【文章內容簡介】 拠點３ 拠點４ ① ② ③ ④ ⑤ ⑥ 16 DPMS的主要功能之二： 中繼點的最優(yōu)化使用 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 所謂中繼點，可以說是一個貨物的中轉站。貨物可以在這里交換，暫時保管。中繼點的優(yōu)化利用可以大大地減低輸配送 Cost. ? 該據點可以根據需要時優(yōu)化使用 。 它可以解決長距離配送造成的長期在庫，也可以為納期短的貨物提供意識的管理，還可以通過車輛的貨物交換提高車輛的利用率。 ? 該據點還可以平衡各個方面貨物配送不均衡的問題，減少空車運轉率和時間。該據點可以從若干個據點中優(yōu)化選擇，也可以新設 。 圖解 大阪 (発 /著 ) 名古屋 (発 ) 東京 (著 ) 千葉 (著 ) 中継點 茨城 (発 ) T2： (N+1)day T3:(N+1)Day T２ :(N+1)day 60％ T3:(N+1)day 55% 仕向地：東京 仕向地：千葉 T1:Nday T1:Nday 仕向地：大阪 17 DPMS的主要功能之三：容積計算和尺寸計算功能 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 多數的配送軟件都沒有貨物的擺放功能，特別是尺寸擺放功能，這樣會造成車輛數不準確，時多時少，導致臨時要車，費用增加。 ?本公司具有強大的配車軟件，已經被數十家大型企業(yè)使用，該配車功能也用在配送軟件中?？梢缘玫礁鱾€方面的準確的車輛數，貨物配送路徑，所屬車輛，具體裝車和卸車時間。 ?本公司提供 2種配車方法。實現(xiàn)計劃大批量配送的容積配車方法，特點是計算時間快。也提供發(fā)車前的小批量配送的尺寸計算方法，特點是，可以修改容積計算的不準確性，得到準確的車輛數和配送位置。 尺寸計算的 3D顯示功能 每個貨物在 車中的位置 和順序可視 化顯示 18 需要分析與計劃系統(tǒng)（ DAP）的介紹 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 重回歸 分析 標準 DAP 1. 異常值的修改 /特售信息的自動處理 ； 2. 過去實際數據的季節(jié)性，傾向性，隨機性分析 ； 3. 根據不同特點的銷售數據提供多種預測模型 ； 4. 根據實際數據的特點自動優(yōu)化選擇預測模型 ； 5. 多層集約 /多種按分模型提供，增加預測的精度 自動批 處理 Oracle対応 拡大 DAP ① 欠缺數據的預測模型 ③ 新產品的預測模型 ② 各預測模型的有效性檢驗的改善 擴大功能 19 DAP的標準功能 ： 異常值的處理 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 銷售實際數據一般來說誤差很大，如果不能適當地樹立，會導致預測精度降低，甚至無法使用。一般來說預測前進行異常值處理，但是這樣會導致原數據的部分季節(jié)性，傾向性也一并消除。為了避免類似情況發(fā)生，本公司根據多年的研究結果提出了獨特有效的異常值處理方法。 有些公司會保留特售信息，那么可以作為已知信息對異常值進行處理。 異常值中也可能包括季節(jié)和傾向性信息，這些需要通過數據分析來提出。 異常值 的構成 特售信息 其他信息 非規(guī)則信息 有規(guī)則信息 季節(jié)性 /傾 向性信息 隨機信息 季節(jié) /傾向信息處理 異常值處理 根據記錄的特售信息處理 20 標準功能：過去實際數據的特征抽出 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 多數的銷售實績數據中都存在季節(jié)性和傾向性，這些信息的準確抽取，可以大大地提高預測精度。 目前有很多數據分析模型用來抽取銷售實績數據中的季節(jié)性和傾向性， DAP中采取 X12季節(jié)調整模型和 UNIT ROOT TEST(URT)單位根檢驗模型的組合來提取提取銷售實績中存在的季節(jié)性和傾向性。 不規(guī)則 要素 銷售實際 傾向性 時系列 季節(jié)和不規(guī)則要素 傾向性 時系列 季節(jié)性 要素 除去 除去季節(jié)性要素的時序列 除去季節(jié)和不規(guī)則的要素 分析模型 特性的有無與 強弱的判斷 除去 21 標準功能：多層集約功能 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 根據集約指示，集約規(guī)則，自由地進行多層集約 多層集約型式 說明 周期集約 周次集約 ①每日的銷售實際按周集約，進行周度預測，提高預測精度 ②自然周或者指定周集約的 2種方法提供 月次集約 每日的銷售實際按自然月集約，然后再預測，可以提高預測精度 品目別集約 同一據點下的多種屬性關聯(lián)的品目集約 據點別集約 在相同輸送路徑下的同一品目按據點集約 混合集約 周期 +品目 指定的周期集約品目再按品目集約，做成 2重集約 周期 +據點 指定的周期集約品目再按據點集約，做成 2重集約 22 標準功能：多種多層按分方法 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 【 品目 周期 】 2層集約結果 【 品目 】 單層集約預測結果 單一 【 品目 ˙ 據點 】日次預測結果 【 據點 周期 】 2層集約結果 【 周期 】 單層集約預測結果 【 拠點 】 單層集約預測結果 預測結果 單層按分結果 雙層按分結果 ① 平均按分：集約后的預測值按平均按分； ② 比率按分：集約后的預測值根據專家指定的比率按分； ③ 線形擬合按分：根據線形擬合方法計算出比率，進行按分： ? 自動按分：上述 3種方法的按分結果中，選擇按分效果最好的結果 根據集約層數確定按分層數，根據數據特點優(yōu)化選擇不同的按分方法 根據銷售數據的特征選擇不同的按分方法 23 標準 DAP處理流程 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 原始數據常常是差異太大，缺失現(xiàn)象嚴重，導致不可預測。因此對數據根據不同需要集約 實際數據中包含特售，休日里開展的特殊事件，這些都會影響銷售實績的分析。本系統(tǒng)不僅提供自動處理，也提供專家手動處理 銷售數據由季節(jié)，傾向，隨機構成，合理的數據分析可以提高預測的精度。本公司提供 X12和URT數據分析模型 異常數據會影響預測精度，不合理的處理會刪除一定的季節(jié)和傾向因素。本公司提供一種保存季節(jié)和傾向性的異常處理方法 據處理 多種有效的預測模型提供，并且可以根據銷售數據的特征，自動選擇最佳的預測模型。此外，有效利用數據分析結果，提高預測精度。 根據不同的集約方式和銷售數據的特點選擇不同的按分方法，從而得到高精度的預測結果。 DAP的特征除了自動最優(yōu)化，還吸收了現(xiàn)場專家的知識和經驗，運用到預測算法中。此外還為他們提供了方便的操作方式。 標準 DAP的處理流程如下： 24 在庫仿真與分析系統(tǒng)（ ISA）的介紹 2023/09/20 Copyright169。20232023 Beijing UNITY, All rights reserved 人工進行大量甚至百萬計的在庫品的合理管理是不可能的。 內含需求預測功能 多層 ABC分析，注