عنوان پایان‌نامه
روش بهینه ی پیش بینی تقاضا در زنجیره ی تامین فطعات یدکی در صنعت هواپیماهای تجاری
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3388;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77402;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3388;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77402
- تاریخ دفاع
- ۱۰ مهر ۱۳۹۵
- دانشجو
- نگار احمدی مبارکه
- استاد راهنما
- سیدفرید قادری
- چکیده
- عملکرد (عملکرد مالی و رضایت مشتری ) در هر زنجیره ی تامین به پیش بینی دقیق تقاضا بستگی دارد. این مساله در زنجیره تامین قطعات یدکی به دلیل اینکه مشتریان مجبور نیستند سفارش خود برای قطعات یدکی مورد نیاز را به دلیل وجود تامین کننده های مختلف به یک تامین کننده ی خاص اختصاص دهند بیشتر بحرانی می شود. زنجیره تامین قطعات یدکی هواپیما های تجاری بیشتر تحت تاثیر این پدیده است، زیرا الگوها ی پرواز و استفاده از هواپیماها در مقایسه با هواپیماهای مسافربری که پرواز ها زمان بندی شده و زمان های تعمیر بین دو خرابی می توانند برای دستیابی به زمان های مستعد برای تقاضای قطعات یدکی استفاده شوند، غیر قابل پیش بینی می باشد. این الگوهای تقاضای به شدت غیر قطعی و به دنبال آن پیش بینی های غیر دقیق برای تقاضا، پیامدهای زیادی بر عملکرد مالی زنجیره تأمین آن دارد. هدف این مطالعه بررسی روش های پر استفاده ی موجود در ادبیات موضوع برای پیش بینی تقاضا به منظور یافتن بهترین روش برای هر رده ی تقاضا بوده که منجر به کاهش خطای پیش بینی برای زنجیره تامین قطعات یدکی هواپیماهای تجاری می شود. پیش بینی تقاضا برای هر قطعه به دلیل تعداد زیاد قطعات یدکی در زنجیره تامین هواپیماهای تجاری از نظر محاسباتی بسیار حجیم می باشد. بنابراین قطعات یدکی که تقاضای آنها ویژگی های مشترکی دارند اغلب در رده های اینترمیتنت، اسموث، لامپی و ارتیک گروه بندی شده و بهترین روش پیش بینی برای هر رده جستجو می شود. روش تحقیق استفاده شده در این مطالعه به چهار مرحله تقسیم می شود:1) پیش پردازش داده ها، 2) انتخاب بهترین تابع بوتسترپ برای پیش بین دقیق در سطح واحد نگهداری موجودی، 3) مقایسه و انتخاب بهترین روش پیش بینی بین روش بوتسترپ و روش های پراستفاده ی موجود و 4) پیامد های اقتصادی. لیست روش ها ی پیش بینی پراستفاده از ادبیات موضوع استخراج شده و در نرم افززار R کد شده اند. علاوه برآن روش بوتسترپ با سه سناریوی نقطه ای، پنجره ی متحرک و بازه ای برای مقایسه با روش های موجود توسعه داده شده است. انتخاب روش بوتسترپ بر اساس این فرضیه است که ویژگی های نمونه گیری مجدد و تجمیع پیش بینی های نمونه گیری شده می تواند خطای پیش بینی را کاهش دهد. این مطالعه با نمونه گیری از مجموعه داده ای از Dassult Falcon ، بزرگترین تولید کننده ی هواپیماهای تجاری و ارتشی در دنیا ، انجام شده و بهترین روش های پیش بینی هم در سطح قطعه تکی و هم در سطح رده ی تقاضا محاسبه شده و پیامد های هزینه ای موجودی اضافی و سفارش عقب افتاده بررسی شده است.
- Abstract
- Objective of this research is to investigate existing demand forecasting methods, frequently used in literature, to find best method for each demand class in an anticipation reduce forecast error for Business Aircraft spare parts supply chain. It is computationally very expensive to predict demand forecast for each part due to huge number of spare parts in business aircraft supply chain. Hence, spare parts exhibiting same characteristics are often grouped into classes as intermittent, smooth, erratic and lumpy and are investigated for the best forecast method in each class. The research methodology is divided in 4 -steps as i) data pre-processing, ii) selection of best Boot Strapping function for accurate forecast at SKU level, iii) comparison and selection of best forecast method(s) among bootstrapping and frequently used algorithms, and iv) financial implications. The list of forecasting algorithms concluded best for these classification are identified from literature and implemented in R. Besides, Boot Strapping (BS) algorithm with proposed point, interval and sliding window based scenarios are used for the comparison with other forecasting algorithms. The choice of BS is made based on the hypothesis that resampling feature and aggregation of sampled forecasts could reduce forecast error. These are implemented with the sample dataset from Dassult Falcon, largest business and military jet manufacturer in the world, and best demand forecasting methods are computed both at individual part and demand class levels with financial implication as overstocking and backordering costs. Key words: Demand forecasting, Linkage between forecasting and inventory management strategies, Spare parts supply chains, Boot Strapping, Aircraft industry
