logistikk – et lederansvarkursinfo.himolde.no/lo-kurs/scm200m/forelesinger... ·...
TRANSCRIPT
SCM200 Innføring i Supply Chain ManagementJøran Gården
Logistikk …og ledelse av forsyningskjeder
Kapittel 4 (8)
Del A - Prognoser
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Logistikkens 3 perspektiver
(Slutt)kundeLeverandør “Oss selv” Detaljist (kunde)
Intern
Kanal
Konkurranse
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Behovet for intern styring
Å ha konkurransekraft på et marked
innebærer å ha
tilstrekkelig (riktig) mengde varer
på riktig lager
til riktig tid
…til å kunne dekke etterspørselen!
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Inndekning og fleksibilitet
Lager
Informasjon
Samarbeid med leverandør og/eller kunde
Informasjonsdeling
Avtaler om leveringstider og avropsfrister
Avtaler om deling av lagerhold (ofte SL)
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Varelager
Fordeler
Bedre leveringsservice
Gir mulighet for økte
inntekter
Unngå produksjonsstans
pga mangel på råvarer og
komponenter
Generelt: gir tid og
stednytte
Ulemper/ kostnader Kapitalkostnader
Lagerdriftskostnader
Strøm, renhold/ avfall,
leie, utstyrskostnader,
personell, IT-systemer,
telling, emballasje…
Ukurans
Svinn
Brekkasje/ forringelse
Forsikring
av lagerbeholdningen
av utstyr og bygninger
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Trade off (avveining)
”Effektiv styring av et lager innebærer en avveining
mellom krav til leveringsdyktighet på den ene siden,
og kostnader og kapitalbinding på den andre siden”
Leverings-
dyktighet
Kostnader
Kap. binding
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Hvor stort skal lageret være?
Lageret skal dekke et fremtidig behov
Usikkerhet knyttet til når behovet oppstår og hvor stort behovet blir.
Man ønsker å redusere/ beherske denne usikkerheten, og lager derfor planer for hvordan fremtidig behov skal dekkes og hvordan man skal kunne redusere/ beherske usikkerheten.
Disse planene er blant annet bygget på…
PROGNOSER!
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Intern behovsberegning i en produksjonsbedrift – Fig 4.1
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Behovsberegning i de ulike leddene i foredlingskjeden – fig. 4.2
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Inndekning av behov- reduksjon av usikkerhet
Ordrer
Dekker behovet ved levering
Avtaler
Primært skal avtaler redusere usikkerheten rundt
levering/etterspørsel (altså: hos begge parter)
Avtaleformer
Rammeavtaler
Intensjonsavtale
Opsjonsavtale
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognostisering
”Prognostisering er å bruke en systematisk metode
for å forutsi en framtidig hendelse eller tilstand”
Datagrunnlaget hentes fra fortiden
Vi forsøker å forutsi framtiden ved bl.a å forlenge en utvikling som alt har inntruffet.
Historiske data PlanerPrognoser Beslutning
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognoser - en del av grunnlaget for å utvikle planer (fig 4.3)
(metoder og tilgjengelige verktøy
– f.eks dataprogrammer)
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognoser
Kvantitativ statistisk/matematisk beregning
Tidshorisont
Langtidsprognoser (opp mot 5 år)
Prognoser på mellomlang sikt (1-3år)
Kortsiktige prognoser (3-12 måneder)
Ukeprognoser (1-4uker)
Etterspørsel
Avhengig
Uavhengig
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Avhengig og uavhengig etterspørsel - fig 4.4
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksempel:
Avhengig og uavhengig etterspørsel
Salgspakning(fyrstikkeske
med fyrstikker)
X ant fyrstikker
Fyrstikkesker
Papp
Trykk
Svovel
Treflis
KomponenterRåvarer
Avhengig etterspørselUavhengig
etterspørsel
Ferdigvarer
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Forutsetninger for prognosearbeidet
Definer prognosens formål og mål: Hvor skal prognosen brukes?
Hva skal prognosen brukes til?
Tidshorisont
Periodisering
Måleenhet for material- og produktstrømmen
Klargjør data Hvilke data er relevante?
Analysere datagrunnlaget
Etterspørselsmønstre – fig 4.5
Kartlegg forhold som kan påvirke behovs- eller forbrukssituasjonen Internt og eksternt
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Vanlige etterspørselsmønstre- fig 4.5
Tid
Tid
Tid
Lang tid
SESONG TREND
KONJUNKTUR TILFELDIG
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksempel
Antall tonn med forsyninger som ble uttransportert fra
Kristiansund pr. måned i 2002.
Hvor stor transportkapasitet trenger man i 2003?
Vekt pr mnd [tonn]
4500
5000
5500
6000
6500
7000
7500
8000
8500
Janu
ar
Febr
uar
Mar
sApr
ilM
ai
Juni
Juli
Aug
ust
Sep
tem
ber
Okt
ober
Nov
embe
r
Des
embe
r
Vekt pr.
måned i tonn
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Trendlinje
Trendlinje
4500
5000
5500
6000
6500
7000
7500
8000
8500
Janu
ar
Febru
ar
Mar
sApr
ilM
aiJu
niJu
li
Augus
t
Septe
mbe
r
Oktob
er
Nov
embe
r
Des
embe
r
Vekt pr.
måned i tonn
Lineær (Vekt
pr. måned i
tonn)
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognosemetoder
Bedømmingsmetoder
Delphi-undersøkelser
Analogimetoder
Kartleggingsmetoder
Beregningsmetoder
”Bygger på registrerte, historiske tall som er knyttet til de
forholdene det skal lages prognoseverdi for”.
Metoder for totalvirksomheten
Ledende tallserier (regresjon)
Metoder for enkeltprodukter eller produktgrupper
Glidende gjennomsnitt
Eksponentiell glatting
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognostisering ved hjelp av ledende tallserie
Ledende tallserier forutsetter at
etterspørselen over tid varierer med
utviklingen til en eller flere indikatorer.
Forutsetter en kjent tidsforsinkelse i
forholdet til indikatorene
Bruker regresjonsligninger
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognostisering ved hjelp av ledende tallserie - fig 4.6
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Glidende gjennomsnitt
Beregner etterspørselen en måned (eller
en uke, ett år osv) frem i tid
Regner ut gjennomsnittsverdien på
historiske data i forhold til hvor mange
tidsperioder man velger å bruke
F.eks. ”6 måneders glidende gjennomsnitt”.
Den eldste observasjonen byttes ut med
en ny så snart en slik er registrert
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Glidende gjennomsnitt
n
XXXX nttt
t
......21
n
X
X
t
t
1
= prognose for perioden t
= observert verdi for ”forrige” periode
= antall observasjoner
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
EKSEMPELBeregning av prognoseverdi med formelen for
fire måneders glidende gjennomsnitt
Måned Observert
verdi
Prognose-
verdi
Januar 10
Februar 12
Mars 9
April 11
Mai 12 10,5
Juni 11
5,104
1191210ˆmaiX
114
1211912ˆjuniX
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognose for antall tonn med forsyninger som skal ut januar 2003
(6 mnd glidende gjennomsnitt)
MÅNED ANT TONN
Juli 5.531
Aug 5.128
Sep 6.637
Okt 5.953
Nov 6.648
Des 6.086
59976
086 6648 6953 5637 6128 5531 52003januar for Prognose
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksponentiell glatting
Eksponentiell glatting er også en form for
gjennomsnittsberegning, men den vekt som
legges på de historiske observasjonene, kan
varieres slik at de nyeste påvirker mer en de
eldste (fanger opp trender)
Dette gjør at man kan fange opp trender i større
grad en vanlig gjennomsnittsberegning.
Man velger en glattingskonstant mellom 0 og 1.
Jo høyere glattingskonstant, jo mer vektlegges de
nyeste observasjonene.
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksponentiell glatting
111 tttt XXXX
α
n
X
X
t
t
1
= prognose for perioden t
= observert verdi for ”forrige” periode
= antall observasjoner
= glattingskonstant (0 < < 1)
(”Prognosefeilen”)
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksponentiell glatting
nenobservasjo
sisteden pålegger vekt vimyehvor bestemmer
eilen)(prognosef periode forrigefor
utfallet faktiskedet og )(prognosen troddedet vi
mellomavviket er ˆ
gang førsteX Settes ˆ
11
2-t1
tt
t
XX
X
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksempel
9,1515183,015X
Glattingskonstanten finnes ved å teste ved hjelp av
historiske data til en finner den glattingskonstanten som gir minst avvik mellom prognoseverdi og utfall (observert verdi)
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Om bruk av gjennomsnittsberegninger..
Glidende gjennomsnitt og Eksponentiell
glatting er begge gjennomsnittsmetoder
Gir best resultater ved jevn utvikling/endring
Gir for lave resultater v/ økende etterspørsel
(…og visa versa)
Vurderinger
Nødvendig å justere for trend(er)?
Nødvendig å justere for sesongsvingninger?
…
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Sesongindeksering
Sesongindeksen gir oss mulighet for å
fange opp trender i tallmaterialet…som prognosemetodene typisk vil forskyve/ forsinke
Metoden
Man finner gjennomsnittlig salg pr periode i det året
perioden tilhører
Man finner periodens indeks ved å finne forholdet
mellom periodens salg og gjennomsnittsverdien
Har man flere års historikk kan man sammenligne
sesongsvingene over år
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksempel: Beregning av prognoseverdier ved hjelp av sesongindekser - tab 4.1
Sum for året:
Snitt pr mnd:
276
276/12= 23
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Etterspørsel etter telemarksgensereOppgave: Juster for sesongsvingning v/ 15% økt etterspørsel
Måned Etterspørsel 12 mnd index Prognoser for de neste 12 mnd
1 1.500
2 1.700
3 1.400
4 1.500
5 800
6 400
7 100
8 300
9 350
10 500
11 600
12 1.000
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Prognosefeil
SIKKER SPÅDOM: PROGNOSER ER ”FEIL”
Derfor må vi ta hensyn til følgende:
Prognoser vil avvike fra faktiske utfall
Prognoser gir oss 2 tall Prognoseverdien
Estimat for prognosefeilen
Prognoser er riktigere for produktgrupper enn for enkeltprodukter
Prognoseverdier er riktigere på kort enn på lang sikt
Prognosefeilen (det forventete avviket) brukes til følgende:
I forkant: å bestemme størrelsen på SL
I etterkant: avdekke om vår prognosemetode systematisk gir for høye eller for lave verdier
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
5000
5250
5500
5750
6000
6250
6500
6750
Juli
Aug
ust
Sep
tem
ber
Oktobe
r
Nove
mbe
r
Dese
mbe
r
Janu
ar
Vekt pr. måned i tonn Glidende gjennomsnitt (6mnd)
Eksponentiell glatting GK=0,7
Prognosefeil
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
5000
5250
5500
5750
6000
6250
6500
6750
Juli
Aug
ust
Sep
tem
ber
Oktobe
r
Nove
mbe
r
Dese
mbe
r
Janu
ar
Vekt pr. måned i tonn Glidende gjennomsnitt (6mnd)
Eksponentiell glatting GK=0,7
Prognosefeil
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Kvantifisering av prognosefeil
Standardavvik
MAD
Mean Absolute
Deviation
n
XX
SDitit
ni
i
2
1
n
XX
MAD
itit
ni
i 1
Kvantifisering= ”…å sette tall på”
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
EKSEMPEL: Beregning av standardavvik og MAD (Tab 4.2)
75,18
14:MAD
29,28
42:SD MADSD 25,1
Ved tilstrekkelig stort tallmateriale
(statistisk representativt):
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksempel på prognosefeil (Statoil)
Måned
Vekt pr.
måned i tonn
Glidende
gjennomsnitt
(6mnd) Feil
Absolutt
feil Kvadratfeil
1 Juli 5 531 6 250 -719 719 516 961
2 August 5 128 6 270 -1142 1 142 1 304 164
3 September 6 637 6 234 403 403 162 409
4 Oktober 5 953 6 238 -285 285 81 225
5 November 6 648 6 184 464 464 215 296
6 Desember 6 086 5 953 133 133 17 689
SUM 3 146 2 297 744
5246
3146MAD
6196
2297744SD
SD
MAD=1,18
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Sporsignalet
En måte å holde øye med prognosenes
treffsikkerhet
Vanlig brukte terskelverdier for sporsignalet er
4 – 6
Når terskelverdiene overskrides justeres
prognosemetoden
For glidende gjennomsnitt – n endres
For eksponensiell glatting – endres
(nødvendig å teste sporsignalet med den nye prognosemetoden)
Sporsignal = Akkumulerte prognosefeil
MAD
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Eksempel på beregning av sporsignal (Statoil)
Måned
Vekt pr.
måned i tonn
Glidende
gjennomsnitt
(6mnd) Feil
Akkumulert
prognosefeil Sporsignal
1 Juli 5 531 6 250 -719 -719 -1,37
2 August 5 128 6 270 -1142 -1 861 -3,55
3 September 6 637 6 234 403 -1 458 -2,78
4 Oktober 5 953 6 238 -285 -1 743 -3,33
5 November 6 648 6 184 464 -1 279 -2,44
6 Desember 6 086 5 953 133 -1 146 -2,19
5246
3146MAD
SC
M2
00
In
nfø
rin
g i S
up
ply
Ch
ain
Ma
na
ge
me
nt
HSM Jøran Gården
Oppgaver prognoser
Arbeidsheftet Diskusjonsoppgaver 4.1 tom 4.11
Oppgave II.1, II.5, II.11
Utdelte øvingsoppgaver Oppgave 1, 3b, 4a+e, 5a+d og 6 (første avsnitt)
Eksamensoppgaver Log300 h2005 oppg 3e (fra kurset Lo300)
v2006 oppg 4a og 4b
Eksamensoppgaver Bø615/ Bø6-300 v2005 oppg 3a-d
er vanskeligere å forstå – benytter et annet begrepsapparat, men er fullt løsbar