Presentasjon lastes. Vennligst vent

Presentasjon lastes. Vennligst vent

SCM 1 Prognose av framtidig etterspørsel Bestemme kortsiktig produksjon ved push Bestemme langsiktig kapasitet (push og pull) Viktig for mange funksjoner.

Liknende presentasjoner


Presentasjon om: "SCM 1 Prognose av framtidig etterspørsel Bestemme kortsiktig produksjon ved push Bestemme langsiktig kapasitet (push og pull) Viktig for mange funksjoner."— Utskrift av presentasjonen:

1 SCM 1 Prognose av framtidig etterspørsel Bestemme kortsiktig produksjon ved push Bestemme langsiktig kapasitet (push og pull) Viktig for mange funksjoner  Produksjon, logistikk, markedsføring, økonomi, personal Bruk felles prognoser for alle funksjoner Modne produkter med stabil etterspørsel  Lett å lage prognose, feil gir små konsekvenser Nye produkter og produkter med sesong- variasjoner i tilførsel og etterspørsel  Vanskelig å lage prognose, feil medfører større konsekvenser

2 SCM 2 Egenskaper ved prognoser Prognoser er alltid feil  Angi prognosefeil i tillegg til forventet verdi Langtidsprognoser er mer usikre enn korttidsprognoser  Kortere ledetider medfører mindre feil Aggregerte prognoser er relativt mer sikre enn oppdelte prognoser  Bruk aggregering og postponement Det er større variasjoner og større usikkerhet oppover i forsyningskjeden

3 SCM 3 Prognosemetoder Kvalitative - subjektive  Langtidsprognoser, manglende data Kausale prognosemetoder  Etterspørselen avhenger av andre faktorer i omgivelsene, for eksempel vær eller rentenivå Simulering  Simulering av kundenes valg og dermed etterspørselen av ulike produkter Tidsserieanalyse  Framtidig etterspørsel avhenger av tidligere etterspørsel

4 SCM 4 Komponenter i prognosemodellene Systematiske komponenter (SK)  Nivå: Generelt nivå for følgende perioder  Trend: Økning eller reduksjon fra periode til periode  Sesongfaktor: Korrigering i forhold til hvilken periode en er i Tilfeldig komponent, variasjoner  Prognosemodellen bør ikke blande den sammen med de systematiske komponentene Prognosefeil: Differanse mellom prognose og aktuell etterspørsel for en gitt periode

5 SCM 5 Generell arbeidsmåte Forstå formålet med prognoser  Støtte beslutninger som tas i logistikkjeden Integrer planlegging og prognoser  Kapasitet, produksjon, markedsføring, innkjøp  Kan planene gjennomføres? Finn viktige faktorer som påvirker etterspørsel  Etterspørsel: Trend, sesongsvingninger, kampanjer, komplementaritet/substitusjon, endring i ledetid  Leveransesiden: Ledetid hos aktuelle leverandører  Produktet: Vareutvalg, komplementaritet og substitusjon

6 SCM 6 Generell arbeidsmåte II Identifiser kundesegmentene  Servicekrav, volumer, leveringsfrekvenser, etterspørselsfølsomhet, sesongvariasjon Velg passende prognoseteknikk  Kan bruke separate teknikker for hver dimensjon (geografisk, produktgrupper, kundegrupper) Bestem prognoseteknikkens ytelse og måleenhet for feil  Nøyaktighet  Tidsnøyaktighet  Behov for ekstra tiltak?

7 SCM 7 Prognosemetoder for tidsserier Statiske metoder  Verdiene for systematiske komponenter, SK, (nivå, trend og sesongfaktor) blir beregnet kun én gang Adaptive metoder  Verdiene for SK blir oppdatert ved nye data Modelltyper Multiplikativ modell SK = nivå × trend × sesongfaktor Additiv modell SK = nivå + trend + sesongfaktor Blandet modell SK = (nivå + trend) × sesongfaktor

8 SCM 8 Variabler L Nivå (level) T Trend S t Sesongfaktor for periode t D t Aktuell etterspørsel (demand) i periode t F t Prognose (forecast) av etterspørsel i periode t

9 SCM 9 Statisk prognosemodell Blandet modell: BEREGNING: Fjern sesongvirkningen fra data for et tidspunkt ved å ta gjennomsnittsverdien i en periodelengde (f.eks. år) omkring dette tidspunktet La disse nye verdiene være en funksjon av tiden. Finn L og T ved regresjon Bestem sesongfaktorene som gjennomsnitts- forholdet mellom aktuell etterspørsel og regresjons- modellens etterspørsel for de ulike sesongene

10 SCM 10 Adaptive modeller - prinsipper Bestem startverdier på parametrene L t, T t og S t+i Lag prognose for neste periode, evt. flere perioder Bestem prognosefeilen (differansen mellom prognose og observert verdi) når nye data foreligger Oppdater verdiene på L t, T t og S t+i ved å ta hensyn til de siste dataene (evt. de siste prognosefeilene)

11 SCM 11 Glidende gjennomsnitt (adaptiv) Prognoseverdien er gjennomsnittet av aktuell etterspørsel i de siste N periodene 8 dataverdier for prognose 1: 8 dataverdier for prognose 2:

12 SCM 12 Enkel eksponensiell utglatting (adaptiv) Beregn nivå ved start, f.eks ved formelen Prognose for neste periode(r) Oppdatering av nivå, utglattingskonstant  (0<  <1)

13 SCM 13 Enkel eksponensiell utglatting - prinsipp t t+1t+2 LtLt L t+1 t+3 D t+1 F t+1 tid mengde

14 SCM 14 Vektlegging av eldre data ved eksponensiell utglatting t+1t L t+1 D t+1 F t+2 tid DtDt D t-1 D t-2 t+2t-1t-2t-3 D t-3  *D t+1  *D t    *D t-2 Bidrag    *D t-1

15 SCM 15 Holts modell: Trendkorrigert eksponensiell utglatting (adaptiv) Startnivå på L 0 og T 0 beregnes Prognose Oppdatering nivå, utglattingskonstant  Oppdatering trend, utglattingskonstant  (0<  <1)

16 SCM 16 Holts modell (nivå og trend) - prinsipp t t+1 LtLt TtTt L t+1 T t+1 t+2 D t+1 F t+1 tid mengde F t+2 Ny F t+2

17 SCM 17 Winters modell: Trend og sesongkorrigert eksponensiell utglatting (adaptiv) Startnivå på L 0, T 0 og de ulike S 0+i beregnes Prognose Oppdatering nivå, utglattingskonstant  Oppdatering trend, utglattingskonstant  Oppdatering sesongfaktor, utglattingskonstant  (0<  <1)

18 SCM 18 Prognosefeil I Prognosefeil Middelkvadratfeil Middel absolutt avvik  = MAD n  1,25 MAD n (når feilene er normalfordelt)

19 SCM 19 Prognosefeil II Tracking signal Bias Middel absolutt prosentavvik TS bør ligge innenfor ± 6 Bias bør svinge omkring 0

20 SCM 20 Prognoser i praksis Samarbeid om prognoser  Internt i bedriften  Eksternt med andre i kjeden Ulike ledd i kjeden har behov for ulike data  Fjerne samarbeidspartnere bør få mer aggregerte data Salg og etterspørsel er to forskjellige ting  Korriger for priskampanjer, reklamekampanjer, konkurrentenes aktiviteter og etterspørsel som en ikke klarer å dekke


Laste ned ppt "SCM 1 Prognose av framtidig etterspørsel Bestemme kortsiktig produksjon ved push Bestemme langsiktig kapasitet (push og pull) Viktig for mange funksjoner."

Liknende presentasjoner


Annonser fra Google