Содержание к диссертации
Введение
Глава 1. Анализ задач автоматизации обеспечения складов запасных частей 11
1.1. Современное состояние вопроса поддержки складов запасных частей в России и мире 11
1.2. Информационная поддержка складов запасных частей 20
1.3. Требования к СУБД для построения АСУТП снабжения запасными частями 24
Выводы к главе 1 27
Глава 2. Разработка методов и алгоритмов планирования нормативных запасов запасных частей и комплектующих 29
2.1. Анализ методов прогнозирования потребности в запасных частях .29
2.2. Анализ факторов, определяющих спрос на запасные части 49
2.3. Экономические факторы, учитываемые при формировании складских запасов 56
2.4. Методы классификации и группировки номенклатуры запасных частей и комплектующих 64
Выводы к главе 2 94
Глава 3. Разработка математической модели системы прогнозирования потребности в запасных частях 96
3.1. Критерии и методика определения точности прогноза 96
3.2. Использование методов анализа временных рядов для прогнозирования потребности в запасных частях. Алгоритм расчета нормативного запаса запасных частей 102
3.3. Использование метода среднемесячной потребности для прогнозирования спроса на запасные части 111
3.4. Разработка метода прогнозирования потребности с помощью логического дерева 115
Выводы к главе 3 129
Глава 4. Разработка программной модели автоматизированной системы учета запасных частей 131
4.1. Экспериментальное исследование экстраполяционного метода прогнозирования потребности ...131
4.2. Исследование объекта автоматизации 142
4.3. Структура АСУТП снабжения запасными частями 145
Заключение 160
Приложения
- Современное состояние вопроса поддержки складов запасных частей в России и мире
- Анализ методов прогнозирования потребности в запасных частях
- Критерии и методика определения точности прогноза
- Экспериментальное исследование экстраполяционного метода прогнозирования потребности
Введение к работе
Актуальность темы
Снабжение запасными частями является важнейшей частью сети технического обслуживания предприятия-производителя автомобилей.
Высокоэффективное снабжение возможно в настоящее время только при условии автоматизации статистики, анализа, прогноза, обработки документации, позволяющей не только оптимизировать запасы, снизить расходы по хранению запасных частей, но и значительно ускорить обслуживание потребителей.
При отсутствии налаженной информационной системы, обеспечивающей сбор и обработку статистической информации, организовать конкурентоспособную в сегодняшних условиях сеть обеспечения текущего парка автомобилей запасными частями практически невозможно.
Своевременный научно обоснованный и точный прогноз потребности в запасных частях позволяет принимать правильные управленческие решения о номенклатуре и количестве поставляемых на склад деталей, улучшить экономические показатели деятельности предприятия.
Актуальность темы данной диссертации предопределяют возможности оптимизации хранимой номенклатуры в соответствии с текущими и прогнозируемыми потребностями рынка автомобильных запасных частей за счет автоматизации процессов обработки информации, повышения качества и оперативности прогнозов на основе обоснованных формализованных моделей.
Объектом исследования диссертационной работы являются модели и методы автоматизации снабжения запасными частями сбытовой цепи предприятий - производителей автотранспортной техники, математические модели и методы прогнозирования потребности в запасных частях.
Цель и основные задачи исследования
Цель работы - автоматизация снабжения запасными частями сбытовой цепи предприятия по производству автотранспортной техники за счет разработки соответствующих моделей, методов, алгоритмов и программ.
В работе последовательно поставлены и решены следующие задачи:
анализ современных методов организации технологических процессов и прогнозирования потребности на базе статистической информации о сбыте автомобильных запасных частей;
разработка моделей и методов автоматизации наиболее трудоемких этапов сбора и обработки информации с целью сокращения сроков и стоимости подготовки прогнозов;
использование предложенных подходов для решения задачи разработки структуры БД АСУТП снабжения запасными частями регионального склада;
использование научно обоснованных методов и алгоритмов при проектировании АСУТП снабжения запасными частями;
отладка на модели и практическое внедрение разработанной АСУТП снабжения автомобильными запасными частями.
Научная новизна работы состоит в следующем:
обобщены и развиты методы, применяемые для прогнозирования потребности в автомобильных запасных частях на базе статистической информации о сбыте;
разработан метод прогнозирования на основе формализации степени корреляции потребности в запасных частях с составом текущего парка автомобилей и другими факторами;
разработаны методы и алгоритмы классификации и группировки номенклатуры запасных частей по характеру спроса и причине замены для повышения качества прогноза;
разработаны методы и алгоритмы оптимизации хранимого запаса запасных частей, позволяющие повысить оборачиваемость склада и снижение издержек хранения и поставки;
разработана структура интегрированной БД АСУТП снабжения запасными частями.
Практическая ценность
Научные результаты, полученные в диссертации, доведены до практического использования, вошли в состав разработанной АСУТП снабжения запасными частями и использованы при разработке и практической реализации БД АСУТП снабжения запасными частями для ООО «Авантекс», г.Москва и ООО ПКФ «Крепость», г.Красноярск.
Апробация работы
Содержание разделов диссертации было доложено и получило одобрение:
на заседаниях кафедры автоматизированных систем управления Московского автомобильно-дорожного института (ГТУ);
на Международной научно-практической конференции «Логистика: современные тенденции развития» (Санкт-Петербург, 2003 г.);
на семинаре по информационным технологиям (Омск, 2004 г.),
на научно-технических советах в ООО ПКФ «Крепость» (г.Красноярск);
на научно-технических советах отдела автоматизации ООО «Авантекс» (г.Москва).
Публикации. По теме диссертации опубликовано 4 статьи.
В первой главе проведен анализ текущего состояния рынка автомобильных запасных частей. Показано, что непрерывное развитие рыночных экономических отношений требует решения сложных и трудоемких задач оптимизации запасов, которые невозможно получить при отсутствии развитой информационной системы, позволяющей получать
адекватные рыночному спросу прогнозы потребности в запасных частях, соответствующие динамике сегодняшнего дня.
Анализ исследований российских и зарубежных ученых (в том числе В.В.Волгина [8, 9] (1997, 2000), Н.В.Ермолина [23, 24] (2001, 2003), Е.Р.Добронравина [17, 18, 19] (2000), Курта Хоффмана [84] (2000) и др.), а также обзор решений крупных европейских и японских производителей (Daimler-Chrysler, Toyota, Mazda) показал, что затраты предприятий на формирование и поддержание складов запасных частей могут быть значительно снижены за счет централизации управления запасами складов в масштабах сбытовой цепи предприятия-производителя, повышения точности прогнозирования потребности и оптимизации хранимой номенклатуры.
Таким образом, прогнозирование потребности в запасных частях является важнейшей задачей АСУТП. Необходим анализ и развитие существующих методов прогнозирования, а также разработка новых методов, отвечающих сегодняшней экономической ситуации и использующих возможности современной вычислительной техники.
Во второй главе проведен анализ существующих методов прогнозирования потребности в запасных частях.
Анализ используемых методик показал, что существующие подходы к определению необходимого количества и номенклатуры поставляемых запасных частей были разработаны для плановой экономики и их использование в условиях рынка неэффективно. В некоторых работах вопросы определения потребности в запасных частях на основе маркетинговых исследований проработаны достаточно глубоко, однако в основном они носят общетеоретический характер и мало пригодны для практического использования. Регрессионные модели, применяемые в настоящее время, требуют частого пересмотра предикторов, что сопряжено с
трудоемким процессом определения корреляционной значимости факторов в изменяющейся внешней среде.
Проведен анализ факторов, определяющих спрос на запасные части.
Предложенная классификация факторов позволяет более эффективно формировать первичную выборку данных для регрессионного или интеллектуального анализа, на основе априорных предположений.
Рассмотрены различные типы запасов.
Описана модель планирования складского запаса деталей на основании прогноза использования товарных запасов, данных о стоимости выполнения заказа и затрат по содержанию запасов. Классические модели определения момента заказа, основанные на индивидуальных точках заказа отдельных номенклатурных позиций, в применении к широкой номенклатуре автомобильных запасных частей имеют склонность к «переобслуживанию», то есть завышению итогового параметра уровня обслуживания относительно требуемого, и, как следствие, завышенным издержкам хранения и транспортным расходам. Преимуществом предложенной модели является возможность определения момента размещения очередного заказа из условия обеспечения требуемого группового уровня обслуживания.
Исследованы методы классификации и группировки номенклатуры автомобильных запасных частей и комплектующих.
Предложен метод группировки по причине замены. Для предварительного отбора данных с целью последующего корреляционного анализа предлагается поделить весь ассортимент запасных частей на группы по причинам замены, то есть совокупностям факторов, обусловливающих возникновение потребности.
Предложенный метод классификации позволяет автоматизировать процесс выбора методики прогнозирования для каждой номенклатурной позиции на начальном этапе прогнозирования. Такое разбиение позволяет
повысить точность прогноза потребности для каждой детали и, как следствие, повысить общее качество прогноза для всей группы.
Предложен метод классификации запасных частей по характеру спроса на деталь - является ли он периодическим, случайным или сезонным.
Основная особенность алгоритма состоит в том, что, в отличие от используемых в настоящее время, он учитывает распределение потребления по месяцам года, а не общее потребление запасных частей, что исключает возможность определения случайного спроса как сезонного.
Разработан алгоритм выявления сезонного спроса.
Предложено использовать методы интеллектуального анализа данных для классификации и кластеризации номенклатуры запасных частей и комплектующих. Описанный метод развит в третьей главе исследования при разработке метода прогнозирования с помощью логического дерева.
В третьей главе обосновываются критерии качества прогноза:
Предложен метод определения исключительных значений спроса (выбросов).
Исследована эффективность применения для прогнозирования потребности в запасных частях методов анализа временных рядов. Представлена сравнительная характеристика различных методик анализа.
Разработан метод среднемесячной потребности для оценочного прогнозирования спроса на запасные части. Разработанный метод может быть использован в случаях, если набор статистических данных не позволяет проводить сложный анализ с выявлением и учетом коррелирующих факторов, а также при необходимости провести оценочный прогноз для принятия оперативных управленческих решений для периодического составления краткосрочных прогнозов.
Разработан метод прогнозирования потребности в запасных частях с использованием логического дерева. Основной особенностью предложенного алгоритма является возможность частого пересмотра предикторов, так как их выявление из набора предполагаемых факторов проводится при
минимальном объеме ручного труда. Частый пересмотр предикторов позволяет более эффективно отслеживать изменение внешней среды и ее влияния на потребность в запасных частях.
В четвертой главе отражено экспериментальное исследование экстраполяционного метода прогнозирования потребности, использованы данные о реализации автомобильных запасных частей предприятием ООО «Авантекс» (г.Москва) в период 2002-2004 гг.
Определены условия применения метода прогнозирования потребности на базе экспоненциального сглаживания временных рядов.
Разработана программная модель БД системы автоматизации снабжения запасными частями. Предложенная модель позволяет обеспечить обратную связь между сбытовой цепью предприятия, то есть подразделениями предприятия, непосредственно представленными на рынке и производством. Данные, собранные и обработанные АСУТП, представляют собой основу для принятия производственных и управленческих решений.
В заключении представлены основные результаты работы.
Объем работы
Диссертационная работа состоит из введения, 4 основных глав, заключения, списка литературы из 101 наименования, приложения (документы о внедрении).
Современное состояние вопроса поддержки складов запасных частей в России и мире
Техцентры изготовителей машин и ремонтные заводы никогда не покрывали в нашей стране спроса на услуги по ремонту техники. Неразвитость рынка услуг по техобслуживанию и ремонту привела к тому, что более 90% отечественного парка машин до сих пор ремонтируется предприятиями-владельцами техники. Эти ремонты "на местах" возможны в силу двух причин: благодаря более высокому по сравнению с другими странами уровню технической грамотности водителей, трактористов, экскаваторщиков и ввиду более низкого уровня самих машин, не требующих слишком сложного оборудования для ремонта. Впрочем, и на Западе, по оценкам специалистов в области автомобилестроения, в настоящее время 40% всего объема ремонтных работ осуществляется самими владельцами автомобилей и предсказывается рост этой доли [8].
Российские частные владельцы автомобилей, как правило, не имеют свободного времени на их ремонт - в условиях рынка все труднее даются заработки, все больше времени уходит на обеспечение нормальных условий жизни. В то же время и наемные водители, напряженность труда которых возрастает из года в год, все чаще возражают против выполнения ремонтных работ своими силами - это не их специальность.
Из-за огромного уже сейчас дефицита услуг по ремонту, техническому обслуживанию и дополнительному оборудованию автомобильной и другой колесной и гусеничной техники предстоит лавинообразное увеличение количества малых предприятий и индивидуальных предпринимателей для заполнения этой ниши рынка.
В условиях, когда почти весь парк машин ремонтируется владельцами и по этой причине почти весь спрос является мелкооптовым и розничным, удовлетворение потребности в запасных частях происходит пока способами, отличными от зарубежных. Бессистемная торговля машинами и запасными частями не улучшила положение тех потребителей, для которых техника является средством производства, в главном - в ассортименте. Запасные части можно приобрести далеко не все, не всегда, не везде, не в срок и не для всех моделей машин.
Множество посредников принялись торговать запасными частями, выбирая только быстрореализуемую номенклатуру высокого спроса. Потребители вьшуждены искать запасные части у десятков поставщиков, покупать дорогие узлы вместо отдельных деталей. Для всех продавцов запасных частей характерно стремление торговать только деталями частого спроса, чтобы не хранить запасов реже спрашиваемых деталей. Но детали частого спроса составляют 20-30% номенклатуры, необходимой для ремонта. Остальной номенклатурой торговцы либо вообще не занимаются, либо заказывают у поставщиков, получив предоплату с покупателей, вынужденных долго ждать поставок [8].
Такое положение приводит к тому, что растет число посредников, не имеющих обязательств перед потребителями. Отсутствие квалифицированного использования потребительского спроса для производства и сбыта высокорентабельных и качественных оригинальных запасных частей снижает доходы изготовителей и занятость населения, зато способствует процветанию бизнеса зарубежных имитаторов. Их детали и узлы к нашим автомобилям ввозятся в страну в больших количествах. Постоянный рост количества и оборота всех видов предприятий по торговле запасными частями и ремонту показывает, что рынок остро нуждается в развитии товаропроводящей и сервисной инфраструктуры заводов - изготовителей машин.
Предприятия, которые хотят развиваться, должны внедрять все, что выгодно потребителям. Запасные части - коварнейший и сложный товар. Торговля запасными частями становится весьма прибыльным бизнесом только при современной организации.
Качество машин - не главная причина потери даже отечественного рынка нашими производителями; для любого качества есть свои покупатели. Продажа каких-то машин прекращается, а запчасти к ним продаются еще много лет. Конкуренция новых оригинальных запасных частей с подержанными, восстановленными и неоригинальными - лучшее доказательство существования рынка.
Качество обеспечения запасными частями - полная номенклатура и максимум сутки на ожидание детали - самое главное условие конкурентоспособности техники. Условия этого вида деятельности диктует потребитель. Ему нужна не деталь, которую он заказал, а собственная исправная машина. Все потребители запасных частей во всем мире похожи: они хотели бы покупать запасные части только тогда, когда они понадобятся, как лекарства, получать их немедленно и иметь продавца поблизости.
Только высокая квалификация служит ключом к рентабельности и устойчивому положению на рынке. Модели машин меняются, но рынок будет только ужесточать требования к обеспечению запасными частями, как и к сервису в целом.
Зарубежные фирмы со своими методами и короткими сроками поставки запасных частей быстро завоевывают наш рынок. Чтобы удержать его в своих руках и выдержать в конкурентной борьбе, важно изучить и применить в своей практике опыт зарубежных фирм, специализирующихся в этой отрасли. Отечественному предприятию, вышедшему на российский рынок автозапчастей, необходимо, в первую очередь, составить ясную картину его особенностей, оценить тенденции его развития, выработать собственную конкурентоспособную стратегию.
Анализ методов прогнозирования потребности в запасных частях
При анализе работ ряда авторов, посвященных проблеме удовлетворения спроса на запасные части [3, 4, 6, 10, 13, 25, 32, 36, 38,43, 46, 51, 57, 61], можно выделить следующие общие подходы к прогнозированию:
1. Методики, рассматривающие машину как единое целое, как неделимый объект, либо как сложную структуру с определенным образом взаимодействующими агрегатами или рассматривающие полную структуру объекта, начиная с элементов. Трудоемкость сбора и обработки данных, необходимость проведения большого объема экспериментальных исследований для получения достоверных данных о ресурсах и распределению ресурсов машин, на практике оказываются сложной и трудоемкой задачей.
2. Работы, где потребность в запасных частях сводится к решению задачи оптимального управления запасами, с целью минимизации потерь от излишков хранимых запасных частей и из-за отказов при неудовлетворении заявок на них.
3. Работы, посвященные определению потребности в запасных частях к конкретным техническим средствам (тракторам, автомобилям, комбайнам, дождевальным машинам и т.д.) или применительно к конкретным природно-климатическим условиям.
4. Работы, в которых представлен порядок проведения инженерных расчетов, учитывается случайный характер замен, распределение ресурсов элементов, условия эксплуатации машин. Данный подход основан на применении нормированных коэффициентов, вводимых в уравнение общей функции восстановления, что согласуется с реальными условиями эксплуатации для основной массы деталей, когда замена исходного элемента производится на элемент с другими параметрами распределения.
Большинство методов расчета числа запасных частей относятся к теории восстановления - одному из важнейших разделов теории надежности. Эта группа математических подходов включает в себя методы, основанные на асимптотических формулах, и методы, основанные на непосредственном использовании потока отказов деталей в функции наработки от начала эксплуатации до списания или в виде законов распределения наработок деталей до первого и между последующими отказами с дальнейшим переходом к потоку отказов. Исходными данными в этом случае служат средние ресурсы деталей и сборочных единиц, первоначально устанавливаемых на машину заводом-изготовителем, средние ресурсы запасных частей до их замены, их средние квадратичные отклонения. Однако наличие данных о потоках отказов деталей недостаточно для планирования расхода запасных частей и требует привлечения дополнительной информации о состоянии парка, отражающей интенсивность и условия эксплуатации, в частности, распределение автомобилей по возрастным группам с учетом данных о поступлении и списании автомобилей, дифференцированных данных о годовых пробегах и пробегах на начало планируемого периода и т.д.
Восстановлением, применительно к данному случаю, называют процесс замены выбракованной по каким-либо причинам детали другой, взятой из запасных деталей. Начальный элемент, установленный на заводе-изготовителе, начинает работу в момент времени t=0 и, проработав случайное время ть выбраковывается и заменяется другим. Этот элемент, проработав время т2) заменяется третьим и т.д. [31]. Поскольку решение уравнения для практических расчетов затруднено, рядом авторов предлагается использование приближенных уравнений [31, 47, 50, 52].
Фактический ресурс детали в заданной зоне определяется на основании информации об их износостойкости, определяемой как отношение наработки детали к величине износа [52]. Однако замена деталей может производиться не только из-за предельного износа рабочих поверхностей, но и вследствие деформации, поломки и замены сопрягаемых деталей.
Также необходимо учитывать, что ресурс запасного элемента, как правило, меньше ресурса начального элемента. Снижение технического ресурса сменяемых деталей по сравнению с исходными объясняется следующими обстоятельствами. Замененная деталь обычно работает в паре с деталью, имеющей при ремонте допустимые размеры. При этом возникают перекосы деталей, перемещается и уменьшается площадь контакта трущихся пар, увеличиваются предельные нагрузки. Все это приводит к постепенному увеличению скорости изнашивания сменяемых деталей, снижению их ресурса.
Очевидно, что методы определения потребности в запасных частях должны быть взаимосвязаны с методами оценки надежности техники. Общим фактором, связывающим методы оценки надежности автомобиля и потребности в запасных частях и агрегатах, является величина потока отказов деталей, агрегатов и автомобиля в целом [5]. В работе [26] автором представлено уточнение среднего параметра потока отказов запасных деталей. Для этого предлагается представление потока отказов в виде двух слагаемых: совокупности замен деталей отдельно при текущем и капитальном ремонте.
Основным недостатком большинства работ, посвященных определению потребности в запасных частях, является то, что сложный процесс восстановления (замены деталей) упрощается с целью получения асимптотических зависимостей, т.е. представления основной формулы процесса восстановления в виде, удобном для практических расчетов [47, 50, 52, 53].
В работе [40] приведена методика расчета потребности в запасных частях, с учетом большого количества факторов. Согласно методике, основанной на соотношениях общего процесса восстановления и использования степенной аппроксимации начального интервала (на пробеге от начала эксплуатации до среднего ресурса детали), для расчета используются две формулы: на пробеге до первого капитального ремонта и на пробеге между капитальными ремонтами.
Критерии и методика определения точности прогноза
Джордж Плоссл в своей книге [92] отмечает следующие характерные черты прогнозов: Прогноз всегда ошибочен. Прогноз совершеннее при оценке ошибки. Прогноз более точен для большей группы наименований. Прогноз более точен для более коротких промежутков времени. Прогноз не может заменить расчетный спрос. Потребность в товарах с зависимым спросом необходимо не прогнозировать, а рассчитывать, исходя из спроса на конечные продукты, который, в свою очередь, могут быть спрогнозирован.
Хотя прогнозы не всегда точны, их проведение вместе с оценкой ошибки помогает улучшить качество будущих прогнозов. Это также дает пользователю данные о точности прогнозов. С учетом этой информации могут быть приняты более эффективные решения.
Работа системы управления запасами и блока прогнозирования начинается со сбора и анализа исходных данных. При оценке исходных данных в системе прогнозирования подлежат анализу следующие моменты: наличие данных об истории спроса на продукт; наличие данных для каждого наименования продукта; достаточность данных для эффективного прогноза; наличие данных для требуемых периодов времени; наличие данных в разрезе видов продуктов или группы товаров, а также покупателей и географических мест; наличие исторических данных по типу спроса, например: о удовлетворенный из запаса; о единовременная потребность для специальных нужд; о реагирование на специальные мероприятия. В бухгалтерской отчетности предприятия имеется информация о фактических отгрузках по номенклатуре. Эти значения используются для расчета значений спроса и показателя его вариации. Спрос принимается равным фактическим отгрузкам для периодов, когда остаток на складе не был равен нулю. Затем производится расчет спроса для периодов дефицита, когда остаток по позициям равнялся нулю и отгрузка, следовательно, не производилась. Простым способом расчета спроса за эти периоды является простой перенос значений спроса на аналогичные предыдущие периоды. При этом исходят из допущения, что среднее значение и вариация спроса остаются теми же, что и в предыдущем периоде.
Производится расчет показателей вариации спроса вокруг прогнозного среднего значения. Расчет этих показателей необходим для оценки качества прогноза, для фильтрования «исключительных» значений спроса, или «выбросов», в следующем периоде, для планирования страхового запаса.
Для любой методики прогнозирования существуют два основных показателя качества прогноза: предвзятость (смещенность) и среднее абсолютное отклонение. Для оценки предвзятости используется показатель средней ошибки: . _ / J \ факті прогні j Л = (28) где Dфакт І - фактический спрос; прогні - прогнозируемый спрос; і - номер периода п - число периодов прогнозирования. Важно также знать разброс фактических значений вокруг прогнозируемых. Для этого рассчитывается показатель среднего абсолютного отклонения: / І \ факт j прогяі Ср.абс.отклонение(МАО) = (29) MAD отражает размер средней ошибки независимо от знаков индивидуальных значений. Bias и MAD, вместе взятые, позволяют оценить качество прогноза и сформировать управленческие решения об изменении методики прогнозирования, об увеличении страхового запаса, об ускорении сроков поставки с целью снижения вариации спроса за время поставки и т.д. С помощью показателя MAD контролируется и прогнозируется качество и общая несмещенность прогноза, на основании которого строится управление запасами. Помимо процента отклонения от прогнозируемой величины, bias и MAD, контролируется показатель смещенности прогноза: Biast Показатель смещенности t = ]Lfjr\ (ЗО)
Этот показатель находится в пределах от -1 до +1 и позволяет на этапах проверки качества прогноза оценить общее направление отклонения прогноза от фактических значений и ввести необходимые поправки в модель.
Кроме того, рассчитываются эти же показатели для следующего периода тем же методом прогнозирования, что делает прогноз более полным и обеспечивает правильное исчисление страхового запаса [100].
Отфильтровка исключительных значений спроса (выбросов) - это отбор статистически обоснованных значений спроса. Перед началом прогноза фактический спрос сравнивается с установленным интервалом и определяется, являются ли выбросы за пределы интервала неслучайными и обоснованными.
Правильный учет этих нерегулярных или нечастых исключительных потребностей очень важен. Упущенная выгода в издержках и уровне обслуживания может быть очень высокой, если эти исключительно большие виды спроса неправильно идентифицируются и учитываются в расчетах.
Издержки из-за неучета исключительных случаев спроса очень высоки: обслуживание исключительного спроса обычно ведет к дефициту и возникновению задолженных поставок и, таким образом, к низкому значению показателя уровня обслуживания; включение этого спроса в расчет приводит к исчислению завышенного необходимого страхового запаса и экономического размера заказа, что приводит к дополнительным издержкам. Характеристики исключительно большого спроса следующие: исключительно большие значения в сравнении с более нормальными заказываемыми количествами; нерегулярные или нечастые; случаются несколько раз в году или совсем не случаются для отдельных наименований; хотя количество исключительных потребностей очень мало в сравнении с нормальными потребностями (менее 1 процента), заказываемое количество может быть значительным (более 50 процентов нормального годового потребления). Потребности в исключительных количествах можно идентифицировать по их исключительному статистическому поведению: они выделяются от основного распределения, которое находится между средним значением А плюс число стандартных отклонений D. Приведенный ниже критерий хорошо работает при определении исключительных потребностей: Am, A + N D,ede (зі) А - среднее требуемое количество для нормального потребления; D - стандартное отклонение; N - фактор в районе от 3 до 10, отделяющий исключительные случаи от нормальных.
Экспериментальное исследование экстраполяционного метода прогнозирования потребности
Прогноз производился на основе статистических данных склада запасных частей ООО «Авантекс» (г.Москва). Предмет эксперимента: - определение условий возможности применения метода прогнозирования потребности на базе метода экспоненциального сглаживания временных рядов для автомобильных запасных частей; - исследование возможности минимизация ручной обработки данных на всех этапах прогнозирования - оценка качества прогноза при различных параметрах сглаживания Метод проведения эксперимента:
Система прогнозирования разработана в виде подсистемы базы данных, описанной в параграфе 4.2. Данные отбираются из базы данных Microsoft Database (mdb) с помощью SQL-запросов. Алгоритм метода реализован в среде Visual Basic for Applications с использованием функций и методов динамической библиотеки STATISTICA 6.0 Object Library.
В качестве исходных данных для прогноза используются данные о заказах, запросах и поставках запасных частей в период с 01.01.2002 по 31.03.2004 (базовый период). Прогноз строится на период с 01.04.2004 по 30.06.2004 (период прогноза).
При предварительном анализе выборки установлено, что различные номенклатурные позиции обладают разных характером спроса. Для одних позиций характерно равномерное потребление, для других диаграмма характера спроса представляет собой неровный график с чередующимися спусками и подъемами. Для оценки неравномерности потребления для каждой номенклатурной позиции было вычислено значение стандартного
Отклонения СТбаз Анализируя диаграммы зависимости абаз и апрогн, можно сделать следующие выводы: 1. Для деталей с низкими значениями стандартного отклонения в базовой выборке Обаз (о"баз 0 5) при увеличении параметра а до 0,9 (т.е. увеличении весов последних наблюдений) качество прогноза повышается по сравнению с более низкими значениями а; 2. Для деталей с высоким значением абаз (O6M 0»5) характерны высокие значения отклонения прогнозных данных от реальных. Характер потребления таких номенклатурных позиций необходимо рассматривать отдельно (возможно с выделением сезонной компоненты). 3. Положительная корреляция Стбаз и Опрогн усиливается при увеличении параметра а. 4. При высоких значениях а (а=0,9) усредненное значение погрешности прогноза сравнимо со средним стандартным отклонением в баЗОВОЙ Выборке (среднее Обаз = 0 319). 5. Точность прогноза повышается с ростом числа заказов на номенклатурную позицию - при количестве заказов больше 100 погрешность прогноза на отдельные позиции не поднимается выше 0,5, а большинство значений находится в пределах 0..0,2.
Запасные части со склада реализуются как оптовым, так и розничным потребителям. Статистика продаж оптовым клиентам часто носит неравномерный характер. Это можно объяснить тем, что небольшие фирмы имеют свои собственные склады запасных частей и поддерживают наличие деталей на этих складах, периодически размещая заказы в количестве, превышающем обычное потребление. Такие мелкооптовые заказы нельзя рассматривать как исключительные, так как неравномерное мелкооптовое потребление является отражением равномерного розничного спроса. Кроме того, мелкооптовые заказы формируют значительную долю объема реализации запасных частей с регионального склада. Прогнозирование по таким позициям следует проводить на больший период, чем для позиций равномерного спроса - это позволит сгладить неравномерность потребления. Может также быть использовано предварительное сглаживание значений спроса перед прогнозированием.
