Resumé
På mange områder af forsyningskædestyring genererer analytiske metoder estimater med "besværlige decimaler"; for eksempel efterspørgselsestimater og produktionsplanlægning. Den traditionelle metode til at fjerne irriterende decimaler er afrunding. Dette resulterer imidlertid også i tab af kritisk information, den kumulative sum, hvilket ofte enten kan undervurdere eller overvurdere arbejdsbyrden på virksomheden. Den rullende afrundingsmetode begrænser dette informationstab til 1. Denne blog demonstrerer vigtigheden af denne metode, og hvordan man beregner disse forbedrede heltalsestimater.
Introduktion
Mens man bruger tid med "munchkins" (børnebørn), er det klart, hvorfor de positive heltal (måske med nul) omtales som de naturlige tal; optælling er intuitiv. Den samme komfort opstår i supply chain management. Hvis tidsserieforudsigelsesmetoden forudsiger daglig efterspørgsel på 3.1, 4.2 og 2.3 – bliver vores præference at slippe af med de irriterende decimaler. Hvis produktplan siger, at den daglige produktion skal være 2.9, 3.1 og 1.7, har vi samme følelse. Spørgsmålet er, hvordan man bedst eliminerer decimalerne, hvor bedst defineres som at minimere mængden af tabt information.
Den traditionelle metode er at afrunde hver enkelt værdi til et heltal og antage, at "afrundingsfejlene" vil balancere. Dette er dog ikke altid sandt. Tabel 1 har 14 dages efterspørgselsestimater for tre produkter (produkt 1, 2 og 3). De faktiske efterspørgselsestimater er i kolonne to, tre og fire. Summen af behov for hvert produkt (53.1, 50.0 og 48.7) er angivet i den næstsidste række. De afrundede krav er i kolonne fem til syv, og deres samlede er i den næstsidste række (50, 51, 52). Den sidste række viser detaljerne mellem summen af de faktiske estimater og summen af de afrundede estimater. Der er en betydelig forskel på produkt 1 (3.1) og produkt 3 (-3.3).
Det, vi har brug for, er en "afrundingsmetode", der afgrænser forskellen i de kumulative summer til 1 og sikrer, at den kumulative sum af de afrundede værdier er større end den kumulative sum af de faktiske værdier. Dette kaldes "rullende afrunding". Denne blog giver en algoritme til rullende afrunding. Det er en del af serien om Data Science Tools of the Trade.
Maskinlæring og datavidenskabelige redskaber: Førsteordens forskel
Branchens værktøjer: Hvordan man sammenligner / kombinerer forskellige tidsserier – "normalisering"
Data Science Tools of the Trade: Monte Carlo Computer Simulation
Grundlæggende om rullende afrunding
Vi starter med et eksempel på kumulativ sum. Tabel 2 har efterspørgselsestimatet for produkt 1 og den kumulative sum for faktisk og heltalsestimat. Kolonne 3 er den kumulative faktiske. Dag 1 er efterspørgselsestimatet for dag 1. Dag 2 er den kumulative sum fra dag 1 (3.1) plus efterspørgselsestimat for dag 2 (4.2), som er 7.3. Dag 3 er 7.3 + 2.3 = 9.6 Kolonne 4 er den kumulative sum for heltalsestimaterne. Dag 3 (9) = 7+2. Den sidste kolonne er deltaet mellem hver kumulativ sum for hver dag. For dag 4 er deltaværdien -0.7 = 15.0 – 15.7. Observer den voksende størrelse af deltaet.
Hvilken algoritme bruger vi til at generere heltalsestimater, hvor den kumulative sum af heltalsestimatet altid er større end eller lig med den kumulative sum af de faktiske tal, og størrelsen af delta aldrig er større end 1? Tabel 3 viser denne algoritme.
- Dag 1, det rullende estimat er loftet (rund op), her 3.1 Den kumulative sum af heltalsestimaterne for dag 1 er 4.
- Dag 2 tilføjer vi bundværdien af det faktiske estimat (4.2 4) til det kumulative estimat fra dag 1 (4), hvilket giver os 8 (=4+4). Hvis denne værdi er større end eller lig med den faktiske kumulative sum for dag 1 (som er 7.3), så vælger vi bundværdien og det rullende afrundingsestimat for dag 2. Hvis ikke, så bruges loftsestimatet.
- Dag 3, 2(gulv) + 8 (heltal kumulativ sum) = 10, hvilket er >= 9.6 (kumulativ sum faktisk), vælg etage (2).
- Dag 6, 3(gulv) + 20 (heltal kumulativ sum) = 23, hvilket er < 23.1 (kumulativ sum faktisk), vælg loft (4) til brug som rullende estimat for dag 6.
Bemærk i den sidste kolonne i tabel 3, at alle værdier er positive og alle mindre end eller lig med 1.
En alternativ algoritme er demonstreret i tabel 4. Trin 1 beregner loftværdien for den faktiske kumulative sum (vist i kolonne 4). Det rullende afrundingsestimat (kolonne 5) er forskellen mellem loftet for den faktiske kumulative sum (kolonne 4) for i dag med i går. Det rullende estimat for dag 4 (6) er loftet for kumulativ sum dag 4 (16) minus loftet for den kumulative sum for dag 3 (10); 6 = 16-10. I APL2 er koden "Z1←¯2- /0,⌈+X".
Konklusion
På mange områder af forsyningskædestyring genererer analytiske metoder estimater med "besværlige decimaler". For eksempel efterspørgselsestimater og produktionsplanlægning. Den traditionelle metode til at fjerne irriterende decimaler er afrunding. Dette resulterer dog også i tab af kritisk information; den kumulative sum kan ofte enten undervurdere eller overvurdere arbejdsbyrden på virksomheden. Den rullende afrundingsmetode begrænser dette informationstab til 1.
Nydt dette indlæg? Tilmeld eller følg Arkieva videre Linkedin, Twitterog Facebook for blogopdateringer.
Kilde: https://blog.arkieva.com/data-science-tools-of-the-trade-rounding-decimals/
