Föreläsning 3. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg
|
|
- Gunnel Engström
- för 7 år sedan
- Visningar:
Transkript
1 Föreläsning 3 Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg
2 Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder, produktegenskaper, ABC klassificering Produktionssystem Fö 2 Prognostisering Fö 3 Le 1 La 1 Sälj och verksamhetsplanering Fö 4 Le 2 La 2 Projektplanering, fast position Fö 5 Le 3 Lagerstyrning Fö 6 Le 4 La 3 Planering av funktionell verkstad, Fö 7 Le 5 layout, MRP och HP Planering av funktionell verkstad, Fö 8 Le 6 detaljplanering Planering av lina, kanban, Fö 9 Le 7 linjebalansering Specialfall; produktval, kopplade lager Fö 10 Le 8 cyklisk planering Le 9
3 Mål med föreläsningen! Ge en första inblick i: Varför företagen behöver prognoser. Olika prognosmodeller. Hur man ansätter en efterfrågemodell och får fram lämpliga parametrar. Hur man gör prognoser utifrån ansatt modell. Hur man värderar hur bra modellen är.
4 Tekniker kopplade till föreläsningen Identifikation av trend, säsong och nivå. Kvantitativa prognosmetoder Glidande medelvärde Exponentiell utjämning o Med trend o Med trend och säsong Mäta prognosfel o MAD, MSE och ME o Kontrollsignal
5 Varför prognostisera? Öka kunskap om efterfrågan och försäljning Inom finans och ekonomiavdelningen budgetplanering Inom marknadsavdelningen planering av nya produkter Inom produktion processval, kapacitetsplanering materialplanering, lagerstyrning Ökad lönsamhet
6 Varför prognostisera? P/L-kvot Produktionsledtid Leveransledtid Planering baserad på spekulation (prognos) Planering baserad på kundorder Kund Produktion initierad Kundorder erhållen Kundorder levererad KOP Kundorderpunkt [Tid]
7 Vad är en bra prognos? Karakteristisk En bra prognos skall vara lätt att arbeta med/använda lätt att förstå och ta till sig Dessutom skall en prognos vara stabil mot slumpvariationer i efterfrågan reagera snabbt vid systematiska förändringar kunna förutsäga framtida systematiska förändringar
8 Hur kan vi veta något om Efterfrågan/ prognos framtiden? faktisk efterfrågan? prognostiserad efterfrågan Historisk efterfrågan faktisk efterfrågan? Idag Planeringshorisont Tid
9 Förhållandet mellan tid och information Aggregering Tid (horisont och period) Information (mängd och detaljeringsgrad) Disaggregering Efterfrågan Produktgrupp A Produkt A1 Produkt A2 Produkt A3 Produkt A4 Period 40 St Tid Veckoprognos Månadsmedelprognos
10 Prognosmodeller Bedömning Prognosmodeller Statistik Kvalitativa Kvantitativa Intuitiva Kausala Tidsserie Delphimetoden Regressionsanalys Säljkårsuppskattning Enkel extrapolering Expertutlåtanden Marknadsundersökning Ekonometriska modeller Ledande indikatorer Dekomposition Historisk analogi Expertsystem Kursens fokus
11 Historien som bas för prognosen Tidsserier Tidsserier kronologiskt ordnade observationer: t e t t Med hjälp av tidsserier för t och t skattas parametrarna och (s.k. regressionsanalys) e t är en slumpterm och uttrycker den variation i t som modellen inte kan förklara = 2 t [månad] 1? t [Efterfrågan] = 98 t = t
12 Tidsserier Exempel t [Efterfrågan] t [månad] t e t t Regessionsanalys ger 108,6 2, 5t t Troligtvis ingen bra prognos
13 Tidsseriekomponenter Trend T Säsong S Cykel C Nivå N Slump e (error) Tid periodtid 1 år Tid periodtid 1 år Tid Tid Tid Dessa tidsseriekomponenter kan sedan tillsammans utgöra den underliggande efterfrågemodellen (D).
14 Efterfrågemodeller - modelltyper Additiva modeller D = N + S + T + C + e (demand = nivå + säsong + trend + cykel + slump) Multiplikativa modeller D=N S T C e Blandade modeller D=N+S T+e D=(N+S) T+e D = N S+T + e
15 Registrera data Registrera data i de dimensioner (marknad, produktgrupp, tidsperiod, enhet, etc.) som skall prognostiseras Registrera extraordinära händelser
16 Dekomposition Starta med att plotta tidsserien Rensa först data för effekter av kända, icke repetitiva händelser, t ex leveransförseningar, produktionsstopp, etc. Dra slutsatser utifrån diagrammet om vilka tidsseriekomponenter som ingår i efterfrågemodellen. Ansätt efterfrågemodell. Rensa därefter tidsserien från dessa komponenter i lämplig ordning Lämplig ordning är beroende av hur efterfrågemodellen byggts I kursen kommer vi huvudsakligen att titta på modeller där vi först rensar bort trenden (T), sedan säsongen (S), och slutligen nivån (N).
17 Dekomposition Om efterfrågemodellen har byggts upp korrekt, och all rensning gjorts felfritt återstående ska då te sig som brus (slumptermen) Bygg prognosen med hjälp av dessa tidsseriekomponenter extrapolerade för den kommande prognosperioden
18 Enkel extrapolering Metoder Konstanta modeller (D = N och e) Glidande medelvärde F t 1 t D D... D 1 t t 1 t N 1 N N i t N 1 D i St 10 St Tid Efterfrågan Glidande medelvärde (m=3) Glidande medelvärde (m=5) Tid Efterfrågan Glidande medelvärde (m=3) Glidande medelvärde (m=5)
19 Enkel extrapolering Metoder Konstanta modeller (D = N och e) Exponentiell utjämning o o U innehåller information om historien Uppdatera med senaste D och historien U Hur mycket litar vi på senaste D? (α ) U t D t ( 1 ) Ut 1 F t 1 U t
20 Trendmetoder Trendmodeller (D = N, T och e) Exponentiell utjämning med trend U D (1 )( U T ) t t t 1 t 1 T ( U U ) (1 ) T 1 t t t 1 t 1 F U T t t t α och ß är utjämningskonstanter för exponentiellt utjämnad medelefterfrågan samt trenden
21 Trend- och säsongsmetoder Kombinerad trend- och säsongsmetoder (D = N, T, S och e) Exponentiell utjämning med trend och säsong Dt ( a bt) ct t där a nivå b trenden per period ct säsongindex slump t D U (1 )( U T ) t t t 1 t 1 St N T ( U U ) (1 ) T S t t t 1 t 1 Dt (1 ) S U t t N t
22 Prognosfel (e) Varför mäta prognosfel? För att veta när prognosmetoden inte längre ger en godtagbar förutsägelse För att kunna försäkra sig mot konsekvenser av felaktig prognos o t ex i form av säkerhetslager Prognosfelet, e, för period t bestäms som: e t D t F t där D t = faktisk efterfrågan i period t F t = prognostiserad efterfrågan i period t
23 Medelabsolutfel En av del vanligaste metoderna för att mäta prognosprecision är medelabsolutfelet, MAD MAD är lätt att beräkna och kan uppdateras periodiskt, enligt: MAD 1 n n e t n t 1 MADt et (1 ) MADt 1 Vid antagande om ett normalfördelat prognosfel gäller följande förhållande: t 1, 25 MADt
24 Övriga fel Man kan också mäta medelkvadratfelet, MSE MSE 1 N N t 1 2 e t eller medelfelet, ME ME 1 N N t 1 e t
25 Prognosuppföljning För att automatiskt kontrollera prognosen mot efterfrågedata används så kallade Trackningsystem Finns i olika varianter Trackingsignal: (extremvärde) TSD t e t MAD t 1 Se kursboken, sid för ytterligare information och andra typer av tracking-signaler!
26 Prognosuppföljning: Exempel Prognosen för period t var 550 Efterfrågan för period t blev 575 F t D t MADt 1 22 Använd k=4 TSD t ,14 4 Prognosen kan ej förkastas! Kontrollgräns k Kontrollgräns (std.dev) Sannolikhet 2 1,6 89,0% 3 2,4 98,4% 4 3,2 99,9%
27 Vilken typ av systemstöd behövs? Affärssystem Specialiserade prognosverktyg Egenutvecklade verktyg Kalkylbladsprogram Exempelvis Excel
28 Efterfrågeplanering Efterfrågeplanering Prognostisering Kvantitativa prognoser (statistik) Kvalitativa prognoser Prognosprocess baserad på samverkan och konsensus Resulterar i indata till planeringen på lång sikt medellång sikt kort sikt Simulering och What-if -analyser Beräkning av säkerhetslager lång sikt medellång sikt medellång sikt Källa: Stadtler & Kilger (2002)
29 Användning på olika nivåer Kort sikt Medellång sikt Lång sikt Horisont 1 dag 3 månader 2 månader till 2 år Minst 1 år Syfte Objekt Beslutsområde Operativ styrning av tillverkning och bemanning Produkter, modeller, artiklar Tillverkning, inköp Effektiv allokering av resurser Produktgrupper nedbrutna till produkt, enskilda produkter Huvudplanering, inköpsplanering, distributionsplanering Planera resursanskaffning Total försäljning, produktgrupper Kapacitetsplanering, anläggningsplanering, processval, sälj- och verksamhetsplanering
30 Prognosprocessen, Metodik Formulera problemet Formulera problemet Skaffa information Välj metod Implementera metod Utvärdera metod Använd prognos Indata till planeringen
31 Sammanfattning Prognosprocessen KUND- ORDER LAGER Historisk efterfrågan Justering av modellen och dess parametrar Kvalitativ prognos Matematisk modell Kvantitativ prognos KUND- ORDER LAGER Faktisk efterfrågan Återkoppling (feedback) Slutgiltig prognos Beräkning av prognosfel
32 Att tänka på Prognoser är vanligtvis betingade med en viss osäkerhet ( fel ) Ju längre prognoshorisont, desto mindre säker prognos Aggregerade prognoser är mer tillförlitliga En prognos skall aldrig användas uteslutande om känd information finns tillgänglig En bra prognos bör vara mer än en ensam siffra
Föreläsning 2. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller
Föreläsning 2 Prognosisering: Prognosprocess, eferfrågemodeller, prognosmodeller Kurssrukur Innehåll Föreläsning Lek1on Labora1on Inroduk*on, produk*onsekonomiska grunder, produk*onssysem, ABC- klassificering
Läs merFöreläsning 6. Lagerstyrning
Föreläsning 6 Lagerstyrning Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder, produktegenskaper, ABC klassificering Produktionssystem Fö 2 Prognostisering
Läs merPlanering av flygplatser
Fö 2: Prognostisering Tobias Andersson Källor Delar av materialet till denna föreläsning är hämtat från: Kap 7 av Airport Planning av Lynn S. Bezilla Edlund, Högberg, Leonardz: Beslutsmodeller redskap
Läs merFöreläsning 4. Planeringssystem och Sälj- & verksamhetsplanering: Hierarkiska planeringssystem och aggregerad planering (SVP)
Föreläsning 4 Planeringssystem och Sälj- & verksamhetsplanering: Hierarkiska planeringssystem och aggregerad planering (SVP) Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska
Läs merFöreläsning 2. Produkten och dess egenskaper: Produktionssystem, lager- och kundordertillverkning
Föreläsning 2 Produkten och dess egenskaper: Produktionssystem, lager- och kundordertillverkning Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder, produktegenskaper,
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merFöreläsning 2. Produkten och dess egenskaper: Produktionssystem, lager- och kundordertillverkning
Föreläsning 2 Produkten och dess egenskaper: Produktionssystem, lager- och kundordertillverkning Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder, produktegenskaper,
Läs merFöreläsning 8. Planering av funktionell verkstad (del 1): Layoutaspekter, huvudplanering och materialbehovsplanering (MRP) Kursstruktur
Föreläsning 8 Planering av funktionell verkstad (del 1): Layoutaspekter, huvudplanering och materialbehovsplanering (MRP) Kursstruktur Avslutning Planeringssystem Fö 12: Avslutning och kurssammanfattning
Läs merFöreläsning 6. Planering av funktionell verkstad (del 1): Layoutaspekter, huvudplanering och materialbehovsplanering (MRP)
Föreläsning 6 Planering av funktionell verkstad (del 1): Layoutaspekter, huvudplanering och materialbehovsplanering (MRP) Kursstruktur 2 Innehåll Föreläsning Lek1on Labora1on Introduk+on, produk+onsekonomiska
Läs merFöreläsning 5. Fast position Projektplanering (CPM och PERT)
Föreläsning 5 Fast position Projektplanering (CPM och PERT) Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder, produktegenskaper, ABC klassificering
Läs merPrognostisering med exponentiell utjämning
Handbok i materialstyrning - Del F Prognostisering F 23 Prognostisering med exponentiell utjämning Det som karakteriserar lagerstyrda verksamheter är att leveranstiden till kund är kortare än leveranstiden
Läs mer732G71 Statistik B. Föreläsning 9. Bertil Wegmann. December 1, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 9 Bertil Wegmann IDA, Linköpings universitet December 1, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B December 1, 2016 1 / 20 Metoder för att analysera tidsserier Tidsserieregression
Läs merHandbok i materialstyrning - Del F Prognostisering
Handbok i materialstyrning - Del F Prognostisering F 71 Absoluta mått på prognosfel I lagerstyrningssammanhang kan prognostisering allmänt definieras som en bedömning av framtida efterfrågan från kunder.
Läs merStrategisk Logistik 20 YHp Dag 2(8)
Strategisk Logistik 20 YHp Dag 2(8) Affärslogistik 400 YH-poäng Dag 2(8) Repetition Lagerkurva Säkerhetslager Kapitalbindning/Kapitalomsättning Flexibilitet Prognostisering, intro 2 1 Lagerspelet Lagerspelet
Läs merVad Betyder måtten MAPE, MAD och MSD?
Vad Betyder måtten MAPE, MAD och MSD? Alla tre är mått på hur bra anpassningen är och kan användas för att jämföra olika modeller. Den modell som har lägst MAPE, MAD och/eller MSD har bäst anpassning.
Läs merVälja prognosmetod En översikt
Handbok i materialstyrning - Del F Prognostisering F 01 Välja prognosmetod En översikt All materialstyrning med avseende på att bestämma när nya inleveranser till lager skall planeras in och hur stora
Läs merStrategisk Logistik 20 YHp Dag 3(8)
Strategisk Logistik 20 YHp Dag 3(8) Affärslogistik 400 YH-poäng Dag 3(8) Repetition Prognos intro Prognostisering KanBan 1 Repetition Prognostisering Prognostisering Långsiktig produktionsplanering Resursplanering
Läs merFöreläsning 8. Planering av funktionell verkstad (del 2): Detaljplanering; sekvensering, orderstyrning, mm
Föreläsning 8 Planering av funktionell verkstad (del 2): Detaljplanering; sekvensering, orderstyrning, mm Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder,
Läs merRäkneövning 4. Om uppgifterna. 1 Uppgift 1. Statistiska institutionen Uppsala universitet. 14 december 2016
Räkneövning 4 Statistiska institutionen Uppsala universitet 14 december 2016 Om uppgifterna Uppgift 2 kan med fördel göras med Minitab. I de fall en gur för tidsserien efterfrågas kan du antingen göra
Läs merF11. Kvantitativa prognostekniker
F11 Kvantitativa prognostekniker samt repetition av kursen Kvantitativa prognostekniker Vi har gjort flera prognoser under kursen Prognoser baseras på antagandet att historien upprepar sig Trenden följer
Läs merFöreläsning 5. Lagerstyrning
Föreläsning 5 Lagerstyrning Kursstruktur Innehåll Föreläsning Lek1on Labora1on Introduk*on, produk*onsekonomiska grunder, produk*onssystem, ABC-klassificering Fö 1 Prognos*sering Fö 2 Le 1 La 1 Sälj- och
Läs merPrognostisering med glidande medelvärde
Handbok i materialstyrning - Del F Prognostisering F 21 Prognostisering med glidande medelvärde Det som karakteriserar lagerstyrda verksamheter är att leveranstiden till kund är kortare än leveranstiden
Läs merTPPE13 Produktionsekonomi
TPPE13 Produktionsekonomi Mathias Henningsson (mathias.henningsson@liu.se) Institutionen för ekonomisk och industriell utveckling Avdelningen för produktionsekonomi Agenda Kurspresentation Produktion i
Läs mer732G71 Statistik B. Föreläsning 8. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23
732G71 Statistik B Föreläsning 8 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23 Klassisk komponentuppdelning Klassisk komponentuppdelning bygger på en intuitiv
Läs merFöreläsning 5. Lagerstyrning
Föreläsning 5 Lagerstyrning Kursstruktur Innehåll Föreläsning Lek1on Labora1on Introduk*on, produk*onsekonomiska grunder, produk*onssystem, ABC- klassificering Fö 1 Prognos*sering Fö 2 Le 1 La 1 Sälj-
Läs merLedtidsanpassa standardavvikelser för efterfrågevariationer
Handbok i materialstyrning - Del B Parametrar och variabler B 43 Ledtidsanpassa standardavvikelser för efterfrågevariationer I affärssystem brukar standardavvikelser för efterfrågevariationer eller prognosfel
Läs merPrognos inom sjukvården
Prognos inom sjukvården Forecast in healthcare Författare: Jesper Haarala Jose Galdo Uppdragsgivare: Aregab, Stockholm Handledare: Henrik Linglöf, Aregab AB Peter Franzen, Aregab AB Johanna Strömgren,
Läs merFöreläsning 4. Fast position Projektplanering (CPM och PERT)
Föreläsning 4 Fast position Projektplanering (CPM och PERT) 2 Kursstruktur Innehåll Föreläsning Lek1on Labora1on Introduk*on, produk*onsekonomiska grunder, produk*onssystem, ABC- klassificering Fö 1 Prognos*sering
Läs merProduktionsekonomi Föreläsning 2. Kursstruktur
Produktionsekonomi Föreläsning 2 Produkten och dess egenskaper: Produktstruktur, lager- och kundordertillverkning, produktutveckling, artikelklassificering, mm. Avslutning Planeringssystem Fast position
Läs merTidsserier. Data. Vi har tittat på två typer av data
F9 Tidsserier Data Vi har tittat på två typer av data Tvärsnittsdata: data som härrör från en bestämd tidpunkt eller tidsperiod Tidsseriedata: data som insamlats under en följd av tidpunkter eller tidsperioder
Läs merFöreläsning 4. Fast position Projektplanering (CPM och PERT)
Föreläsning 4 Fast position Projektplanering (CPM och PERT) 2 Kursstruktur Innehåll Föreläsning Lek1on Labora1on Introduk*on, produk*onsekonomiska grunder, Lean produc*on, ABC-klassificering Fö 1 Leanspel
Läs merPrognosering och produktionsstyrning
Prognosering och produktionsstyrning 1, 2 Ander s Seger st edt 1 Industrial Logistics, Luleå University of Technology, Luleå, Sweden, 2 AT, Narvik University College, Narvik, Norway civ.ing I 1973, tekn.lic
Läs merTillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III
Tillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III Sebastian Andersson Statistiska institutionen Senast uppdaterad: 16 december 2015 är en prognosmetod vi kan använda för serier med en
Läs merReservationshantering vid materialbehovsplanering
Handbok i materialstyrning - Del C Materialstyrningsmetoder C 44 Reservationshantering vid materialbehovsplanering Vid materialstyrning föreligger ofta situationer där man har både prognoser och reservationer
Läs merRäkneövning 5. Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari För Uppgift 2 kan man med fördel ta hjälp av Minitab.
Räkneövning 5 Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari 016 1 Om uppgifterna För Uppgift kan man med fördel ta hjälp av Minitab. I de fall en figur för tidsserien efterfrågas
Läs merRegressions- och Tidsserieanalys - F8
Regressions- och Tidsserieanalys - F8 Klassisk komponentuppdelning, kap 7.1.-7.2. Linda Wänström Linköpings universitet November 26 Wänström (Linköpings universitet) F8 November 26 1 / 23 Klassisk komponentuppdelning
Läs merReducering av svinnet i fa rskvaruhandeln genom fo rba ttrade efterfra geprognoser
Reducering av svinnet i fa rskvaruhandeln genom fo rba ttrade efterfra geprognoser Andreas Hellborg, Martin Mellvé och Martin Strandberg Institutionen för Produktionsekonomi Lunds Tekniska Högskola Bakgrund
Läs merFöreläsning 9. Planering av lina: Linjebalansering, produktionsstyrning (Kanban) och produktvalsproblem
Föreläsning 9 Planering av lina: Linjebalansering, produktionsstyrning (Kanban) och produktvalsproblem Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder,
Läs merFöreläsning 7. Kursstruktur
Föreläsning 7 Lagerstyrning: Partiformning, beställningspunktsystem och säkerhetslager Avslutning Planeringssystem Fast position Fö 6a: Projektplanering (CPM, PERT, mm) Le 3: Projektplanering (CPM/ PERT,
Läs merHandbok i materialstyrning - Del F Prognostisering
Handbok i materialstyrning - Del F Prognostisering F 31 Focus forecasting Lagerstyrda verksamheter karakteriseras av att leveranstiden till kund är kortare än leveranstiden från den egna produktionen eller
Läs merTidsserier, forts från F16 F17. Tidsserier Säsongrensning
Tidsserier Säsongrensning F7 Tidsserier forts från F6 Vi har en variabel som varierar över tiden Ex folkmängd omsättning antal anställda (beroende variabeln/undersökningsvariabeln) Vi studerar den varje
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merFinansiell statistik
Finansiell statistik Föreläsning 5 Tidsserier 4 maj 2011 14:26 Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs
Läs merPåbyggnadskurser: TPPE21 Produktionslogistik, TPPE16 Produktionsstrategier, TPPE77 Affärssystem: funktionalitet och arkitektur.
IEI Produktionsekonomi MATHIAS HENNINGSSON OKTOBER 2008 TPPE13 Produktionsekonomi för I 6 hp Målsättning med kursen: Kursen skall förmedla insikter i ekonomiska frågeställningar rörande industriell produktion.
Läs merFörsättsblad till skriftlig tentamen vid Linköpings Universitet
Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 2011-08-20 Sal SP71 Tid 08.00-12.00 Kurskod Provkod Kursnamn/benämning TNSL08 TEN1 Produktion och distribution Institution
Läs merFöreläsning 10. Kursstruktur. Agenda. Planering av lina: Layout, linjebalansering och produktionsstyrning (Kanban)
Föreläsning 10 lanering av lina: Layout, linjebalansering och produktionsstyrning (Kanban) Avslutning laneringssystem Fast position Fö 6a: rojektplanering (CM, ERT, mm) Le 3: rojektplanering (CM/ ERT,
Läs merEffektiv lagerstyrning genom tillförlitlig prognostisering
Effektiv lagerstyrning genom tillförlitlig prognostisering En studie vid HMS Industrial Networks AB Marcus Ericsson Peter Timén EXAMENSARBETE 2006 Industriell organisation Effektiv lagerstyrning genom
Läs mer732G71 Statistik B. Föreläsning 7. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29
732G71 Statistik B Föreläsning 7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29 Detaljhandelns försäljning (fasta priser, kalenderkorrigerat) Bertil Wegmann
Läs merFöreläsning 4. Kursstruktur
Föreläsning 4 Produktionssystem: Typiska produktionssystem, dess egenskaper och val av Avslutning Planeringssystem Fö 6a: Projektplanering (CPM, PERT, mm) Le 3: Projektplanering (CPM/ PERT, känslighetsanalys)
Läs merModellskattningen har gjorts med hjälp av minsta kvadratmetoden (OLS).
MODELLSKATTNINGAR Modeller med bäst anpassning ger inte alltid de bästa prognoserna. Grundantaganden, till exempel vilka modeller som testas, påverkar i viss grad prognosutfallet. Modellerna har, i de
Läs merPlanering av Flygtrafik. Fö 2: Flygbolag Strategiska frågeställningar
Planering av Flygtrafik Fö 2: Flygbolag Strategiska frågeställningar Varför växer flygtrafiken? Ökad levnadsstandard Fler har råd att flyga, och att betala för flygfrakt Ökad säkerhet Fler vågar använda
Läs merRegressions- och Tidsserieanalys - F7
Regressions- och Tidsserieanalys - F7 Tidsserieregression, kap 6.1-6.4 Linda Wänström Linköpings universitet November 25 Wänström (Linköpings universitet) F7 November 25 1 / 28 Tidsserieregressionsanalys
Läs merProduktionsekonomi. Programkurs 6 hp Production and Operations Management TPPE13 Gäller från: 2018 VT. Fastställd av. Fastställandedatum
1(9) Produktionsekonomi Programkurs 6 hp Production and Operations Management TPPE13 Gäller från: 2018 VT Fastställd av Programnämnden för Industriell ekonomi och logistik, IL Fastställandedatum 2(9) Huvudområde
Läs merTillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I
Tillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I Sebastian Andersson Statistiska institutionen Senast uppdaterad: 15 december 2015 Data kan generellt sett delas in i tre kategorier: 1 Tvärsnittsdata:
Läs merProduktionsekonomi. Laborationshandledning. Produktionsekonomi Linköpings tekniska högskola
LINKÖPINGS UNIVERSITET Laborationshandledning Linköpings tekniska högskola Version 5.0 Reviderat 2017-08-01 Helene Lidestam, Armin Parsi Innehållsförteckning Tabellförteckning... 2 Figurförteckning...
Läs merTPPE13 Produktionsekonomi
TPPE13 Produktionsekonomi Föreläsning 1 - Introduktion till ämnet Helene Lidestam (helene.lidestam@liu.se) Institutionen för ekonomisk och industriell utveckling Avdelningen för produktionsekonomi Agenda
Läs merTidsserier. Tre modeller för tidsserier är den multiplikativa, additiva och säsongdummymetoden.
Tidsserier Tre modeller för tidsserier är den multiplikativa, additiva och säsongdummymetoden. Den allmänna formeln för den additiva modellen:, och för den multiplikativa modellen:, där T står för trend,
Läs merStokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012
Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig
Läs merTNSL08, Produktion och distribution 6 hp, VT1-2013
ITN/KTS ver nr 2 14 januari 2013 Fredrik Persson 1 Kursmål & innehåll TNSL08, Produktion och distribution 6 hp, VT1-2013 1.1 Mål med kursen Kursen skall ge kunskaper i hur ett företag planerar och styr
Läs merProduktionsekonomi. Laborationshandledning
LINKÖPINGS UNIVERSITET Laborationshandledning Linköpings tekniska högskola Januari 2013 Version 4.1 Reviderat 2016-10-25 Helene Lidestam, Armin Parsi januari 2013 Innehållsförteckning 1 Introduktion...
Läs merUtvärdering av regeringens prognoser
Rapport till Finanspolitiska rådet 2017/3 Utvärdering av regeringens prognoser Pär Stockhammar Konjunkturinstitutet De åsikter som uttrycks i denna rapport är författar[ens/nas] egna och speglar inte nödvändigtvis
Läs merTentamensgenomgång och återlämning: Måndagen 24/2 kl16.00 i B497. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, HT2013 2014-02-07 Skrivtid: 13.00-18.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merSäkerhetslager beräknat från antal dagars täcktid
Handbok i materialstyrning - Del E Bestämning av säkerhetslager E 13 Säkerhetslager beräknat från antal dagars täcktid All materialstyrning är förknippad med osäkerheter av olika slag. Det kan gälla osäkerheter
Läs merMyter om lagerstyrning
Myter om lagerstyrning Om man dimensionerar ett säkerhetslager för en artikel med en beräkningsmetod som utgår från en önskad servicenivå så får man denna servicenivå - Maj 2013 När man läser om dimensionering
Läs merSkriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012
Statistiska Institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012 2013-01-18 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merFashion Retail Supply Chain 2015 25/11/2015 CASE INTERSPORT. Effektiv allokering med startpack för mode- och klädindustrin.
CASE INTERSPORT Effektiv allokering med startpack för mode- och klädindustrin Robert Fredholm Intersport bakgrund och mål för samarbetet med RELEX Företaget Sportkedja 150 butiker i Sverige Intersport
Läs merEffektivare orderhantering och hantering av materialflöde
LiU-ITN-TEK-G--09/031--SE Effektivare orderhantering och hantering av materialflöde Annika Persson 2009-06-12 Department of Science and Technology Linköping University SE-601 74 Norrköping, Sweden Institutionen
Läs merFå styr på kampanjerna!
Whitepaper 2.2.2012 1 / 7 Få styr på kampanjerna! Författare: Johanna Småros Direktör, Skandinavien, D.Sc. (Tech.) För företag som jobbar med konsumtionsvaror, utgör kampanjerna en ständigt återkommande
Läs merPrognoser. ekonomisk-teoretisk synvinkel. Sunt förnuft i kombination med effektiv matematik ger i regel de bästa prognoserna.
Prognoser Prognoser i tidsserier: Gissa ett framtida värde i tidsserien killnad gentemot prognoser i regression: Det framtida värdet tillhör inte dataområdet. ftet med en prognosmodell är att göra prognos,
Läs merDEN FRAMTIDA VERKSAMHETSVOLYMEN I RÄTTSKEDJAN - CENTRALA PROGNOSER FÖR PERIODEN : RESULTATBILAGA
DEN FRAMTIDA VERKSAMHETSVOLYMEN I RÄTTSKEDJAN - CENTRALA PROGNOSER FÖR PERIODEN 2016-2019: RESULTATBILAGA I denna bilaga beskrivs de prognosmodeller som ligger till grund för prognoserna. Tanken är att
Läs merKvantitativa prognoser
Kvantitativa prognoser Tillvägagångssätt för en statlig myndighet Niklas Johansson John Rautiainen Civilingenjör, Industriell ekonomi 2018 Luleå tekniska universitet Institutionen för ekonomi, teknik och
Läs merAnvändning av glidande medelvärde och exponentiell
Användning av glidande medelvärde och exponentiell utjämning Stig-Arne Mattsson Sammanfattning För att kunna styra lager och producerande verksamheter krävs tillgång till information om framtida efterfrågan.
Läs merBeräkna standardavvikelser för efterfrågevariationer
Handbok materalstyrnng - Del B Parametrar och varabler B 41 Beräkna standardavvkelser för efterfrågevaratoner och prognosfel En standardavvkelse är ett sprdnngsmått som anger hur mycket en storhet varerar.
Läs merHandbok i materialstyrning - Del F Prognostisering
Handbok i materialstyrning - Del F Prognostisering F 58 Prognosrullning För att på ett effektivt sätt styra materialflöden måste man ha en föreställning om framtida efterfrågan. Är materialflödena initierade
Läs merLönsammare apotek genom automatisk varupåfyllning!
19.5.2010 1 / 5 Lönsammare apotek genom automatisk varupåfyllning! Den svenska apoteksmarknaden genomgår sedan årsskiftet 2009 2010 en omreglering från statligt monopol till fri marknad. Omregleringen
Läs merIN-SEASON MANAGEMENT
IN-SEASON MANAGEMENT Planering och styrning av varuflödet inom modeindustrin Joel Johansson RELEX hjälper detaljhandlare med att styra säsongerna från början till slut Ett effektivt verktyg för detaljhandlare
Läs merHandbok i materialstyrning - Del F Prognostisering
Handbok i materialstyrning - Del F Prognostisering F 59 Prognoskonsumtion En föreställning om storleken på framtida efterfrågan är en förutsättning för att effektivt kunna styra materialflöden i försörjningskedjor.
Läs merUtveckling av ett automatiskt lagerstyrningssystem för e-handel
Utveckling av ett automatiskt lagerstyrningssystem för e-handel Examensarbete vid Institutionen för teknisk ekonomi och logistik avdelningen för produktionsekonomi, Lunds Tekniska Högskola Handledare:
Läs merInnovativa SCM-lösningar
Innovativa SCM-lösningar RELEX SCM-seminarium 2015 Johanna Småros, RELEX Solutions Revolutionerande teknologi Minnesbaserad beräkningsteknologi (IMC) kommer att revolutionera planering och styrning av
Läs merAlternativa sätt att beräkna standardavvikelser
Alternativa sätt att beräkna standardavvikelser Stig-Arne Mattsson Sammanfattning I affärssystem är det vanligt att standardavvikelser beräknas per prognosperiod motsvarande en månad eller en fyraveckorsperiod.
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merPlanering av Räddningssystem. Fö 5: Modellering av indata. Tobias Andersson Granberg
Planering av Räddningssystem Fö 5: Modellering av indata Tobias Andersson Diskussionsuppgift Designa ett räddningssystem för området. + Diskutera behov, och hur dessa kan förutsägas. Vilken data behövs?
Läs merBEFOLKNINGSPROGNOS. 2015 2024 för Sollentuna kommun och dess kommundelar. www.sollentuna.se
BEFOLKNINGSPROGNOS 2015 2024 för Sollentuna kommun och dess kommundelar www.sollentuna.se Förord På uppdrag av Sollentuna kommun har Sweco Strategy beräknat en befolkningsprognos för perioden 2015-2024.
Läs merAvsnitt 2. Modell: intuitiv statistisk
Avsnitt 2. Modell: intuitiv statistisk En prognos är en utsaga om en framtida händelse. Vi kommer mest att syssla med numeriska prognoser. Med det menar vanligen ett tal på en intervallskala. Exempel:
Läs merVad gör rätt lagerstyrning för sista raden
Vad gör rätt lagerstyrning för sista raden Nils Robertsson VD på PromoSoft 100 % fokus på lager och inköp Utvecklar lagerstyrningssystem och säljer WMS och andra moduler för Supply Chain Add-on till affärssystemen
Läs mer1 10 e 1 10 x dx = 0.08 1 e 1 10 T = 0.08. p = P(ξ < 3) = 1 e 1 10 3 0.259. P(η 2) = 1 P(η = 0) P(η = 1) = 1 (1 p) 7 7p(1 p) 6 0.
Tentamen TMSB18 Matematisk statistik IL 091015 Tid: 08.00-13.00 Telefon: 036-10160 (Abrahamsson, Examinator: F Abrahamsson 1. Livslängden för en viss tvättmaskin är exponentialfördelad med en genomsnittlig
Läs merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström. Omtentamen i Regressionsanalys
STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström Omtentamen i Regressionsanalys 2009-01-08 Skrivtid: 9.00-14.00 Godkända hjälpmedel: Miniräknare utan lagrade formler. Tentamen består
Läs merSTOCKHOLMS UNIVERSITET VT 2009 Statistiska institutionen Jörgen Säve-Söderbergh
1 STOCKHOLMS UNIVERSITET VT 2009 Statistiska institutionen Jörgen Säve-Söderbergh Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik
Läs merTentamensgenomgång och återlämning: Måndagen 9/6 kl12.00 i B413. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, VT2014 2014-05-26 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs mertentaplugg.nu av studenter för studenter
tentaplugg.nu av studenter för studenter Kurskod T0002N Kursnamn Logistik 1 Datum 2013-10-31 Material Kursexaminator Tentamen Björn Samuelsson Betygsgränser 3 = 30-39; 4 = 40-49; 5 = 50- Tentamenspoäng
Läs merBästa resultat med rätt organisation och rätt kompetens!
Bästa resultat med rätt organisation och rätt kompetens! RELEX SCM-seminarium 2014 Michael Falck E-post: michael.falck@relexsolutions.com Telefon: +358 44 5520 860 Adress: Gjuterivägen 27, Helsingfors
Läs merÄr det någon skillnad på våra vanligt använda materialplaneringsmetoder?
Lagerstyrningsakademin.se Är det någon skillnad på våra vanligt använda materialplaneringsmetoder? Stig-Arne Mattsson Det finns nog få frågor inom logistiken där det finns så motsatta uppfattningar som
Läs merKänslighetsanalys av prognos- och ledtidskvalitetens påverkan på servicenivå och säkerhetslager
Känslighetsanalys av prognos- och ledtidskvalitetens påverkan på servicenivå och säkerhetslager Stig-Arne Mattsson Sammanfattning Avgörande för när inleverans bör ske till ett lager är förväntad efterfrågan
Läs merLaborationshandledning: Huvudplanering vid blandad lager- och kundorderstyrd tillverkning Master Scheduling Game
Laborationshandledning: Huvudplanering vid blandad lager- och kundorderstyrd tillverkning Master Scheduling Game 1 Introduktion Denna laboration utförs i grupper om två deltagare. Det är bra att ha med
Läs merValidering av befolkningsprognos för Vilhelmina. Att göra en befolknings-prognos i raps
Validering av befolkningsprognos för Vilhelmina Befolkningsprognoser Att beräkna befolkningsprognoser är svårt. Även om alla parametrar är perfekt uträknade efter vad som har hänt och vad som man rimligen
Läs merFöreläsning 7. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 7 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Fortsättning envägs-anova Scheffes test (kap 11.4) o Tvåvägs-ANOVA Korsade faktorer (kap 12.1, 12.3) Randomiserade blockförsök
Läs merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik och
Läs mer