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 1990, tekn.dr. 1995, docent 1999 allt från Linköpings Tekniska Högskola 1975- systemman/programmerare, 1980- redovisningsekonom, 1982- administrativ chef, 1984- planeringschef, 1986- plats och produktionschef, 1991- akademiker o univ. lärare anders.segerstedt@ltu.se; +46920491212
Varje beslut som fattas är baserat på en prognos, medvetet eller omedvetet, framställd med formell teknik eller utan sådan! Prognostekniker som brukar användas kan särskiljas i tre delgrupper: Känsla/Erfarenhets-tekniker Flervariabel-tekniker Envariabel-tekniker
Känsla/Erfarenhets-tekniker Vid prognosering på mycket lång sikt är det svårt att basera sig på någon formell matematisk metod, vilket övriga delgrupper innehåller. Med sig själv eller tillsammans i en grupp diskuterar man sig fram till tänkbara framtida förhållanden och vad dessa förhållanden kommer att ge för konsekvenser för de aktiviteter man är intresserade av. (Delphi-metoden) Bugetering
Flervariabel-tekniker Ibland kan man förvänta sig att den storhet, eller variabel, man vill prognosera står i ett beroendeförhållande till en eller flera andra variabler som är lättare att prognosera än den sökta variabeln. Exempelvis det är klarlagt att elkraftförbrukningen inom ett område är starkt beroende av väderleken inom samma område. Lägre temperatur, mer moln och högre vindstyrka ger högre elkraftförbrukning. Med regressionsanalys kan man söka beroendeförhållandet och utifrån en väderprognos kan man göra en prognos för elkraftförbrukningen.
Envariabel-tekniker De vanligast förekommande prognoser som framställs med formell teknik är sådana som utgör en slags extrapolation av tidigare data: Glidande medelvärde Exponentiell utjämning Box Jenkins X-12-ARIMA (trend, säsong, cykel och slump)
Glidande medelvärde: Pt = ( X t 1 + X t 1 + X t 3 +... + X N ) / N Pt = Prognos/medelvärde för period t X = Verkligt utfall period t-1 t 1 Utfall: 4, 7, 3, 2, 5, P = (4 + 7 + 3 + 2) / 4 4.0 P = (7 + 3 + 2 + 5) / 4 4. 25 4 = 5 =
Exponentiell utjämning: P t = Pt -1 + α( X t-1 - Pt -1 ) MAD = MADt-1+β( X t-1-pt-1 -MADt- t 1 ) Vid prognosering är det nödvändigt att skaffa sig en uppfattning om noggrannheten i de prognoser som framställs. Det är ofta att föredra att ha en prognos framställd med ganska enkel teknik och ungefär veta hur snett prognosen kan slå än att ha en mer avancerad prognos men inte veta hur fel den kan bli. Skall man dimensionera ett säkerhetslager är det nödvändigt att veta hur stora avvikelserna i efterfrågan kan förväntas bli.
Vad ska prognosen användas till? Att hjälpa till att bestämma en takttid för produktionen av en artikel eller artikelgrupp som måste levereras med en kort leveranstid, så att produktionen måste starta innan den slutliga kundordern anländer. (underlag för tillverkningsplanen vid MRP eller hellre täcktidsplanering) Att hjälpa till att undvika materialbrister i ett lager, genom att beräkna beställningspunkt eller att otillåten sannolikhet för brist undviks.
Beställningspunkt = förväntad efterfrågan under ledtiden (+ inspektionsintervall) + ett säkerhetslager
Beställningspunkt = T T L P P t + z T T L P MAD t T P = prognosintervall T L = ledtid inklusive inspektionsintervall
prognosfel CFE CFE/MAD Utfall Prog MAD BP -1.5 1 27 32.0 5.5 58.8-5.0-6.5-1.18 2 39 31.3 5.45 57.6 7.8 1.3 0.23 3 26 32.4 5.68 59.7-6.4-5.2-0.91 4 30 31.5 5.75 58.4-1.5-6.6-1.15 5 19 31.2 5.32 57.3-12.2-18.8-3.54 6 24 29.4 6.01 55.9-5.4-24.2-4.03 7 29 28.6 5.95 54.5 0.4-23.8-4.00 8 25 28.7 5.40 53.6-3.7-27.5-5.09 9 22 28.1 5.22 52.4-6.1-33.6-6.43 10 24 27.2 5.31 51.2-3.2-36.8-6.92 11 19 26.7 5.10 50.1-7.7-44.5-8.72 70 60 50 40 30 20 10 0 0 5 10 15 Utfall Progos MAD Best. punkt α = 0.15 β = 0.10 = 1 T P T L = 1.5 z = 1.28
Trackning signal : CFE t MAD t CFEt 5 eller 5 MAD t Ifall kvoten är större än 5 eller mindre än 5 så signaleras artikelns prognos som felaktig. Signalen är ett tecken på att en systematisk förändring skett i förbrukningen så därför behöver i de flesta fallen en ny korrigerad prognos (P) bestämmas som sätts (manuellt) utifrån de senaste verkliga förbrukningarna. Alltså inte ett medelvärde av de senaste två årens förbrukning per prognosperiod, utan hellre ett medelvärde av de senaste tre periodernas förbrukning eller vad man tror kommer att bli nästa periods förbrukning. Eventuellt bör man även förändra utjämningskonstanten, om utifrån tidigare förbrukningsdata man har stora periodmässiga variationer men ändå relativt stabilt medelvärde bör man minska utjämningskonstanten eller utjämningskonstanterna. Har man istället en trend eller hopp i förbrukningen bör man åtminstone temporärt öka utjämningskonstanterna.
F101 H2 H202 K401 K301 H301 K305 K400 Figur 1. Schematisk produktstruktur Ledtid? Total ledtid? (kumulerad)
Säljartikel - 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Prognos 11 11 11 11 11 11 11 11 11 9 9 9 9 9 9 Pl.utlev. 2 10 13 5 20 6 Pl.inlev. 23 Disp. lager 10 21 8 3 3-17 -17-23 -23 "Tillgång" 31 M-L-L 9-2 6 11-9 11 5 11 11 9 9 Kum M-L-L 9 7 13 24 15 26 31 42 53 62 71 Ledtid Total ledtid Lova bara leverans av material som är på väg upp i försörjningskedjan! Håll reda: Möjligt Lova Leverans! Kumulerat Möjligt Lova Leverans får aldrig vara negativt!
M1 M2 M3 Modularisering och sortimentsbegränsning M4 M5 M6 M7 Figur 9.2 Skiss över moduluppbyggd produkt Totala antalet varianter som säljs till kund blir: 4 6 2 3 4 6 2= 6912 st 4 +6 +2 +3 +4 +6 +2 =27 artiklar i lager om bara modulerna lagerhålls
RESURSSNÅLT Produktion av komponenter mot prognos Ekonomiska orderkvantiteter Maximering av inre effektivitet LÄTTRÖRLIGT Sen konfiguration av produkten Produktion mot kundorder Maximering av yttre effektivitet Förädlingsflöde från leverantör till kund Kundordertillverkning Kundorderpunkt Figur 9.6 Flexibel produktion: en kombination av resurssnål och lättrörlig produktion
Lean contra Agile Resurssnål Lättrörlig Produkttyp Standard Special Produktspridning Smal Vid Efterfrågan Stabil och tämligen förutsägbar Variabel och svår att prognosera Konkurrensstrategi Låg kostnad och pris Design, funktion och tillgänglighet Dominerande kostnader Tillverkningskostnad Marknad/administrationskostnad Dominerande hantering: Organisation ofta centraliserad ofta decentraliserad Processupplägg mestadels linjetillverkning mestadels funktionell verkstad Kvalitetstänkande processkvalitet produktkvalitet Verksamhetsplanering mestadels utjämnad produktion strävan mot lagerlös produktion Leveranstidssättning efter lagertillgänglighet efter produkternas ledtid och beräknade leveranstid Bristkostnader ofta styrda av kontrakt tappade försäljningsintäkter Inköpsupplägg köp av material köp av kapacitet Prestationsmätning kostnad, produktivitet leveranstider, ledtider, kundnytta
Marknad Kapacitet Prel. prognos Beläggning? Nej Realistisk? Ja Materialtillgång? Nej Realistisk? Ja Konstruktionsläge? Nej Realistisk? Ja Prognos Figur 2. Sälj och verksamhetsplaneringens nödvändiga tankegångar
Referenser: Hopp W.J. (2008). Supply Chain Science, New York: McGraw-Hill. Hopp W. J., Spearman M. L. (2008). Factory Physics (3 ed), New York : McGraw-Hill. Pettersen J.-A., Segerstedt A. (2009). Restricted Work-In-Process, A study of differences between Kanban and CONWIP, International Journal of Production Economics, 118 (1), 199-207. Segerstedt A. (2009). Logistik med fokus på material- och produktionsstyrning (2 uppl.), Malmö : Liber. Segerstedt A. (2011). Dimensionering av buffertar i ett flöde: CONWIP och/eller Kanban styrning?, Bättre Produktivitet, Nr 1. Segerstedt A. (2011). Så undviker du försening vid utlovad leveranstid, Intelligent Logistik, Nr 2-3 Mars. Silver E.A., Pyke D., Peterson R. (1998). Inventory Management and Production Planning and Scheduling (3 ed.), New York: Wiley