Dit is een overzichtelijk document met alle formules en uitleg over alle bewerkingen die gebruikt moeten worden voor het vak Logistics and Supply Chain Management, gedoceerd door Veronique Limère. Het document geeft een duidelijk overzicht van formules en bevat zelfs stappenplannen om bepaalde soo...
Te kennen formules & technieken: LSCM
H1: introduction to operations management
Labour productivity Output / #employees
Multifactor productivity Total output / all the given costs
Ex. Total output / (total labour cost + total material cost
+ overhead rate)
H2: forecasting
Naïve forecasting for… 1. Last actual value = forecast
1. Stable series (het Ft = At-1
schommelt rond een 2. Corresponding actual value of last season =
gemiddelde) forecasted value for the same season this year
2. Seasonal variations 3. Ft = At-1 +/- (verschil tussen At-1 en At-2)
3. Trend
Moving average forecast 𝐴1+𝐴2+𝐴3
MA3 = F4 =
3
∑ 𝐴𝑡−𝑖
Dus Ft =
𝑛
Exponential smoothing forecast Ft = 𝛼 . 𝐴𝑡 − 1 + (1 − 𝛼). 𝐹𝑡 − 1
= 𝐹𝑡−1 + 𝛼 . (𝐴𝑡−1 − 𝐹𝑡−1 )
Alfa = smoothing factor
Met 𝐴𝑡−1 − 𝐹𝑡−1 = 𝑒𝑟𝑟𝑜𝑟 𝑖𝑛 𝑡 − 1
Stel je zoekt F6, maar je hebt enkel F2 gekregen en alle
At’s van periode 2 tot en met 5:
Bereken eerst F3 met als Ft-1=F2
Dan bereken je F4 met als Ft-1=F3 enzovoort tot je aan
F6 geraakt
Weighted average forecast: 1. Bereken de gewogen waarden = demand per
gegeven zijn de gewichten voor period maal weight per period
een aantal perioden 2. Ft = som v/d bekomen gewogen waarden
Ft = W1.A1 + W2.A2 + … + Wn . An
Deseasonalizing data given the De deseasonalized data is simpelweg de originele
quarter relatives data per kwartaal gedeeld door de quarter relative van
dat kwartaal
Computing seasonal relatives with 1. Compute the averages per season
the simple averaging method 2. Compute the overall average
3. SA relatives per quarter = 1 delen door 2 per
kwartaal
Compute 2 s control limits for 𝑠 = √𝑀𝑆𝐸
forecast errors w/ MSE = … Upper control limit UCL = 0 + 2 . s
Lower control limit LCL = 0 – 2 . s
MAD = mean absolute deviation ∑ |𝑒𝑟𝑟𝑜𝑟|
𝑛
Weights all errors evenly n = aantal perioden
If errors are N distributed,
standard deviation = 1,25 MAD
MSE = mean square errors ∑ 𝑒2
Weights e acc. To squared values 𝑀𝑆𝐸 =
(𝑛−1)
, MAPE = mean absolute percent |𝐴𝑡 − 𝐹𝑡|
error ∑( )
𝑀𝐴𝑃𝐸 = 𝐴𝑡 . 100
Weights e acc. To relative errors
𝑛
Trend adjusted (exponential TAFt+1 = St + Tt
smoothing) forecast
Met St en Tt formules op formuleblad
Opdracht: determine a tracking We krijgen gegeven:
signal voor perioden 10-24. Begin - de error per periode vanaf periode 10
with month 10, updating MAD - ∑ |𝑒𝑟𝑟𝑜𝑟| 𝑣𝑜𝑜𝑟 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 10 = 58
with exponential smoothing. Use - Dus initial MAD = 58/10 = 5,8
limits of +-4 and alfa = 0,2 Nu kunnen we die MAD updaten voor elke periode
met exponential smoothing via de formule op
To find a bias: tracking signal t formuleblad
Op formuleblad:
∑ 𝑒𝑟𝑟𝑜𝑟 En dan per periode tracking signal berekenen door
Tracking signal =
𝑀𝐴𝐷𝑡 formule op formuleblad
𝑆𝑀𝐴𝐷𝑡 = 𝑀𝐴𝐷𝑡−1 + 𝛼. (|𝑒𝑟𝑟𝑜𝑟|𝑡
− 𝑀𝐴𝐷𝑡−1 ) Als tracking signal nergens groter of kleiner is dan 4 is
er geen bias te zien
Forecast with trend and Bereken bv. F6 wat overeenkomt met een seasonal
seasonality: relative van 1,2
Gegeven: Eerst zonder seasonality:
Seasonal relative seizoen 6 = 1,2 F6 = 402 + 3.6 = 420
Trend component: Ft = 402 + 3t
Dan seasonality incorporeren:
F6 = 420 . 1,2 = 504
Computing seasonal relatives: 1. Moving averages berekenen
centered moving average method • Indien elk seizoen een EVEN aantal datapunten
(zie p.121) heeft (vb. 4) dan moet je eerst een 4-period
MA doen, maar de ‘centered value’ zal niet
“Obtain estimates of quarter overeenkomen met een actual data point, het
relatives w/ centered MA method” midden van 4 zit tussen 2 en 3. Daarom
moeten we nog een 2de reeks MA maken van
Gegeven: demand per seizoen, de MA4: we maken een MA2 en die zal wél
per jaar overeenkomen met een actual datapoint (in
geval van 4 datapunten, komt de eerste MA2
overeen met het 3de datapunt)
Schrijf de eerste MA4 bij het 2de datapunt voor de
handigheid
• Als er oneven aantal datapunten zijn is dit niet
nodig: de MA3 of MA5 of … komt dan overeen
met een actual value!
2. Deel demand per data point door de MA2 per
data point waarvoor er een MA2 is
3. Duid in kleur aan welke demand/MA2 tot
hetzelfde seizoen behoren, dit doe je voor elk
jaar
4. Berekenen het average per seizoen: deel de
som van de vorige aangeduide waarden per
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper svdlara1. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €7,19. Je zit daarna nergens aan vast.
