Logistikk og ledelse av forsyningskjeder

Transkript

1 Logistikk og ledelse av forsyningskjeder Kapittel 4 (8) Del A - Prognoser SCM200 Innføring i Supply Chain Management Jøran Gården

2 Logistikkens 3 perspektiver Leverandør Oss selv Detaljist (kunde) (Slutt)kunde Konkurranse Kanal Intern

3 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!

4 Inndekning og fleksibilitet Lager Informasjon Samarbeid med leverandør og/eller kunde Informasjonsdeling Avtaler om leveringstider og avropsfrister Avtaler om deling av lagerhold (ofte SL)

5 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

6 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 Leveringsdyktighet Kostnader Kap. binding

7 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!

8 Intern behovsberegning i en produksjonsbedrift Fig 4.1

9 Behovsberegning i de ulike leddene i foredlingskjeden fig. 4.2

10 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

11 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 Prognoser Planer Beslutning

12 Prognoser - en del av grunnlaget for å utvikle planer (fig 4.3) (metoder og tilgjengelige verktøy f.eks dataprogrammer)

13 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

14 Avhengig og uavhengig etterspørsel - fig 4.4

15 Eksempel: Avhengig og uavhengig etterspørsel Råvarer Svovel Treflis Papp Trykk Komponenter X ant fyrstikker Fyrstikkesker Ferdigvarer Salgspakning (fyrstikkeske med fyrstikker) Avhengig etterspørsel Uavhengig etterspørsel

16 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

17 Vanlige etterspørselsmønstre - fig 4.5 SESONG TREND Tid Tid KONJUNKTUR TILFELDIG Lang tid Tid

18 Eksempel Antall tonn med forsyninger som ble uttransportert fra Kristiansund pr. måned i Hvor stor transportkapasitet trenger man i 2003? Vekt pr mnd [tonn] Vekt pr. måned i tonn Januar Februar Mars April Mai Juni Juli August September Oktober November Desember

19 Trendlinje Trendlinje Vekt pr. måned i tonn Lineær (Vekt pr. måned i tonn) Januar Februar Mars April Mai Juni Juli August September Oktober November Desember

20 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

21 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

22 Prognostisering ved hjelp av ledende tallserie - fig 4.6

23 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

24 Glidende gjennomsnitt X t X t 1 X t 2 n... X t n X X n t t 1 = prognose for perioden t = observert verdi for forrige periode = antall observasjoner

25 EKSEMPEL Beregning av prognoseverdi med formelen for fire måneders glidende gjennomsnitt Måned Observert verdi Januar 10 Februar 12 Mars 9 April 11 Prognoseverdi Mai 12 10,5 Juni 11 Xˆ mai ,5 Xˆ juni

26 Prognose for antall tonn med forsyninger som skal ut januar 2003 (6 mnd glidende gjennomsnitt) MÅNED ANT TONN Juli Aug Sep Okt Nov Des Prognosefor januar

27 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.

28 Eksponentiell glatting ( Prognosefeilen ) X t X t X X 1 t 1 t 1 X X n α t t 1 = prognose for perioden t = observert verdi for forrige periode = antall observasjoner = glattingskonstant (0 < < 1)

29 Eksponentiell glatting Xˆ t 1 Settes X t-2 førstegang X t 1 Xˆ t 1 er avviket mellom det vitrodde(prognosen) og det faktiskeutfallet for forrige periode(prognosefeilen) bestemmer hvor observasjonen myevekt vilegger på den siste

30 Eksempel X 15 0, ,9 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)

31 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?

32 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

33 Eksempel: Beregning av prognoseverdier ved hjelp av sesongindekser - tab 4.1 Sum for året: Snitt pr mnd: /12= 23

34 Etterspørsel etter telemarksgensere Oppgave: Juster for sesongsvingning v/ 15% økt etterspørsel Måned Etterspørsel 12 mnd index Prognoser for de neste 12 mnd

35 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

36 Prognosefeil Juli August September Oktober November Desember Januar Vekt pr. måned i tonn Eksponentiell glatting GK=0,7 Glidende gjennomsnitt (6mnd)

37 Prognosefeil Juli August September Oktober November Desember Januar Vekt pr. måned i tonn Eksponentiell glatting GK=0,7 Glidende gjennomsnitt (6mnd)

38 Kvantifisering av prognosefeil Kvantifisering= å sette tall på i n 2 Standardavvik SD i 1 X t i X t i n i n MAD MAD i 1 X t i X t i Mean Absolute Deviation n

39 EKSEMPEL: Beregning av standardavvik og MAD (Tab 4.2) 14 MAD: 8 SD: ,75 2,29 Ved tilstrekkelig stort tallmateriale (statistisk representativt): SD 1, 25 MAD

40 Eksempel på prognosefeil (Statoil) Måned Vekt pr. måned i tonn Glidende gjennomsnitt (6mnd) Feil Absolutt feil Kvadratfeil 1 Juli August September Oktober November Desember SUM MAD SD SD MAD =1,18

41 Sporsignalet Sporsignal = Akkumulerte prognosefeil MAD 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)

42 Eksempel på beregning av sporsignal (Statoil) Måned Vekt pr. måned i tonn Glidende gjennomsnitt (6mnd) Feil Akkumulert prognosefeil Sporsignal 1 Juli ,37 2 August ,55 3 September ,78 4 Oktober ,33 5 November ,44 6 Desember ,19 MAD

43 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