Wanneer Slaat Een Voorspelling Ergens Op? Elke voorspelling is fout?!
|
|
- Patricia Jacobs
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Wanneer Slaat Een Voorspelling Ergens Op? Elke voorspelling is fout?! Ir. Paul Durlinger 11 maart 2016
2 1 1 Wanneer slaat een voorspelling ergens op? Introductie - Dat voorspellen niet zo gemakkelijk is hoef ik u niet te vertellen. Ik houd mij al ruim 30 jaar professioneel bezig met dit vakgebied, maar ben nog steeds niet in staat de beurskoersen te voorspellen of andere lucratieve voorspellingen te doen. Bedrijven zitten in dezelfde situatie: Als Sales nou maar beter kon voorspellen dan zou het leven een stuk gemakkelijker zijn. Ja, dat is zo maar het helaas niet gaan lukken. De toekomst blijft min of meer een beetje wazig. Maar betekent dat dan, dat we helemaal niet meer moeten voorspellen? Absoluut niet, we kunnen best redelijke dingen zeggen (lees forecasten) over een deel van het assortiment. Als u maar een paar producten in het assortiment had ging het in theorie op de achterkant van een groot sigarenkistje; bij duizenden producten (of meer) is dat een utopie. Maar we hebben tegenwoordig het geluk dat er genoeg forecast-software op de markt is, die ons een groot deel van het rekenwerk uit handen kunnen nemen In dit paper geef ik aan welke producten u kunt voorspellen en waarom. Helaas zijn dat er niet zoveel, maar ik geef ook aan wat we met de overgrote meerderheid van de producten kunnen en moeten doen. We doen dit op basis van drie belangrijke grondslagen van de voorspeltheorie: het aantal beschikbare data en het onderliggend data patroon. We kijken natuurlijk ook naar de voorspelfout. Want al is elke voorspelling fout; de ene voorspelling is fouter dan de andere. Tenslotte kijk ik nog even naar de organisatie en kenniscomponent. Zonder gedegen forecast-kennis in een bedrijf is het voorspellen een kansloze missie. En in combinatie met een geavanceerd softwarepakket zelfs contra-productief. Ik wil ook wijzen op paragraaf 4 en 5. Hier kijk ik naar het verschil tussen theorie en praktijk. Ik zeg vaak dat de praktijk zich vaak niet houdt aan de theorie. En met name bij forecasten komt dat helaas vaak voor. Daarom een goede toelichting om valkuilen te vermijden. 2 Welke SKU s moet/kan ik voorspellen? Bij het voorspellen van SKU s zijn een aantal dingen van belang. Dit zijn op de eerste plaats de belangrijkheid van het product. Op de tweede plaats voldoende betrouwbare data. En op de derde plaats de aanwezigheid van een bepaald data patroon. 2.1 Belangrijke producten Zoals u wel zult vermoeden is het maken van voorspellingen en het analyseren van data-patronen voor een SKU redelijk tijdrovend. Dus alleen voor echt belangrijke artikelen is het zinvol om deze aandacht eraan te besteden. Sommigen denken dat forecast-software hier goed bij kan helpen. Dat is gedeeltelijk waar. De software kan de forecaster helpen bij het bepalen van de juiste parameter instelling voor de belangrijke producten. Ik ben echter van mening dat de forecast-specialist hierbij leading moet zijn. Dit ligt anders voor de minder belangrijke producten. Daar kan de software goed helpen en zal in dit soort gevallen leading kunnen of moeten zijn. Tijd om een goede ABC/XYZ analyse uit te voeren. (zie Durlinger [2015,1]). Hiermee kunt u dié producten opsporen, die er werkelijk toe doen. In praktijk zien we dat dat er eigenlijk maar een paar honderd zijn, zelfs bij bedrijven die 10,000-den producten in hun assortiment voeren. En voor die belangrijke artikelen gaan we alles uit de kast halen. Voor de overige producten gaan we ons beperken tot hele eenvoudige methodieken.
3 2 2.2 Voldoende data Je kunt alleen maar een goede voorspelling maken als je voldoende data hebt. En een goede voorspelling is een voorspelling wanneer geldt: De voorspelfout is gemiddeld nul en de voorspelfout is niet te groot Een waarheid als een koe zal iedereen zeggen maar dat zeggen we niet zomaar. Dit veronderstelt een paar dingen. Om te beginnen met de voldoende data. Elke gezaghebbende forecast-auteur zal in zijn boeken vermelden dat, wil je een goede/betrouwbare forecast maken, je toch zo n 30 getallen nodig hebt. En als je pech hebt dat er een seizoen in de data zit moet je over 5-6 jaar data beschikken. Ik weet dat er nu lezers in paniek raken omdat vaak de product-life-cycle tegenwoordig geen 5 of 6 jaar meer is. Betekent dat dan dat we geen voorspelling kunnen maken als we niet voldoende data hebben? Nou, nog net niet; we kunnen altijd een forecast maken, maar de vraag is wat deze dan voorstelt. Stel dat u de vraag naar een nieuw product ABC wilt voorspellen. De vraag in periode 11 is gelijk aan 600 en in periode 12 is die gelijk aan 800. Laten we voor het gemak eens veronderstellen dat u geen trend verwacht. Wat wordt nu de vraag in periode 13? Denk even nu voor u verder leest. Velen zullen inderdaad 700 zeggen. Dit gemiddelde van 700 stuks noemen we een puntvoorspelling. Well, i have news for u; de kans, dat de vraag in periode 13 inderdaad 700 is, zal ongeveer nul zijn. Wat de statistiek (onder bepaalde voorwaarde) in dit geval zou kunnen zeggen: de kans dat de vraag in periode 13 groter is dan 700 is 50%. Of, de kans dat de vraag in periode 13 kleiner is dan 700 is 50%. En de statistiek zou kunnen zeggen: de vraag in periode 13 ligt met een zekerheid van 95% tussen de 500 en 900 stuks. Dit noemen we een rangevoorspelling. En uw antwoord zal zijn: dat kan men schoonmoeder ook. Hoogstwaarschijnlijk wel; maar dat is precies het probleem als u een forecast wil maken met te weinig data. U kunt altijd een puntvoorspelling maken (in ons geval de 700), maar daar heeft u niet veel aan. De rangevoorspelling geeft aan hoe goed die puntvoorspelling is. Lijkt ingewikkeld maar is heel logisch. Die rangevoorspelling begint pas enige praktische waarde te hebben als u een getal of 30 heeft. En of dit nu de vraag per dag, week of maand is doet er niet zoveel toe. Maar als u weekcijfers heeft moet u een voorspelling op weekniveau maken; heeft u maandcijfers dan worden het voorspellingen op maandniveau. Ik raad aan om weekcijfers te gebruiken en liefst van een jaar; heeft u al meteen 52 cijfers. Verder moeten de data van voldoende kwaliteit. Voorspellen is bijzonder gevoelig voor het GIGO principe dus het opschonen en analyseren van data is essentieel. We verwijzen hiervoor naar Durlinger [ 2015,2,3, 2016]. Wat kunnen we nu doen als we onvoldoende data hebben of van onvoldoende kwaliteit? In dat geval raad ik voor A-producten het gebruik van voorspel-software helaas af. De zogenaamde statistische modellen leveren voorspellingen op met te grote ranges. Misschien kunnen we onze toevlucht nemen tot kwalitatieve modellen; gutfeeling, JBF o.i.d. (Durlinger [2015,3]) Maar wat te doen met minder belangrijke producten?. Het heeft niet veel zin om daar uitgebreid naar te kijken. Dus zijn we eigenlijk gedwongen de computer iets te laten zeggen ondanks dat we weten dat de nauwkeurigheid niet bijster groot zal zijn. Ik kom hier op terug in paragraaf Soorten patronen Laten we er nu van uitgaan dat we voldoende, betrouwbare getallen hebben. Als we een forecastmodel willen gebruiken moeten we eerst weten wat het onderliggende patroon is. Dat
4 3 omdat er een groot aantal modellen zijn die niet geschikt zijn voor elk patroon. Een model dat bedoeld is voor een stationair patroon zal niet goed scoren bij data met een trend en omgekeerd. We kennen in principe 5 soorten patronen die we laten zien in figuur 1. Figuur 1 De 5 verschillende datapatronen Patroon a is het gemakkelijkst te voorspellen en patroon e het moeilijkst. Sterker nog, het patroon in figuur 1.e is eigenlijk geen écht patroon maar chaos (met een mooi woord lumpy ). Het is een patroon dat we vaak tegenkomen in spare-parts omgevingen. Het herkennen van een patroon kan in principe op twee manieren. Óf door de voorspeller óf door software. Mensen denken dat de software dit beter kan de mens. Dat is volgens mij niet helemaal waar. De Durlinger wet over datapatronen binnen forecasting luidt: Als een forecaster geen duidelijk patroon herkent in de data kan de software dat ook niet Ik denk daarom ook dat de forecast verantwoordelijke de aangewezen persoon is binnen een organisatie. Maar wat als de organisatie nu eens SKU s in het assortiment heeft, wat dan? Dan zult u zich af moeten vragen of je wel elke SKU moet gaan voorspellen. Dat is precies waarom wij eerst een ABC/XYZ analyse moeten uitvoeren. Dat zijn die paar honderd producten uit paragraaf 2.1 waarbij we ook nog moeten beschikken over voldoende data. 2.4 Forecast software kan niet eigenlijk niet goed voorspellen Velen denken dat zodra ze forecast-software gekocht hebben alle problemen verdwenen zijn. Maar ook de meest geavanceerde technieken hebben een aparte eigenschap: Ze gaan er van uit dat een (eventueel aanwezig) patroon in de data niet verandert Dat houdt in concreto in dat de software niet kan voorspellen óf en wannéér een gemiddeld vraagpatroon overgaat in een trend. Of trend naar stationair etc. Zelfs geavanceerde software die beurskoersen proberen te voorspellen kunnen dat niet. Ja achteraf, maar dan bent u al te laat met reageren. Software kan wel kijken of het gekozen model met de bijbehorende parameters nog valide is. Maar ook hier geldt dat dat pas achteraf mogelijk is. En dat brengt ons meteen op de vraag van de voorspelfout. Hoe goed kunnen we eigenlijk voorspellen? 3 Hoe meten we de voorspelfout? Stel dat we een product hebben dat een A-product en waar van we voldoende, betrouwbare data hebben en waarvan we ook nog het patroon kennen. Dan kunnen we gaan voorspellen maar indachtig een theorema uit de forecast-theorie:
5 4 Elke voorspelling is fout zou het handig zijn om te weten hoe groot de fout is die we maken, wat het effect is van deze fout en welke fout we nog accepteren. We beginnen met het laatste. Het TopManagement is verantwoordelijk voor het zetten van een norm voor de hoogte van de voorspelfout. Maar dat betekent ook dat ze een criterium moeten bepalen voor het berekenen van de voorspelfout. En dat is in praktijk erg moeilijk. Dat heeft te maken met het doel van de voorspelling. Binnen het voorraadbeheer gebruiken we de voorspelfout om de veiligheidsvoorraad voor een bepaald SKU te berekenen. Dus kijken we naar de voorspelfout op SKU-niveau per week bijvoorbeeld (of per dag/ maand). Maar het management heeft geen tijd om te kijken naar de forecast-prestaties voor afzonderlijke SKU s. Het MT is meer geïnteresseerd in aggregaat KPI s. Helaas kan het daar fout gaan. Ik geef in deze paragraaf drie mogelijke methodes om de voorspelfout te berekenen. En ik doe dat in eerste instantie voor één afzonderlijke SKU om het principe uit te leggen. Er komen helaas wat (eenvoudige) berekeningen aan te pas. Maar juist deze voorbeelden zijn bedoeld om het MT de juiste evaluatiemethode te laten kiezen. Dit bespaart hen later veel discussie en verwarring. Later ga ik aggregeren, maar zonder deze eerste inleiding is het moeilijk te begrijpen wanneer welke methodiek gebruikt moet worden. Stel we hebben een product ABC. Voor dit product waren voldoende, betrouwbare, data beschikbaar. We geven dit grafisch weer in figuur 2 en vragen de lezer wat een goede voorspelling zou zijn voor periode 21, 22, 23, 24 en 25. Figuur 2 Afzet Product ABC laatste 20 weken Het lijkt er op dat 10 (het gemiddelde van de 20 waarnemingen) een mooie forecast zou zijn. En in dat geval is dat ook zo; we voorspellen een afzet van 10 voor de komende periodes. Vervolgens kijken we in tabel 1 naar de echte, gerealiseerde afzet in deze periodes. Daarna gaan we ons afvragen hoe goed deze forecast is. We wachten tot dat de daadwerkelijke afzet van periode 21 t/m25 bekend is. Deze geven we in tabel 1. Realiteit Tabel 1 Forecast vs Realiteit Omdat het om een afwijking gaat zien we in praktijk heel vaak het volgende: we bepalen de zogenaamde gemiddelde fout. We trekken Forecast van Realiteit af (of omgekeerd, maakt in principe niks uit) en vinden dan tabel 2.
6 5. Realiteit Gem Fout Fout Tabel 2 Forecast, Realiteit en Fout De gemiddelde fout is nul. Wat betekent dat nu voor de waarde van deze forecast methode? Dat we geen fout maken? Terwijl iedereen ziet dat we er twee boven zaten en 1 keer onder. Dus de gemiddelde fout is in principe een zinloos criterium als we alleen naar dit criterium kijken! Dit komt doordat plussen en minnen elkaar opheffen. Een oplossing voor dit probleem is te kijken naar de Absolute fout. Dat zien we in tabel 3. Realiteit Gem Abs Fout Abs. Fout ,6 Tabel 3 Forecast, Realiteit en Absolute Fout We zien dat de gemiddelde absolute fout 1,6. Vraag is wat dat betekent? Dat wordt duidelijk als we de fout procentueel gaan uitdrukken zoals we in tabel 4 doen. Realiteit Gem Abs Fout Abs. Fout ,6 Abs. Fout % 25% 0% 28.5% 0% 25% 16,8% Tabel 4 Forecast, Realiteit, Absolute Fout en Absolute% fout Vergeleken met een gemiddelde afzet (realiteit) van 10 betekent dat we er 16% naast zitten (preciezer 16,7%). En opnieuw de vraag; wat betekent dat. Is dat veel of weinig? Helaas is dat een moeilijke vraag. Een voorspelmethodiek met een gemiddelde absolute fout van 30% op SKU-niveau en week-niveau is goed. Maar meer kunnen we helaas niet zeggen. Als criterium om twee forecast technieken met elkaar te vergelijken wordt dit criterium niet gebruikt. Het criterium om te vergelijken is de zogenaamde Mean Squared Error. We laten dat zien in tabel 5. Realiteit MSE Squared Error ,8 Tabel 5 Forecast, Realiteit en Mean Squared Error. Als we kijken naar twee voorspelmodellen is het model met de laagste MSE het beste model. We gebruiken de MSE ook in iets andere vorm om de veiligheidsvoorraden te berekenen. Maar wat die 4,8 nou precies betekent is wat moeilijker uit te leggen. Maar als criterium voor het MT is niet echt handig. En nu? Dit was een mooie exercitie maar hoe gaan we dit nu in praktijk doen met SKU s.
7 6 4. Voorspelfout voor dagelijks gebruik voor het MT. Wat we in de voorafgaande paragraaf gezien hebben is dat de gemiddelde absolute fout een goede maat is voor de accuraatheid van de voorspelling. We kunnen deze voorspelfout in aantallen weergeven of in een percentage. We hebben dit gedaan voor één SKU maar het MT is niet geïnteresseerd in één SKU maar gegarandeerd in meerdere SKU s, of in groepen, families of Business units. Dat betekent aggregeren; maar aggregeren betekent altijd informatieverlies en interpretatie problemen. We hebben hier met drie problemen te maken. De eerste is het doel van de forecast; het tweede is de time-bucket het derde probleem is de eenheid. En alle drie hebben ze min of meer met elkaar te maken. Wanneer de voorspelling gemaakt moet worden op strategisch niveau dan is de enige logische eenheid en is de tijdseenheid een maand/kwartaal/jaar. Bijvoorbeeld een forecast van te verwachten omzet of cashflow. Hoe groter de time-bucket hoe groter de nauwkeurigheid. Op jaar niveau zal men een goede schatting kunnen geven over de omzet of winst. Ondernemingen zijn in staat omzet of resultaat met foutmarges van minder dan 5% te bepalen. Afwijkingen van 10% leiden al vaak tot winstwaarschuwingen van het management. Per maand wordt dat al wat moeilijker en op weekniveau voor een enkele SKU al bijna onmogelijk. Daarnaast is geld makkelijker te voorspellen dan aantallen. Door te spelen met prijzen kunnen winst en omzet nog beïnvloed worden. Beinvloeden van aantallen ligt moeilijker Wanneer we de veiligheidsvoorraad van een product willen bepalen zijn we geïnteresseerd in de omzet per week. Een uitspraak als : de voorspelde afzet voor ABC is stuks per maand, zegt dan niet zoveel. Je wilt weten hoe die over de maand verdeeld. Is dat elke week hetzelfde of zitten er veel verschillen in de weken per maand. Nog gedetailleerder gaan we te werk in vers-afdelingen in retail. De vraag per week zal misschien niet veel verschillen maar binnen de week zijn er grote verschillen tussen een maandag of een zaterdag. En als men maar voor een paar dagen vooruit wil/kan voorspellen is de forecast van de dag afzet cruciaal. En om alles nog moeilijker te maken is het voorspellen van een A-product gemakkelijker (en belangrijker) dan een C-product waarbij de vraag bijvoorbeeld 20 stuks per jaar is. En wat daar kort bij ligt; hoe gefragmenteerder de afzet (aantal varianten) hoe moeilijker het wordt om een goede voorspelling te maken. Stel dat u 1000 flessen shampoo batterijen per maand verkoopt. Dan maakt het nogal wat uit of u maar 5 soorten shampoo verkoopt (Lidl/Aldi) of 150 (Plus/AH/Jumbo). In het tweede geval is een betrouwbare voorspelling op SKU niveau per week praktisch onmogelijk, terwijl het totaal (die 1000 stuks) heel goed voorspeld kan worden. Vaak wil het MT bijvoorbeeld weten hoe een bepaalde familie presteert. Maar stel nu dat in die familie SKU s zitten die in bigbags van 500 kg geleverd worden, producten die in vaatjes van 25kg worden en producten die per kilo gaan. Hoe moet dan de voorspelfout voor deze familie bepaald worden? Ik ken een onderneming waarbij de forecast-verantwoordelijke werd geconfronteerd met bovenstaande product mix werd afgerekend op totaal aantal kilo s juist voorspeld. U kunt zich wel indenken waarop deze persoon zich concentreerde.
8 7 5 Wie moet voorspellen? Mens of software? We gaan in figuur3 nog eens terug naar de uitgangssituatie. Figuur 3 Mens of machine Als we naar figuur 3 kijken is de oplossing voor A-producten duidelijk. Als we voldoende getallen hebben kan de software onder leiding van de forecaster een geschikt model met geschikte parameters bepalen. Ook Sales kan hier input leveren. (zie ook Durlinger [2015,3]). Hebben we onvoldoende data, dan komen judgemental technieken aan de orde. De mens (meestal Sales) zal input moeten gaan leveren voor de uiteindelijke forecast. Dat is niet altijd gemakkelijk en grote voorspelfouten liggen hier op de loer. De uiteindelijke forecast is sterk afhankelijk van de kennis van product en markt. Het is niet anders. Voor B- en C-producten is de oplossing ook duidelijk in het geval dat we voldoende data hebben. Dit is het domein van de forecast-software. Deze is in staat om automatisch goede modellen met geschikte parameters te genereren. Ook hier zal gegarandeerd iets fout gaan, dus misschien zou de forecaster snel over de B-producten heen moeten kijken. Of dat voor C-producten ook haalbaar is,vanwege het grote aantal verschillende producten, is nog maar de vraag. Misschien moeten we maar accepteren dat het daar nu en dan fout gaat, of we vangen de voorspelfouten op met extra veiligheidsvoorraad of een aangepaste voorrraadstrategie. Maar dan houden we een grote categorie B- en C- producten waar bij we in principe onvoldoende data hebben om de forecast-software zijn gang te laten gaan. Zoals we al eerder gezien hebben zal de voorspelfout groot zijn. Aan de andere kant; wat is het alternatief? Het is ondoenlijk om de mens naar deze producten te laten kijken. Enerzijds omdat het te veel producten zullen zijn, anderzijds omdat de mens er ook niet veel van kan maken. Dus zijn we wel gedwongen om de software te gebruiken en de voorspelfouten op de koop toe te nemen. Ook hier kunnen we de voorspelfouten opvangen met extra veiligheidsvoorraad of een aangepaste voorraadstrategie. Maar deze extra voorraden zullen veel hoger dan in het geval van voldoende data. Het verdient aanbeveling om de toegevoegde waarde van deze producten te heroverwegen. Mens en kennis Forecast software is tegenwoordig een geweldige aanvulling als toolbox voor de planners van deze wereld. Maar dan moet de planner wel voldoende kennis hebben om deze software te kunnen gebruiken. Anders zal het resultaat contra-productief zijn. Dat betekent in concreto dat een planner statistisch goed onderlegd moet zijn om de voorstellen van de forecast software op waarde te kunnen schatten. In praktijk zien we helaas dat dit niet vaak het geval is. Bedrijven denken dat het forecast probleem opgelost wordt door het aanschaffen van forecast-software. Integendeel, het begint dan pas. Dus zal er geïnvesteerd moeten worden in het opleidingsniveau van de gebruiker. Natuurlijk een open deur maar vergelijk het maar met het laten besturen van een Formule-I auto of een 25 meter lange vrachtwagen door iemand met één oog en geen rijbewijs.
9 8 6 Samenvatting In dit paper hebben we gekeken welke producten goed voorspeld kunnen worden. We denken dat gedegen forecasten alleen zinvol is voor A(belangrijke)-producten. Voor B en C-producten kan volstaan worden met eenvoudige technieken. Om een betrouwbare forecast te maken zijn er minstens 30 data nodig en in geval van seizoenen ca 5-6 jaar. We hebben laten zien dat mens en software gezamenlijk moeten forecasten. Vanuit praktische overwegingen zal dit alleen bij A- producten waarbij de mens leading moet zijn. Vanwege de grote aantallen zal software de voorspellingen voor B en C-producten moeten uitvoeren. Hierbij moeten we de (grotere) voorspelfout voor lief nemen en opvangen met extra veiligheidsvoorraad en een aangepaste voorraadstrategie. We hebben gekeken naar verschillende manieren om voorspelfouten te meten. Voor het MT is de Mean Absolute Deviation (MAD) een goede keuze. Voor het vergelijken van methodieken is daarentegen de Mean Squared Error een mogelijkheid. Voorspelfouten zijn goed te bepalen op SKU-niveau maar leveren problemen op bij aggregeren. Tenslotte heb ik aangegeven dat gedegen kennis van statistiek en voorspellen onmisbaar als men gebruik wil gaan maken van forecast-software. 7 Literatuur Durlinger P.P.J. [2015,1] Instructie ABC-analyse White-paper Durlinger P.P.J. [2015,2] Rol van Topmanagement bij forecasting White paper Durlinger P.P.J. [2015,3] Productie en Voorraadbeheer H3 : Forecasting Durlinger P.P.J. [2016] Vraagdecompositie White paper
INSTRUCTIE ABC-ANALYSE. April 2016 v2. paul durlinger INSTRUCTIE ABC-ANALYSE April 2016 v2
0 INSTRUCTIE ABC-ANALYSE April 2016 v2 paul durlinger www.durlinger.nl 1 Instructies voor het maken van een ABC analyse 0 Inleiding In dit paper zetten we het maken van de ABC-analyse zoals behandeld tijdens
Nadere informatieDE ROL VAN TOPMANAGEMENT BIJ FORECASTING. -Een pragmatische aanpak-
DE ROL VAN TOPMANAGEMENT BIJ FORECASTING -Een pragmatische aanpak- Versie 1.0 juli 2015 1 Managements samenvatting In dit white-paper laten we zien wat de manager moet weten over Forecasting. We behandelen
Nadere informatieEen groot Assortiment kost geld?!
Een groot Assortiment kost geld?! Een 1-stappen plan voor Managers Ir. Paul P.J. Durlinger 28-12-212 / WP.5.212 / Versie 1. . Inleiding Wat betekent een groot assortiment voor de winstgevendheid van uw
Nadere informatieVEILIGHEIDSVOORRADEN BEREKENEN
VEILIGHEIDSVOORRADEN BEREKENEN 4 Soorten berekeningen 12 AUGUSTUS 2013 IR. PAUL DURLINGER Durlinger Consultancy Management Summary In dit paper worden vier methoden behandeld om veiligheidsvoorraden te
Nadere informatieVeiligheidsvoorraad En Servicelevel - Een managementsbenadering -
Veiligheidsvoorraad En Servicelevel - Een managementsbenadering - Ir. Paul P.J. Durlinger Juni 2016 1 0. Inleiding Veiligheidsvoorraad heeft niet veel te maken met de gewenste leverbetrouwbaarheid naar
Nadere informatieWat moet een manager weten over servicegraden? - -
Wat moet een manager weten over servicegraden? - - Ir. Paul P.J. Durlinger Versie 2 Juni 2016 1 0 Inleiding Een van de doelen van een voorraadhoudende onderneming is het realiseren van een goede (lees
Nadere informatieInterne & externe servicegraad
Interne & externe servicegraad Een benadering voor managers Ir. Paul P.J. Durlinger 27-12-2012 / WP.01.2012 / V.01 0 Inleiding Een van de doelen van een voorraadhoudende onderneming is het realiseren van
Nadere informatieHOE BEREKENEN WE VEILIGHEIDSVOORADEN? Versie 3.0. Ir. Paul Durlinger Juli 2015
HOE BEREKENEN WE VEILIGHEIDSVOORADEN? Versie 3.0 Ir. Paul Durlinger Juli 2015 www.durlinger.nl 1 Management Summary In dit paper worden vier methoden behandeld om veiligheidsvoorraden te berekenen. Veiligheidsvoorraad
Nadere informatieEOQ Met Beperkingen. Of waarom Lagrange zich er niet mee moet bemoeien
EOQ Met Beperkingen Of waarom Lagrange zich er niet mee moet bemoeien Ir. Paul Durlinger Steven Pauly 17 Februari 2016 1 Management Summary Wanneer we voor een SKU (Stock Keeping Unit) een seriegrootte
Nadere informatieVraagdecompositie- Het Middel Voor Een Betere Forecast. Een praktisch tool voor het MT. 5 maart Ir. Paul Durlinger Steven Pauly
Vraagdecompositie- Het Middel Voor Een Betere Forecast Een praktisch tool voor het MT 5 maart 2016 Ir. Paul Durlinger Steven Pauly 1 0 Inleiding Een waarschuwing vooraf. Dit paper is bedoeld voor (top)
Nadere informatieDe Assortimentsindex. De voorbode van de product-life cycle
De voorbode van de product-life cycle Abstract De assortimentsindex is een instrument om te bepalen of we een infaseerprocedure moeten starten voor een bepaald product Versie 1.0 november 2017 Ir. Paul
Nadere informatieSILVER-MEAL een alternatief voor de EOQ? Benadering voor lumpy demand
SILVER-MEAL een alternatief voor de EOQ? Benadering voor lumpy demand Ir. Paul P.J. Durlinger mei 2014 Mei 2014 Silver-Meal als alternatief voor de EOQ? De EOQ-formule (Formule van Camp) is wijd inzetbaar
Nadere informatieHoe krijg ik in vredesnaam mijn voorraad omlaag?
Hoe krijg ik in vredesnaam mijn voorraad omlaag? Een benadering voor managers Ir. Paul P.J. Durlinger 31-12-2012 / WP.11.2012 / versie 1.0 Eerder verschenen als expert artikel in Logistiek.nl Hoe krijg
Nadere informatieHoe Goed Doet Mijn Leverancier Het? Logistiek Gezien- Over Leveranciers Betrouwbaarheid
Hoe Goed Doet Mijn Leverancier Het? Logistiek Gezien- Over Leveranciers Betrouwbaarheid Ir. Paul P.J. Durlinger 5-Maart 2016 1 Management summary: In dit paper kijk ik naar enkele logistieke KPI s, om
Nadere informatieZO BEPAAL JE VOORRAAD- EN BESTELKOSTEN! Een pragmatische aanpak
ZO BEPAAL JE VOORRAAD- EN BESTELKOSTEN! Een pragmatische aanpak Ir. Paul Durlinger September 2013 Zo bepaal je voorraad- en bestelkosten! Voorraad- en bestelkosten helpen de onderneming een gefundeerde
Nadere informatiePopulaties beschrijven met kansmodellen
Populaties beschrijven met kansmodellen Prof. dr. Herman Callaert Deze tekst probeert, met voorbeelden, inzicht te geven in de manier waarop je in de statistiek populaties bestudeert. Dat doe je met kansmodellen.
Nadere informatieIncourant : Bedrijfsrisico of Falen
Incourant : Bedrijfsrisico of Falen Een benadering voor managers Ir. Paul P.J. Durlinger 31-12-2012 / WP.09.2012 / V1.0 0. Inleiding Incourantie kost geld, veel geld. Producten die we gekocht hebben moeten
Nadere informatieClassification - Prediction
Classification - Prediction Tot hiertoe: vooral classification Naive Bayes k-nearest Neighbours... Op basis van predictor variabelen X 1, X 2,..., X p klasse Y (= discreet) proberen te bepalen. Training
Nadere informatieInfaseren en Uitfaseren
Infaseren en Uitfaseren Een benadering voor managers Ir. Paul P.J. Durlinger 14-10-2012 / WP.08.2012 / Versie 1.0 0. Inleiding Het is een bekend fenomeen bij vele ondernemingen. Het assortiment lijkt nog
Nadere informatieOpdrachten Toeval Opdrachten Toeval Opdracht 1.1 (Bestaat toeval) Opdracht 1.2(toeval in de natuur)
Opdrachten Toeval 1 1 Opdrachten Toeval Opdracht 1.1 (Bestaat toeval) a) Bestaat toeval volgens jou? b) Wat is toeval volgens jou? c) Vraag aan je ouders of zij in hun leven ooit iets heel onwaarschijnlijks
Nadere informatie9. Lineaire Regressie en Correlatie
9. Lineaire Regressie en Correlatie Lineaire verbanden In dit hoofdstuk worden methoden gepresenteerd waarmee je kwantitatieve respons variabelen (afhankelijk) en verklarende variabelen (onafhankelijk)
Nadere informatieVreemde EOQ waarden? Wat als de EOQ meer dan een jaar vraag is of minder dan een dag?
Wat als de EOQ meer dan een jaar vraag is of minder dan een dag? 1 JUNI 2015 IR. PAUL P.J. DURLINGER www.durlinger.nl Inleiding Het berekenen van een seriegrootte volgens de EOQ benadering is niet moeilijk
Nadere informatieXedule: stimulator en simulator voor de verbetering van plannen én roosteren
Xedule: stimulator en simulator voor de verbetering van plannen én roosteren dr. ir. P.J.A. (Peter) Verdaasdonk 1 Agenda Introductie Onderwijslogistiek Wat is het? Plannen versus roosteren Werken met onzekerheid
Nadere informatieGebruik onderstaande informatie om vraag 11 tot en met 13 te beantwoorden:
Hoofdstuk 7 Interne logistieke inspanning II Open vragen 1. Wat zijn logistieke kosten? 2. Welke soorten voorraden kunnen voorkomen in organisaties en om welke reden worden deze voorraden aangehouden?
Nadere informatieHeel Veel Over Seriegroottes
Heel Veel Over Seriegroottes Inhoudsopgave en Inleiding Ir. Paul Durlinger paul@durlinger.nl 1 1 Inleiding 2 Kosten 2.0 Inleiding 2.1 Voorraadkosten 2.2 Bestelkosten 2.3 Omstelkosten 3 Seriegrootte bepaling
Nadere informatieDossier Opdracht 2. Statistiek - Didactiek
Dossier Opdracht 2 Statistiek - Didactiek Naam: Thomas Sluyter Nummer: 1018808 Jaar / Klas: 1e jaar Docent Wiskunde, deeltijd Datum: 16 september, 2007 Samenvatting De Getal en ruimte serie van EPN biedt
Nadere informatieDE ROL VAN TOPMANAGEMENT IN VOORRAADBEHEER. -Een pragmatische aanpak-
DE ROL VAN TOPMANAGEMENT IN VOORRAADBEHEER -Een pragmatische aanpak- Ir. paul durlinger Augustus 2014 De rol van Topmanagement in Voorraadbeheer Managementsamenvatting- Voorraadhoogte en servicegraad naar
Nadere informatieAnalyseformulieren bij de toets: wat levert het op?
Analyseformulieren bij de toets: wat levert het op? Uit de toetsen van het Cito Volgsysteem primair onderwijs komt een vaardigheidsscore. Deze kun je gebruiken om in kaart te brengen hoe een leerling scoort
Nadere informatieESLog Supply Chain Management Blok 8
ESLog Supply Chain Management Blok 8 Voorraadbeheer Inhoud: - Vraagvoorspelling - Aggregatieniveau en voorspellingshorizon - Keuze voorspellingsmethode - Bedrijfskolom locaties voorraden - Afhankelijke
Nadere informatieProductie en Voorraadbeheer 1: - Forecasting -
20 14 Productie en Voorraadbeheer 1: - Forecasting - Paul Durlinger Durlinger Consultancy 24-2-2014 Inhoudsopgave 3 Forecasting 3 3.0 Inleiding 3 3.1 Data-correctie 9 3.1.0 Inleiding 9 3.1.1 Datacorrectie
Nadere informatieKlantonderzoek: statistiek!
Klantonderzoek: statistiek! Statistiek bij klantonderzoek Om de resultaten van klantonderzoek juist te interpreteren is het belangrijk de juiste analyses uit te voeren. Vaak worden de mogelijkheden van
Nadere informatieCursus TEO: Theorie en Empirisch Onderzoek. Practicum 2: Herhaling BIS 11 februari 2015
Cursus TEO: Theorie en Empirisch Onderzoek Practicum 2: Herhaling BIS 11 februari 2015 Centrale tendentie Centrale tendentie wordt meestal afgemeten aan twee maten: Mediaan: de middelste waarneming, 50%
Nadere informatieHoofdstuk 6: Investeringsbeslissingregels
Hoofdstuk 6: Investeringsbeslissingregels Een bedrijf moet alleen tot acquisitie overgaan als het een positieve netto contante waarde heeft. Hoewel de NCW investeringsregel de waarde van het bedrijf maximaliseert,
Nadere informatieNieuwe Sales Forecast en Demand Planning op het HANA platform
Nieuwe Sales Forecast en Demand Planning op het HANA platform Al meer dan tien jaar geleden lanceerde SAP APO, het supply chain planning systeem wat in vele bedrijven wereldwijd wordt gebruikt voor sales
Nadere informatieVoorraad van Ist naar Soll
Voorraad van Ist naar Soll Een benadering voor managers Ir. Paul P.J. Durlinger 14-10-2012 / WP.03.2012 / Versie 1.0 0 Inleiding Op een kille lente ochtend staart Jan Evers, CEO van Smalltalk Logistics
Nadere informatieMeer succes met je website
Meer succes met je website Hoeveel geld heb jij geïnvesteerd in je website? Misschien wel honderden of duizenden euro s in de hoop nieuwe klanten te krijgen. Toch levert je website (bijna) niets op Herkenbaar?
Nadere informatieWAT ALS DE EOQ NIET KAN?
WAT ALS DE EOQ NIET KAN? Een aantal seriegrootte-bepalingen voor onregelmatige vraag 1 JULI 2012 IR. PAUL DURLINGER Durlinger Consultancy Management Summary In dit paper behandel ik enkele seriegroottebepalingen
Nadere informatie3. Structuren in de taal
3. Structuren in de taal In dit hoofdstuk behandelen we de belangrijkst econtrolestructuren die in de algoritmiek gebruikt worden. Dit zijn o.a. de opeenvolging, selectie en lussen (herhaling). Vóór we
Nadere informatieTime series analysis. De business controller wilt graag de prognoses weten voor de volgende vier key metrics :
Time series analysis In deze casus laten wij u zien wat er mogelijk is met behulp van predictive analytics op het gebied van tijdreeksanalyse. Tijdreeksanalyse is een nuttig hulpmiddel bij het analyseren
Nadere informatieG0N11a Statistiek en data-analyse: project Eerste zittijd Modeloplossing
G0N11a Statistiek en data-analyse: project Eerste zittijd 2007-2008 Modeloplossing Opmerking vooraf: Deze modeloplossing is een heel volledig antwoord op de gestelde vragen. Om de maximumscore op een vraag
Nadere informatieWAT IS MIJN VOORRAAD EIGENLIJK WAARD? 5 financiële evaluatie-methodes
WAT IS MIJN VOORRAAD EIGENLIJK WAARD? 5 financiële evaluatie-methodes Ir. Paul Durlinger Augustus 2014 Management samenvatting In dit paper geven we aan hoe we een beter beeld kunnen krijgen van de kwalitatieve
Nadere informatieWHITEPAPER 5 STAPPEN OM JOUW MARKTPOTENTIEEL VOOR 2019 TE BEPALEN
WHITEPAPER 5 STAPPEN OM JOUW MARKTPOTENTIEEL VOOR 2019 TE BEPALEN 5 stappen om jouw marktpotentieel voor 2019 te bepalen 2019 nadert met rasse schreden en alle marketing- en salesmanagers zijn druk in
Nadere informatieEIND TOETS TOEGEPASTE BIOSTATISTIEK I. 30 januari 2009
EIND TOETS TOEGEPASTE BIOSTATISTIEK I 30 januari 2009 - Dit tentamen bestaat uit vier opgaven onderverdeeld in totaal 2 subvragen. - Geef bij het beantwoorden van de vragen een zo volledig mogelijk antwoord.
Nadere informatieStrategische personeelsplanning objectief onderbouwen met People Analytics
Strategische personeelsplanning objectief onderbouwen met People Analytics Na het lezen van deze white paper weet u: Wat een strategische personeelsplanning (SPP) is Hoe organisaties veranderen door automatisering
Nadere informatieJanuari. Ik accepteer en waardeer mijn ( hoog) gevoeligheid.
Januari Ik accepteer en waardeer mijn ( hoog) gevoeligheid. (Hoog) gevoelig zijn krijgt in deze tijd steeds meer ruimte en bekendheid, dat is fijn. Een generatie geleden was het niet wenselijk om gevoelig
Nadere informatieeasyfairs Transport & Logistiek 2010
easyfairs Transport & Logistiek 2010 learnshop Voorraad reduceren met behoud van servicelevels! Henk Meulenbroeks / Kees van Oostrum EVO Bedrijfsadvies EVO Onze behartigt leden zijn de verantwoordelijk
Nadere informatieExponentiële Functie: Toepassingen
Exponentiële Functie: Toepassingen 1 Overgang tussen exponentiële functies en lineaire functies Wanneer we werken met de exponentiële functie is deze niet altijd gemakkelijk te herkennen. Daarom proberen
Nadere informatieHandleiding BreakEven Calculator Door Thomas Vulsma
Handleiding BreakEven Calculator Door Thomas Vulsma Introductie Deze handleiding geeft een korte inleiding tot de werking en het gebruik van de BreakEven Calculator. Met een paar simpele stappen leert
Nadere informatieWhite paper Cross-sell & Upsell
White paper Cross-sell & Upsell Een praktische aanpak om meer omzet te genereren bij uw bestaande klanten Inleiding Deze white paper beschrijft een stappenplan, om te komen tot een klantspecifieke aanpak
Nadere informatieAfbeelding 12-1: Een voorbeeld van een schaakbord met een zwart paard op a4 en een wit paard op e6.
Hoofdstuk 12 Cartesische coördinaten 157 Hoofdstuk 12 CARTESISCHE COÖRDINATEN In dit hoofdstuk behandelen we: Het Cartesisch coördinatenstelsel De X-as en de Y-as De commutatieve eigenschap van optellen
Nadere informatieMaak je eigen statistische tabellen in Excel
Maak je eigen statistische tabellen in Excel (Hulp bij Onderzoek, Groningen, versie 7 april 2014) mag zowel met als zonder streepjes Voorwoord In een reeks white papers behandelen we een aantal onderwerpen
Nadere informatieVoorspel uw toekomstige. afzet met Sales & Operations Planning. Rene van Luxemburg. Ilja Kempenaars
Voorspel uw toekomstige Rene van Luxemburg Ilja Kempenaars afzet met Sales & Operations Planning Break-out sessie Break-out sessie S.&.O.P. & Forecasting Forecast Pro applicatie Effectief? Ja! Duur? Nee!
Nadere informatieSyllabus Leren Modelleren
Syllabus Leren Modelleren Januari / februari 2014 Hervormd Lyceum Zuid Klas B1B SCHRIJF HIER JE NAAM: LES 1 Syllabus Modelleren; Les 1: Zoekproblemen Klas B1B Inleiding In de lessen voor de kerstvakantie
Nadere informatieInhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen
Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende
Nadere informatieDe Keukentafel Uitdaging
De Keukentafel Uitdaging MAG HET WAT RUSTIGER AAN DE KEUKENTAFEL Gemaakt in het kader van het Swing project Een cliëntproces; tools voor samenwerking Door Nic Drion Aan de keukentafel Aan de keukentafel
Nadere informatieHet gebruik van het blancheerrendement als indicator voor het verwerkingsrendement.
Het gebruik van het blancheerrendement als indicator voor het verwerkingsrendement. Een statistische onderbouwing voor bemonstering van partijen champignons. P.C.C. van Loon Praktijkonderzoek Plant & Omgeving
Nadere informatieHOOFDSTUK 6: INTRODUCTIE IN STATISTISCHE GEVOLGTREKKINGEN
HOOFDSTUK 6: INTRODUCTIE IN STATISTISCHE GEVOLGTREKKINGEN Inleiding Statistische gevolgtrekkingen (statistical inference) gaan over het trekken van conclusies over een populatie op basis van steekproefdata.
Nadere informatieWebmasters (hoofdstuk 5). Managers (hoofdstuk 6).
INLEIDING Google Analytics is een gratis statistiekpakket met zeer uitgebreide mogelijkheden. Momenteel wint Google Analytics snel aan populariteit, en niet alleen omdat het gratis is. Google Analytics
Nadere informatiePraktische tips voor succesvol marktonderzoek in de land- en tuinbouwsector
marktonderzoek in de land- en tuinbouwsector Marktonderzoek kunt u prima inzetten om informatie te verzamelen over (mogelijke) markten, klanten of producten, maar bijvoorbeeld ook om de effectiviteit van
Nadere informatieIn deze les. Het experiment. Hoe bereid je het voor? Een beetje wetenschapsfilosofie. Literatuuronderzoek (1) Het onderwerp.
In deze les Het experiment Bart de Boer Hoe doe je een experiment? Hoe bereid je het voor? De probleemstelling Literatuuronderzoek Bedenken/kiezen experimentele opstelling Bedenken/kiezen analysevorm Hoe
Nadere informatieogen en oren open! Luister je wel?
ogen en oren open! Luister je wel? 1 Verbale communicatie met jonge spelers Communiceren met jonge spelers is een vaardigheid die je van nature moet hebben. Je kunt het of je kunt het niet. Die uitspraak
Nadere informatieDe grootste last... Massa. Registratie. Massaverdeling. Mensenmassa
Mensenmassa 1 De grootste last... Bij fysieke belasting denken de meeste mensen meteen aan zwaar til-, duw- en trekwerk. En een kratje pils van 15 kg vinden velen dan al redelijk zwaar. Toch stelt zo'n
Nadere informatieAlgemene bedenkingen:
Directie Burg. Van Gansberghelaan 92 9820 MERELBEKE Verslag datum 4 november 2016 Sam De Campeneere Algemene bedenkingen: Deze toetsing blijft een onvolledige toetsing omdat het een vergelijking is tussen
Nadere informatieCOVA 2. Naam: Sanne Terpstra. Studentennummer: Klas: 2B2. Lerares: L. te Hennepe
COVA 2 Naam: Sanne Terpstra Studentennummer: 500646500 Klas: 2B2 Lerares: L. te Hennepe Inhoudsopgave Inleiding 2 Casus 3 Leerdoelen 3 Sterkte zwakte analyse 4 Gespreksanalyse 6 Reflectie 9 Bijlagen 12
Nadere informatieHet koken en eten mag je zelf doen, maar ik begeleid je daarbij. Stap voor stap.
Het koken en eten mag je zelf doen, maar ik begeleid je daarbij. Stap voor stap. EET PALEO 3 Inhoudsopgave Inleiding 6 Mijn Paleo verhaal 8 De 7 stappen in het kort 12 Stap 1 Richt je op de praktijk 14
Nadere informatieGeldwisselprobleem van Frobenius
Geldwisselprobleem van Frobenius Karin van de Meeberg en Dieuwertje Ewalts 12 december 2001 1 Inhoudsopgave 1 Inleiding 3 2 Afspraken 3 3 Is er wel zo n g? 3 4 Eén waarde 4 5 Twee waarden 4 6 Lampenalgoritme
Nadere informatieHoofdstuk 14: Datum & Tijdfuncties
Hoofdstuk 14: Datum & Tijdfuncties 14.0 Inleiding Twee van de meest voorkomende en belangrijke velden in databases, logboeken, projectmanagement bestanden etc. zijn datums en tijden. Excel kan deze datums/tijden
Nadere informatieAchtergrond Spraakherkenning De uitdaging van spraakherkenning
Achtergrond Spraakherkenning is het herkennen van menselijke spraak door een computer. Al tweehonderd jaar lang proberen wetenschappers een computer spraak naar tekst te laten omzetten. De technieken voor
Nadere informatieDeel 9/12. Leer je invloed effectief aanwenden om je doelen te bereiken
Beantwoord eerst de volgende vragen: 1. Welke inzichten heb je gekregen n.a.v. het vorige deel en de oefeningen die je hebt gedaan? 2. Wat heb je er in de praktijk mee gedaan? 3. Wat was het effect op
Nadere informatie11. Multipele Regressie en Correlatie
11. Multipele Regressie en Correlatie Meervoudig regressie model Nu gaan we kijken naar een relatie tussen een responsvariabele en meerdere verklarende variabelen. Een bivariate regressielijn ziet er in
Nadere informatiePOP Eerste gekozen competentie: De markt analyseren en interpreteren Wat is mijn huidige niveau op deze competentie? Waarom?
POP Eerste gekozen competentie: De markt analyseren en interpreteren Wat is mijn huidige niveau op deze competentie? Waarom? Niveau Waarom? Waar ben ik al goed in? Wat zijn mijn sterktes op deze competentie?
Nadere informatieVan de wedstrijdleider wordt wel verwacht dat hij weet waar hij mee bezig is en daarom hoort hij de achterliggende ideeën wel te kennen.
Butlerwedstrijden 1. Inleiding Sinds de invoering van de computer bij het uitrekenen van bridgetoernooien is de Butler rekenmethode steeds populairder geworden. De Butlermethode voor het uitrekenen van
Nadere informatieEen promille is één-duizendste gedeelte van een totaal. ( pro = per en mille = duizend ).
Keuzeopdracht door een scholier 3148 woorden 4 maart 2003 5,8 164 keer beoordeeld Vak Aardrijkskunde Bevolkingsberekeningen met promillen. (een aanvulling bij de Basisboeknummers 81 en 84) Soms moet je
Nadere informatieONDERZOEK VOOR JE PROFIELWERKSTUK HOE DOE JE DAT?
ONDERZOEK VOOR JE PROFIELWERKSTUK HOE DOE JE DAT? Wim Biemans Rijksuniversiteit Groningen, Faculteit Economie & Bedrijfswetenschappen 4 juni, 2014 2 Het doen van wetenschappelijk onderzoek Verschillende
Nadere informatie8. Analyseren van samenhang tussen categorische variabelen
8. Analyseren van samenhang tussen categorische variabelen Er bestaat een samenhang tussen twee variabelen als de verdeling van de respons (afhankelijke) variabele verandert op het moment dat de waarde
Nadere informatie3. Structuren in de taal
3. Structuren in de taal In dit hoofdstuk behandelen we de belangrijkst econtrolestructuren die in de algoritmiek gebruikt worden. Dit zijn o.a. de opeenvolging, selectie en lussen (herhaling). Vóór we
Nadere informatieProgramma. Schaalconstructie. IRT: moeilijkheidsparameter. Intro: Het model achter het LOVS Mogelijkheden die het model biedt voor interpretatie
Programma LOVS Rekenen-Wiskunde Inhoud, rapportage en invloed van en Intro: Het model achter het LOVS Mogelijkheden die het model biedt voor interpretatie Marian Hickendorff Universiteit Leiden / Cito
Nadere informatieAanvullende tekst bij hoofdstuk 1
Aanvullende tekst bij hoofdstuk 1 Wortels uit willekeurige getallen In paragraaf 1.3.5 hebben we het worteltrekalgoritme besproken. Dat deden we aan de hand van de relatie tussen de (van tevoren gegeven)
Nadere informatieHaal het beste uit uw gegevens met geïntegreerde Business Intelligence
Exact Insights powered by QlikView Haal het beste uit uw gegevens met geïntegreerde Business Intelligence Met Exact Insights zet u grote hoeveelheden data moeiteloos om in organisatiebrede KPI s en trends.
Nadere informatieSucces hebben betekent in staat zijn je leven op jouw manier te leiden
Januari 2012 zondag 1 JaNuari Nieuwjaarsdag Succes hebben betekent in staat zijn je leven op jouw manier te leiden januari m d w d v z z 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
Nadere informatieTentamen Biostatistiek 3 / Biomedische wiskunde
Tentamen Biostatistiek 3 / Biomedische wiskunde 25 maart 2014; 12:00-14:00 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieHerijking van het gemeentefonds - sociaal domein Plan van aanpak voor het onderzoek naar een nieuwe verdeling
Herijking van het gemeentefonds - sociaal domein Plan van aanpak voor het onderzoek naar een nieuwe verdeling Plan van aanpak 2 Gemeenten hebben verschillende inkomstenbronnen waaruit ze hun taken financieren.
Nadere informatiePersoonlijkheidsprofiel. Anoniem
Anoniem 2012 1. Inleiding Dit is jouw persoonlijkheidsprofiel. Het profiel is gebaseerd op de antwoorden die jij hebt gegeven in de vragenlijst. Jouw antwoorden zijn vergeleken met die van een grote groep
Nadere informatieVIA PUZZELS GOOGLE LEREN
GOOZZLES VIA PUZZELS GOOGLE LEREN Goozzles: Puzzles teaching you Google este bezoeker van Lowlands, Welkom in de wiskundetent, en in het bijzonder bij de UvA-workshop over de PageRank van Google. Met behulp
Nadere informatieEWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot
EWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot EWMA Control Charts in Statistical Process Monitoring Inez M. Zwetsloot Samenvatting EWMA Regelkaarten in Statistische Procesmonitoring
Nadere informatieIn 5 stappen een businessmodel innoveren
1 www.pluc.nl In 5 stappen een businessmodel innoveren Inclusief 5 praktische tips voor het werken met het Business Model Canvas 2 In 5 stappen een businessmodel innoveren Over het Business Model Canvas
Nadere informatieCommunicatie op de werkvloer
Communicatie op de werkvloer Voor een goede communicatie op de werkvloer is het noodzakelijk dat we letterlijk dezelfde taal spreken. Een goede kennis van het vakjargon is dan ook erg belangrijk. Net zo
Nadere informatiePascal De Splenter. Masterclass Corporate Finance, Vlerick Master TEW Postgraduaat Fiscaliteit. Contact: GSM 0475/75.58.27 Email pascal.des@skynet.
Pascal De Splenter Masterclass Corporate Finance, Vlerick Master TEW Postgraduaat Fiscaliteit Contact: GSM 0475/75.58.27 Email pascal.des@skynet.be 1 12 jaar ervaring als Financieel Directeur (o.a. bij
Nadere informatieNieuw in Nederland. Het effect is tweeledig. De Lugera Profiel Analyse
Wat voor weer het ook is, wat voor prijzen u ook gaat maken. Met Lugera is het altijd een beter jaar voor u dan zonder Lugera. Hoog tijd dus om met ons in zee te gaan. Voor een dubbeltje per uur zit u
Nadere informatieMethoden van het Wetenschappelijk Onderzoek: Deel II Vertaling pagina 83 97
Wanneer gebruiken we kwalitatieve interviews? Kwalitatief interview = mogelijke methode om gegevens te verzamelen voor een reeks soorten van kwalitatief onderzoek Kwalitatief interview versus natuurlijk
Nadere informatieHoofdstuk 19. Voorspellende analyse bij marktonderzoek
Hoofdstuk 19 Voorspellende analyse bij marktonderzoek Voorspellen begrijpen Voorspelling: een uitspraak over wat er naar verwachting in de toekomst zal gebeuren op basis van ervaringen uit het verleden
Nadere informatieRevenue Management Game Touroperator
Revenue Management Game Touroperator 1 De gegevens vooraf capaciteit ; bezetting ; al verkocht ; full price Je kan niet meer verkopen dan deze capaciteit! 2 Spel 1 Berekening capaciteit Na ronde 2 Juli:
Nadere informatieModelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3
Modelleren C Appels Christian Vleugels Sander Verkerk Richard Both 2 april 2010 Inhoudsopgave 1 Inleiding 2 2 Probleembeschrijving 2 3 Data 3 4 Aanpak 3 5 Data-analyse 4 5.1 Data-analyse: per product.............................
Nadere informatieIndustrie tussen grafisch en begrijpen Opgave A. Leuk!
Industrie tussen grafisch en begrijpen Opgave A Leuk! Een opgave met een grafische toepassing, waarbij het aankomt op goed analyseren, redeneren, een beetje rekenen, ietsje tekenen en: de juiste theoretische
Nadere informatieLaat zien en vertel, dat is het motto van
Geef een presentatie en doe dat vooral met tekeningen Dan Roam, Visueel presenteren - Het ontwerpen van presentaties die overtuigen, Vakmedianet, 260 blz., ISBN 978 94 6276 016 5. Het doel van de presentator
Nadere informatieHOOFDSTUK 7: STATISTISCHE GEVOLGTREKKINGEN VOOR DISTRIBUTIES
HOOFDSTUK 7: STATISTISCHE GEVOLGTREKKINGEN VOOR DISTRIBUTIES 7.1 Het gemiddelde van een populatie Standaarddeviatie van de populatie en de steekproef In het vorige deel is bij de significantietoets uitgegaan
Nadere informatieEIGENSCHAPPEN CONVERGED HARDWARE
EIGENSCHAPPEN CONVERGED HARDWARE Eigenschappen Converged Hardware 1 van 8 Document Informatie Versie Datum Omschrijving Auteur(s) 0.1 29-09-2015 Draft Remco Nijkamp 0.2 29-09-2015 Volgende Versie opgesteld
Nadere informatieStatistiek: Herhaling en aanvulling
Statistiek: Herhaling en aanvulling 11 mei 2009 1 Algemeen Statistiek is de wetenschap die beschrijft hoe we gegevens kunnen verzamelen, verwerken en analyseren om een beter inzicht te krijgen in de aard,
Nadere informatieBlok 5 T vraag 1: schatprocedures toepassen
Blok 5 T vraag : schatprocedures toepassen Schatprocedures toepassen Schatten doe ik: wanneer exacte gegevens ontbreken; wanneer een exacte telling niet mogelijk is; wanneer een exacte telling te tijdrovend
Nadere informatieBeoordelingscriteria scriptie Nemas HRM
Beoordelingscriteria scriptie Nemas HRM Instructie Dit document hoort bij het beoordelingsformulier. Op het beoordelingsformulier kan de score per criterium worden ingevuld. Elk criterium kan op vijf niveaus
Nadere informatie