeigt, der dem Trendmodell entspricht, bleiben die Prognosewerte immer hinter den tatsächlichen Werten hintereinander Oder mehrere Perioden im exponentiellen Glättungsverfahren erster Ordnung Sie können eine effizientere Anpassung der Prognose an das Istwertmuster erreichen, indem Sie die exponentielle Glättung zweiter Ordnung verwenden. Das Exponential-Glättungsmodell der zweiten Ordnung basiert auf einem linearen Trend und besteht aus Zwei Gleichungen siehe Formel 11 Die erste Gleichung entspricht derjenigen der exponentiellen Glättung erster Ordnung mit Ausnahme der Klammerindizes In der zweiten Gleichung werden die in der ersten Gleichung berechneten Werte als Anfangswerte verwendet und wieder geglättet. Formeln für Zweite Ordnung Exponential Smoothing. Forecast Evaluation Criteria. Every Prognose sollte eine Art von Basis für eine Entscheidung bieten Das SAP R 3 System berechnet die folgenden Parameter für die Auswertung der Prognose s Qualität. Error total. Mean absolute Abweichung MAD. Tracking Signal. Theil Koeffizient. Mean Absolute Abweichung Für Forecast Initialization. Mean Absolute Abweichung für Ex-Post Forecast. Formula für die Toleranz Lane. To korrekte Ausreißer automatisch in den historischen Daten, auf denen die Prognose basiert, wählen Sie Outlier Kontrolle im Prognoseprofil Das System berechnet dann eine Toleranz Spur für Die historische Zeitreihe, basierend auf dem Sigma-Faktor Historische Daten, die außerhalb der Toleranzspur liegen, wird so korrigiert, dass sie dem Ex-post-Wert für diesen Zeitpunkt entspricht. Wenn Sie die Prognose online ausführen, werden historische Daten, die automatisch korrigiert wurden Diese Funktion wird in Spalte C des Dialogfelds Historische Werte angezeigt. Die Breite der Toleranzspur für die Ausreißersteuerung wird durch den Sigma-Faktor definiert. Je kleiner der Sigma-Faktor ist, desto größer ist die Steuerung. Der Standard-Sigma-Faktor ist 1, was bedeutet 90 der Daten bleiben unkorrigiert Wenn Sie den Sigma-Faktor selbst einstellen, stellen Sie ihn zwischen 0 6 und 2 ein.