Używanie cztery lata ruchoma średnia prognoza kwota za rok 10

Pomoc w zadaniach domowych na temat strategii operacyjnej. 1. (TCO 5) Jaka jest prognoza na maj, na podstawie ważonej średniej kroczącej zastosowanej do następujących danych dotyczących popytu z przeszłości i przy użyciu wag 4, 3, 2 (największa waga dotyczy najnowszych danych) listopad. Luty 37 kwietnia 37 36 40 42 47 43 (Punkty: 6) 42,5. pokaż więcej 1. (TCO 5) Jaka jest prognoza na maj, na podstawie ważonej średniej kroczącej zastosowanej do następujących danych dotyczących popytu z przeszłości i przy użyciu wag 4, 3, 2 (największa waga dotyczy najnowszych danych) 2 listopada . (TCO 5) Dział Jim039s w lokalnym sklepie handlowym śledzi sprzedaż produktu w ciągu ostatnich dziesięciu tygodni wygładzania wykładniczego z alfa 0,4. W styczniu prognozował 150 000 sprzedaży i osiągnął 155 000 sprzedaży. Korzystając z tego samego modelu prognostycznego, oszacuj sprzedaż Jims w lutym. (Punkty: 6) 152 000 155 000 157 000 305 000 3. (TCO 5) Stosując trzyletnią średnią ruchomą prognozę na rok 10. Rok 99 (Punkty: 7) Rok 10 122.87 Rok 10 99.98 Rok 10 110.67 Rok 10 115.87Rozdział 11 - Prognozy dotyczące zarządzania popytem na żądanie 1. Perfekcyjna prognoza jest praktycznie niemożliwa 2. Zamiast szukać idealnej prognozy, znacznie ważniejsze jest ustalenie praktyki ciągłego przeglądu prognozy i uczenia się, jak żyć z niedokładną prognozą. 3. Podczas prognozowania Dobra strategia polega na użyciu 2 lub 3 metod i spojrzeniu na zdrowy rozsądek. 2. Podstawowe źródła popytu 1. Zależny popyt - popyt na produkty lub usługi spowodowany zapotrzebowaniem na inne produkty lub usługi. Niewiele firma może zrobić, musi to być spełnione. 2. Zapotrzebowanie niezależne - popyt, który nie może bezpośrednio wynikać z popytu na inne produkty. Firma może: a) brać czynny udział w wywieraniu wpływu na popyt - wywierać nacisk na dział sprzedaży; b) Biernie spełniać rolę popytu - jeśli firma działa na pełnych obrotach, może nie chcieć robić nic na temat popytu. Inne powody są konkurencyjne, prawne, środowiskowe, etyczne i moralne. Spróbuj przewidzieć przyszłość na podstawie przeszłych danych. 1. Krótkoterminowe - poniżej 3 miesięcy - decyzje taktyczne, takie jak uzupełnianie zapasów lub planowanie EE w najbliższym czasie. 2. Średniookresowy - 3 M-2Y - przechwytywanie efektów sezonowych, takich jak klienci, reagują na nowy produkt 3. Długoterminowe - więcej niż 2 lata. Aby zidentyfikować główne punkty zwrotne i wykryć ogólne trendy. Regresja liniowa jest szczególnym rodzajem regresji, w której relacje między zmiennymi tworzą linię prostą Y abX. Y - zmienna zależna a - Punkt przecięcia Y b - nachylenie X - zmienna niezależna Służy do długoterminowego prognozowania poważnych zdarzeń i planowania zagregowanego. Jest używany zarówno do prognozowania szeregów czasowych, jak i prognozowania relacji dorywczych. Jest najczęściej używaną techniką prognozowania. Najnowsze wydarzenia są bardziej wskazujące na przyszłość (najwyższą przewidywalną wartość) niż te w bardziej odległej przeszłości. Powinniśmy nadać większą wagę rudom ostatnich czasów podczas prognozowania. Każdy przyrost w przeszłości zmniejsza się o (1-alpha). Im wyższa wartość alpha, tym dokładniejsza jest prognoza. Najnowsze ważenie alfa (1-alfa) na 0 Dane jeden okres starszy alfa (1-alfa) na 1 Dane dwa okresy starsze alfa (1-alfa) na 2 Która z poniższych metod prognozowania jest bardzo zależna od wyboru właściwe osoby, które będą słusznie wykorzystywać do generowania prognozy Wartość musi zawierać się między 0 a 1 1. 2 lub więcej z góry określonych wartości Alfa - w zależności od stopnia błędu używane są różne wartości Alfa. Jeśli błąd jest duży, Alpha wynosi 0,8, jeśli błąd jest mały, Alpha wynosi 0,2 2. Obliczone wartości Alfa - wykładnik wyrównywany wykładniczo, podzielony przez wykładniczy błąd bezwładności. Jakościowe techniki prognozowania Znajomość ekspertów i wymagająca dużej oceny (nowe produkty lub regiony) 1. Badanie rynku - poszukiwanie nowych produktów i pomysłów, upodobań i antypatii dotyczących istniejących produktów. Przede wszystkim ANALIZA PRZEDMIOTÓW ROZMOWY 2. Konsensus panelowy - idea, że ​​2 głowy to nie jedna. Panel osób z różnych stanowisk może opracować bardziej wiarygodną prognozę niż węższa grupa. Problem polega na tym, że niższe poziomy EE są zastraszane przez wyższe poziomy zarządzania. Zastosowano ocenę wykonawczą (dotyczy to wyższego poziomu zarządzania). 3. Historyczna analogia - firma, która produkuje już tostery i chce produkować dzbanki do kawy, mogłaby wykorzystać historię tostera jako prawdopodobny model wzrostu. 4. Metoda Delphi - bardzo zależna od wyboru właściwych osób, które będą słusznie użyte do faktycznego wygenerowania prognozy. Każdy ma taką samą wagę (więcej uczciwości). Satysfakcjonujące wyniki są zwykle osiągane w 3 rundach. CEL - Wspólne planowanie, prognozowanie i uzupełnianie zapasów (CPFR) Wymiana wybranych informacji wewnętrznych na współużytkowanym serwerze sieci Web w celu zapewnienia wiarygodnych, długoterminowych przyszłych wyświetleń popytu w łańcuchu dostaw. Przykłady prognozowania A.1 Prognoza obliczeniowa Metody Dostępne jest dwanaście metod obliczania prognoz. Większość tych metod zapewnia ograniczoną kontrolę użytkownika. Na przykład można podać wagę umieszczoną na ostatnich danych historycznych lub zakres dat danych historycznych używanych w obliczeniach. Poniższe przykłady pokazują procedurę obliczania dla każdej z dostępnych metod prognozowania, biorąc pod uwagę identyczny zestaw danych historycznych. Poniższe przykłady wykorzystują te same dane dotyczące sprzedaży z 2004 i 2005 roku, aby uzyskać prognozę sprzedaży z 2006 roku. Oprócz obliczeń prognostycznych, każdy przykład zawiera symulowaną prognozę na 2005 dla trzymiesięcznego okresu wstrzymania (opcja przetwarzania 19 3), która jest następnie używana dla procentu dokładności i średnich obliczeń bezwzględnych odchyleń (faktyczna sprzedaż w porównaniu z symulowaną prognozą). A.2 Kryteria oceny wyników prognoz W zależności od wyboru opcji przetwarzania oraz trendów i wzorców istniejących w danych sprzedaży niektóre metody prognozowania będą działać lepiej niż inne dla danego zestawu danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może nie być odpowiednia dla innego produktu. Jest również mało prawdopodobne, aby metoda prognozowania, która zapewnia dobre wyniki na jednym etapie cyklu życia produktu, pozostanie odpowiednia w całym cyklu życia. Możesz wybrać jedną z dwóch metod oceny obecnej wydajności metod prognozowania. Są to średnie bezwzględne odchylenie (MAD) i procent dokładności (POA). Obie te metody oceny wydajności wymagają historycznych danych sprzedaży dla określonego przez użytkownika okresu. Ten okres czasu nazywany jest okresem wstrzymania lub najlepiej dopasowanym okresem (PBF). Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, które z metod prognozowania mają zostać użyte do wykonania kolejnej prognozy prognozy. To zalecenie dotyczy każdego produktu i może się zmieniać z jednej generacji generowania prognozy na drugą. Obie metody prognozowania wydajności przedstawiono na stronach następujących po przykładach dwunastu metod prognozowania. A.3 Metoda 1 - Określony procent w ciągu ostatniego roku Ta metoda zwielokrotnia dane dotyczące sprzedaży z poprzedniego roku o czynnik określony przez użytkownika, na przykład 1,10 dla wzrostu o 10 lub 0,97 dla zmniejszenia o 3. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus określona przez użytkownika liczba okresów dla oceny wydajności prognozy (opcja przetwarzania 19). A.4.1 Obliczanie prognozy Zakres historii sprzedaży do wykorzystania w obliczaniu współczynnika wzrostu (opcja przetwarzania 2a) 3 w tym przykładzie. Suma ostatnich trzech miesięcy 2005 r .: 114 119 137 370 Suma tych samych trzech miesięcy za rok poprzedni: 123 139 133 395 Obliczony współczynnik 370395 0,9367 Oblicz prognozy: styczeń, 2005 sprzedaż 128 0,9367 119,8036 lub około 120 lutego, sprzedaż 2005 117 0,9367 109,5939 lub około 110 marca, 2005 sprzedaż 115 0,9367 107,7205 lub około 108 A.4.2 Symulowane prognozy Prognoza Sumowanie trzech miesięcy 2005 roku przed okresem wstrzymania (lipiec, sierpień, wrzesień): 129 140 131 400 Suma tych samych trzech miesięcy dla poprzedni rok: 141 128 118 387 Obliczony współczynnik 400387 1,033591731 Oblicz symulowaną prognozę: październik 2004 sprzedaż 123 1,033591731 123,13178 listopad 2004 sprzedaż 139 1,033591731 143,66925 grudzień 2004 sprzedaż 133 1,033591731 137,4677 A.4.3 Procent dokładności obliczenia POA (127,13178 143,66925 137,4677) (114 119 137) 100 408 266873 370 100 110.3429 A.4.4 Średnie bezwzględne odchylenie Obliczenie MAD (127,13178 - 114 143,66925 - 119 13,4677- 137) 3 (13.13178 24,66925 0,4677) 3 12,75624 A.5 Metoda 3 - Ostatni rok w tym roku Ta metoda kopiuje dane dotyczące sprzedaży z poprzedniego roku do następnego roku. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów określonych dla oceny wydajności prognozy (opcja przetwarzania 19). A.6.1 Obliczanie prognozy Liczba okresów, które należy uwzględnić w średniej (opcja przetwarzania 4a) 3 w tym przykładzie Dla każdego miesiąca prognozy, należy uśrednić dane z poprzednich trzech miesięcy. Styczniowa prognoza: 114 119 137 370, 370 3 123.333 lub 123 lutego prognoza: 119 137 123 379, 379 3 126,333 lub 126 marca prognoza: 137 123 126 379, 386 3 128 667 lub 129 A.6.2 Symulowana prognoza Obliczanie sprzedaży w październiku 2005 r. (129 140 131) 3 133.3333 listopad 2005 sprzedaż (140 131 114) 3 128.3333 grudzień 2005 sprzedaż (131 114 119) 3 121.3333 A.6.3 Procent dokładności Obliczanie POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Średni bezwzględny Obliczanie odchyleń MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metoda 5 - Aproksymacja liniowa Przybliżenie liniowe oblicza trend na podstawie dwóch punktów danych historii sprzedaży. Te dwa punkty definiują prostą linię trendu rzutowaną w przyszłość. Tej metody należy używać ostrożnie, ponieważ prognozy dotyczące dalekiego zasięgu są wykorzystywane przez niewielkie zmiany w zaledwie dwóch punktach danych. Wymagana historia sprzedaży: liczba okresów uwzględnianych w regresji (opcja przetwarzania 5a) plus 1 plus liczba okresów czasu dla oceny wydajności prognozy (opcja przetwarzania 19). A.8.1 Obliczanie prognozy Liczba okresów do uwzględnienia w regresji (opcja przetwarzania 6a) 3 w tym przykładzie Dla każdego miesiąca prognozy dodaj wzrost lub spadek w określonych okresach przed okresem wstrzymania poprzedniego okresu. Średnia z poprzednich trzech miesięcy (114 119 137) 3 123.3333 Podsumowanie poprzednich trzech miesięcy z uwzględnieniem wagi (114 1) (119 2) (137 3) 763 Różnica między wartościami 763 - 123.3333 (1 2 3) 23 Współczynnik ( 12 22 32) - 2 3 14 - 12 2 Wartość 1 RóżnicaRóżno 232 11,5 Wartość 2 Średnia - wartość1 współczynnik 123.3333 - 11.5 2 100.3333 Prognoza (1 n) wartość1 wartość2 4 11,5 100,3333 146,333 lub 146 Prognoza 5 11,5 100,3333 157,8333 lub 158 Prognoza 6 11,5 100,3333 169 3333 lub 169 A.8.2 Symulowana prognoza obliczeń Sprzedaż w październiku 2004: Średnia z poprzednich trzech miesięcy (129 140 131) 3 133.3333 Podsumowanie poprzednich trzech miesięcy z uwzględnieniem wagi (129 1) (140 2) (131 3) 802 Różnica między wartości 802 - 133.3333 (1 2 3) 2 Współczynnik (12 22 32) - 2 3 14 - 12 2 Wartość 1 Różnica Ocena 22 1 Wartość 2 Średnia - stosunek wartości1 133.3333 - 1 2 131.3333 Prognoza (1 n) wartość1 wartość2 4 1 131 333 135.3333 listopad 2004 obroty Średnia z poprzednich trzech miesięcy (140 131 114) 3 128.3333 Podsumowanie poprzednich trzech miesięcy z uwzględnieniem wagi (140 1) (131 2) (114 3) 744 Różnica między wartościami 744 - 128.3333 (1 2 3)-25,9999 Wartość 1 DifferenceRatio -25.99992 -12.9999 Value2 Average - value1 ratio 128.3333 - (-12.9999) 2 154.3333 Prognoza 4 -12.9999 154.3333 102.3333 Grudzień 2004 sprzedaż Średnia z poprzednich trzech miesięcy (131 114 119) 3 121.3333 Podsumowanie poprzednich trzech miesięcy z uwzględnieniem wagi ( 131 1) (114 2) (119 3) 716 Różnica między wartościami 716 - 121.3333 (1 2 3) -11.9999 Wartość 1 Różnica Średnia -11.99992 -5.9999 Średnia wartość2 - wartość1 stosunek 121.3333 - (-5.9999) 2 133.3333 Prognoza 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Procent dokładności Obliczanie POA (135,33 102,23 109,33) (114 119 137) 100 93,78 A.8.4 Średnie bezwzględne odchylenie Obliczenie MAD (135,33 - 114 102,23 - 119 109,93 - 137) 3 21,88 A.9 Metoda 7 - Secon d Stopień aproksymacji Regresja liniowa określa wartości a i b we wzorze prognozy Y a bX w celu dopasowania linii prostej do danych historii sprzedaży. Przybliżenie drugiego stopnia jest podobne. Jednak ta metoda określa wartości a, b i cw formule prognozy Y a bX cX2 w celu dopasowania krzywej do danych historii sprzedaży. Ta metoda może być przydatna, gdy produkt przechodzi przez etapy cyklu życia. Na przykład, gdy nowy produkt przechodzi od etapu wprowadzenia do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Ze względu na termin drugiego rzędu prognoza może szybko zbliżyć się do nieskończoności lub spaść do zera (w zależności od tego, czy współczynnik c jest dodatni czy ujemny). Dlatego ta metoda jest przydatna tylko w krótkim okresie. Specyfikacja prognozy: formuły znajdują a, b i c, aby dopasować krzywą do dokładnie trzech punktów. Określasz n w opcji przetwarzania 7a, liczbę okresów czasu gromadzenia danych w każdym z trzech punktów. W tym przykładzie n 3. W związku z tym faktyczne dane dotyczące sprzedaży za okres od kwietnia do czerwca zostają połączone w pierwszy punkt, I kwartał. Od lipca do września są dodawane razem, aby utworzyć Q2, a od października do grudnia suma do Q3. Krzywa zostanie dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży: 3 n okresów do obliczenia prognozy plus liczba okresów wymaganych do oceny prognozy wyników (PBF). Liczba okresów do uwzględnienia (opcja przetwarzania 7a) 3 w tym przykładzie Użyj poprzednich (3 n) miesięcy w blokach trzymiesięcznych: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Październik - grudzień) 114 119 137 370 Następny krok polega na obliczeniu trzech współczynników a, b i c, które będą użyte w formule prognozowania Y a bX cX2 (1) Q1 a bX cX2 (gdzie X 1) abc (2) Q2 a bX cX2 (gdzie X 2) a 2b 4c (3) Q3 a bX cX2 (gdzie X 3) a 3b 9c Rozwiąż te trzy równania jednocześnie, aby znaleźć b, a i c: Odejmij równanie (1) od równania (2) i rozwiń dla b (2) - (1) Q2 - Q1 b 3c Zamień to równanie na b na równanie (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Na koniec, zamień te równania na a i b na równanie (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Metoda drugiego stopnia aproksymacji oblicza a, b, c w następujący sposób: a 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 od stycznia do marca Prognoza (X4): (322 340 - 368) 3 2943 98 w okresie od kwietnia do czerwcowej prognozy (X5): (322 425-575) 3 57,333 lub 57 w okresie od lipca do wrześniowej prognozy (X6): (322 510 - 828) 3 1,33 lub 1 w okresie od października do grudnia (X7) (322 595 - 11273 -70 A.9.2 Symulowane prognozy prognozy październik, listopad i grudzień, 2004 sprzedaż: I kwartał (styczeń - marzec) 360 Q2 (kwiecień - czerwiec) 384 Q3 (lipiec - wrzesień) 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 dokładności obliczenia POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Średnie odchylenie absolutne Obliczenie MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Metoda 8 - metoda elastyczna Metoda elastyczna (procent powyżej n miesięcy wcześniej) jest podobna do metody 1, procent w ciągu ostatniego roku. Obie metody zwielokrotniają dane sprzedaży z poprzedniego okresu o czynnik określony przez użytkownika, a następnie rzutują ten wynik w przyszłość. W metodzie Procent ponad ostatnim rokiem projekcja oparta jest na danych z tego samego okresu w roku poprzednim. Metoda elastyczna dodaje możliwość określenia okresu innego niż ten sam okres w ubiegłym roku, aby zastosować ją jako podstawę do obliczeń. Współczynnik mnożenia. Na przykład określ 1,15 w opcji przetwarzania 8b, aby zwiększyć poprzednie dane historii sprzedaży o 15. Okres bazowy. Na przykład n 3 spowoduje, że pierwsza prognoza będzie oparta na danych sprzedaży w październiku 2005 r. Minimalna historia sprzedaży: określona przez użytkownika liczba okresów wstecz do okresu bazowego oraz liczba okresów wymaganych do oceny prognozy wydajności ( PBF). A.10.4 Średnie odchylenie bezwzględne Odchylenie MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metoda 9 - Średnia ważona ruchoma Metoda ważonej średniej ruchomej (WMA) jest podobna do metody 4, średnia ruchoma (MA). Jednak w przypadku ważonej średniej ruchomej można przypisać nierówne wagi do danych historycznych. Metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Nowszym danym zwykle przypisuje się większą wagę niż starsze dane, dzięki czemu WMA jest bardziej wrażliwa na zmiany poziomu sprzedaży. Jednak uprzedzenia prognoz i błędy systematyczne nadal występują, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dojrzałych produktów niż produktów na etapie wzrostu lub starzenia się w cyklu życia. n liczba okresów historii sprzedaży do wykorzystania w obliczeniach prognostycznych. Na przykład, określ n 3 w opcji przetwarzania 9a, aby użyć ostatnich trzech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Powoduje to stabilną prognozę, ale będzie wolno rozpoznawać zmiany w poziomie sprzedaży. Z drugiej strony niewielka wartość n (na przykład 3) szybciej zareaguje na zmiany poziomu sprzedaży, ale prognozy mogą się tak bardzo wahać, że produkcja nie może reagować na zmiany. Waga przypisana do każdego z okresów danych historycznych. Przypisane wagi muszą wynosić 1,00. Na przykład, gdy n 3, przypisz wagi 0,6, 0,3 i 0,1, a najnowsze dane otrzymają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy wyników (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metoda 10 - Wygładzanie liniowe Ta metoda jest podobna do metody 9, ważona średnia ruchoma (WMA). Jednak zamiast arbitralnie przypisywać wagi do danych historycznych, stosuje się formułę, aby przypisać wagi, które zmniejszają się liniowo i sumują się do 1,00. Następnie metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Podobnie jak w przypadku wszystkich technik prognozowania średniej ruchomej liniowej, odchylenie prognozy i błędy systematyczne występują, gdy historia sprzedaży produktu wykazuje silny trend lub wzorce sezonowe. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dojrzałych produktów niż produktów na etapie wzrostu lub starzenia się w cyklu życia. n liczba okresów historii sprzedaży do wykorzystania w obliczeniach prognostycznych. Jest to określone w opcji przetwarzania 10a. Na przykład, podaj n 3 w opcji przetwarzania 10b, aby użyć ostatnich trzech okresów jako podstawy dla projekcji do następnego okresu czasu. System automatycznie przydzieli wagę do danych historycznych, które zmniejszają się liniowo i sumują się do 1,00. Na przykład, gdy n 3, system przydzieli wagi o wartości 0,5, 0,3333 i 0,1, przy czym najnowsze dane odbierają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy wyników (PBF). A.12.1 Obliczanie prognozy Liczba okresów do uwzględnienia w średniej wygładzania (opcja przetwarzania 10a) 3 w tym przykładzie Współczynnik dla jednego okresu przed 3 (n2 n) 2 3 (32 3) 2 36 0,5 Współczynnik dla dwóch okresów przed 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Stosunek dla trzech okresów przed 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Stycznia prognoza: 137 0.5 119 13 114 16 127.16 lub 127 lutego prognoza: 127 0.5 137 13 119 16 129 Prognoza marcowa: 129 0,5 127 13 137 16 129.666 lub 130 A.12.2 Obliczona symulacja Prognoza sprzedaży w październiku 2004 129 16 140 26 131 36 133,6666 listopad 2004 sprzedaż 140 16 131 26 114 36 124 grudzień 2004 sprzedaż 131 16 114 26 119 36 119.3333 A.12.3 Procent dokładności Obliczanie POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Średnie bezwzględne odchylenie Obliczenie MAD (133,6666 - 114 124 - 119 119 33333 - 137) 3 14.1111 A.13 Metoda 11 - Wygładzanie wykładnicze Ta metoda jest podobna do Metody 10, Wygładzanie liniowe. W liniowym wygładzaniu system przypisuje wagi do danych historycznych, które zmniejszają się liniowo. W wygładzaniu wykładniczym system przypisuje wagi, które rozkładają się wykładniczo. Równanie prognozowania wygładzania wykładniczego jest następujące: Prognoza a (poprzednia faktyczna sprzedaż) (1 - a) Poprzednia prognoza Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu i prognozę z poprzedniego okresu. a jest wagą stosowaną do rzeczywistej sprzedaży za poprzedni okres. (1 - a) to waga zastosowana do prognozy dla poprzedniego okresu. Poprawne wartości dla zakresu od 0 do 1 i zwykle mieszczą się w zakresie od 0,1 do 0,4. Suma wag wynosi 1,00. a (1 - a) 1 Należy przypisać wartość stałej wygładzania, a. Jeśli nie przypiszesz wartości stałej wygładzania, system oblicza założoną wartość na podstawie liczby okresów historii sprzedaży określonych w opcji przetwarzania 11a. stała wygładzania używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Poprawne wartości dla zakresu od 0 do 1. n zakres danych historii sprzedaży do uwzględnienia w obliczeniach. Zasadniczo dane rocznej historii sprzedaży wystarczają do oszacowania ogólnego poziomu sprzedaży. W tym przykładzie wybrano małą wartość n (n 3) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Wygładzanie wykładnicze może generować prognozę na podstawie zaledwie jednego historycznego punktu danych. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy wyników (PBF). A.13.1 Obliczanie prognozy Liczba okresów obejmujących średnią wygładzającą (opcja przetwarzania 11a) 3 i współczynnik alfa (opcja przetwarzania 11b) puste w tym przykładzie współczynnik dla najstarszych danych sprzedaży 2 (11) lub 1, gdy określono alfa czynnik dla 2. najstarszych danych dotyczących sprzedaży 2 (12) lub alfa, gdy alfa jest określony jako czynnik dla 3. najstarszych danych dotyczących sprzedaży 2 (13) lub alfa, gdy alfa jest określony jako czynnik dla najnowszych danych dotyczących sprzedaży 2 (1n) , lub alfa, gdy alfa jest określone w listopadzie Sm. Śr. a (październik bieżący) (1 - a) październik Sm. Śr. 1 114 0 0 114 grudnia Sm. Śr. a (listopad bieżący) (1 - a) listopad Sm. Śr. 23 119 13 114 117.3333 styczeń Prognoza a (grudzień bieżący) (1 - a) grudzień Sm. Śr. 24 137 24 117.3333 127.16665 lub 127 lutego Prognoza Prognoza styczniowa 127 Prognoza marcowa Prognoza Styczeń 127 A.13.2 Symulowana Prognoza Prognoza Lipiec, 2004 Sm. Śr. 22 129 129 August Sm. Śr. 23 140 13 129 136.3333 Wrzesień Sm. Śr. 24 131 24 136.3333 133.6666 październik, 2004 sprzedaż wrzesień Sm. Śr. 133.6666 Sierpień, 2004 Sm. Śr. 22 140 140 Wrzesień Sm. Śr. 23 131 13 140 134 Październik Sm. Śr. 24 114 24 134 124 Listopad, 2004 sprzedaż Sep Sm. Śr. 124 września 2004 Sm. Śr. 22 131 131 październik Sm. Śr. 23 114 13 131 119.6666 Listopad Sm. Śr. 24 119 24 119.6666 119.3333 Grudzień 2004 sprzedaż wrzesień Sm. Śr. 119.3333 A.13.3 Procent dokładności obliczenia POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Obliczenie średniej bezwzględnej odchylenia MAD (133,6666 - 114 124 - 119 113,333 - 137) 3 14,1111 A.14 Metoda 12 - Wygładzanie wykładnicze z trendem i sezonowością Ta metoda jest podobna do metody 11, wygładzanie wykładnicze, w której obliczana jest wygładzona średnia. Jednak metoda 12 zawiera również termin w równaniu prognostycznym, aby obliczyć wygładzony trend. Prognoza składa się z wygładzonej wartości uśrednionej, skorygowanej o liniowy trend. Po określeniu w opcji przetwarzania prognoza dostosowana jest również do sezonowości. stała wygładzania używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Poprawne wartości dla alfa mieszczą się w zakresie od 0 do 1. b stała wygładzająca stosowana do obliczania wygładzonej średniej dla składnika trendu prognozy. Prawidłowe wartości dla zakresu beta od 0 do 1. To, czy indeks sezonowy jest stosowany do prognozy aib, są od siebie niezależne. Nie muszą dodawać do wersji 1.0. Minimalna wymagana historia sprzedaży: dwa lata plus liczba okresów wymaganych do oceny prognozy wyników (PBF). Metoda 12 wykorzystuje dwa równania wygładzania wykładniczego i jedną prostą średnią do obliczenia wygładzonej średniej, wygładzonego trendu i prostego średniego czynnika sezonowego. A.14.1 Obliczanie prognozy A) Wykładniczo wygładzona średnia MAD (122,81 - 114 133,13 - 119 135,33 - 137) 3 8,2 A.15 Ocena prognoz Możesz wybrać metody prognozowania, aby wygenerować aż 12 prognoz dla każdego produktu. Każda metoda prognozowania prawdopodobnie stworzy nieco inną projekcję. Gdy prognozuje się tysiące produktów, subiektywna decyzja dotycząca tego, które prognozy wykorzystać w swoich planach dla każdego z produktów, jest niepraktyczna. System automatycznie ocenia wydajność dla każdej wybranej metody prognozowania i dla każdej z prognozowanych produktów. Możesz wybrać między dwoma kryteriami wydajności, średnim odchyleniem bezwzględnym (MAD) i procentem dokładności (POA). MAD jest miarą błędu prognozy. POA jest miarą tendencji prognozowania. Obie te techniki oceny wydajności wymagają rzeczywistych danych historii sprzedaży dla określonego przez użytkownika okresu. Ten okres najnowszej historii nazywany jest okresem wstrzymania lub okresami najlepiej pasującymi (PBF). Aby zmierzyć wydajność metody prognozowania, użyj formuł prognozy do symulacji prognozy historycznego okresu wstrzymania. Zazwyczaj występują różnice między rzeczywistymi danymi sprzedaży a symulacją prognozy okresu wstrzymania. Jeśli wybrano wiele metod prognozowania, ten sam proces występuje dla każdej metody. Wiele prognoz jest obliczanych na okres wstrzymania i porównywane ze znaną historią sprzedaży w tym samym okresie. Metoda prognozowania zapewniająca najlepsze dopasowanie (dopasowanie) między prognozą a faktyczną sprzedażą w okresie wstrzymania jest zalecana do wykorzystania w Twoich planach. To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednej generacji generowania prognozy na drugą. A.16 Średnie bezwzględne odchylenie (MAD) MAD jest średnią (lub średnią) wartości bezwzględnych (lub wielkości) odchyleń (lub błędów) między danymi rzeczywistymi a prognozowanymi. MAD jest miarą średniej wielkości oczekiwanych błędów, biorąc pod uwagę metodę prognozowania i historię danych. Ponieważ w obliczeniach wykorzystywane są wartości bezwzględne, błędy dodatnie nie eliminują błędów ujemnych. Porównując kilka metod prognozowania, ten z najmniejszym MAD okazał się najbardziej niezawodny dla tego produktu w tym okresie wstrzymania. Kiedy prognoza jest obiektywna, a błędy są normalnie rozłożone, istnieje prosta matematyczna zależność między MAD i dwoma innymi wspólnymi miarami rozkładu, odchylenie standardowe i błąd średniej kwadratowej: A.16.1 Procent dokładności (POA) Procent dokładności (POA) jest miara błędu prognozy. Gdy prognozy są konsekwentnie zbyt wysokie, akumulują się zapasy i rosną koszty zapasów. Gdy prognozy są konsekwentnie niskie, zapasy są zużywane, a obsługa klienta spada. Prognoza, która jest o 10 jednostek za niska, a następnie o 8 jednostek za wysoka, a następnie o 2 jednostki za wysoka, byłaby obiektywną prognozą. Dodatni błąd 10 jest anulowany przez błędy ujemne z 8 i 2. Błąd Aktualne - Prognoza Kiedy produkt może być przechowywany w ekwipunku, a gdy prognoza jest bezstronna, można zastosować niewielką ilość zapasów bezpieczeństwa w celu buforowania błędów. W tej sytuacji nie jest tak ważne, aby wyeliminować błędy prognozy, ponieważ jest to generowanie bezstronnych prognoz. Jednak w branżach usługowych powyższa sytuacja byłaby postrzegana jako trzy błędy. Usługa będzie miała niedobór personelu w pierwszym okresie, a następnie przepracowała w ciągu dwóch kolejnych okresów. W usługach wielkość błędów prognozy jest zwykle ważniejsza niż prognoza błędu. Sumowanie w okresie wstrzymania pozwala dodatnim błędom na anulowanie błędów ujemnych. Kiedy łączna wartość faktycznej sprzedaży przekracza łączną prognozę sprzedaży, stosunek ten jest większy niż 100. Oczywiście niemożliwe jest, aby było więcej niż 100 poprawnych. Gdy prognoza jest nieobciążona, stosunek POA wyniesie 100. Dlatego bardziej pożądane jest, aby była ona 95 dokładniejsza niż dokładność 110. Kryteria POA wybierają metodę prognozowania, która ma stosunek POA najbliższy 100. Skrypty na tej stronie usprawniają nawigację treści, ale nie zmieniają jej w żaden sposób. Pytanie. 1. (TCO 5) Korzystanie z czteroletniej średniej kroczącej. 1. (TCO 5) Za pomocą czteroletniej średniej ruchomej prognozować kwotę za 10. rok. Żądanie tygodniowe 1 79 2 90 3 59 4 91 5 140 6 98 7 110 8 123 9 99 (Punkty 10) Rok 10 122.87 Rok 10 107,5 roku 10 110,67 roku 10 115,87 2. (TCO 5) Firma dystrybucyjna preferuje zakup hurtowych małych importowanych bibelotów, pakuje je i sprzedaje do sklepów detalicznych. W lutym firma przewidziała sprzedaż 10 000 bibelotów. Ich sprzedaż w lutym wyniosła 9000 bibelotów. Korzystając ze stałej wygładzania o wartości alpha 0,3, menedżer sprzedaży chce prognozować marcową sprzedaż przy użyciu wygładzania wykładniczego. (Punkty 10) 9700 bibelotów 9 800 bibelotów 9 500 bibelotów 10 200 bibelotów 3. (TCO 8) ABC Motors, Inc. chce zwiększyć pojemność, dodając kolejny wyważarkę do kół. Stały koszt maszyny wynosi 6 400, a jej koszt zmienny to 3,50 za jednostkę. ABC pobiera 7,50 w celu zrównoważenia jednego koła. Jaki jest punkt progu rentowności jednostek (Punkty 10) 250 kół 1600 kół 3000 kół 3429 4. (TCO 9) Restauracja z pełnym zakresem usług rozważa otwarcie nowego obiektu w konkretnym mieście. Poniższa tabela pokazuje jej oceny czterech czynników w każdej z dwóch potencjalnych lokalizacji. Factor Weight Wind City State Line Zamożność miejscowej ludności .40 30 30 Przepływ ruchu .20 50 20 Dostępność parkingu .10 30 40 Potencjał wzrostu .30 20 20 Stosując metodę oceny fabryk, wynik dla Wind City jest i wynik dla linii State jest . (Punkty 10) Wind City 7.00 State Line 7.25 Wind City 14 State Line 14.50 Wind City 28 State Line 29 Wind City 31 State Line 26 5. (TCO 4) Fabryka Dulac Box produkuje 600 pudełek z cyprysami w dwóch ośmiogodzinnych zmianach . Zastosowanie nowej technologii pozwoliło im zwiększyć produktywność o 30. Produktywność jest teraz w przybliżeniu. (Punkty 10) 32,5 pudełka, 40,6 pudełka, 48,75 pudełka, 81,25 pudełka, 300 pudełek 6 (TCO 8) Piekarnia ma zdolność projektowania 200 bochenków chleba dziennie. Jednak ze względu na planową konserwację sprzętu, kierownictwo czuje, że może piec 150 chlebów dziennie. Wczoraj gaz został wyłączony, podczas gdy miasto naprawiało wyciek i tylko 10 bochenków było pieczonych. Jaka jest efektywność pieców wczoraj (Punkty 10) 5 6.66 10 20 1. (TCO 7) Określone komponenty wprowadzone do trzeciego domu w domu jakości są spełnione przez. (Punkty 5) charakterystyka projektu wymagania klienta wymagania z powyższego 2. (TCO 7) Które z poniższych stwierdzeń jest fałszywe w odniesieniu do projektowania wspomaganego komputerowo (CAD) (punkty 5) Jest efektywne w użyciu w większości procesów produkcyjnych i ustawienia projektu. Jest to skuteczna technologia i znaczące wykorzystanie. Powoduje to krótsze cykle rozwoju dla praktycznie wszystkich produktów. Jest to wykorzystanie komputerów do interaktywnego projektowania produktów i przygotowywania dokumentacji inżynierskiej. Wolniej projektować produkt bez użycia CAD. 3. (TCO 7) Na którym etapie cyklu życia produktu strategia produktowa powinna koncentrować się na modyfikacjach procesu (punkty 5) Wdrożenie Wzrost Zapadalność Brak któregokolwiek z powyższych 4. (TCO 7) Prognozy są zwykle klasyfikowane według horyzontu czasowego w trzech kategoriach :. (Punkty 5) Rachunkowość, marketing i operacje o charakterze krótko - i średniodystansowym oraz dalekosiężnym, rachunkowość, marketing i operacje strategiczne, taktyczne i operacyjne, wygładzanie wykładnicze, regresje i szeregi czasowe w departamencie, organizacyjne i przemysłowe 5. (TCO 8) Cztery rodzaje strategii procesu są. (Punkty 5) towary, usługi, zautomatyzowane i hybrydy - ręczne, zautomatyzowane, komputerowe i usługowe, ostrość, powtarzalne ogniskowanie, masowa personalizacja i skupienie produktu modułowego, ciągłego, dyskretnego i technologicznego 6. (TCO 8) Które z następujące koszty zostałyby poniesione, nawet jeśli nie są produkowane żadne jednostki (punkty 5) Koszty surowców Bezpośrednie koszty pracy Koszty transportu Koszty wynajmu budynków Koszty zakupu 7. (TCO 8) System wykorzystujący zautomatyzowane stanowisko pracy sterowane sygnałami elektronicznymi ze wspólnej scentralizowanej obiekt komputerowy nazywa się (n). (Punkty 5) system sterowania adaptacyjnego robotyka system produkcji elastycznego systemu produkcji automatyzacji pojazdu sterowanego (AGV) 8. (TCO 8) Które z poniższych przekształceń ma na ogół najniższy stopień wykorzystania obiektu (punkty 5) Proces ukierunkowany na proces Powtarzalny proces Produkt proces skoncentrowany Proces ciągły 9. (TCO 1) Walter Shewhart jest wymieniony wśród ważnych osób zarządzających operacjami z uwagi na jego wkład w. (Punkty 5) statystyki statystyczna kontrola jakości próbek Wszystkie powyższe 10. (TCO 1) Zarządzanie operacjami ma zastosowanie. (Punkty 5) głównie do sektora usług, który zajmuje się wyłącznie sektorem produkcyjnym, do sektorów wytwórczych i usługowych wyłącznie w sektorze wytwórczym. (TCO 2) Podstawowy cel istnienia każdej organizacji jest opisany przez nią. (Punkty 5) taktyki polityki wizji Analiza SWOT Żadna z powyższych 12. (TCO 2) Która z poniższych nie jest strategią działania (punkty 5) Odpowiedź Niskonakładowe przywództwo Różnicowanie Wszystkie powyższe są strategiami operacyjnymi. Żadna z powyższych nie jest strategią operacyjną. 13. (TCO 2) Jakie są powody, dla których firma dokonuje internacjonalizacji operacji (punkty 5) Zwiększenie kosztów Poprawić łańcuch dostaw Dostarczać mniej towarów i usług Rozumieć zapasy Wszystkie powyższe 14. (TCO 3) Próbkowanie akceptacyjne. (Punkty 5) to zastosowanie technik statystycznych do zaakceptowania lub odrzucenia dużej ilości materiału na podstawie próbkowania opracowanego przez Fredericka Taylora służy do ustalenia, czy przyjąć lub odrzucić wiele materiałów w oparciu o ocenę kosztów oddzielają naturalne i możliwe do przypisania przyczyny zmienności 15. (TCO 3) Proces produkcyjny jest zwykle wykorzystywany w procesie produkcyjnym. (Punkty 5) produkty o dużej objętości i wysokiej różnorodności Produkty o niskiej i wysokiej różnorodności, o dużej objętości, o niskiej różnorodności, o niskiej różnorodności produktów o dużej lub małej objętości 1. (TCO 3) Które z następujące są zwykle spotykane w większości środowisk JIT (punkty 5) Duże ilości odpadów w postaci czasu i odpadów produkcyjnych Duża ilość zmienności Redukcja zapasów Systemy Push 2. (TCO 3) Podkreśla się całkowite zarządzanie jakością. (Punkty 5) odpowiedzialność pracowników kontroli jakości za identyfikowanie i rozwiązywanie wszystkich problemów związanych z jakością, zobowiązanie do jakości wykraczające poza wewnętrzne problemy firmy, do dostawców i klientów, w których silni menedżerowie są jedynymi decydentami, w których procesami głównie statystycy wziąć udział w certyfikacji ISO 14000 3. (TCO 6) Rysunek techniczny. (Punkty 5) grupuje części w rodziny pokazując w sposób graficzny, w jaki sposób złożony jest produkt, wymienia operacje, w tym montaż i inspekcję, niezbędne do wyprodukowania komponentu z materiałem określonym w zestawieniu materiałowym, zawiera szczegółowe instrukcje dotyczące wykonywania danego zadania wymiary, tolerancje, materiały i wykończenia komponentu 4. (TCO 6) Które z poniższych określeń odnosi się do wykorzystania specjalistycznych programów komputerowych do kierowania i kontroli urządzeń produkcyjnych (punkty 5) CAD - Computer Aided Design CAM - Computer Aided Manufacturing CAM - Computer Aided Modules Modułowa konstrukcja 5. (TCO 6) Technika projektowania produktu, która może być wykonana tak, aby wymagać, nawet w niekorzystnych warunkach w procesie produkcyjnym, jest (Punkty 5) CAD Design CAM Design Robust Design Modular Design 6. ( TCO 10) Celem strategii dotyczącej zasobów ludzkich jest:. (Punkty 5) generują prognozę popytu przy najniższych stawkach kosztów pracy na poziomie odpowiadającym poziomowi zatrudnienia, przy czym popyt pozwala osiągnąć rozsądną jakość życia zawodowego przy niskich kosztach zarządzania pracą i projektowaniem miejsc pracy, tak aby ludzie byli efektywnie i efektywnie wykorzystywani 7. (TCO 10) Wizualne miejsce pracy obejmuje . (Punkty 5) malowane symbole w celu wskazania właściwego miejsca na narzędzia i oznakowanie urządzeń części, pojemników i narzędzi w celu zmniejszenia ilości odpadów kanban, sygnałów wizualnych i statystycznych kontroli procesu (SPC) wykresów kolorowych świateł i znaków wskazujących, że jest problemem Wszystkie powyższe 8. (TCO 11) W decyzji o zakupie lub kupieniu jednym z powodów jest zakup. (Punkty 5) w celu zapewnienia odpowiedniej podaży niższego kosztu nabycia w celu uzyskania pożądanej jakości w celu usunięcia zmowy dostawcy 9. (TCO 11) Która z poniższych cech jest zaletą drop shipping (punkty 5) Redukcja czasu Redukcja kosztów wysyłki Lepsza jakość produktu Zmniejszony skurcz Wszystkie powyższe 10. (TCO 11) Głównym celem strategii łańcucha dostaw jest. (Punkty 5) w celu zbudowania łańcucha dostawców, który koncentruje się na maksymalizacji wartości dla ostatecznego klienta, aby wybrać dostawców, głównie w zakresie reakcji lub różnicowania w celu zmniejszenia czasu realizacji, zwiększenia liczby dostawców. Żadne z powyższych 11. (TCO 11). klasyczne rodzaje strategii negocjacyjnych. (Punkty 5) Ocena dostawców, rozwój dostawców i wybór dostawcy Teoria X, Teoria Y i Teoria Z wielu dostawców, kilku dostawców i oparty na kosztach model cenowy oparty na kosztach produkcji, oparty na produkcji model cenowy i konkurencyjna licytacja Żadne z powyższych 12. (TCO 12) Przygotowuje się harmonogramy krótkoterminowe. (Punkty 5) bezpośrednio z planów zagregowanych bezpośrednio z harmonogramu głównego z rekordów inwentaryzacji dla pozycji, które zostały wykorzystane z harmonogramów głównych, które pochodzą z planów krótkoterminowych z planów zakupowych 13. (TCO 12) Planowanie zagregowane to planowanie zdolności dla . (Punkty 5) Dalekosiężny zasięg bezpośredni, krótki zakres, zwykle od trzech do 18 miesięcy, typowo jeden lub więcej lat 14. (TCO 13) Proces obejmujący naprawę w trybie awaryjnym lub priorytetowym jest znany jako (punkt 5) awaria konserwacja awaryjna konserwacja awaryjna konserwacja zapobiegawcza konserwacja priorytetowa konserwacja 15. (TCO 13) Prawdopodobieństwo, że produkt będzie działał prawidłowo przez określony czas w określonych warunkach jest. (Punkty 5) funkcjonalność trwałość eksploatacyjna niezawodność przydatność do użycia Expert Answer