SUPPLY CHAIN MANAGEMENT
Week 1:
Voorspellen van de vraag
Vooral bij nieuwe producten.
Kwantitatieve benadering:
Tijdsreeks:
Op basis van verleden de toekomst genereren.
Level: geen hoge fluctuaties, voornamelijk gelijk
Trend: laat fluctuaties zien wat te voorspellen is d.m.v. tijd. Een stijgende of dalende lijn.
Seizoen effecten: alle fluctuaties die er gebeuren vanwege tijdens een seizoen. (Letterlijke
seizoenen niet nodig)
Random noises: niet te voorspellen
Naïeve aanpak:
Forecast benaderen door naar de vorige periode
Ft=Dt-1
Moving avarage method:
Rekenkundig gemiddelde (MA) , wanneer er geen tot bijna geen trend is. Het loopt vaak een
beetje achter. Je hebt veel historische data nodig
MA= som van vraag in vorige N periodes / N
Grote N = deze periodes moeten ook beschikbaar zijn
Kleine N = veel fluctuaties, maar gevoelig voor veranderingen.
Exponentiële smoothing:
Benaderd d.m.v. de meest recente observering (flexibiliteit) en historische data ()
Alpha: 1 = vraag is gelijk uit de vraag van de vorige periode, 0 = houdt geen rekening met de
meest recente vraag.
Hoge Alpha: veer variatie in de lijn, veel belang aan de echte vraag die er gebeurt
Kleine Alpha: minder belang aan wat er recentelijk is gebeurd, dus de lijn is vlakker
,Seasonal forecast:
Door seizoen verschillende stijgingen en dalingen (niet gebonden aan jaarlijkse seizoenen)
Gebruik van deseasonalized date, dus seizoen effect uit de huidige data weg doen.
1. Bereken de seizoen gemiddelden
2. Bereken de SA index: SA= seizoen gemiddelde / totale gemiddelde (hoe verder van
de 1 , hoe groter het effect)
3. Deseasonlized = verkoop op de dag van de week / SA index van die dag
4. Starten met het maken van de voorspellingen (met boven genoemde methodes )
Forecast error: echte waarde – voorspelde waarde
Meten van accuracy: gemiddelde grote van een fout
- MAD: mean absolute deviation
- MSE: mean squared error, grotere fouten wegen
zwaarder
- MAPE: mean absolute percent error
Meten van bias: is eeen voorspelling te laag of te hoog
Monetoring and control: meten of de voorspelling
vertekend is.
RSFE: running sum of forecast error
Week 1 video’s
Supply chain: systeem van organisaties, bedrijven, activiteiten, info, en middelen die zich
bezighouden met het aanbieden van een product aan de klant
- Fysieke winkel
- Product
- Klant
Doelen:
1. Kosten optimaliseren
2. Aan de vraag van de klant voldoen
Type product:
1. Funstioneel product: vraag is stabiel, goed te voorspellen, l;ange lifecycle, maar laqge
winstamrge
2. Innovatieve producten: hoge winst marge, maar grote risisoc door korte life cycle
Functie:
- Fysieke functie: direct zichtbaar, verwerken van grondstoofen en ondedereln.
effictient
- Markt bemiddelings dunctie: minde rzichtbaar. Vraag een aanbod moeten gelijk
lopen. responsief (vraag en aanbod bi elkaar brengen)
, Interactie tussen supply chain en development chain (ontwikkeling van nieuw product)
- Impact op elkaar is groot, dus ze mpeten samenwerken
Coordineren van de supp;ly chain
- Zorgen dat het voor alle partijen gunstig is
- Binnen partijen lukt, maar daar buiten is het lastig
- Delen van informatie ‘bullwhip effect’
Network coordination:
- Niet alleen delen van info, maar ook samenwerken (integratie)
Integratie soms tegenstrijdig:
- Fabrikant wil grote hoeveelheden, maar niet te afhanjkelijk van 1 specifiek product
- Meer downstream willen weinig inventory hebben
Risico’s en onzekerheden:
- Risico’s kunnen opgelsot worden, onzekerheden niet (klantvraag)
- Forecastinbg erg intressant, maar niet engiste optie
- Trebds hebben inpact:
Lean manufacturing
Outsourcing (wie het uitvoerd)
Offshoiring (wanneer een item uit het buitenlang wordt gehaald, waar het wordt
uitgevoerd)
- Natural disasters
- Politiek
Forecasting:
- Grote impact op bezettingsgraagd
Capaciteit
Aantal werknemres
Iedereen moet de voorspelling weten
- Voorspellingshorzicon
Korte termijn
Middellange termijn 3 maanden – 3 jaar
Lange termijn
- Goede voorspelkling
1. Gebruik van de voorspelling bepalen
2. Selecteren welke items je moet voorspellen
3. Beslissing over de tijdshorizon
4. Voorspellingen model selecteren
5. Gegevens verzamelen
6. Voorspelling maken
7. Implementeren
- Goude regels:
Voorspelling is altijd verkeerd
Hoe verder een voorspelling in de toekomst, hoe minde nauwkeurig
Geaggregeerde voorspellingen zijn nauwkeuriger (voorspelen van verkoop over
een jaar veel makkelijker, dan voorspelling over verkoop morgen) pruduct variant
of over de tijd
Week 1:
Voorspellen van de vraag
Vooral bij nieuwe producten.
Kwantitatieve benadering:
Tijdsreeks:
Op basis van verleden de toekomst genereren.
Level: geen hoge fluctuaties, voornamelijk gelijk
Trend: laat fluctuaties zien wat te voorspellen is d.m.v. tijd. Een stijgende of dalende lijn.
Seizoen effecten: alle fluctuaties die er gebeuren vanwege tijdens een seizoen. (Letterlijke
seizoenen niet nodig)
Random noises: niet te voorspellen
Naïeve aanpak:
Forecast benaderen door naar de vorige periode
Ft=Dt-1
Moving avarage method:
Rekenkundig gemiddelde (MA) , wanneer er geen tot bijna geen trend is. Het loopt vaak een
beetje achter. Je hebt veel historische data nodig
MA= som van vraag in vorige N periodes / N
Grote N = deze periodes moeten ook beschikbaar zijn
Kleine N = veel fluctuaties, maar gevoelig voor veranderingen.
Exponentiële smoothing:
Benaderd d.m.v. de meest recente observering (flexibiliteit) en historische data ()
Alpha: 1 = vraag is gelijk uit de vraag van de vorige periode, 0 = houdt geen rekening met de
meest recente vraag.
Hoge Alpha: veer variatie in de lijn, veel belang aan de echte vraag die er gebeurt
Kleine Alpha: minder belang aan wat er recentelijk is gebeurd, dus de lijn is vlakker
,Seasonal forecast:
Door seizoen verschillende stijgingen en dalingen (niet gebonden aan jaarlijkse seizoenen)
Gebruik van deseasonalized date, dus seizoen effect uit de huidige data weg doen.
1. Bereken de seizoen gemiddelden
2. Bereken de SA index: SA= seizoen gemiddelde / totale gemiddelde (hoe verder van
de 1 , hoe groter het effect)
3. Deseasonlized = verkoop op de dag van de week / SA index van die dag
4. Starten met het maken van de voorspellingen (met boven genoemde methodes )
Forecast error: echte waarde – voorspelde waarde
Meten van accuracy: gemiddelde grote van een fout
- MAD: mean absolute deviation
- MSE: mean squared error, grotere fouten wegen
zwaarder
- MAPE: mean absolute percent error
Meten van bias: is eeen voorspelling te laag of te hoog
Monetoring and control: meten of de voorspelling
vertekend is.
RSFE: running sum of forecast error
Week 1 video’s
Supply chain: systeem van organisaties, bedrijven, activiteiten, info, en middelen die zich
bezighouden met het aanbieden van een product aan de klant
- Fysieke winkel
- Product
- Klant
Doelen:
1. Kosten optimaliseren
2. Aan de vraag van de klant voldoen
Type product:
1. Funstioneel product: vraag is stabiel, goed te voorspellen, l;ange lifecycle, maar laqge
winstamrge
2. Innovatieve producten: hoge winst marge, maar grote risisoc door korte life cycle
Functie:
- Fysieke functie: direct zichtbaar, verwerken van grondstoofen en ondedereln.
effictient
- Markt bemiddelings dunctie: minde rzichtbaar. Vraag een aanbod moeten gelijk
lopen. responsief (vraag en aanbod bi elkaar brengen)
, Interactie tussen supply chain en development chain (ontwikkeling van nieuw product)
- Impact op elkaar is groot, dus ze mpeten samenwerken
Coordineren van de supp;ly chain
- Zorgen dat het voor alle partijen gunstig is
- Binnen partijen lukt, maar daar buiten is het lastig
- Delen van informatie ‘bullwhip effect’
Network coordination:
- Niet alleen delen van info, maar ook samenwerken (integratie)
Integratie soms tegenstrijdig:
- Fabrikant wil grote hoeveelheden, maar niet te afhanjkelijk van 1 specifiek product
- Meer downstream willen weinig inventory hebben
Risico’s en onzekerheden:
- Risico’s kunnen opgelsot worden, onzekerheden niet (klantvraag)
- Forecastinbg erg intressant, maar niet engiste optie
- Trebds hebben inpact:
Lean manufacturing
Outsourcing (wie het uitvoerd)
Offshoiring (wanneer een item uit het buitenlang wordt gehaald, waar het wordt
uitgevoerd)
- Natural disasters
- Politiek
Forecasting:
- Grote impact op bezettingsgraagd
Capaciteit
Aantal werknemres
Iedereen moet de voorspelling weten
- Voorspellingshorzicon
Korte termijn
Middellange termijn 3 maanden – 3 jaar
Lange termijn
- Goede voorspelkling
1. Gebruik van de voorspelling bepalen
2. Selecteren welke items je moet voorspellen
3. Beslissing over de tijdshorizon
4. Voorspellingen model selecteren
5. Gegevens verzamelen
6. Voorspelling maken
7. Implementeren
- Goude regels:
Voorspelling is altijd verkeerd
Hoe verder een voorspelling in de toekomst, hoe minde nauwkeurig
Geaggregeerde voorspellingen zijn nauwkeuriger (voorspelen van verkoop over
een jaar veel makkelijker, dan voorspelling over verkoop morgen) pruduct variant
of over de tijd
