Verksamhetsstrategi läxhjälp. 1. (TCO 5) Vad är prognosen för maj, baserat på ett vägat glidande medelvärde som tillämpas på följande efterfrågade data och med vikterna 4, 3, 2 (största vikt är för senaste data) Nov. Dec. Jan Februari Mars 37 36 40 42 47 43 (Poäng: 6) 42.5. visa mer 1. (TCO 5) Vad är prognosen för maj, baserat på ett viktat glidande medelvärde som tillämpas på följande efterfrågade data och med vikterna 4, 3, 2 (största vikt är för senaste data) 2 november . (TCO 5) Jim039s avdelning på ett lokalt varuhus har spårat försäljningen av en produkt under de senaste tio veckors exponentiell utjämning med en alfa på 0,4. I januari förutspådde han 150 000 försäljningar och uppnådde 155 000 försäljningar. Använd samma prognosmodell, beräkna Jims February-försäljningen. (Poäng: 6) 152 000 155 000 157 000 305 000 3. (TCO 5) Med ett treårigt glidande medelvärde prognostiseras beloppet för år 10. År 99 (Poäng: 7) År 10 122.87 År 10 99.98 År 10 110.67 År 10 115.87Kapitel 11 - Efterfrågan Management amp Prognoser 1. Perfekt prognos är praktiskt taget omöjligt 2. I stället för att leta efter den perfekta prognosen är det mycket viktigare att fastställa praxis för kontinuerlig översyn av prognos och att lära sig att leva med felaktig prognos 3. Vid prognoser 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. Firman 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. Långsiktigt - 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 - lutning X - oberoende variabel Det används för långsiktig prognos av större händelser och aggregerad planering. Det 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 kommer att användas 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 mycket dom (nya produkter eller regioner) 1. Marknadsundersökning - letar efter nya produkter och idéer, gillar och ogillar om befintliga produkter. I första hand KONTROLLERAR amp INTERVIEWS 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 vanligtvis i 3 rundor. 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 försörjningskedjan. En prognosberäkningsexempel A.1 Prognosberäkning Metoder Tolv metoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-prognos för försäljning. Utöver prognosberäkningen innehåller varje exempel en simulerad 2005-prognos för en tre månaders hållbarhetsperiod (bearbetningsalternativ 19 3), som sedan används för procent av noggrannhet och genomsnittliga absoluta avvikelsesberäkningar (faktisk försäljning jämfört med simulerad prognos). A.2 Prognos Prestationsutvärderingskriterier Beroende på ditt val av bearbetningsalternativ och de trender och mönster som finns i försäljningsdata, kommer vissa prognosmetoder att fungera bättre än andra för en viss historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det är också osannolikt att en prognostiseringsmetod som ger goda resultat i ett skede av en livscykel för produkterna kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna. Dessa är genomsnittlig absolut avvikelse (MAD) och procent av noggrannhet (POA). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en angiven tidsperiod för användaren. Denna tidsperiod kallas en uthållningsperiod eller perioder som passar bäst (PBF). Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. De två prognosutvärderingsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A.3 Metod 1 - Specificerad procentsats under förra året Denna metod multiplicerar försäljningsdata från föregående år med en användardefinierad faktor till exempel 1,10 för en 10 ökning eller 0,97 för en 3 minskning. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus användarens specificerade antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.4.1 Beräkning Beräkningsområde Försäljningshistorik som ska användas vid beräkning av tillväxtfaktor (behandlingsalternativ 2a) 3 i detta exempel. Summa de sista tre månaderna 2005: 114 119 137 370 Summa samma tre månader för föregående år: 123 139 133 395 Den beräknade faktorn 370395 0,9367 Beräkna prognoserna: januari 2005 försäljning 128 0,9367 119,8036 eller cirka 120 februari 2005 försäljning 117 0,9367 109,5939 eller cirka 110 mars 2005 försäljning 115 0,9367 107,7205 eller cirka 108 A.4.2 Simulerad prognosberäkning Summan av tre månaderna 2005 före uthållningsperioden (juli, augusti, september): 129 140 131 400 Summa samma tre månader för föregående år: 141 128 118 387 Den beräknade faktorn 400387 1.033591731 Beräkna simulerad prognos: oktober 2004 försäljning 123 1.033591731 127.13178 november 2004 försäljning 139 1.033591731 143.66925 december 2004 försäljning 133 1.033591731 137.4677 A.4.3 Procent av beräkningsberäkning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (127,13178 - 114 143,66925 - 119 137,4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metod 3 - Förra året till det här året Denna metod kopierar försäljningsdata från föregående år till nästa år. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus antal tidsperioder som anges för att utvärdera prognosprestanda (bearbetningsalternativ 19). A.6.1 Beräkning av prognos Antal perioder som ska ingå i medelvärdet (bearbetningsalternativ 4a) 3 i detta exempel För varje månad av prognosen, genomsnitt de föregående tre månaderna data. Januari prognos: 114 119 137 370, 370 3 123 333 eller 123 februari prognos: 119 137 123 379, 379 3 126 333 eller 126 mars prognos: 137 123 126 379, 386 3 128 677 eller 129 A.6.2 Simulerad prognosberäkning Oktober 2005 försäljning 140 131) 3 133 33333 Försäljning i november 2005 (140 131 114) 3 128 33333 Försäljning i december 2005 (131 114 119) 3 121 33333 A.6.3 Procent av beräkningsberäkning POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Medel Absolut Avvikelseberäkning MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metod 5 - Linjär approximation Linjär approximation beräknar en trend baserad på två försäljningshistorikdatapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Erforderlig försäljningshistorik: Antalet perioder som ska inkluderas i regression (behandlingsalternativ 5a) plus 1 plus antal tidsperioder för utvärdering av prognosprestanda (bearbetningsalternativ 19). A.8.1 Beräkning av prognos Antal perioder som ska inkluderas i regression (behandlingsalternativ 6a) 3 i det här exemplet För varje månad av prognosen, lägg till ökningen eller minskningen under de angivna perioderna före hållbarhetsperioden föregående period. Medelvärde av de föregående tre månaderna (114 119 137) 3 123.3333 Sammanfattning av de föregående tre månaderna med hänsyn till (114 1) (119 2) (137 3) 763 Skillnad mellan värdena 763 - 123 3333 (1 2 3) 23 Förhållande 12 22 32) - 2 3 14 - 12 2 Värde1 SkillnadRatio 232 11,5 Värde2 Genomsnitt - värde1 förhållande 123.3333 - 11.5 2 100.3333 Prognos (1 n) värde1 värde2 4 11.5 100.3333 146.333 eller 146 Prognos 5 11.5 100.3333 157.8333 eller 158 Prognos 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulerad prognosberäkning Oktober 2004 Försäljning: Genomsnittet för de föregående tre månaderna (129 140 131) 3 133 3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen (129 1) (140 2) (131 3) 802 Skillnad mellan värden 802 - 133.3333 (1 2 3) 2 Förhållande (12 22 32) - 2 3 14 - 12 2 Värde1 DifferenceRatio 22 1 Värde2 Genomsnitt - värde1 förhållande 133.3333 - 1 2 131.3333 Prognos (1 n) värde1 värde2 4 1 131.3333 135.3333 November 2004 försäljning Genomsnittet för de tre föregående månaderna (140 131 114) 3 128 3333 Sammanfattning av de föregående tre månaderna med hänsyn till (140 1) (131 2) (114 3) 744 Skillnad mellan värdena 744 - 128 3333 (1 2 3) -25,9999 Värde1 DiffferenceRatio -25.99992 -12.9999 Värde2 Genomsnitt - värde1-förhållande 128.3333 - (-12.9999) 2 154.3333 Prognos 4 -12.9999 154.3333 102.3333 december 2004 Försäljning Genomsnitt av de föregående tre månaderna (131 114 119) 3 121.3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen ( 131 1) (114 2) (119 3) 716 Skillnad mellan värdena 716 - 121.3333 (1 2 3) -11.9999 Värde1 SkillnadRatio -11.99992 -5.9999 Värde2 Genomsnitt - värde1 förhållande 121.3333 - (-5.9999) 2 133.3333 Prognos 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Procent av noggrannhetsberäkning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Metod 7 - Secon d Grad approximation Linjär regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra grader Approximation är liknande. Denna metod bestämmer emellertid värdena för a, b och c i prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata. Denna metod kan vara användbar när en produkt är i övergången mellan stadierna i en livscykel. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Därför är denna metod endast användbar på kort sikt. Prognosspecifikationer: Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i bearbetningsalternativet 7a, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel n 3. Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan kommer att monteras på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). Antal perioder som ska inkluderas (behandlingsalternativ 7a) 3 i detta exempel Använd de föregående (3 n) månaderna i tre månaders block: Q1 (april-juni) 125 122 137 384 Q2 (jul-september) 129 140 131 400 Q3 Okt-dec) 114 119 137 370 Nästa steg innefattar att beräkna de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX2 (1) Q1 en bX cX2 (där X1) abc (2) Q2 en bX cX2 (där X2) en 2b 4c (3) Q3 en bX cX2 (där X3) a 3b 9c Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation (1) från ekvation (2) och lösa för b (2) - (1) Q2 - Q1 b 3c Ersätt denna ekvation för b till ekvation (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Äntligen ersätt dessa ekvationer för a och b till ekvation (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: 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 januari till marsprognos (X4): (322 340 - 368) 3 2943 98 per period april till juni prognos (X5): (322 425 - 575) 3 57 333 eller 57 per period juli till september prognos (X6): (322 510 - 828) 3 1,33 eller 1 per period oktober till december (X7) 595 - 11273 -70 A.9.2 Simulerad prognosberäkning Oktober, november och december 2004 Försäljning: Q1 (jan-mar) 360 Q2 (april-juni) 384 Q3 (jul-sep) 400 a 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 Procent av beräkningsberäkning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Genomsnittlig avvikelseberäkning MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Metod 8 - Flexibel metod Den flexibla metoden (Procent över en månad före) liknar Metod 1, procent över fjolåret. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor och sedan projektet som resultat i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden lägger till förmågan att ange en annan tidsperiod än samma period förra året för att användas som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 1,15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15. Basperiod. Till exempel kommer n 3 att göra att den första prognosen baseras på försäljningsdata i oktober 2005. Minimal försäljningshistorik: Användaren specificerade antal perioder tillbaka till basperioden plus antalet tidsperioder som krävs för att utvärdera prognosprestandan ( PBF). A.10.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metod 9 - Vägt Flyttande Medeltal Den Vägda Flyttande Genomsnittsmetoden (WMA) liknar Metod 4, Flyttande medelvärde (MA). Men med det vägda rörliga genomsnittsvärdet kan du tilldela ojämna vikter till historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så det gör WMA mer mottagligt för skift i försäljningsnivån. Men prognosfel och systematiska fel uppstår fortfarande när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter snarare än för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men kommer att vara långsam för att känna igen skift i försäljningsnivån. Å andra sidan kommer ett litet värde för n (som 3) att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Den vikt som tilldelas var och en av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1,00. Till exempel, när n 3, tilldela vikter på 0,6, 0,3 och 0,1, med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metod 10 - Linjär utjämning Denna metod liknar Metod 9, Viktat rörande medelvärde (WMA). I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Såsom är sant för alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter snarare än för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Detta anges i bearbetningsalternativet 10a. Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Systemet kommer automatiskt att tilldela vikterna till historiska data som minskar linjärt och summerar till 1,00. Till exempel, när n 3, kommer systemet att tilldela vikter på 0,5, 0,3333 och 0,1, med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.12.1 Beräkningsberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (behandlingsalternativ 10a) 3 i detta exempel Förhållande för en period före 3 (n2 n) 2 3 (32 3) 2 36 0,5 Förhållande för två perioder före 2 (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Förhållande för tre perioder före 1 (n2 n) 2 1 (32 3) 2 16 0,166 .. Januari prognos: 137 0,5 119 13 114 16 127,16 eller 127 februari prognos: 127 0,5 137 13 119 16 129 Marsprognos: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulerad prognosberäkning Oktober 2004 Försäljning 129 16 140 26 131 36 133,6666 Försäljning november 2004 140 16 131 26 114 36 124 december 2004 Försäljning 131 16 114 26 119 36 119.3333 A.12.3 Procent av beräkningsberäkning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metod 11 - Exponentiell utjämning Denna metod liknar metod 10, linjär utjämning. Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt. Vid exponentiell utjämning tilldelar systemet vägar som exponentiellt sönderfall. Exponential utjämning prognos ekvation är: Prognos a (Tidigare verklig försäljning) (1-a) Föregående Prognos Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period. a är vikten på den faktiska försäljningen för föregående period. (1 - a) är vikten av prognosen för föregående period. Giltiga värden för ett intervall från 0 till 1, och vanligtvis faller mellan 0,1 och 0,4. Summan av vikterna är 1,00. a (1 - a) 1 Du bör tilldela ett värde för utjämningskonstanten, a. Om du inte tilldelar värden för utjämningskonstanten, beräknar systemet ett antaget värde baserat på antalet försäljningsperioder som anges i bearbetningsalternativet 11a. en utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Giltiga värden för ett intervall från 0 till 1. n sortimentet av försäljningshistorikdata som ingår i beräkningarna. Ett år med försäljningshistorikdata är i allmänhet tillräcklig för att uppskatta den allmänna försäljningsnivån. För detta exempel valdes ett litet värde för n (n 3) för att minska de manuella beräkningar som krävs för att verifiera resultaten. Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk datapunkt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.13.1 Prognosberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (bearbetningsalternativ 11a) 3 och alfaktor (bearbetningsalternativ 11b) tom i detta exempel en faktor för äldsta försäljningsdata 2 (11) eller 1 när alfabet specificeras en faktor för den 2: e äldsta försäljningsdata 2 (12), eller alf när alpha anges en faktor för den 3: e äldsta försäljningsdata 2 (13), eller alf när alpha anges en faktor för den senaste försäljningsdata 2 (1n) , eller alfa när alpha är specificerat november sm. Avg. a (oktober faktiskt) (1 - a) oktober sm. Avg. 1 114 0 0 114 december Sm. Avg. a (november faktiskt) (1 - a) november sm. Avg. 23 119 13 114 117.3333 januari prognos a (december faktiskt) (1 - a) december sm. Avg. 24 137 24 117.3333 127.16665 eller 127 februari Prognos januari prognos 127 mars prognos januari prognos 127 A.13.2 simulerad prognosberäkning juli 2004 sm. Avg. 22 129 129 augusti Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136 3333 133,6666 oktober 2004 försäljning sep sm. Avg. 133.6666 augusti, 2004 Sm. Avg. 22 140 140 september Sm. Avg. 23 131 13 140 134 oktober Sm. Avg. 24 114 24 134 124 november 2004 försäljning sep sm. Avg. 124 september 2004 Sm. Avg. 22 131 131 oktober Sm. Avg. 23 114 13 131 119,6666 November Sm. Avg. 24 119 24 119,6666 119,3333 december 2004 försäljning sep sm. Avg. 119.3333 A.13.3 Procent av noggrannhetsberäkning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metod 12 - Exponentiell utjämning med trend och säsonglighet Denna metod liknar metod 11, exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid också en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av en jämn genomsnittlig justering för en linjär trend. När det anges i bearbetningsalternativet justeras prognosen också för säsongsmässigt. en utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Giltiga värden för alfabetik från 0 till 1. b utjämningskonstanten som används vid beräkning av det jämnde genomsnittet för prognosens trendkomponent. Giltiga värden för betavärde från 0 till 1. Om ett säsongsindex används för prognos a och b är oberoende av varandra. De behöver inte lägga till 1,0. Minimikrav på försäljningshistoria: två år plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). Metod 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A.14.1 Prognosberäkning A) Ett exponentiellt jämnt MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Utvärdering av prognoserna Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognosmetod kommer sannolikt att skapa en något annorlunda projicering. När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut om vilka av prognoserna som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för var och en av de prognosmetoder du väljer och för varje prognos för produkterna. Du kan välja mellan två prestandakriterier, Mean Absolute Deviation (MAD) och Procent Accuracy (POA). MAD är ett mått på prognosfel. POA är ett mått på prognosförskjutning. Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Den här historiska perioden kallas en hållbarhetstid eller perioder som passar bäst (PBF). För att mäta resultatet av en prognostiseringsmetod, använd prognosformlerna för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process för varje metod. Flera prognoser beräknas för hållbarhetsperioden och jämförs med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen (bästa passformen) mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning i dina planer. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. A.16 Mean Absolute Deviation (MAD) MAD är medelvärdet (eller genomsnittet) av de absoluta värdena (eller storleken) av avvikelserna (eller fel) mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas, med en prognosmetod och datahistorik. Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel. När man jämför flera prognosmetoder har den med den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den perioden som hålls kvar. När prognosen är opartisk och fel distribueras normalt finns det ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och medelkvadratfel: A.16.1 Procent av noggrannhet (POA) Procent av noggrannhet (POA) ett mått på prognosförskjutning. När prognoserna är konsekventa för höga ackumuleras lager och lagerkostnader ökar. När prognoserna är konsekvent två låga förbrukas lager och kundservice minskar. En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbryts med negativa fel på 8 och 2. Fel Aktuell - Prognos När en produkt kan lagras i lager, och när prognosen är opartisk, kan en liten mängd säkerhetslager användas för att buffra felet. I den här situationen är det inte så viktigt att eliminera prognosfel eftersom det är att skapa objektiva prognoser. Men inom serviceindustrin skulle ovanstående situation ses som tre fel. Tjänsten skulle vara underbemannad under den första perioden, sedan överbemannade för de kommande två perioderna. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som är prognostiserad bias. Sammanfattningen över hållbarhetsperioden tillåter positiva fel att avbryta negativa fel. När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 exakt. När en prognos är opartisk blir POA-förhållandet 100. Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriteriet väljer prognosmetoden som har ett POA-förhållande närmast 100. Skripting på den här sidan förbättrar innehållsnavigering, men ändrar inte innehållet på något sätt. Question. 1. (TCO 5) Använda ett fyraårigt glidande medelvärde föreca. 1. (TCO 5) Med hjälp av ett fyraårigt glidande medelvärde beräknas beloppet för år 10. Veckoprövning 1 79 2 90 3 59 4 91 5 140 6 98 7 110 8 123 9 99 (Poäng 10) År 10 122.87 År 10 107,5 År 10 110,67 År 10 115,87 2. (TCO 5) Favoriter Distributionsföretag köper små importerade prydnadsföremål i bulk, förpackar dem och säljer dem till butiker. I februari förutspådde företaget att de skulle sälja 10.000 prydnadsföremål. Deras försäljning för februari var 9000 prydnadsföremål. Med en utjämningskonstant med en alfa på 0,3 vill försäljningschefen prognostisera marsförsäljning med exponentiell utjämning. (Poäng 10) 9.700 prickar 9.800 prickar 9.500 prickar 10.200 pricketter 3. (TCO 8) ABC Motors, Inc. vill öka kapaciteten genom att lägga till en annan hjulbalans. Den fasta kostnaden för en maskin är 6.400, och den rörliga kostnaden är 3,50 per enhet. ABC laddar 7,50 för att balansera ett hjul. Vad är jämnpunkten i enheter (punkter 10) 250 hjul 1600 hjul 3000 hjul 3429 4. (TCO 9) En fullservice restaurang överväger att öppna en ny anläggning i en viss stad. Tabellen nedan visar sina betyg av fyra faktorer på var och en av två potentiella webbplatser. Faktor Vikt Vind Stad Statslinje Räkning av lokalbefolkningen .40 30 30 Trafikflöde .20 50 20 Tillgänglighet av parkering .10 30 40 Tillväxtpotential .30 20 20 Med hjälp av fabriksbedömningsmetoden är poängen för Wind City och poängen för State Line är . (Punkt 10) Vindstad 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-fabriken producerar 600 cypressförpackningar i två åtta timmars skift . Användningen av ny teknik har gjort det möjligt för dem att öka produktiviteten med 30. Produktiviteten är nu ungefär. (Poäng 10) 32.5 boxeshr 40.6 boxeshr 48.75 boxeshr 81.25 boxeshr 300 boxeshr 6. (TCO 8) Ett bageri har en designkapacitet för att baka 200 bröd bröd om dagen. På grund av det planerade underhållet av deras utrustning, känns ledningen att de kan baka 150 bröd om dagen. Igår var gasen avstängd medan staden reparerade en läcka och endast 10 bröd där det var bakat. Vad är effekten av ugnarna igår (poäng 10) 5 6,66 10 20 1. (TCO 7) De specifika komponenterna som inmatas i det tredje huset i kvalitetshuset uppfylls av. (Punkt 5) Kvalitetsplanens kundkrav Designegenskaper Ingen av ovanstående 2. (TCO 7) Vilket av följande är felaktigt beträffande datorstödd design (punkt 5). Det är effektivt att använda vid de flesta tillverknings - och designinställningar. Det är en effektiv teknik och i betydande användning. Det resulterar i kortare utvecklingscykler för praktiskt taget alla produkter. Det är användningen av datorer att interaktivt utforma produkter och förbereda ingenjörsdokumentation. Det är långsammare att designa en produkt utan att använda CAD. 3. (TCO 7) I vilket stadium av produktens livscykel bör produktstrategin fokusera på processändringar (Punkter 5). Implementation Growth Maturity Decline Inget av ovanstående 4. (TCO 7) Prognoser klassificeras vanligtvis efter tidshorisont i tre kategorier :. (Punkter 5) kortfristiga, medelstora och långfristiga finansiella redovisning, marknadsföring och verksamhet strategisk, taktisk och operationell exponentiell utjämning, regression och tidsserie avdelnings-, organisations - och industri 5. (TCO 8) Fyra typer av processstrategier är. (Punkter 5) Varor, tjänster, automatiserad och hybrids manuellt, automatiserat, dator och serviceprocess fokus, repetitivt fokus, massanpassning och produktfokus modulärt, kontinuerligt, diskret och tekniskt 6. (TCO 8) Vilket av Följande kostnader skulle uppkomma även om inga enheter produceras (poäng 5) Råmaterialkostnader Direkta arbetskostnader Transportkostnader Bygga uthyreskostnader Inköpskostnader 7. (TCO 8) Ett system som använder en automatiserad arbetscell styrd av elektroniska signaler från en gemensam centraliserad datoranläggning heter a (n). (Punkt 5) adaptiv styrsystem robotteknik flexibelt tillverkningssystem automatiserat fordon (AGV) systemtillverkningscell 8. (TCO 8) Vilken av följande transformationer har i allmänhet det lägsta anläggningsutnyttjandet (punkterna 5) Processfokuserad process Repetitiv processprodukt - fokuserad process Kontinuerlig process 9. (TCO 1) Walter Shewhart är listad bland de viktiga personerna i operationshantering på grund av hans bidrag till. (Punkt 5) statistisk statistisk provtagningskvalitetskontroll Alla ovanstående 10. (TCO 1) Operations Management är tillämplig. (Punkter 5) mestadels till tjänstesektorn uteslutande till tjänster som uteslutande huvudsakligen till tillverkningssektorn till tillverknings - och tjänstesektorerna till tillverkningssektorn. 11. (TCO 2) Det grundläggande syftet med förekomsten av någon organisation beskrivs av dess. (Punkt 5) taktik visionspolitik SWOT-analys Ingen av de ovannämnda 12. (TCO 2) Vilket av följande är inte en verksamhetsstrategi (Punkt 5). Respons Låg kostnadsledning Differentiering Alla ovanstående är verksamhetsstrategier. Inget av ovanstående är verksamhetsstrategier. 13. (TCO 2) Vilka är orsakerna till ett företag för att internationalisera verksamheten (Punkt 5). Öka kostnaderna Förbättra leveranskedjan Ge mindre varor och tjänster. Förstå varulagret Alla ovannämnda 14. (TCO 3) Godtagandeprovtagning. (Punkt 5) är tillämpningen av statistiska tekniker för att acceptera eller avvisa mycket material baserat på provtagning som utvecklats av Frederick Taylor används för att avgöra om man accepterar eller avvisar mycket material baserat på kostnadsbedömning skiljer det naturliga och Tilldelningsbara orsaker till variation 15. (TCO 3) En processfokuserad process används vanligtvis för att producera. (Punkt 5) högvolym, högvariabel produkt med låg volym, högvarviga produkter med hög volym, lågvariga produkter med låg mångfald på antingen hög eller låg volym 1. (TCO 3) Vilken av Följande finns vanligen i de flesta JIT-miljöer (Punkter 5). Höga mängder avfall i form av tid och produktionsavfall. En stor variation. Lagerförminskning Trycksystem 2. (TCO 3) Total kvalitetshantering betonar. (Punkt 5) ansvaret för kvalitetskontrollpersonal att identifiera och lösa alla kvalitetsrelaterade problem ett engagemang för kvalitet som går utöver intern företagsfrågor till leverantörer och kunder ett system där starka chefer är de enda beslutsfattarna en process där mestadels statistiker bli involverad i ISO 14000-certifiering 3. (TCO 6) En konstruktionsritning. (Punkter 5) Gruppdelarna i familjer visar grafiskt hur produkten monteras. Listar verksamheten, inklusive montering och inspektion, som är nödvändig för att producera komponenten med materialet som anges i materialräkningen, ger detaljerade instruktioner om hur man utför en viss uppgift dimensioner, toleranser, material och färdigheter av en komponent 4. (TCO 6) Vilket av följande termer avser användningen av specialiserade dataprogram för att styra och styra tillverkningsutrustning (punkt 5) CAD - Datorstödd design CAM - Dator Aided Manufacturing CAM - Datorstödda Moduler Modular Design 5. (TCO 6) Den produktdesignteknik som kan produceras till krav även vid ogynnsamma förhållanden i produktionsprocessen är (punkter 5) CAD Design CAM Design Robust Design Modular Design 6. ( TCO 10) Syftet med en personalstrategi är att. (Punkt 5) producera efterfrågesprognosen till lägsta arbetskraftskostnadskombinationen sysselsättningsnivåer med efterfrågan uppnå en rimlig arbetslivskvalitet till låg kostnad hantera arbets - och designjobb så att människor utnyttjas effektivt och effektivt 7. (TCO 10) Den visuella arbetsplatsen inkluderar . (Punkter 5) målade symboler för att indikera rätt plats för verktyg och utrustning märkning av delar, lager och verktyg för att minska sopkanbans, visuella signaler och statistisk processkontroll (SPC) kartlägger färgkodade lampor och tecken för att indikera att där är ett problem Alla ovanstående 8. (TCO 11) I beslutet om köp eller köp är en av anledningarna till att köpa. (Punkt 5) för att säkerställa tillräcklig försörjning lägre anskaffningskostnad för att erhålla önskad kvalitet för att avlägsna leverantörssamverkan 9. (TCO 11) Vilket av följande är en fördel med drop shipping (punkt 5). Minskningstid Minskning i fraktkostnader Bättre kvalitet av produkten Minskad krympning Alla ovannämnda 10. (TCO 11) Det främsta målet med supply chain-strategin är. (Punkt 5) att bygga en leverantörskedja som fokuserar på att maximera värdet till den ultimata kunden för att välja leverantörer främst på svar eller differentiering för att minska produktionen ledtid ökar antalet leverantörer Ingen av ovanstående 11. (TCO 11) De tre klassiska typer av förhandlingsstrategier är. (Poäng 5) leverantörsutvärdering, leverantörsutveckling och leverantörsval Teori X, teori Y och teori Z många leverantörer, få leverantörer och keiretsu kostnadsbaserad prismodell, tillverkningsbaserad prismodell och konkurrenskraftig budgivning Ingen av ovanstående 12. (TCO 12) Kortsiktiga scheman utarbetas. (Punkter 5) direkt från aggregatplanerna direkt från huvudschemat från lagerförteckningar för poster som har utnyttjats från huvudscheman som härrör från kortsiktiga planer från inköpsplanerna 13. (TCO 12) Sammanlagt planering är kapacitetsplanering för . (Punkter 5) det långa intervallet det närmaste intervallet kortintervallet typiskt tre till 18 månader, typiskt ett eller flera år 14. (TCO 13) Processen som innebär reparation i en nödsituation eller prioritet kallas (punkter 5). underhållsbrott vid underhållsbrott underhåll förebyggande underhåll prioriterat underhåll 15. (TCO 13) Sannolikheten att en produkt ska fungera korrekt under en angiven tid under angivna förhållanden är. (Punkter 5) funktionalitet underhåll hållbarhet tillförlitlighet för användning Expert Svar
No comments:
Post a Comment