Please enable JavaScript.
Coggle requires JavaScript to display documents.
Föreläsning Kundorder- och prognosprocesser 2019-02-18 (Kundorderprocessen…
Föreläsning Kundorder- och prognosprocesser 2019-02-18
Kundorderprocessen
Kundorder
:
Består av flera olika planeirngssteg:
Sälj- och verksamhetslanering
Huvudplaneirng
Orderplaneirng
Detaljplaneirng
Kundorderprocess
:
Specificering och registrering av kundorder
Beskrivs med figur ur PowerPoint samt boken, från beställning från kund till leverans till kund
Standardprodukter
Kundspecifika produkter
Produktkonfigurator
Vissa val styr vilka framtida val som är möjliga. Alla kombinationer är inte alltid möjliga.
Fastställande av leveranstid/leveransdatum
Möjligt att lova
(available to promise) (disponibelt att leverera)
Kundorder i form av leveransplan
Fasta order (avrop) - fast åtagande
Planerade order - åtagande om materialanskaffning
Prognos - inget åtagande
Efterfrågemönster
Konstant
Trend
Konjunktur
Säsong
Slumpmässig
Material- och produktionsstyrning
Planeringsnivåer
Exempel med e-handelföretaget OTTO:
Finns ett beroende mellan leveranstid och sannolikhet att kunden skickar tillbaka produkten
Dropshipping: Smart sätt för en e-handlare att knyta till sig många kunder. Kopplar kundordern till leverantörererna som skickar produkten direkt till kund.
Fördel:
Nackdel: Längre leveranstid. Flera leveranser.
OTTO bör därför ha ett litet lager själva.
Införde AI som analyserade 300 miljarder(!) transaktioner, och 200 variabler.
Denna AI har medfört 90% accuracy. Mycket bättre än människor! Har ersatt personerna som jobbat med detta innan.
Minskade antalet leveranser med 2 miljoner st * 10$ per leverans = 20 miljoner $ i besparing per år.
The economist: OTTO artificial intellegence.
Vi kommer att analysera ca 2-3 variabler i våra exempel.
Efterfrågeinformation
Kundorderna ska "äta upp" prognoserna
Prognosmetoder:
Bedömningsmetoder - kvalitativa
Beräkningsmetoder - kvantitativa
Tidsperspektiv vid prognostisering
Långtidsprognoser, upp till 5 år
prognoser på kort sikt, upp till 1 år
Aggregera saker så går det bättre!
T.ex. att det är lättare att förutspå medeltemperaturen i februari år 2020 än temperaturen den 18:e februari 2020.
Problem vid prognostisering att vi vill veta den vrkliga efterfågan från kund, men vet egentlgien bara leveransstatistik och faktureringsstatistik, som inte säger samma sak!
Prognoser
Prognoser är alltid fel! Men är den mycket eller lite fel?
Därav bör vi alltid göra en
Prognoskontroll
Glidande medelvärde:
n = antalet perioder bakåt i tiden som vi studerar.
Exponentiell utjämning
Viktning vid exponentiell utjämning
Prognosfel = hur stort fel är det i prognosen
Ex. Prognosfel = -5 => ger prognosen är 5 mindre än verkligheten!
ME = Mean prognosfel
Absolutfel
MAD = Mean Absolutute diviation (avvikelse)
Extra övningsuppgift 1