Chapter 7

MERAMAL PERMINTAAN DALAM RANTAI PASOKAN

Peran peramalan dalam rantai pasokan

1.      Dasar untuk semua keputusan perencanaan dalam rantai pasokan

2.      Digunakan untuk proses mendorong dan menarik

-          Penjadwalan produksi, inventaris, agregat perencanaan

-          Penjualan memaksa alokasi, promosi, pengenalan produksi baru

-          Investasi peralatan tanaman, anggaran perencanaan

-          Perencanaan tenaga kerja, merekrut, PHK

3.      Semua keputusan ini saling terkait

Karakteristik Prakiraan

1.      Prakiraan tidak selalu akurat dan dengan demikian harus menyertakan keduanya untuk nilai ramalan dan kesalahan ukuran ramalan

2.      Perkiraan jangka panjang biasanya kurang akurat dari perkiraan jangka pendek

3.      Agregat perkiraan biasanya lebih akurat daripada perkiraan disaggregate

4.      Secara umum, rantai pasokan perusahaan yaitu semakin besar distorsi informasi yang diterima

Komponen dan metode

1.      Kualitatif

-          Terutama subjektif

-          Bergantung pada penilaian

2.      Seri Waktu

-          Hanya menggunakan permintaan historis

-          Terbaik dengan permintaan yang stabil

3.      Kausal

-          Hubungan antara permintaan dan beberapa faktor lainnya

4.      Simulasi

-          Meniru pilihan konsumen yang menimbulkan permintaan

Perusahaan harus mengidentifikasi faktor-faktor yang mempengaruhi kebutuhan masa depan dan kemudian memastikan hubungan antara faktor-faktor ini dengan permintaan masa depan seperti :

-          Melewati permintaan

-          Memimpin waktu pengisian ulang produk

-          Merencanakan upaya iklan atau pemasaran

-          Merencanakan harga diskon

-          Keadaan ekonomi

-          Tindakan yang diambil pesaing

Komponen dari pengamatan

Permintaan Diamati (O) = sistematis komponen (S) + komponen acak (R)

1.      Sistematis nilai komponen permintaan yang diharapkan

-          Tingkat (permintaan deseasonalized saat ini)

-          Tren (pertumbuhan atau penurunan permintaan)

-          Seasonality (diprediksi fluktuasi musiman)

2.      Bagian ramalan komponen acak yang menyimpang dari komponen sistematis

3.      Ramalan error dari perbedaan antara perkiraan dan permintaan yang sebenarnya

Pendekatan dasar

1.      Memahami tujuan peramalan.

2.      Mengintegrasikan kebutuhan perencanaan dan peramalan rantai pasokan.

3.      Mengidentifikasi faktor-faktor utama yang mempengaruhi permintaan ramalan.

4.      Diperkirakan pada tingkat agregasi.

5.      Membangun kinerja dan langkah-langkah kesalahan untuk perkiraan.

Metode ramalan seri waktu

Tiga cara untuk menghitung komponen sistematis

1.      Multiplicative

S = tingkat x tren x faktor musiman

2.      Aditif

S = tingkat tren + faktor musiman

3.      Campuran

S = (tingkat + tren) x faktor musiman

Metode statis

komponen sistematis = (tingkat + tren) x faktor musiman

dimana

L = perkiraan tingkat pada t = 0

T = perkiraan tren

St = perkiraan musiman faktor untuk periode t

DT = permintaan yang sebenarnya diamati dalam periode t

Ft = perkiraan permintaan untuk periode t

Ramalan adaptif

Perkiraan tingkat, tren dan pola musiman disesuaikan setelah setiap permintaan pengamatan

Perkiraan memasukkan semua data baru yang diamati

Langkah-langkah dalam ramalan adaptif

1.      Menginisialisasi

2.      Menghitung perkiraan awal tingkat (L0), tren (T0) dan musiman faktor (S1,..., Sp)

3.      Meramal

4.      Perkiraan permintaan untuk periode t + 1

5.      Perkiraan kesalahan

6.      Menghitung kesalahan Et + 1 = Ft + 1 – Dt + 1

7.      Memodifikasi perkiraan

8.      Memodifikasi perkiraan tingkat (Lt + 1), tren (Tt + 1), dan musiman faktor (St + p + 1), diberikan kesalahan Et + 1

Rata-rata bergerak

Digunakan ketika permintaan tidak memiliki kecenderungan yang diamati atau musiman

Sistematis komponen permintaan = tingkat

Tingkat dalam periode t adalah permintaan rata-rata periode N terakhir

Lt = (Dt + Dt-1 +... + Dt-N + 1) / N

Ft + 1 = Lt dan kaki + n = Lt

Setelah mengamati permintaan untuk periode t + 1, merevisi perkiraan

LT + 1 = (Dt + 1 + Dt +... + Dt-N + 2) / N, kaki + 2 = Lt + 1

Merapikan eksponensial sederhana

1.      Digunakan ketika permintaan tidak memiliki kecenderungan yang diamati atau musiman

2.      Sistematis komponen permintaan = tingkat

3.      Perkiraan awal tingkat, L0, diasumsikan rata-rata semua data historis

Data Supermarket

Tren memeriksa kerapian eksponensial (Model Holt's)

Ketika permintaan dianggap memiliki tingkat dan tren dalam komponen sistematis permintaan tapi seasonality tidak

Sistematis komponen permintaan = tingkat + tren

Tren dan pemeriksaan perataan eksponensial musiman

1.      Ketika komponen yang sistematis dari permintaan dianggap memiliki tingkat, tren, dan faktor musiman

Komponen sistematis = (tingkat + tren) x faktor musiman

F_t+1 = (L_t + T_t)S_t+1   and   F_t+l = (L_t + lT_t)S_t+l

2.      Setelah mengamati permintaan untuk periode t + 1, merevisi tingkat perkiraan, tren dan faktor-faktor musiman

LT + 1 = a(Dt+1/St+1) + (1 –)(Lt + Tt)

TT + 1 = b (Lt + 1 – Lt) + (1-b) Tt

St p + 1 = g(Dt+1/Lt+1) + (1-g) St + 1

a = merapikan konstan untuk tingkatan

b = merapikan konstan untuk tren

g = merapikan konstan untuk faktor musiman

Winter's Model

L0 = 18,439 T0 = 524

S1 = 0,47, S2 = 0,68, S3 = 1,17, S4 = 1,67

F1 = (L0 + T0) S1 = (18,439 + 524)(0.47) = 8,913

Permintaan diamati untuk periode 1 = D1 = 8.000

Perkiraan kesalahan untuk periode 1

= E1 = F1-D1

= 8,913-8.000 = 913

Beranggapan = 0,1, b = 0,2, g = 0,1; merevisi perkiraan untuk tingkat dan tren pada periode 1 dan musiman faktor untuk periode 5

L1   = a(D1/S1) + (1 –)(L0 + T0)

= 0.1 x (8.000/0,47) + 0,9 x (18,439 + 524) = 18,769

T1   = b (L1-L0) + (1-b) T0

= 0.2 x (18,769-18,439) + 0,8 x 524 = 485

S5   = g(D1/L1) + (1-g) S1

= 0.1 x (8.000/18,769) + 0,9 x 0,47 = 0,47

F2   = (L1 + T1) S2 = (18,769 + 485) 0,68 = 13,093

Meramal permintaan di Tahoe-garam

1.      Rata-rata bergerak

L12      = 24,500

F13      = F14 = F15 = F16 = L12 = 24,500

s           = 1,25 x 9,719 = 12,148

2.      Merapikan eksponensial tunggal

L0        = 22,083

L12      = 23,490

F13 = F14 = F15 = F16 = L12 = 23,490

s           = 1,25 x 10,208 = 12,761

3.      Tren pemeriksaan perapian eksponensial

L0        = 12,015 dan T0 = 1,549

L12      = 30,443 dan T12 = 1,541

F13      = L12 + T12 = 30,443 + 1,541 = 31,984

F14      = L12 + 2T12 = 30,443 + 2 x 1,541 = 33,525

F15      = L12 + 3T12 = 30,443 + 3 x 1,541 = 35,066

F16      = L12 + 4T12 = 30,443 + 4 x 1,541 = 36,607

s           = 1,25 x 8,836 = 11,045

4.      Tren dan koreksi Seasonality

L0        = 18,439 T0 = 524

S1        = 0.47 S2 = 0.68 S3 = 1,17 S4 = 1,67

L12      = 24,791 T12 = 532

F13      = (L12 + T12) S13 = (24,791 + 532) 0,47 = 11,940

F14      = (L12 + 2T12) S13 = (24,791 + 2 x 532) 0,68 = 17,579

F15      = (L12 + 3T12) S13 = (24,791 + 3 x 532) 1,17 = 30,930

F16      = (L12 + 4T12) S13 = (24,791 + 4 x 532) 1,67 = 44,928

s           = 1,25 x 1,469 = 1.836

Peran dalam Meramal

1.      Modul eramalan adalah perangkat lunak dari rantai pasokan inti

2.      Dapat digunakan untuk menentukan metode peramalan terbaik bagi perusahaan dan oleh kategori produk dan pasar

3.      Update real time membantu perusahaan-perusahaan yang merespon dengan cepat terhadap perubahan pasar

4.      Memfasilitasi kebutuhan perencanaan

Manajemen risiko

1.      Kesalahan dalam peramalan dapat menyebabkan signifikan misallocation sumber daya dalam persediaan, Fasilitas, transportasi, sumber, harga, dan manajemen informasi

2.      Faktor umum yang panjang, musim, pendek produk siklus hidup, beberapa pelanggan dan kental permintaan, dan ketika pesanan ditempatkan oleh perantara dalam rantai pasokan

3.      Strategi mitigasi – meningkatkan respon dari rantai pasokan dan memanfaatkan peluang untuk penggabungan permintaan

Peramalan dalam praktek

1.      Berkolaborasi dalam membangun Prakiraan

2.      Berbagi hanya data yang benar-benar memberikan nilai

3.      Pastikan untuk membedakan antara permintaan dan penjualan