Auteur: admin

Omdat de MAPE bij veel organisaties wordt berekend, is het mogelijk om uw prestatie met die van anderen te vergelijken. Daarvoor worden regelmatig benchmark onderzoeken gedaan door diverse vakorganisaties. Door dergelijke benchmarks kunt u een indicatie krijgen hoe goed uw forecasting is ten opzichte van anderen.

Het Institute of Business Forecasting (IBF) heeft in 2005 een nieuw benchmarking onderzoek gedaan. Onder andere zijn forecasting processen, nauwkeurigheid, modellen, software en systemen, salarissen, nieuw product forecasting en de achtergrond van forecasting specialisten in kaart gebracht.

Bron: Journal of Business Forecasting, Winter 2005/06

Wilt u weten hoe goed uw forecasting is in vergelijking met andere bedrijven? Neem contact met ons op voor een vrijblijvende kennismaking. Bel 072 – 514 3605 of email naar info@managementscience.nl. 

Een recente studie naar 834 nieuwe filmreleases heeft duidelijk gemaakt dat het succes van een film te voorspellen is aan de hand van 7 eigenschappen. Deze factoren zijn het sterrengehalte, de leeftijdsindicatie, het moment van première, het genre, het gehalte aan special effects, het feit of het een vervolgdeel is of niet, en tenslotte het aantal bioscopen waar de film te zien is.

Het model deelt nieuwe films aan de hand van deze factoren in 9 categoriën van winstgevendheid. Een film wordt in 75% van de gevallen met een marge van 1 categorie juist ingedeeld.

Bron: New Scientist Magazine, december 2005

De meest eenvoudige combinaties die correlaties tussen voorspellingsfouten negeren zijn vaak zelfs beter dan de meer geraffineerde combinaties. Deze laatste categorie geeft de verschillende modellen verschillende gewichten, bijvoorbeeld aan de hand van hun voorspellingsfout.

In een onderzoek van het Centre of Economic Policy Research worden de factoren geanalyseerd die de voordelen van het combineren van voorspellingen bepalen. Hoewel de redenen voor het succes van eenvoudige combinatieregelingen slecht begrepen zijn, bespreekt men verscheidene mogelijkheden met betrekking tot modelbepaling, instabiliteit en steekproefgrootte.

Bron: CEPR, november 2005

Onderhoudsstrategiën kunnen preventief of correctief zijn. Met behulp van statistische methoden voor data-analyse en betrouwbaarheidsberekeningen kan een onderbouwde keuze gemaakt worden voor de beste strategie. Ook voor het kwantitatief risicomanagement, de planning van de serviceverlening en de logistiek van reserveonderdelen zijn wiskundige technieken toepasbaar.

In een artikel in de periodiek van de Vereniging voor Statistiek en Operations Research is een overzicht van de mogelijkheden vanuit de praktijk gegeven. Onderhoudsconcepten als TPM (Total Productive Maintenance) en RAMS (Reliability Availability Maintainability Safety) worden gebruikt voor aansturing. Pareto analyses en FMEA (Failure Mode and Effect Analysis) worden eveneens toegepast.

Bron: STAtor november 2005

Het bedrijfsresultaat moet beter? Meer omzet, minder kosten? De planning heeft grote invloed op de dagelijkse werkzaamheden in uw bedrijf. Een betere planning levert snel voordeel op:

• Betere benutting van machines en materialen
• Minder inzet of aandacht van personeel
• Lagere voorraad en minder incourant

Wij verbeteren planningen met wiskundige en statistische technieken. Uw bedrijf werkt daardoor efficiënter en effectiever. Zo kunt u snel en eenvoudig een beter resultaat bereiken.

Lees meer: wat wij doen – voorbeelden – contact opnemen

 

Vele SCM projecten beperken zich voornamelijk tot het automatiseren van dataverkeer of het afstemmen van verpakkingsvormen. In het vakblad IT Logistiek van november 2005 worden 4 redenen genoemd waarom ingrijpende verbeteringen van het ketenbeheer zo moeizaam verlopen.

Naast het niet goed invullen van de rol van ketenregisseur, de onterechte wens tot totale orde, en de technologiegedreven software, wordt met name het gebrek aan kennis op het gebied van forecasting, voorraadbeheer, planning en statistiek de doorslaggevende factor toegekend. Het ontbreken van voldoende kennis heeft zijn weerslag op het gebruik van de specifieke software. Hierdoor worden de beoogde verbeteringen niet altijd behaald.

Bron: IT Logistiek 11, november 2005

Introductie

In het dagelijkse leven worden we geconfronteerd met vele voorspellingen. De meest bekende zal de weersvoorspelling zijn. In alle media, zowel in de krant als op de televisie en op de radio worden we er van op de hoogte gehouden. En meestal passen we ons gedrag er op aan: we trekken een dikke jas aan of nemen de paraplu mee.

Ook in het bedrijfsleven vinden veel activiteiten plaats op basis van verwachtingen wat er in de toekomst gebeuren gaat. Het bestellen van materialen, het inhuren van uitzendkrachten en het reserveren van opslagruimte worden vaak bepaald door de planning. En de planning is vaak gebaseerd op voorspellingen van vraag naar producten of diensten.

Klantenorder ontkoppelpunt

Een productieplan in een productieomgeving wordt vaak afgeleid van de beschikbare voorraden en de afzet van eindproducten. In sommige bedrijven wordt de planning voor de productie geheel ingevuld met daadwerkelijke klantenorders. De grondstoffen worden dan bijvoorbeeld pas besteld als de order van de klant binnen is. In andere bedrijven kan dat niet en wordt gewerkt met een voorspelling van de afzet.

In hoeverre een bedrijf op voorraad produceert of op klantenorder, kan worden aangegeven met het klantenorder ontkoppelpunt (KOOP). Dat is het punt totwaar de activiteiten in een bedrijf daadwerkelijk bepaald worden door specifieke klantenorders. Voor het KOOP worden processen gestuurd door de eerder genoemde voorraden en afzetverwachtingen, na het KOOP worden processen gestuurd door de daadwerkelijke klantenorders.

Bij sommige bedrijven ligt het KOOP na de inkoop van grondstoffen. De grondstoffen worden dan nog wel op voorspellingen en voorraadniveau’s gebaseerd, maar de daadwerkelijke productie wordt bepaald door de orders die van klanten zijn ontvangen. Dat zou voor kunnen komen in bedrijven die grondstoffen gebruiken die een lange besteltijd kennen, bijvoorbeeld omdat ze moeten groeien. Je kunt dan denken aan bedrijven die natuurlijke producten fabriceren.

Andere bedrijven hebben het KOOP pas in de winkel. Alle processen in het bedrijf worden dan gebaseerd op voorraden en prognoses omdat de daadwerkelijke aanschaf (de klantenorder in dit geval) in de winkel plaatsvindt. Dergelijke planning-gestuurde bedrijven zijn zeer afhankelijk van een juiste prognose om het juiste product op de juiste tijd op de juiste plek te hebben liggen. Veel producten in de detailhandel komen van dergelijke bedrijven.

Typen Voorspellingsmodellen

De methoden die gebruikt worden voor forecasting vallen uiteen in 2 hoofdgroepen: de kwantitatieve en de kwalitatieve modellen. De kwantitatieve forecasting modellen zijn gebaseerd op de statistische analyse van historische gegevens terwijl de kwalitatieve modellen zich baseren op meningen van personen of groepen.

De eerste hoofdgroep van kwantitatieve methoden is verder onder te verdelen in modellen die trends in historische gegevens door trekken naar de toekomst (extrapoleren) en modellen die andere gegevens vertalen naar de te voorspellen cijfers (multivariabel). De vraag naar nieuwe auto’s zou bijvoorbeeld kunnen worden voorspeld op basis van de afzet in voorgaande maanden (extrapolatie) of op basis van de huidige stand van de economie en gemiddelde prijs van tweedehands auto’s (multivariabel).

De tweede hoofdgroep van kwalitatieve methoden is gebaseerd op opinies van 1 of meer personen die kennis hebben van het te voorspellen gegeven. Denk aan de marketing-, sales- of logistiek manager die zijn wekelijkse of maandelijkse prognose afgeeft door zelf een inschatting te maken. Maar ook worden bij introducties van nieuwe producten vaak inschattingen gemaakt op gevoel. Alhoewel deze methoden minder objectief zijn, hebben ze in vele situaties wel toegevoegde waarde.

In de praktijk wordt vaak een combinatie van de beide mogelijkheden ingezet. Zo wordt vaak een statistische forecast als basis gebruikt die daarna wordt beoordeeld (review) door een expert en waar nodig aangepast (overruling).

---

Accuracy – zie nauwkeurigheid 

ARIMA is een afkorting van AutoRegressive Integrated Moving Average, een veel gebruikt voorspellingsmodel op basis van autoregressiviteit en lopende gemiddelden.

Bass model is een adoptie – en diffusie model waarmee de marktpenetratie van nieuwe producten en technologieën beschreven en voorspeld kan worden. Genoemd naar de auteur Frank Bass.

Box-Jenkins is de standaardmethode om een ARIMA model op te stellen. Deze methode is genoemd naar de twee auteurs George Box en Gwilym Jenkins.

Error – zie fout

Fout (error) is de mate waarin de forecast afwijkt van de werkelijkheid (actual). Er worden veel verschillende berekeningen gebruikt. Een aantal veelgebruikte methoden zijn:

• MAD (Mean Absolute Deviation) is de gemiddelde absolute fout;


• MSE (Mean Squared error) is de gemiddelde gekwadrateerde fout;


• MPE (Mean Percent Error) is de gemiddelde percentuele fout;


• MAPE (Mean Absolute Percent Error) is de gemiddelde absolute percentuele fout.

De MAPE wordt het meest gebruikt, al dan niet in een gewogen (WMAPE) of gecorrigeerde versie (EMAPE).

Nauwkeurigheid (accuracy) is de mate waarin de forecast klopt met de werkelijkheid. De forecast nauwkeurigheid wordt berekend als 100% – Forecast Error.

Neuraal Netwerk is een voorspellingsmethode die lijkt op de werking van het menselijk brein. Door te leren van een set gegevens kan het model zelfstandig verbanden zoeken en rekenregels bepalen.

Seizoensinvloeden zijn de regelmatig terugkerende pieken en dalen in een tijdsreeks. Voorbeelden zijn de mindere verkopen van winterjassen in de zomer, of de grotere verkoop van ijs in de zomer.

Trend is de lange termijn ontwikkeling van het gemiddelde van een tijdsreeks. In een groeiende markt wordt de gemiddelde verkoop steeds hoger, dus is er sprake van een oplopende trend.