Manajemen bergerak rata rata operasi sederhana

Tagged with simple moving average Dalam minggu 6 tentu saja kita akan melihat pada demand management dan forecasting, area yang mendapat perhatian substansial, terutama karena minat manajemen rantai pasokan tumbuh dan kita berusaha untuk lebih efektif merencanakan dan mengkoordinasikan supply chain sebagai seluruh. Sering dikatakan bahwa prakiraan biasanya salah, beberapa sangat spektakuler: Tujuan pembelajaran untuk minggu ini tentu saja adalah bahwa Anda harus memahami peran peramalan sebagai dasar perencanaan rantai pasokan. Bahwa Anda akan bisa membandingkan perbedaan antara permintaan independen dan ketergantungan. Ketiga, Anda akan dapat mengidentifikasi komponen dasar permintaan independen, termasuk variasi rata-rata, tren, musiman dan acak. Anda akan dapat menggambarkan teknik peramalan kualitatif umum seperti Metode Delphi dan Peramalan Kolaboratif. Anda akan memahami teknik peramalan kuantitatif dasar dan penggunaan dekomposisi untuk memperkirakan kapan tren dan musiman ada. Video berikut ini menekankan perlunya akurasi dan akal dalam peramalan: Ramalan dapat dibagi menjadi dua jenis, strategis dan taktis. Perkiraan strategis digunakan untuk membantu terciptanya strategi yang akan menentukan bagaimana permintaan terpenuhi. Perkiraan taktis digunakan untuk membantu pengambilan keputusan setiap hari. Manajemen permintaan digunakan untuk mempengaruhi sumber permintaan produk atau layanan, baik meningkatkan permintaan, menurunkan permintaan atau mempertahankannya pada tingkat yang konstan. Video berikut melihat faktor-faktor yang mempengaruhi peramalan dalam industri anggur: Ketergantungan dan Permintaan Independen Ada dua sumber dasar permintaan, ketergantungan dan independensi. Ketergantungan permintaan adalah permintaan yang terjadi sebagai akibat dari permintaan akan produk atau layanan lainnya. Permintaan independen adalah permintaan yang tidak dapat diperkirakan berdasarkan permintaan akan produk atau layanan lain. Ketergantungan permintaan biasanya sangat sulit untuk mempengaruhi 8211 itu adalah permintaan yang tidak tergantung pada faktor-faktor yang dapat Anda pengaruhi dan lebih tepatnya permintaan yang harus Anda penuhi. Permintaan independen biasanya dapat dipengaruhi dan oleh karena itu organisasi memiliki pilihan mengenai apakah mereka berperan aktif dan memengaruhinya atau mengambil peran pasif dan hanya menanggapi permintaan yang ada. Video berikut melihat bagaimana Motorola bekerja dengan peramalannya: Buku teks mengidentifikasi empat jenis perkiraan dasar. Peramalan kualitatif didasarkan pada penilaian manusia dan beberapa teknik yang digunakan dalam peramalan kualitatif akan dibahas di bawah ini. Analisis deret waktu melihat pola data dari waktu ke waktu. Hubungan sebab-akibat melihat hubungan antara faktor-faktor yang akan mempengaruhi permintaan dan simulasi berusaha memodelkan permintaan sehingga hubungan antar faktor permintaan dapat dipahami dengan lebih baik. Video berikut meneliti bagaimana manajemen dan peramalan permintaan dilakukan di Lowes: Biasanya permintaan dianggap memiliki enam komponen, rata-rata, tren, elemen musiman, elemen siklus, variasi acak dan autokorelasi. Unsur-unsur permintaan ini memungkinkan kita untuk memahami pola permintaan produk yang mungkin diterapkan pada prediksi permintaan masa depan. Permintaan rata-rata adalah permintaan rata-rata untuk suatu produk dari waktu ke waktu. Tren tersebut menunjukkan bagaimana permintaan telah berubah dari waktu ke waktu dan permintaan musiman menunjukkan variasi permintaan musiman. Elemen siklis terjadi dalam periode yang lebih lama daripada elemen musiman dan lebih sulit diprediksi, terjadi, misalnya, sebagai akibat siklus ekonomi. Variasi acak didasarkan pada kejadian acak yang tidak mungkin diprediksi sementara korelasi otomatis adalah hubungan antara permintaan masa lalu dan masa depan, yaitu permintaan masa depan terkait dengan permintaan saat ini. Dimana ada variasi acak yang tinggi, sangat sedikit hubungan antara permintaan saat ini dan permintaan masa depan. Dimana ada korelasi otomatis yang tinggi, ada hubungan yang kuat antara permintaan saat ini dan masa depan. Time Series Models Model time series meramalkan masa depan berdasarkan model masa lalu. Berbagai model tersedia dan yang harus Anda gunakan bergantung pada cakrawala waktu yang ingin Anda ramalkan, data yang Anda miliki tersedia, keakuratan yang Anda perlukan, ukuran anggaran peramalan dan ketersediaan orang yang memenuhi syarat untuk melakukan Analisisnya. Bagan berikut dari halaman 488 dari buku teks dirancang untuk membantu memilih alat yang tepat: Regresi linier digunakan bila ada hubungan fungsional antara dua variabel yang berkorelasi, yang digunakan untuk memprediksi satu variabel berdasarkan variabel lainnya. Hal ini berguna dimana data relatif stabil. Dekomposisi deret waktu digunakan untuk mengidentifikasi dan memisahkan data deret waktu ke dalam berbagai komponen permintaan. Dua jenis variasi musiman diidentifikasi 8211 aditif, di mana jumlah musiman di setiap musim konstan dan multiplikatif dimana variasi musiman adalah persentase permintaan untuk jangka waktu tertentu. Rata-rata pergerakan sederhana berguna bila permintaan relatif stabil, tidak meningkat atau menurun dengan cepat dan di mana terdapat beberapa karakteristik musiman. Moving averages dapat dipusatkan di sekitar titik tengahnya, atau digunakan sebagai dasar untuk memprediksi masa depan. Menggunakan jangka waktu yang lebih lama akan menghasilkan variasi yang lebih merata saat menggunakan periode waktu yang lebih pendek akan menunjukkan tren statistik lebih cepat. Sebuah rata-rata bergerak tertimbang memungkinkan Anda untuk berat periode waktu tertentu dalam rata-rata untuk mencapai akurasi yang lebih besar. Misalnya, bobot yang lebih berat dapat diberikan pada periode waktu yang lebih baru agar lebih menekankan pada aktivitas permintaan terkini. Eksponensial smoothing adalah yang paling banyak digunakan untuk semua teknik peramalan dan muncul di semua aplikasi peramalan berbasis komputer. Ini banyak digunakan di industri ritel dan jasa. Seringkali sangat akurat, ini cukup mudah dilakukan, mudah dipahami, memerlukan sedikit perhitungan dan mudah diuji untuk akurasi. Perincian video berikut tentang pelaksanaan teknik peramalan ini: Peramalan kualitatif melibatkan penerapan penilaian manusia untuk menciptakan perkiraan. Biasanya pendekatan terstruktur digunakan, tidak seperti ini: Berbagai teknik digunakan untuk peramalan kualitatif, termasuk: Analogi Historis. Mendasarkan perkiraan pada pola permintaan untuk produk serupa. Riset Pasar: Prakiraan dibuat oleh perusahaan riset pasar, terutama dengan survei dan wawancara. Konsensus Panel: Jika sekelompok orang dengan pengetahuan di bidang subjek perkiraan, berbagi pemikiran mereka dan mengembangkan ramalan. Metode Delphi: Teknik berbasis survei yang menciptakan anonimitas dalam kelompok. Hal ini dijelaskan dalam video berikut: Perencanaan Kolaboratif, Peramalan dan Pengisian Ulang. CPFR adalah inovasi terbaru yang menggunakan internet untuk memungkinkan orang berkolaborasi dalam pembuatan perkiraan: Ada dua jenis kesalahan perkiraan. Kesalahan bias terjadi dimana ada kesalahan konsisten yang dibuat yang meresapi perkiraan yang dibuat. Kesalahan acak adalah kesalahan yang tidak dapat dijelaskan oleh model perkiraan 8211 terjadi secara acak dan tidak dapat diprediksi. Ukuran kesalahan perkiraan meliputi Mean Absolute Deviation (MAD), Mean Absolute Persentase Error (MAPE) dan Tracking Signal. Video berikut menganggap masalah dalam perkiraan kesalahan manusia: Tracking Signal adalah ukuran yang digunakan untuk memantau kinerja ramalan aktual dari waktu ke waktu untuk melihat apakah sesuai dengan perubahan permintaan di dunia nyata. Ini bisa digunakan seperti diagram kontrol kualitas. Minggu ini kami telah mempertimbangkan manajemen permintaan dan peramalan, dengan menggunakan teknik kualitatif dan kuantitatif. Penekanan telah dipastikan bahwa prakiraan itu realistis dan hati-hati telah disarankan mengenai penggunaan peramalan berdasarkan kinerja masa lalu 8211, hal itu biasanya memberi tahu Anda apa yang akan dilakukan masa depan, tetapi seringkali akan membantu Anda untuk mempersiapkannya. Video berikut menampilkan penerapan teknologi informasi untuk peramalan dan mungkin merupakan kesimpulan lucu untuk materi minggu ini: Dalam praktiknya, rata-rata bergerak akan memberikan perkiraan yang baik dari mean deret waktu jika mean konstan atau perlahan berubah. Dalam kasus mean konstan, nilai m terbesar akan memberikan perkiraan terbaik dari mean yang mendasarinya. Periode pengamatan yang lebih lama akan rata-rata menghasilkan efek variabilitas. Tujuan pemberian m yang lebih kecil adalah memungkinkan perkiraan tersebut merespons perubahan dalam proses yang mendasarinya. Sebagai ilustrasi, kami mengusulkan kumpulan data yang menggabungkan perubahan dalam mean deret deret waktu. Angka tersebut menunjukkan deret waktu yang digunakan untuk ilustrasi bersamaan dengan permintaan rata-rata dari mana seri tersebut dihasilkan. Mean dimulai sebagai konstanta pada 10. Dimulai pada waktu 21, meningkat satu unit pada setiap periode sampai mencapai nilai 20 pada waktu 30. Maka akan menjadi konstan lagi. Data disimulasikan dengan menambahkan mean, noise acak dari distribusi Normal dengan mean nol dan standar deviasi 3. Hasil simulasi dibulatkan ke bilangan bulat terdekat. Tabel menunjukkan simulasi pengamatan yang digunakan untuk contoh. Saat kita menggunakan tabel, kita harus ingat bahwa pada suatu waktu, hanya data terakhir yang diketahui. Estimasi parameter model,, untuk tiga nilai m yang berbeda ditunjukkan bersamaan dengan mean deret waktu pada gambar di bawah ini. Angka tersebut menunjukkan perkiraan rata-rata pergerakan rata-rata pada setiap waktu dan bukan perkiraan. Prakiraan akan menggeser kurva rata-rata bergerak ke kanan menurut periode. Satu kesimpulan segera terlihat dari gambar tersebut. Untuk ketiga perkiraan, rata-rata bergerak tertinggal dari tren linier, dengan lag meningkat dengan m. Keterlambatan adalah jarak antara model dan estimasi dalam dimensi waktu. Karena lag, rata-rata bergerak meremehkan pengamatan karena rata-rata meningkat. Bias estimator adalah perbedaan pada waktu tertentu dalam nilai rata-rata model dan nilai rata-rata yang diprediksi oleh moving average. Bias ketika mean meningkat adalah negatif. Untuk mean yang menurun, biasnya positif. Keterlambatan waktu dan bias yang diperkenalkan dalam estimasi adalah fungsi m. Semakin besar nilai m. Semakin besar besarnya lag dan bias. Untuk seri yang terus meningkat dengan tren a. Nilai lag dan bias estimator mean diberikan dalam persamaan di bawah ini. Kurva contoh tidak sesuai dengan persamaan ini karena contoh model tidak terus meningkat, melainkan dimulai sebagai perubahan konstan, berubah menjadi tren dan kemudian menjadi konstan lagi. Juga contoh kurva dipengaruhi oleh noise. Perkiraan rata-rata pergerakan periode ke masa depan ditunjukkan dengan menggeser kurva ke kanan. Kelemahan dan bias meningkat secara proporsional. Persamaan di bawah ini menunjukkan lag dan bias dari perkiraan periode ke masa depan bila dibandingkan dengan parameter model. Sekali lagi, formula ini untuk rangkaian waktu dengan tren linier konstan. Kita tidak perlu heran dengan hasil ini. Pengukur rata-rata bergerak didasarkan pada asumsi mean konstan, dan contohnya memiliki kecenderungan linier dalam mean selama sebagian periode penelitian. Karena deret real time jarang sekali menaati asumsi model apapun, kita harus siap untuk hasil seperti itu. Kita juga dapat menyimpulkan dari gambar bahwa variabilitas noise memiliki efek terbesar untuk m yang lebih kecil. Estimasi ini jauh lebih fluktuatif untuk rata-rata pergerakan 5 dari moving average 20. Kami memiliki keinginan yang saling bertentangan untuk meningkatkan m untuk mengurangi efek variabilitas akibat kebisingan, dan untuk menurunkan m untuk membuat perkiraan lebih responsif terhadap perubahan. Berarti. Kesalahan adalah perbedaan antara data aktual dan nilai perkiraan. Jika deret waktu benar-benar nilai konstan maka nilai kesalahan yang diharapkan adalah nol dan varians dari kesalahan tersebut terdiri dari sebuah istilah yang merupakan fungsi dari dan istilah kedua yaitu variansi dari noise,. Istilah pertama adalah varians dari mean yang diperkirakan dengan sampel pengamatan m, dengan mengasumsikan data berasal dari populasi dengan mean konstan. Istilah ini diminimalkan dengan membuat m seluas mungkin. Sebuah m besar membuat ramalan tidak responsif terhadap perubahan deret waktu yang mendasarinya. Untuk membuat perkiraan responsif terhadap perubahan, kami ingin m sekecil mungkin (1), namun ini meningkatkan varians kesalahan. Peramalan praktis membutuhkan nilai antara. Peramalan dengan Excel Peramalan peramalan menerapkan rumus rata-rata bergerak. Contoh di bawah ini menunjukkan analisis yang diberikan oleh add-in untuk data sampel di kolom B. 10 pengamatan pertama diindeks -9 sampai 0. Dibandingkan dengan tabel di atas, indeks periode digeser oleh -10. Sepuluh observasi pertama memberikan nilai awal untuk estimasi dan digunakan untuk menghitung rata-rata pergerakan untuk periode 0. Kolom MA (10) (C) menunjukkan rata-rata bergerak yang dihitung. Parameter rata-rata bergerak m adalah di sel C3. Kolom Fore (1) (D) menunjukkan perkiraan untuk satu periode ke masa depan. Interval perkiraan ada di sel D3. Bila interval perkiraan diubah ke angka yang lebih besar, angka-angka di kolom Fore digeser ke bawah. Kolom Err (1) menunjukkan perbedaan antara pengamatan dan perkiraan. Misalnya, pengamatan pada waktu 1 adalah 6. Nilai perkiraan yang dibuat dari moving average pada waktu 0 adalah 11.1. Kesalahannya adalah -5.1. Standar deviasi dan rata-rata deviasi rata-rata (MAD) dihitung dalam sel E6 dan E7 masing-masing. Urutan Manajemen Operasi Rata-rata Bergerak Membantu Rata-Rata Bergerak Sederhana Rata-rata setiap karakteristik musiman, rata-rata pergerakan sederhana dapat sangat berguna untuk mengidentifikasi kecenderungan fluktuasi data. Misalnya, jika kita ingin meramalkan penjualan pada bulan Juni dengan rata-rata pergerakan lima bulan, kita dapat menghitung rata-rata penjualan pada bulan Januari, Februari, Maret. April, dan Mei. Saat June passe. Perkiraan bulan Juli akan menjadi rata-rata bulan Februari, Maret, April, Mei, dan Juni. Rumus untuk perkiraan rata-rata bergerak sederhana adalah Misalkan kita ingin meramalkan permintaan mingguan untuk produk yang menggunakan rata-rata pergerakan tiga minggu dan sembilan minggu. Seperti ditunjukkan pada Tampilan 9.6 dan 9.7. Perkiraan ini dihitung sebagai berikut: Sebagai gambaran, perkiraan tiga minggu untuk minggu ini adalah: Manajemen Operasi yang Terkait Tugas Rata-rata Tertimbang Berorientasi Rata-Rata Rumus Data Kunci Analisis Seri Waktu Eksponensial Smoothing