Chapitres Quatre (MC et TF) Quels sont les deux numéros contenus dans le rapport quotidien au PDG de Walt Disney Parks amp Resorts concernant les six parcs d'Orlando a. Présence hier prévue et présence effective hier. B. La présence réelle d'hier et la présence prévue d'aujourd'hui c. La prévision de présence hier prévue et la présence prévue d'aujourd'hui d. La présence réelle hier et la présence réelle des dernières années e. La prévision des prévisions prévues hier et l'erreur de prévision moyenne quotidienne depuis le début de l'année Une prévision moyenne mobile sur six mois est meilleure qu'une prévision moyenne mobile sur trois mois si la demande a. Est plutôt stable b. A changé en raison de récents efforts de promotion c. Suit une tendance à la baisse d. Suit un schéma saisonnier qui se répète deux fois par an e. Suit une tendance à la hausse Pour une demande de produit donnée, l'équation de la série chronologique est de 53 - 4 X. Le signe négatif sur la pente de l'équation a. Est une impossibilité mathématique b. Est une indication que la prévision est biaisée, avec des valeurs de prévision inférieures aux valeurs réelles c. Est une indication que la demande de produits est en baisse d. Implique que le coefficient de détermination sera également négatif e. Implique que le RSFE sera négatif Lequel des suivants est vrai en ce qui concerne les deux constantes de lissage du modèle Forecasting Including Trend (FIT) a. Une constante est positive, tandis que l'autre est négative. B. Ils sont appelés MAD et RSFE. C. L'alpha est toujours plus petit que le bêta. ré. Une constante lisse l'interception de régression, tandis que l'autre lisse la pente de régression. E. Leurs valeurs sont déterminées indépendamment. La demande pour un certain produit devrait être de 800 unités par mois, en moyenne sur l'ensemble des 12 mois de l'année. Le produit suit un schéma saisonnier, pour lequel l'indice mensuel de janvier est de 1,25. Quelles sont les prévisions de ventes désaisonnalisées pour janvier a. 640 unités b. 798.75 unités c. 800 unités d. 1000 unités e. Ne peut pas être calculé à partir des données fournies Un indice saisonnier pour une série mensuelle est sur le point d'être calculé sur la base d'une accumulation de données de trois ans. Les trois valeurs précédentes de juillet étaient 110, 150 et 130. La moyenne sur tous les mois est de 190. L'indice saisonnier approximatif pour juillet est a. 0,487 b. 0,684 c. 1,462 d. 2.053 e. Ne peut pas être calculée à partir des informations données dans le chapitre 12 Planification de la demande: prévision et gestion de la demande La principale différence entre la gestion de la demande et la prévision de la demande est La prévision n'est possible que lorsque des données quantitatives sont disponibles. Une entreprise ne peut pas exécuter les deux approches simultanément. La gestion de la demande est proactive, tout en prévision des tentatives de prévision. Une approche traite de l'incertitude, tandis que l'autre traite de la demande connue. La gestion de la demande est proactive, tout en prévision des tentatives de prévision. La gestion de la demande tente proactivement d'influencer la demande, alors que la prévision tente simplement de prédire la demande. La planification de la demande stratégique serait mieux utilisée: Déterminer les plans d'embauche ou de mise à pied des employés. Déterminer les plans d'heures supplémentaires des employés. Décider de fermer ou non une usine de fabrication. Diriger les opérations quotidiennes dans une usine de fabrication. Décider de fermer ou non une usine de fabrication. La planification de la demande stratégique est nécessaire pour des décisions à long terme telles que la construction ou la fermeture d'une usine. Les autres sont des décisions à plus court terme. La demande de logements se caractérise par un schéma régulier d'augmentation jusqu'à un sommet, puis baisse. Lorsque la demande atteint un point bas, elle répète ensuite le motif. Ce schéma se déroule habituellement sur une période de trois à cinq ans. Ceci est un exemple de quel type de modèle de demande Autocorrélation Changement d'étape Tendance Saisonnalité et cycles Saisonnalité et cycles Saisonnalité et cycles sont des modèles réguliers de hauts et de bas répétitifs, comme décrit dans cet exemple Convex Computer Company fait beaucoup de prévisions différentes. Laquelle des prévisions suivantes est probablement la moins précise Nombre total de postes de travail à vendre l'année prochaine. Nombre total d'ordinateurs portables à vendre le mois prochain. Nombre total d'ordinateurs (ordinateurs portables et ordinateurs de bureau) à vendre le mois prochain. Nombre total d'ordinateurs portables avec 2 gigaoctets de RAM, 80 Go de disque dur et 16 x lecteur DVD pour être vendu l'année prochaine. Nombre total d'ordinateurs portables avec 2 gigaoctets de RAM, 80 Go de disque dur et 16 x lecteur DVD pour être vendu l'année prochaine. Plus la prévision est détaillée, moins il est probable qu'elle sera. D est le plus détaillé. Une société a les informations suivantes concernant ses prévisions de performance au cours des trois dernières périodes. Définition de l'écart absolu moyen (MAD) 200 Addition des valeurs absolues des erreurs et détermination des résultats moyens (300 200 100) 3 200. Passage de la construction au stock aux opérations de montage ou de fabrication sur commande. Influencer le moment de la demande. Tous ces. Passez de build-to-stock à des opérations de montage ou de fabrication sur commande. Les produits postponibles obtiennent la forme finale après que la demande du client est réellement connue. Certaines prévisions sont encore nécessaires (pour les composants) et le calendrier de la demande n'est pas modifié. Ces dernières années, certaines entreprises ont commencé à travailler en étroite collaboration avec leurs clients et / ou fournisseurs en partageant des informations pour élaborer des plans de demande et exécuter ces plans. La procédure qu'ils suivent est connue sous le nom de: Planification, prévision et reconstitution collaborative. Analyse conjointe et prévision. Planification conjointe des prévisions de la demande. Planification coordonnée des besoins. Planification, prévision et reconstitution en collaboration. La planification, la prévision et la reconstitution collaborative est un processus de partage d'information et de plans avec les partenaires de la chaîne d'approvisionnement. Supposons que la prévision pour la dernière période est de 200 unités FIT, et l'expérience récente suggère une augmentation probable des ventes de 10 unités de chaque période. Les ventes réelles pour la dernière période ont atteint 230 unités. En supposant un coefficient de lissage de 0,20 et un coefficient de lissage de tendance de 0,10, quelle est la prévision BASE pour la période suivante Ft1 FITt (dt - FITt) 200 0.20 (230 - 200) 206 Zanda Corp. a testé la performance de deux prévisions différentes Modèles pour voir ce qu'il devrait adopter pour l'utilisation. Il veut choisir le modèle qui a le plus petit écart type des erreurs de prévision. Zanda devrait comparer lequel des suivants pour faire son choix MAPE des deux modèles MFE des deux modèles RMSE des deux modèles MAD des deux modèles RMSE des deux modèles RMSE fournit une bonne approximation des écarts-types des erreurs de prévision de modèles . Le signal de suivi suggère à un gestionnaire que la demande pour un article est en train de changer. Les paramètres de modes de prévision peuvent nécessiter un ajustement. La demande est saisonnière. Tous ces paramètres de modes de prévision A peuvent nécessiter un ajustement. Le signal de suivi suggère à un gestionnaire que les paramètres du modèle peuvent nécessiter un ajustement. Un système de prévision qui modifie la valeur du paramètre alpha en réponse au niveau d'erreur de prévision est connu sous le nom de: Un modèle adaptatif. Un modèle de lissage exponentiel à tendance améliorée. Un signal de suivi. Un modèle de série chronologique. Une régression causale. Un modèle adaptatif La prévision adaptative règle automatiquement les coefficients de lissage dans un modèle de lissage exponentiel en réponse à un signal de suivi. La planification de la demande stratégique à long terme se fait généralement en utilisant les unités Ventes à un endroit donné Total des ventes des unités commerciales Total des ventes des produits Total des ventes des produits Total des ventes des unités d'affaires La planification de la demande stratégique prend en charge les décisions au niveau des entreprises. Quelle est la relation entre la gestion de la demande et la prévision de la demande Les deux activités de planification sont gérées de façon indépendante. Les plans de gestion de la demande sont habituellement une contribution à la prévision de la demande. La gestion de la demande est effectuée par les gestionnaires d'exploitation, tandis que la prévision de la demande est effectuée par les gestionnaires de marketing. Les deux B et C sont corrects. Les plans de gestion de la demande sont habituellement une contribution à la prévision de la demande. Les plans de gestion de la demande tels que la tarification et la promotion sont des intrants nécessaires pour prévoir la demande. Lequel des facteurs suivants doit être pris en compte lorsque l'on conçoit un processus de prévision Horizon temporel pour la planification. Niveau de détail pour la planification. Disponibilité des données. Tous ces systèmes de prévision doivent être adaptés aux besoins des utilisateurs. Méthodes de séries chronologiques Les méthodes de séries chronologiques sont des techniques statistiques qui utilisent des données historiques accumulées sur une période de temps. Les méthodes de séries chronologiques supposent que ce qui s'est passé dans le passé continuera à se produire à l'avenir. Comme le suggère le nom des séries chronologiques, ces méthodes relient la prévision à un seul facteur - temps. Ils incluent la moyenne mobile, le lissage exponentiel et la ligne de tendance linéaire et ils sont parmi les méthodes les plus populaires pour la prévision à courte portée parmi les entreprises de services et de fabrication. Ces méthodes supposent que des tendances historiques identifiables ou des tendances de la demande au fil du temps se reproduiront. Moyenne mobile Une prévision de séries chronologiques peut être aussi simple que d'utiliser la demande dans la période en cours pour prédire la demande au cours de la période suivante. C'est ce qu'on appelle parfois une prévision naïve ou intuitive. Par exemple, si la demande est de 100 unités cette semaine, la demande pour les prochaines semaines demande est de 100 unités si la demande se révèle être de 90 unités à la place, puis la demande semaines suivantes est de 90 unités, et ainsi de suite. Ce type de méthode de prévision ne prend pas en compte le comportement historique de la demande, il ne dépend que de la demande dans la période courante. Il réagit directement aux mouvements normaux et aléatoires de la demande. La méthode de la moyenne mobile simple utilise plusieurs valeurs de demande au cours du passé récent pour élaborer une prévision. Cela tend à amortir, ou à lisser, les augmentations et les baisses aléatoires d'une prévision qui n'utilise qu'une seule période. La moyenne mobile simple est utile pour la prévision de la demande qui est stable et ne montre pas de comportement prononcé de la demande, comme une tendance ou un schéma saisonnier. Les moyennes mobiles sont calculées pour des périodes spécifiques, comme trois mois ou cinq mois, selon la mesure dans laquelle le prévisionniste désire lisser les données de la demande. Plus la période de la moyenne mobile est longue, plus elle sera lisse. La formule pour calculer la moyenne mobile simple est de calculer une moyenne mobile simple La société de fournitures de bureau Instant Paper Clip vend et fournit des fournitures de bureau aux entreprises, écoles et agences dans un rayon de 50 milles de son entrepôt. L'offre de fournitures de bureau est concurrentielle et la capacité de livrer rapidement des commandes est un facteur qui permet d'obtenir de nouveaux clients et de conserver les anciens. (Les bureaux ne commandent généralement pas quand ils manquent de fournitures, mais quand ils sont complètement épuisés. Par conséquent, ils ont besoin de leurs commandes immédiatement.) Le gestionnaire de la société veut être certain que les conducteurs et les véhicules sont disponibles pour livrer les commandes rapidement et Ils ont un inventaire adéquat en stock. Par conséquent, le gestionnaire souhaite pouvoir prévoir le nombre d'ordres qui se produiront au cours du mois suivant (c'est-à-dire prévoir la demande pour les livraisons). À partir des enregistrements des ordres de livraison, la direction a accumulé les données suivantes pour les 10 derniers mois, à partir de laquelle il veut calculer des moyennes mobiles de 3 et 5 mois. Supposons que c'est la fin d'octobre. La prévision résultant soit de la moyenne mobile à 3 ou 5 mois est généralement pour le mois suivant dans la séquence, qui dans ce cas est Novembre. La moyenne mobile est calculée à partir de la demande pour les ordres pour les 3 mois précédents dans la séquence selon la formule suivante: La moyenne mobile sur 5 mois est calculée à partir des données de la demande précédente de 5 mois comme suit: Les 3 et 5 mois Les prévisions de moyenne mobile pour tous les mois de données sur la demande sont présentées dans le tableau suivant. En fait, seule la prévision pour novembre, basée sur la plus récente demande mensuelle, serait utilisée par le gestionnaire. Cependant, les prévisions antérieures pour les mois précédents nous permettent de comparer la prévision avec la demande réelle pour voir à quel point la méthode de prévision est précise, c'est-à-dire comment elle fonctionne. Moyennes de trois et cinq mois Les deux prévisions de la moyenne mobile dans le tableau ci-dessus tendent à lisser la variabilité des données réelles. Cet effet de lissage peut être observé dans la figure suivante où les moyennes sur 3 mois et sur 5 mois ont été superposées à un graphique des données originales: La moyenne mobile sur 5 mois de la figure précédente lisse les fluctuations dans une plus grande mesure que La moyenne mobile de 3 mois. Toutefois, la moyenne sur 3 mois reflète plus fidèlement les données les plus récentes dont dispose le gestionnaire de l'offre de bureau. En général, les prévisions utilisant la moyenne mobile à plus longue période sont plus lentes à réagir aux changements récents de la demande que ne le feraient les moyennes mobiles à plus courte période. Les périodes supplémentaires de données ralentissent la vitesse avec laquelle la prévision répond. L'établissement du nombre approprié de périodes à utiliser dans une prévision moyenne mobile nécessite souvent une certaine quantité d'essais expérimentaux. L'inconvénient de la méthode de la moyenne mobile est qu'il ne réagit pas aux variations qui se produisent pour une raison, comme les cycles et les effets saisonniers. Les facteurs qui provoquent des changements sont généralement ignorés. Il s'agit essentiellement d'une méthode mécanique, qui reflète les données historiques d'une manière cohérente. Cependant, la méthode de la moyenne mobile présente l'avantage d'être facile à utiliser, rapide et relativement peu coûteuse. En général, cette méthode peut fournir une bonne prévision à court terme, mais elle ne doit pas être poussée trop loin dans l'avenir. Moyenne mobile pondérée La méthode de la moyenne mobile peut être ajustée pour refléter plus étroitement les fluctuations des données. Dans la méthode de la moyenne mobile pondérée, les pondérations sont affectées aux données les plus récentes selon la formule suivante: Les données de demande pour PM Computer Services (indiquées dans le tableau de l'exemple 10.3) semblent suivre une tendance linéaire croissante. L'entreprise veut calculer une ligne de tendance linéaire pour voir si elle est plus précise que le lissage exponentiel et les prévisions de lissage exponentielles ajustées développées dans les exemples 10.3 et 10.4. Les valeurs requises pour les calculs des moindres carrés sont les suivantes: En utilisant ces valeurs, les paramètres de la ligne de tendance linéaire sont calculés comme suit: Pour calculer une prévision pour la période 13, soit x 13 dans la droite linéaire Ligne de tendance: Le graphique suivant montre la ligne de tendance linéaire par rapport aux données réelles. La ligne de tendance semble refléter étroitement les données réelles - c'est-à-dire être un bon ajustement - et serait donc un bon modèle de prévision pour ce problème. Cependant, un inconvénient de la ligne de tendance linéaire est qu'il ne s'adaptera pas à un changement dans la tendance, comme c'est le cas pour les méthodes de prévision exponentielle du lissage, on suppose que toutes les prévisions futures suivront une ligne droite. Cela limite l'utilisation de cette méthode à un délai plus court dans lequel vous pouvez être relativement certain que la tendance ne changera pas. Ajustements saisonniers Un schéma saisonnier est une augmentation et une diminution répétitives de la demande. De nombreux articles de demande présentent un comportement saisonnier. Les ventes de vêtements suivent les tendances saisonnières annuelles, la demande de vêtements chauds augmentant à l'automne et à l'hiver et diminuant au printemps et en été alors que la demande de vêtements plus froids augmente. La demande pour de nombreux articles de vente au détail, y compris les jouets, les équipements sportifs, les vêtements, les appareils électroniques, les jambons, les dindes, le vin et les fruits, augmente pendant la période des Fêtes. La demande de carte de voeux augmente parallèlement à des jours spéciaux tels que le jour de la Saint Valentin et la fête des Mères. Les profils saisonniers peuvent également se produire sur une base mensuelle, hebdomadaire, ou même quotidienne. Certains restaurants ont une demande plus élevée dans la soirée que le déjeuner ou le week-end par opposition à la semaine. Le trafic - donc les ventes - dans les centres commerciaux reprend vendredi et samedi. Il existe plusieurs méthodes pour refléter les tendances saisonnières dans une série chronologique. Nous allons décrire une des méthodes plus simples utilisant un facteur saisonnier. Un facteur saisonnier est une valeur numérique qui est multipliée par la prévision normale pour obtenir une prévision désaisonnalisée. Une méthode pour développer une demande de facteurs saisonniers consiste à diviser la demande pour chaque période saisonnière par la demande annuelle totale, selon la formule suivante: Les facteurs saisonniers résultants entre 0 et 1,0 sont en fait la part de la demande annuelle totale attribuée à chaque saison. Ces facteurs saisonniers sont multipliés par la demande annuelle prévue pour produire des prévisions ajustées pour chaque saison. Calculer une prévision avec des ajustements saisonniers Wishbone Farms cultive des dindes pour vendre à une entreprise de transformation de la viande tout au long de l'année. Cependant, sa période de pointe est évidemment au cours du quatrième trimestre de l'année, d'octobre à décembre. La demande de dindons pour les trois dernières années est la suivante: Puisque nous disposons de trois années de données sur la demande, nous pouvons calculer les facteurs saisonniers en divisant la demande trimestrielle totale pour les trois années par la demande totale pour les trois années : Ensuite, nous voulons multiplier la demande prévue pour l'année prochaine, 2000, par chacun des facteurs saisonniers pour obtenir la demande prévue pour chaque trimestre. Pour ce faire, nous avons besoin d'une prévision de la demande pour 2000. Dans ce cas, puisque les données sur la demande dans le tableau semblent afficher une tendance généralement croissante, nous calculons une ligne de tendance linéaire pour les trois années de données dans le tableau pour obtenir un Estimation de prévision: Ainsi, la prévision pour 2000 est 58.17, ou 58.170 dindes. En comparant ces prévisions trimestrielles avec les valeurs réelles de la demande dans le tableau, ces prévisions annuelles semblent être relativement bonnes, reflétant à la fois les variations saisonnières des données et La tendance générale à la hausse. 10-12. Comment la méthode de la moyenne mobile est-elle similaire au lissage exponentiel 10-13. Quel effet sur le modèle de lissage exponentiel augmentera la constante de lissage 10-14. Comment le lissage exponentiel ajusté diffère-t-il du lissage exponentiel 10-15. Ce qui détermine le choix de la constante de lissage pour la tendance dans un modèle de lissage exponentiel ajusté 10-16. Dans les exemples de chapitre pour les méthodes de séries chronologiques, on a toujours supposé que la prévision de départ était la même que la demande réelle au cours de la première période. Suggérez d'autres façons que la prévision de départ pourrait être dérivée dans l'utilisation réelle. 10-17. Comment le modèle de prévision de ligne de tendance linéaire diffère-t-il d'un modèle de régression linéaire pour les prévisions 10-18. Parmi les modèles de séries chronologiques présentés dans ce chapitre, y compris la moyenne mobile et la moyenne mobile pondérée, le lissage exponentiel et le lissage exponentiel ajusté, et la ligne de tendance linéaire, laquelle considérez-vous la meilleure? Quels avantages le lissage exponentiel ajusté a-t-il sur une ligne de tendance linéaire pour la demande prévue qui présente une tendance 4 K. Kahn et J. T. Mentzer, Prévisions dans les marchés de consommation et industriels, The Journal of Business Forecasting 14, no. 2 (été 1995): 21-28.
No comments:
Post a Comment