Die grundlegenden Elemente des Forecasting in Operations Management
Punktprognosen, oder einzelne Zahl Prognosen der Nachfrage, sind in der Regel immer falsch. Sie wollen eine genaue Prognose Ihrer Operations Management zu informieren. Deshalb sollten Sie brauchen nicht nur eine erwarteter Wert (Was Sie denken Nachfrage sein wird), sondern auch ein Maß für Ihre Methode des Prognosefehler.
Hier sind die grundlegenden Lehren der Prognose:
Aggregierte Prognosen sind genauer als disaggregierte Prognosen. auf nationaler Ebene für ein Produkt der Bedarfsprognose ist genauer als es an jedem einzelnen Einzelhandelsgeschäft zu prognostizieren. Die Veränderung der Nachfrage an jeder Verkaufsstelle geglättet wird, wenn sie mit anderen Standorten aggregiert, um eine genauere Vorhersage bereitstellt. Sie können durch die Prognose der Gesamtnachfrage für alle Varianten eines Produkts kombiniert, um eine ähnliche Verbesserung zu erzielen.
Seien Sie bereit, Ihre Prognosemodell zu ändern, aber nicht überreagieren nicht auf zufällige Veränderungen. Demand-Muster können sich ändern und tun, und wenn die tatsächliche Änderungen eintreten, so können Sie Ihre Prognoseverfahren ändern müssen. Ihre Prognosefehler Messung können Sie warnen, wenn Änderungen jedoch Kardina, müssen Sie, dass eine nachhaltige Änderung tatsächlich stattgefunden hat, um zu überprüfen hat, und dass das, was Sie beobachtet wurde, ist nicht eine zufällige Variation.
Nicht Prognosen für bekannte Informationen ersetzen. Viele Unternehmen können durch ihre Prognose verblendet werden und ignorieren, was im geschäftlichen Umfeld tatsächlich ist auftreten. Wenn sich etwas ändert, wie ein Wetter Auftreten oder mehr Daten zur Verfügung stehen, wie zum Beispiel einen Kundenauftrag, darauf vorbereitet sein, Ihre Prognose anzupassen, um die neuen Informationen zu integrieren.
Wenn eine einfache Technik akzeptable Genauigkeit ergibt, nicht eine fortgeschrittenere Technik verwenden. Verwenden Sie die einfachste Prognosemodell, das die gewünschte Genauigkeit liefert. Zum Beispiel, nicht ein Modell für die Saisonalität nur verwenden, wenn es Ihnen deutlich höhere Genauigkeit als ein einfaches Modell der exponentiellen Glättung gibt.
Wählen Sie eine Prognose Technik, die gute Nutzung der verfügbaren Daten macht. Die Zeitreihenvorhersagemethoden beruhen auf nicht nur eine große Menge von Daten aufweisen, sondern auch relevant und genaue Daten. Wenn Sie das Vertrauen nicht von den Daten in der Menge oder Qualität haben, können Sie eine qualitative Methode zu wählen, zu prognostizieren, bis die Daten verfügbar sind.
Betrachten Sie zum Beispiel Ihre Prognosen über potenzielle Marktgröße stützt und auf Grund der Erfahrungen anzupassen. Anwenden von hoch entwickelten Prognosemodelle auf fehlerhafte Daten werden die zugrunde liegende Qualität der Daten oder der Prognose nicht verbessern.
Kurzfristige Prognosen sind zuverlässiger als langfristige Prognosen. Die Vorhersage horichzon, oder wie lange in die Zukunft der Prognose prognostiziert, hat einen direkten Einfluss auf die Genauigkeit. Mit anderen Worten, für diesen Monat die Verkäufe der Vorhersage ist einfacher, als die Verkäufe in einem Jahr noch die Vorhersage.
Viele Dinge können jetzt und im nächsten Jahr passieren zwischen, wie neue Wettbewerber auf den Markt, Kundenpräferenzen zu ändern, oder eine neue Technologie verursacht Nachfrageverschiebungen. Diese Veränderungen werden härter als die Prognosehorizont steigt zu prognostizieren.
Es gibt keine einzige beste Prognoseverfahren. Der wichtige Punkt ist, unterschiedliche Prognosemodelle zu vergleichen und das wählen, das am besten auf die Bedürfnisse Ihrer Situation entspricht und passt die Daten, die Sie zur Verfügung haben.
Es ist wichtig zu beachten, dass, obwohl kleinräumigen Prognosen weniger genau sein kann, als aggregierte Prognosen sind kleinräumige Prognosen über die Produktionsplanung von entscheidender Bedeutung. Zum Beispiel, wenn ein Unternehmen verschiedene Modelle von TV produziert, Produktionsplanung in der Fertigungs Boden erfordert eine detaillierte Zahl, wie viele der einzelnen Modelle zu erzeugen.
Durch die Verschiebung eine Verpflichtung auf die Details, kann das Unternehmen machen eine genauere kleinräumige Prognose (kurzfristige Prognosen sind genauer als langfristige Prognosen). Die Reduzierung Durchlaufzeiten ermöglicht eine Firma zu verzögern die Entscheidung darüber, was genau Modelle zu produzieren, die ihre Prognosen verbessert.