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