De modellering van data uit het verleden voor een advies over de classificatie van de SKU

Hoogen, R. van den (2013) De modellering van data uit het verleden voor een advies over de classificatie van de SKU.

[img]
Preview
PDF
370kB
Abstract:Voor deze bacheloropdracht heb ik stage gelopen binnen de Wim Bosman Group. Het warehouse heeft een suboptimale indeling van de locaties van de SKU en ze hebben mij gevraagd om te kijken of verbetering hiervoor mogelijk was. Er wordt op dit moment gebruik gemaakt van een indeling in zones. Het doel was een programma in Excel te schrijven om snel en efficiënt een toewijzing van de SKU aan een zone te geven. De probleemstelling bij dit project was: Hoe kan de data uit het verleden worden gemodelleerd tot een advies over de classificatie van de SKU? Om deze probleemstelling aan te pakken zijn de drie onderzoeksvragen aangepakt: Welke variabelen zijn van belang voor het bepalen van een goede classificatie? Op grond van literatuuronderzoek en na overleg is gekozen voor de variabele: Aantal order lines (per maand). Hoe kan er rekening gehouden worden met de vervuiling van de data zoals reclames/ acties voor een SKU zodat geen verkeerde conclusies worden getrokken? Dit wordt ondervangen door te werken met periodes van een maand en het gebruik van de variabele ‘aantal order lines’. 1. Het gebruik van maandelijkse periodes houdt in dat acties die een week duren minder opvallend in de data terugkomen. 2. Het ‘aantal order lines’ is een variabele die minder invloed ondervind van acties en reclames door het feit dat het aantal casepicks hierin niet terugkomt. Het aantal casepicks zal omhoog gaan met een reclame (meer dozen verkocht), maar de order lines zullen hier geen directe invloed door hebben aangezien er voldoende cases op een pallet liggen. (over het algemeen gaan er 5 tot 100 order lines uit een pallet). Zelfs een order met waarbij 1 SKU heel veel cases bevat zal bijna nooit van meer dan 2 pallets moeten picken aangezien deze anders uit de bulk gehaald worden. Door deze twee keuzes zal de variantie in de vraag weinig reactie tonen op reclames en acties. Naast de vervuiling van acties en reclame was er nog een meer directe vervuiling in de vorm van SKU’s, die wel in de data voorkomen, maar geen onderdeel worden van een van de 4 zones. Om deze vervuiling tegen te gaan wordt is het mogelijk deze uit de data te filteren voordat een planning gemaakt wordt. Dit wordt met behulp van macro’s in Excel, automatisch gedaan. Welke methodes van terug/vooruit kijken zijn geschikt voor de indeling in slow/fast? Deze onderzoeksvraag was lastig direct uit de literatuur te halen, omdat er veel verschil in de gebruikte methodieken is. De twee overheersende methodieken zijn corston’s method en exponential smoothing. Beide methodieken worden veel gebruikt in het bedrijfsleven en worden vaak geleverd als planning tools in een ERP programma. Er is veel data voor nodig om een goede inschatting te krijgen. In deze case variëren de SKU’s jaarlijks sterk en de SKU’s zijn ook seizoensgebonden. Dit maakt het lastig ze in te schatten met deze twee methodieken. Tevens is de meeste literatuur met betrekking tot voorspellingen niet gericht op het classificeren van SKU, maar de literatuur is gericht op voorspellen van exacte voorraad. Vanuit deze optiek is gekozen om een variant op de regression analyse te gebruiken voor de berekening van een gewogen gemiddelde. Er wordt een dataset (aantal maanden) bepaald als input. De maanden zullen een gewicht toegedeeld krijgen op grond van het feit hoe ver de maanden van de target maand af liggen.
Item Type:Essay (Bachelor)
Faculty:BMS: Behavioural, Management and Social Sciences
Subject:85 business administration, organizational science
Programme:Industrial Engineering and Management BSc (56994)
Link to this item:http://purl.utwente.nl/essays/63623
Export this item as:BibTeX
EndNote
HTML Citation
Reference Manager

 

Repository Staff Only: item control page