Résumé
Dans de nombreux domaines de la gestion de la chaîne d'approvisionnement, les méthodes analytiques génèrent des estimations avec des « décimales embêtantes » ; par exemple, les estimations de la demande et la planification de la production. La méthode traditionnelle pour éliminer les décimales embêtantes est l'arrondi. Cependant, cela entraîne également la perte d'informations critiques, la somme cumulée, qui peut souvent sous-estimer ou surestimer la charge de travail de l'entreprise. La méthode d'arrondi roulant plafonne cette perte d'informations à 1. Ce blog montre l'importance de cette méthode et explique comment calculer ces estimations améliorées des nombres entiers.
Introduction
En passant du temps avec les "munchkins" (petits-enfants), on comprend pourquoi les nombres entiers positifs (peut-être avec zéro) sont appelés nombres naturels ; le comptage est intuitif. Ce même confort se produit dans la gestion de la chaîne d'approvisionnement. Si la méthode de prévision des séries chronologiques prédit une demande quotidienne de 3.1, 4.2 et 2.3, notre préférence devient de nous débarrasser de ces décimales embêtantes. Si la plan de produit dit que la production quotidienne devrait être de 2.9, 3.1 et 1.7, nous avons le même sentiment. La question est de savoir comment éliminer au mieux les décimales, le mieux étant défini comme la minimisation de la quantité d'informations perdues.
La méthode traditionnelle consiste à arrondir chaque valeur individuelle à un nombre entier et à supposer que les "erreurs d'arrondi" s'équilibreront. Cependant, ce n'est pas toujours vrai. Le tableau 1 contient 14 jours d'estimations de la demande pour trois produits (produits 1, 2 et 3). Les estimations de la demande réelle figurent dans les colonnes deux, trois et quatre. La somme des demandes pour chaque produit (53.1, 50.0 et 48.7) est indiquée dans l'avant-dernière ligne. Les demandes arrondies se trouvent dans les colonnes cinq à sept et leur total se trouve dans l'avant-dernière rangée (50, 51, 52). La dernière ligne montre le détail entre la somme des estimations réelles et la somme des estimations arrondies. Il existe une différence importante pour le produit 1 (3.1) et le produit 3 (-3.3).
Nous avons besoin d'une méthode « d'arrondi » qui limite la différence des sommes cumulées à 1 et garantit que la somme cumulée des valeurs arrondies est supérieure à la somme cumulée des valeurs réelles. C'est ce qu'on appelle "l'arrondi roulant". Ce blog fournit un algorithme pour l'arrondi roulant. Il fait partie de la série sur les outils de science des données du commerce.
Outils d'apprentissage automatique et de science des données du métier : différence de premier ordre
Outils du métier : comment comparer/combiner diverses séries chronologiques – "Normalisation"
Outils de science des données du métier : simulation informatique de Monte Carlo
Bases de l'arrondi roulant
Nous allons commencer par un exemple de somme cumulée. Le tableau 2 contient l'estimation de la demande pour le produit 1 et la somme cumulée pour l'estimation réelle et entière. La colonne 3 est le cumul réel. Le jour 1 est l'estimation de la demande pour le jour 1. Le jour 2 est la somme cumulée du jour 1 (3.1) plus l'estimation de la demande pour le jour 2 (4.2) qui est de 7.3. Le jour 3 est 7.3 + 2.3 = 9.6 La colonne 4 est la somme cumulée des estimations entières. Jour 3 (9) = 7+2. La dernière colonne est le delta entre chaque somme cumulée pour chaque jour. Pour le jour 4, la valeur delta est -0.7 = 15.0 – 15.7. Observez la taille croissante du delta.
Quel algorithme utilisons-nous pour générer des estimations entières où la somme cumulée de l'estimation entière est toujours supérieure ou égale à la somme cumulée des valeurs réelles, et la taille du delta n'est jamais supérieure à 1 ? Le tableau 3 illustre cet algorithme.
- Jour 1, l'estimation arrondie est le plafond (arrondi vers le haut), ici 3.1 La somme cumulée des estimations entières pour le jour 1 est 4.
- Le jour 2, nous ajoutons la valeur plancher de l'estimation réelle (4.2 4) à l'estimation cumulée au jour 1 (4) ce qui nous donne 8 (=4+4). Si cette valeur est supérieure ou égale à la somme cumulée réelle pour le jour 1 (qui est de 7.3), nous sélectionnons la valeur plancher et l'estimation d'arrondi mobile pour le jour 2. Sinon, l'estimation du plafond est utilisée.
- Jour 3, 2(plancher) + 8 (somme cumulée entière) = 10, soit >= 9.6 (somme cumulée réelle), sélectionnez le plancher (2).
- Jour 6, 3(plancher) + 20 (somme cumulée entière) = 23, qui est < 23.1 (somme cumulée réelle), sélectionnez le plafond (4) à utiliser comme estimation glissante pour le jour 6.
Observez dans la dernière colonne du tableau 3, toutes les valeurs sont positives et toutes inférieures ou égales à 1.
Un algorithme alternatif est illustré dans le tableau 4. L'étape 1 consiste à calculer la valeur plafond pour la somme cumulée réelle (montrée dans la colonne 4). L'estimation arrondie mobile (colonne 5) est la différence entre le plafond de la somme cumulée réelle (colonne 4) pour aujourd'hui et hier. L'estimation du cycle glissant pour le jour 4 (6) est le plafond de la somme cumulée du jour 4 (16) moins le plafond de la somme cumulée du jour 3 (10) ; 6 = 16-10. Dans APL2, le code est « Z1←¯2- /0,⌈+X ».
Conclusion
Dans de nombreux domaines de la gestion de la chaîne d'approvisionnement, les méthodes analytiques génèrent des estimations avec des «décimales embêtantes». Par exemple, les estimations de la demande et la planification de la production. La méthode traditionnelle pour éliminer les décimales embêtantes est l'arrondi. Cependant, cela entraîne également la perte d'informations critiques; la somme cumulée peut souvent sous-estimer ou surestimer la charge de travail de l'entreprise. La méthode d'arrondi roulant plafonne cette perte d'information à 1.
Vous avez apprécié ce post? S'abonner ou suivez Arkieva sur LinkedIn, Twitteret Facebook pour les mises à jour du blog.
Source : https://blog.arkieva.com/data-science-tools-of-the-trade-rounding-decimals/
