Case study chapter 1
Q1
Upstream
Second tier Supplier First tier Supplier
Waterproof paper
Chips
Membranes
Other Electronics
Producent
Downstream
First tier - Distributor
Second tier - Retailer
Air shipping
Capable Toys
LeapFrog
Special fast shipping
Toys R Us
Target
Q2
Forecasts passer ikke med de salgsdata de får fra retailers som Target og Toys R us
De startede med at Capable Toys within days om de indsamlede og fortolkede data
Q3
The production of mold. Altså at producere de plastikdele der skulle være i produktet
De byggede 2 yderligere mold sæt som kunne øge produktionen fra 3500 stk. om dagen til 6300
Q4
De var begrænsede af nøglekomponenten water proof paper, som blev produceret af Tyvek og elektronik
De løste det ved at få kontrakt med et amerikansk firma, selvom det øgede produktionsomkostningerne
Ift. elektronisk gik LeapFrog til Capable og bad dem om at øge deres leverandører
-
Trade-off med højere omkostninger men lavere tid
Det spiller en rolle at det er en ny virksomhed
Q5
De benyttede air shipping og special fast shipping som øgede omkostninger til hver LeapPad med 10 til 15
dollars ud af 35 som var salgsprisen
Fordelen er at det er hurtigere, mens ulemperne er de højere omkostninger
Hvis det havde været august og ikke december kunne LeapPad have brugt skib som primært
transportmiddel, hvilket er billigere, men tager længere tid
Q6
Ja, de reagerede hurtigt på de nye trends og markedsefterspørgslen og fastholde kundetilfredshed og
leverer den rette kvantitet
Nej, de bruger flere penge på transport pga. fly i stedet for skib, water proof paper ved at få leveret fra USA i
stedet for fra Asien bl.a. og de skal bygge nye maskiner
Case study chapter 2
Order qualifiers at man overhovedet overvejer at købe et produkt
Order winners at en virksomhed skiller sig ud ift. andre virksomheder som også tages i betragtning
Forecasting
Problem 7
Last period forecast
Period
1
2
3
4
5
6
7
8
9
10
11
Demand
221
247
228
233
240
152
163
155
167
158
Forecast
(9.1)
221
247
228
233
240
152
163
155
167
158
Sum
MFE/MAD/MAPE
Error
26
-19
5
7
-88
11
-8
12
-9
-63,00
-7,00
-7,00
-7,000
Absolute Absolute
error
pct. error
26
19
5
7
88
11
8
12
9
10,53%
8,33%
2,15%
2,92%
57,89%
6,75%
5,16%
7,19%
5,70%
185,00 106,61%
20,56 11,85%
Det er en relativt dårlig model da den absolutte procent af fejl er på 0,12 eller 12%
Dog er det svært at sige noget om hvorvidt en model er god uden sammenligningsgrundlag
Ulempen er at hvis efterspørgslen er svingende så vil der f.eks. være for mange på lager eller for lidt
Problem 8
Weigted moving average forecast (3 periods)
W(t-2)
W(t-1)
W(t)
Sum
Period
1
2
3
4
5
6
7
8
9
10
11
Weight
0,25
0,35
0,40
1
Forecast
Demand
(9.3)
221
247
228
233
232,9
240
234,75
152
234,55
163
203,05
155
178,4
167
157,05
158
161,8
160,4
Sum
MFE/MAD/MAPE
Error
0,1
5,25
-82,55
-40,05
-23,4
9,95
-3,8
-134,50
-19,21
Absolute Absolute
error pct. error
0,1
5,25
82,55
40,05
23,4
9,95
3,8
0,04%
2,19%
54,31%
24,57%
15,10%
5,96%
2,41%
165,10 104,57%
23,59
14,94%
Det er en relativt dårlig model da den absolutte procent af fejl er på 0,15 eller 15%. Den er altså dårligere
end den i problem 7. Dog så er der ikke lige mange perioder, og dette kan godt påvirke resultatet
Problem 9
Exponential smoothing forecast
alpha
0,2
1-alpha
0,8
Period
1
2
3
4
5
6
7
8
9
10
11
Demand
221
247
228
233
240
152
163
155
167
158
Forecast
(9.4)
250
244,20
244,76
241,41
239,73
239,78
222,22
210,38
199,30
192,84
185,87
Sum
MFE/MAD/MAPE
Error
2,80
-16,76
-8,41
0,27
-87,78
-59,22
-55,38
-32,30
-34,84
-291,63
-32,40
Absolute Absolute
error pct. error
2,80
16,76
8,41
0,27
87,78
59,22
55,38
32,30
34,84
1,13%
7,35%
3,61%
0,11%
57,75%
36,33%
35,73%
19,34%
22,05%
297,77 183,42%
33,09
20,38%
alpha
0,7
1-alpha
0,3
Period
1
2
3
4
5
6
7
8
9
10
11
Demand
221
247
228
233
240
152
163
155
167
158
Forecast
(9.4)
250
229,70
241,81
232,14
232,74
237,82
177,75
167,42
158,73
164,52
159,96
Sum
MFE/MAD/MAPE
Error
17,30
-13,81
0,86
7,26
-85,82
-14,75
-12,42
8,27
-6,52
-99,64
-11,07
Absolute Absolute
error pct. error
17,30
13,81
0,86
7,26
85,82
14,75
12,42
8,27
6,52
167,01
18,56
7,00%
6,06%
0,37%
3,02%
56,46%
9,05%
8,02%
4,95%
4,13%
99,06%
11,01%
Last period modellen virker til at virke bedst, da den har den laveste MFE, MAD og MAPE
Dog så kan weighted average ikke helt sammenlignes med last period og exponential smoothing da der ikke
er samme antal perioder
Når a er større så vægtes faktiske data mere end forecast data, og det er derfor mere præcist
Problem 12
Adjusted exponential smoothing forecast
alpha
0,25
Period
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1-alpha
0,75
beta
0,4
1-beta
0,6
Unadjusted
Trend
Demand forecast F(t) factor T(t)
1200
1100
60
1400
1170,00
64,00
1450
1275,50
80,60
1580
1379,58
89,99
1796
1497,17
101,03
2102
1647,66
120,81
2152
1851,85
154,17
2022
2042,51
168,76
1888
2163,96
149,84
1938
2207,35
107,26
1988
2220,45
69,60
1839
2214,54
39,39
1684
2150,20
-2,10
1944
2032,07
-48,51
1994
1973,67
-52,47
2154
1939,40
-45,19
2430
1959,16
-19,21
2827
2062,47
29,80
2877
2275,95
103,27
2687
2503,66
153,05
2492
2664,28
156,08
2542
2738,27
123,24
2592
2781,63
91,29
2382
2802,69
63,20
2744,92
14,81
Sum
MFE/MAD/MAPE
Adjusted
forecast
AF(t) (9.5)
1160
1234,00
1356,10
1469,57
1598,21
1768,47
2006,02
2211,28
2313,79
2314,60
2290,05
2253,93
2148,10
1983,56
1921,20
1894,22
1939,95
2092,26
2379,22
2656,71
2820,36
2861,51
2872,92
2865,89
2759,73
Error
166,00
93,90
110,44
197,79
333,53
145,98
-189,28
-425,79
-376,60
-302,05
-414,93
-464,10
-39,56
72,80
259,78
490,05
734,74
497,78
30,29
-328,36
-319,51
-280,92
-483,89
-491,91
-21,39
Absolute Absolute
error
pct. error
166,00
93,90
110,44
197,79
333,53
145,98
189,28
425,79
376,60
302,05
414,93
464,10
39,56
72,80
259,78
490,05
734,74
497,78
30,29
328,36
319,51
280,92
483,89
11,86%
6,48%
6,99%
11,01%
15,87%
6,78%
9,36%
22,55%
19,43%
15,19%
22,56%
27,56%
2,04%
3,65%
12,06%
20,17%
25,99%
17,30%
1,13%
13,18%
12,57%
10,84%
20,31%
6758,08 314,88%
293,83
13,69%