Logistikk og ledelse av forsyningskjeder Kapittel 4 (8) Del A - Prognoser SCM200 Innføring i Supply Chain Management Jøran Gården
Logistikkens 3 perspektiver Leverandør Oss selv Detaljist (kunde) (Slutt)kunde Konkurranse Kanal Intern
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!
Inndekning og fleksibilitet Lager Informasjon Samarbeid med leverandør og/eller kunde Informasjonsdeling Avtaler om leveringstider og avropsfrister Avtaler om deling av lagerhold (ofte SL)
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
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
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!
Intern behovsberegning i en produksjonsbedrift Fig 4.1
Behovsberegning i de ulike leddene i foredlingskjeden fig. 4.2
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
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
Prognoser - en del av grunnlaget for å utvikle planer (fig 4.3) (metoder og tilgjengelige verktøy f.eks dataprogrammer)
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
Avhengig og uavhengig etterspørsel - fig 4.4
Eksempel: Avhengig og uavhengig etterspørsel Råvarer Svovel Treflis Papp Trykk Komponenter X ant fyrstikker Fyrstikkesker Ferdigvarer Salgspakning (fyrstikkeske med fyrstikker) Avhengig etterspørsel Uavhengig etterspørsel
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
Vanlige etterspørselsmønstre - fig 4.5 SESONG TREND Tid Tid KONJUNKTUR TILFELDIG Lang tid Tid
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] 8500 8000 7500 7000 6500 6000 5500 5000 4500 Vekt pr. måned i tonn Januar Februar Mars April Mai Juni Juli August September Oktober November Desember
Trendlinje Trendlinje 8500 8000 7500 7000 6500 6000 5500 5000 4500 Vekt pr. måned i tonn Lineær (Vekt pr. måned i tonn) Januar Februar Mars April Mai Juni Juli August September Oktober November Desember
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
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
Prognostisering ved hjelp av ledende tallserie - fig 4.6
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
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
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 10 12 4 9 11 10,5 Xˆ juni 12 9 11 4 12 11
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 Prognosefor januar 2003 5531 5128 6 637 5953 6 6 648 6 086 5997
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.
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)
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
Eksempel X 15 0,318 15 15,9 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)
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?
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
Eksempel: Beregning av prognoseverdier ved hjelp av sesongindekser - tab 4.1 Sum for året: Snitt pr mnd: 276 276/12= 23
Etterspørsel etter telemarksgensere Oppgave: 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
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
Prognosefeil 6750 6500 6250 6000 5750 5500 5250 5000 Juli August September Oktober November Desember Januar Vekt pr. måned i tonn Eksponentiell glatting GK=0,7 Glidende gjennomsnitt (6mnd)
Prognosefeil 6750 6500 6250 6000 5750 5500 5250 5000 Juli August September Oktober November Desember Januar Vekt pr. måned i tonn Eksponentiell glatting GK=0,7 Glidende gjennomsnitt (6mnd)
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
EKSEMPEL: Beregning av standardavvik og MAD (Tab 4.2) 14 MAD: 8 SD: 42 8 1,75 2,29 Ved tilstrekkelig stort tallmateriale (statistisk representativt): SD 1, 25 MAD
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 MAD 3146 6 524 SD 2297744 6 619 SD MAD =1,18
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)
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 MAD 3146 6 524
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