Einfache Gleitende Durchschnittliche Betriebsführung

Prognosen sind entscheidend für jede Unternehmensorganisation und für jede wichtige Managemententscheidung. Während eine Prognose aufgrund der Dynamik des externen Geschäftsumfelds nie perfekt ist, ist sie für alle Ebenen der funktionalen Planung, der strategischen Planung und der Haushaltsplanung von Vorteil. Entscheidungsträger nutzen Prognosen, um viele wichtige Entscheidungen in Bezug auf die zukünftige Ausrichtung der Organisation zu treffen. Vorhersagetechniken und - modelle können sowohl qualitativ als auch quantitativ sein, und ihr Ausmaß an Raffinesse hängt von der Art der Informationen und den Auswirkungen der Entscheidung ab. Das Prognosemodell, das ein Unternehmen übernehmen sollte, hängt von mehreren Faktoren ab, einschließlich des Zeithorizonts, der Datenverfügbarkeit, der Genauigkeit, der Größe des Prognosebudgets und der Verfügbarkeit von qualifiziertem Personal. Demand Management besteht, um alle Nachfragequellen zu koordinieren und zu kontrollieren, damit das produktive System effizient genutzt werden kann und das Produkt termingerecht geliefert wird. Die Nachfrage kann entweder abhängig von der Nachfrage nach anderen Produkten oder Dienstleistungen oder unabhängig sein, da sie nicht direkt von der anderer Produkte abgeleitet werden kann. Die Prognose kann in vier Grundtypen eingeteilt werden: qualitative, Zeitreihenanalyse, Kausalbeziehungen und Simulation. Qualitative Techniken in der Prognose können Graswurzeln Prognose, Marktforschung, Panel Konsens, historische Analogie und die Delphi-Methode. Zeitreihen-Prognosemodelle versuchen, die Zukunft auf der Grundlage vergangener Daten vorherzusagen. Eine einfache gleitende Durchschnittsprognose wird verwendet, wenn die Nachfrage nach einem Produkt oder einer Dienstleistung ohne saisonale Schwankungen konstant ist. Eine gewichtete gleitende Durchschnittsprognose variiert die Gewichte bei einem bestimmten Faktor und ist somit in der Lage, die Effekte zwischen aktuellen und vergangenen Daten zu variieren. Die exponentielle Glättung verbessert die einfache und gewichtete gleitende Durchschnittsprognose, da sie die neueren Datenpunkte für wichtiger hält. Zur Korrektur eines Aufwärts - oder Abwärtstrends werden Daten, die über Zeitperioden bis zu Glättungskonstanten gesammelt werden, verwendet. Alpha ist die Glättungskonstante, während Delta die Auswirkungen des Fehlers, der zwischen der tatsächlichen und der Prognose auftritt, reduziert. Prognosefehler sind die Differenz zwischen dem Prognosewert und dem, was tatsächlich eingetreten ist. Alle Prognosen enthalten einen gewissen Grad an Fehler, aber es ist wichtig, zwischen Fehlerquellen und Fehlermessung zu unterscheiden. Fehlerquellen sind Zufallsfehler und Bias. Es gibt verschiedene Messungen, um den Grad des Fehlers in einer Prognose zu beschreiben. Bias-Fehler treten auf, wenn ein Fehler gemacht wird, d. h. nicht die korrekte Variable enthält oder die saisonale Nachfrage verschiebt. Zufällige Fehler können nicht erkannt werden, sie treten normalerweise auf. Ein Verfolgungssignal zeigt an, ob das Prognosemittel mit irgendwelchen Bewegungsänderungen der Nachfrage Schritt hält. Der MAD oder die mittlere absolute Abweichung ist auch ein einfaches und nützliches Werkzeug, um Tracking-Signale zu erhalten. Ein ausgereifteres Prognosewerkzeug, um die funktionale Beziehung zwischen zwei oder mehr korrelierten Variablen zu definieren, ist die lineare Regression. Dies kann verwendet werden, um eine Variable mit dem Wert für eine andere vorauszusagen. Es ist nützlich für kürzere Zeiträume, da es eine lineare Beziehung zwischen Variablen annimmt. Kausale Beziehung Prognose versucht, das Auftreten eines Ereignisses basierend auf dem Auftreten eines anderen Ereignisses zu bestimmen. Focus Prognose versucht mehrere Regeln, die logisch und leicht zu verstehen, um Vergangenheit Daten in die Zukunft scheinen. Heute sind viele Computer-Prognose-Programme verfügbar, um leicht zu prognostizieren Variablen. Wenn langfristige Entscheidungen auf der Grundlage zukünftiger Prognosen getroffen werden, sollte man sorgfältig darauf achten, die Prognose zu entwickeln. Ebenso sollten mehrere Ansätze zur Prognose verwendet werden. Forecasting muss in verschiedenen Bereichen des Managements wie Finanzmanagement, Marketing-Management, Personalmanagement etc. getan werden und die gleichen Techniken, die in diesem Artikel diskutiert werden in diesen Disziplinen auch verwendet. Die Prognose ist eine wichtige Aufgabe der Sicherheitsanalyse. Arten von Prognose-Komponenten der Nachfrage IV. Qualitative Techniken in der Prognose Grass Roots Marktforschungsbereich Konsens Historische Analogie Delphi Methode Zeitreihenanalyse Simple Moving Average Weighted Moving Average Exponentielle Glättung Prognosefehler Fehlerquellen Fehlermessung Lineare Regressionsanalyse Zerlegung einer Zeitreihe Kausale Beziehung Prognose Mehrere Regressionsanalyse. Fokusprognose Methodik der Fokusprognose Webbasierte Prognose: Kollaborative Planung, Prognose und Nachschub (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, Operations Management für Wettbewerbsvorteile, 10e, McGraw-Hill Higher Education, 2004 highed. mcgraw-hillsites0072506369studentview0chapter12Tagging mit einfachem gleitendem Durchschnitt In Woche 6 des Kurses werden wir die Bedarfsverwaltung und die Prognose untersuchen, ein Bereich, der erhebliche Aufmerksamkeit gewinnt, vor allem, wenn das Interesse am Supply Chain Management wächst und wir effektiver planen und koordinieren wollen Die gesamte Lieferkette. Es wird oft gesagt, dass Prognosen in der Regel falsch sind, einige spektakulär so: Die Lernziele für diese Woche des Kurses sind, dass Sie die Rolle der Prognose als Grundlage für Supply-Chain-Planung verstehen sollten. Damit Sie die Unterschiede zwischen unabhängiger und abhängiger Nachfrage vergleichen können. Drittens, dass Sie in der Lage, die grundlegenden Komponenten der unabhängigen Nachfrage, einschließlich Durchschnitt, Trend, saisonale und zufällige Variation zu identifizieren. Sie sind in der Lage, die gemeinsamen qualitativen Prognosetechniken wie Delphi Method und Collaborative Forecasting zu beschreiben. Sie werden grundlegende quantitative Prognosetechniken und die Verwendung von Zersetzung zu Prognosen verstehen, wenn Trend und Saisonalität vorhanden ist. Das folgende Video unterstreicht die Notwendigkeit für Genauigkeit und commonsense bei der Prognose: Prognosen können in zwei Arten, strategische und taktische aufgeteilt werden. Strategische Prognosen werden verwendet, um die Schaffung der Strategie zu unterstützen, die bestimmt, wie Nachfrage gedeckt wird. Taktische Prognosen werden verwendet, um Entscheidungen auf einer täglichen Basis zu unterstützen. Demand-Management wird verwendet, um die Quellen der Produkt-oder Dienstleistungsbedarf, entweder steigende Nachfrage, sinkende Nachfrage oder die Aufrechterhaltung es auf einem konstanten Niveau beeinflussen. Das folgende Video untersucht die Faktoren, die die Prognose in der Weinindustrie beeinflussen: Abhängige und unabhängige Nachfrage Es gibt zwei grundlegende Nachfragequellen, abhängige und unabhängige Quellen. Abhängige Nachfrage ist die Nachfrage, die als Folge der Nachfrage nach anderen Produkten oder Dienstleistungen auftritt. Unabhängige Nachfrage ist Nachfrage, die nicht auf der Nachfrage nach einem anderen Produkt oder einer Dienstleistung prognostiziert werden kann. Abhängige Nachfrage ist in der Regel sehr schwer zu beeinflussen 8211 es ist die Nachfrage, die nicht abhängig von Faktoren, die Sie beeinflussen können und vielmehr ist es verlangt, dass Sie zu erfüllen haben. Unabhängige Nachfrage kann in der Regel beeinflusst werden, und daher haben Organisationen die Wahl, ob sie eine aktive Rolle übernehmen, sie beeinflussen oder eine passive Rolle übernehmen und einfach auf die Nachfrage reagieren, die existiert. Das folgende Video zeigt, wie Motorola mit ihrer Prognose arbeitet: Das Lehrbuch identifiziert vier grundlegende Arten von Prognosen. Qualitative Prognosen basieren auf menschlichem Urteil, und einige der Techniken, die bei der qualitativen Prognose verwendet werden, werden nachfolgend diskutiert. Die Zeitreihenanalyse betrachtet die Muster der Daten im Laufe der Zeit. Kausale Beziehungen betrachtet die Beziehungen zwischen Faktoren, die die Nachfrage beeinflussen, und Simulation versucht, die Nachfrage zu modellieren, so dass die Wechselbeziehung der Nachfragefaktoren besser verstanden werden kann. Das folgende Video untersucht, wie Bedarfsmanagement und Prognose bei Lowes durchgeführt werden: In der Regel wird die Nachfrage mit sechs Komponenten, durchschnittlich, Trend, saisonalen Elementen, zyklischen Elementen, zufälliger Variation und Autokorrelation betrachtet. Diese Elemente der Nachfrage ermöglichen es uns, das Muster der Nachfrage nach einem Produkt zu verstehen, das auf die Prognose der zukünftigen Nachfrage angewendet werden könnte. Durchschnittliche Nachfrage ist die durchschnittliche Nachfrage nach einem Produkt im Laufe der Zeit. Der Trend zeigt, wie sich die Nachfrage im Laufe der Zeit verändert hat und saisonale Nachfrage saisonale Schwankungen der Nachfrage zeigt. Zyklische Elemente treten über einen längeren Zeitraum als saisonale Elemente auf und sind schwerer zu prognostizieren, zum Beispiel als Folge von Konjunkturzyklen. Die Zufallsvariation basiert auf zufälligen Ereignissen, die nicht vorherzusagen sind, während Autokorrelation die Beziehung zwischen vergangener und zukünftiger Nachfrage ist, das heißt, dass die zukünftige Nachfrage mit der aktuellen Nachfrage zusammenhängt. Wo es ein hohes Maß an zufälliger Variation gibt es sehr wenig Beziehung zwischen aktuelle Nachfrage und zukünftige Nachfrage. Wo ein hoher Grad an Autokorrelation besteht, besteht ein starkes Verhältnis zwischen aktueller und zukünftiger Nachfrage. Zeitreihenmodelle Zeitreihenmodelle prognostizieren die Zukunft anhand vergangener Modelle. Je nach Zeithorizont, den Sie prognostizieren möchten, die Daten, die Sie zur Verfügung haben, die Genauigkeit, die Sie benötigen, die Größe des Prognosebudgets und die Verfügbarkeit von entsprechend qualifizierten Mitarbeitern, stehen Ihnen verschiedene Modelle zur Verfügung Die Analyse. Das folgende Diagramm von Seite 488 des Lehrbuchs ist entworfen, um beim Auswählen des geeigneten Werkzeugs zu helfen: Lineare Regression wird verwendet, wenn es eine funktionale Beziehung zwischen zwei korrelierten Variablen gibt, die verwendet werden, um eine Variable auf der Grundlage der anderen vorherzusagen. Es ist nützlich, wenn Daten relativ stabil sind. Die Zerlegung einer Zeitreihe dient der Identifizierung und Trennung der Zeitreihendaten in ihre verschiedenen Bedarfskomponenten. Zwei Arten von saisonalen Schwankungen sind identifiziert 8211 Zusatzstoff, wo die saisonale Menge in jeder Saison konstant ist und multiplikativ, wo die saisonale Veränderung ist ein Prozentsatz der Nachfrage für einen Zeitraum. Der einfache gleitende Durchschnitt ist nützlich, wenn die Nachfrage relativ stabil ist, nicht schnell zunimmt oder abnimmt und wo es nur wenige saisonale Eigenschaften gibt. Gleitende Mittelwerte können um ihren Mittelpunkt zentriert sein oder als Grundlage für die Vorhersage der Zukunft verwendet werden. Die Verwendung eines längeren Zeitraums führt zu mehr Glättung der Variation bei Verwendung eines kürzeren Zeitraums, um statistische Trends schneller zu zeigen. Ein gewichteter gleitender Durchschnitt ermöglicht es Ihnen, bestimmte Zeiträume innerhalb des Durchschnitts zu gewichten, um eine höhere Genauigkeit zu erreichen. Zum Beispiel kann ein schwereres Gewicht in jüngeren Zeiträumen gegeben werden, um die aktuelle Nachfrageaktivität stärker in den Vordergrund zu stellen. Exponentielle Glättung ist die am meisten verwendete aller Prognosetechniken und erscheint in allen computerbasierten Prognoseanwendungen. Es wird viel im Einzelhandel und in der Dienstleistungsindustrie verwendet. Es ist oft sehr genau, es ist ziemlich einfach zu tun, es ist leicht verständlich, erfordert wenig Berechnung und ist leicht auf Genauigkeit getestet. Das folgende Video Details die Durchführung dieser Prognosetechniken: Qualitative Prognose beinhaltet die Anwendung menschlichen Urteils, um eine Prognose zu erstellen. Normalerweise wird ein strukturierter Ansatz verwendet, im Gegensatz zu diesem: Verschiedene Techniken werden für die qualitative Prognose verwendet, einschließlich: Historical Analogy. Basierend auf Prognosen für die Nachfrage nach ähnlichen Produkten. Marktforschung: Prognosen werden von einem Marktforschungsunternehmen erstellt, das überwiegend Umfragen und Interviews verwendet. Panel Consensus: Wo eine Gruppe von Menschen mit Wissen in der Prognose Themenbereich, teilen ihre Gedanken und eine Prognose zu entwickeln. Delphi-Methode: Eine Umfrage basierte Technik, die Anonymität in einer Gruppe schafft. Sie wird im folgenden Video beschrieben: Kollaborative Planung, Prognose und Nachschub. CPFR ist eine jüngste Innovation, die das Internet benutzt, um den Mitarbeitern bei der Prognoseerstellung zu ermöglichen: Es gibt zwei Arten von Prognosefehlern. Bias Fehler auftreten, wo es einen einheitlichen Fehler gemacht, dass die Prognose durchdringt. Zufallsfehler sind Fehler, die durch das Prognosemodell 8211, das sie zufällig und auf unvorhersehbarer Basis auftreten, erklärt werden können. Zu den Messgrößen des Prognosefehlers gehören die mittlere absolute Abweichung (MAD), der mittlere absolut prozentuale Fehler (MAPE) und das Nachführungssignal. Das folgende Video berücksichtigt Probleme im menschlichen Prognosefehler: Tracking-Signal ist ein Maß, das verwendet wird, um die tatsächliche Leistung der Prognose über die Zeit zu überwachen, um zu sehen, ob es im Einklang mit den Veränderungen der Nachfrage in der realen Welt ist. Es kann wie ein Qualitätskontrolldiagramm verwendet werden. Diese Woche haben wir die Nachfrage-Management und Prognose, mit qualitativen und quantitativen Techniken. Der Schwerpunkt liegt auf der Sicherstellung, dass die Prognosen realistisch sind und dass Vorsicht bei der Verwendung von Prognosen auf der Grundlage vergangener Leistung empfohlen wurde. 8211 Es wird Ihnen normalerweise sagen, was die Zukunft tun wird, aber oft hilft Ihnen, sich vorzubereiten. Das folgende Video bietet die Anwendung der Informationstechnologie zur Prognose und ist vielleicht ein humorvoller Abschluss zu dieser Woche8217s Material: Einfache Moving Average Operations Management Assignment Hilfe Einfache Moving Average alle saisonalen Eigenschaften, eine einfache gleitende Durchschnitt kann sehr nützlich sein, um einen Trend innerhalb der Datenschwankungen. Wenn wir beispielsweise im Juni mit einem Fünfmonatsdurchschnitt prognostizieren wollen, können wir den Durchschnitt der Umsätze im Januar, Februar und März annehmen. April und Mai. Wenn Juni passe. Die Prognose für Juli wäre der Durchschnitt von Februar, März, April, Mai und Juni. Die Formel für eine einfache gleitende durchschnittliche Prognose ist Angenommen, wir wollen die wöchentliche Nachfrage nach einem Produkt prognostizieren, das sowohl einen dreiwöchigen als auch einen neunwöchigen gleitenden Durchschnitt verwendet. Wie in den Exponaten 9.6 und 9.7 gezeigt. Diese Prognosen werden wie folgt berechnet: Zur Veranschaulichung ist die dreiwöchige Prognose für Woche: Verwandte Operationen Management-Zuweisungen Gewichteter gleitender Durchschnitt Zuverlässigkeit der Datenschlüsselformeln Zeitreihenanalyse Exponentielle Glättung