На главную страницу Форма обратной связи
Рекомендуем:
Разделы сайта
Причинно-следственные модели. Спецификации данных о спросе --- 
Причинно-следственные модели. Спецификации данных о спросе

Причинно-следственные модели. Причинно-следственные модели используют методы статистической регрессии для установления отношений между зависимыми переменными спроса в особой точке в будущем и независимыми переменными, которые могут не только включать те же самые переменные спроса в более ранних точках, но также включать и другие переменные, значения которых затрагивают спрос. Классический пример — модель, предсказывающая спрос на автомоОценочные модели. Оценочные модели необходимы, чтобы предсказать спрос на новые изделия, для которых не существует никаких статистических данных и данных, имеющих к ним отношение. Оценки экспертов, знакомых с изделиями и рынками, систематически собираются и объединяются. Первый шаг — заставить экспертов достичь согласия в своих суждениях. Один метод для достижения этого,

Причинно-следственные модели. Спецификации данных о спросе

называемый процессом Делфи, использует анонимные ответы экспертов и контролируемую обратную связь для достижения согласия на основе повторяющихся процессов. Таким образом, прогноз группы опре деляется средним значением индивидуальных прогнозов, полученных по окончании повторяющегося процесса. Следующий шаг— кодировать прогнозы как распределения вероятности, используя априорные параметры, определенные экспертами. Эти параметры систематически обновляются по мере того, как появляются данные о продажах новых изделий.
Спецификации данных о спросе для моделей оптимизации Набор данных спроса для отдельного сценария, необходимого для модели оптимизации, представляет собой просто количество изделии, которое должно быть удовлетворено каждым рынком или каждым из нескольких сегментов данного рынка. Кроме того, дефицитные затраты, связанные с неудовлетворением спроса на каждое изделие на каждом рынке (и рыночном сегменте), должны быть включены в набор данных спроса. Дефицитные затраты могут быть вычислены с помощью маркетинговой информации о до досрочных эффектах упущенных продаж. Они полезны и важны, потому что позволяют идентифицировать модель оптимизации с теми изделиями и рынками, которые наименее желательны для удовлетворения, когда цепь поставки имеет недостаточную вместимость, чтобы полностью удовлетворить спрос. 15 некоторых случаях присутствие дефицита может указывать, что затраты на поставку некоторых изделий на некоторых рынках настолько высоки, что модель выбирает невыполнение спроса. Наконец, дефицит может отражать ошибки данных или непостоянства, например рынок, с которым в модели не были указаны связи со всеми источниками изделии.
Поскольку прогнозы ненадежны, в целях стратегического н тактического планированияровапия управление компании захочет видеть результаты оптимизации с различными сценариями наборов данных спроса. Чтобы это выполнить, специалист в области моделирования должен перевести качественные описания сценария типа «высокий спрос» или «низкий спрос» в числовые наборы данных спроса.
Хотя набор данных спроса для данного сценария в базе данных решения цепи поставки может быть прост, такие данные обычно базируются на статистических базах данных.
Как мы уже обсуждали ранее, для осуществления схем агрегирования и применения статистических методов оценки необходимо эффективное программное обеспечение, чтобы связать исторические базы данных с базой данных решения цепи поставки, а также с моделью оптимизации.
  Также рекомендуем другие статьи:

  • Численное представление модели. Анализ полученной модели и выбор метода решения. Метод поиска решений на моделях
  • Калькуляция себестоимости
  • Типы моделей прогнозирования. Модели прогноза
  • Разработка причинно-стоимостных отношений прямых и косвенных затрат
  • Прогнозирование спроса и маркетинг. Модель временных рядов



  • Книги по экономике

    Copyright © 2009-2019
    EcoUniver.com - Все по экономике и рынках