In many segments, including automot

In many segments, including automotive, products have little
differentiation among brands and other factors gained increased
attention to maintain customer satisfaction and loyalty. After sales
activities have received strong attention, as quick response and
high quality services help companies to accomplish their objectives.
Spare parts have significant impact over these services, so
good management practices on inventory control are desired.
From practical and academic points of view, spare parts
inventory control is a complex and defying activity, involving
thousands of SKUs and demands spreading from thousand units
per month to quite few units a year.
The literature shows several studies focusing on different
aspects of spare parts demand forecasting and inventory control,
including items classification (Eaves and Kingsman, 2004;
Syntetos et al., 2005), time bucket selection (Krever et al., 2005;
Bartezzaghi and Kalchsmidt, 2011), demand forecasting models
(Croston, 1972; Syntetos and Boylan, 2005; Teunter and Duncan,
2009), Lead-Time Demand distribution (Porras and Dekker, 2008;
Nenes et al., 2010; Bacchetti et al., 2013) and parameter revision
frequencies (Babai et al., 2009; Syntetos et al., 2010).
Studies on spare parts inventory control considered different
time buckets for demand recording, including individual orders
and different time buckets (weekly, monthly, bi-monthly and
quarterly). Examples of such approach are found on Eaves and
Kingsman (2004), Krever et al. (2005), Porras and Dekker (2008),
Boylan et al. (2008), Nenes et al. (2010), Syntetos et al. (2010) and
Bacchetti et al. (2013). The study of Krever et al. (2005) proposed
an interesting and different approach by using individual order
data (called SDA – Single Demand Approach) and developed
specific formulations to such cases. Krever et al. (2005) showed
that SDA performed better than monthly data for highly sporadic
items. On the other hand, Bartezzaghi and Kalchsmidt (2011)
showed that larger time buckets (10 or 30 days) implied on lower
inventory levels necessary to achieve a 94% TFR for most items. In
the current study, simulations included procedures to deal with
individual orders as developed by Krever et al. (2005) as well as
weekly and monthly time buckets records.
Croston's (1972) seminal paper introduced the idea of separating
demand sizes and time intervals to obtain forecasts better than
Contents lists available at ScienceDirect
journal homepage: www.elsevier.com/locate/ijpe
Int. J. Production Economics
http://dx.doi.org/10.1016/j.ijpe.2014.11.009
0925-5273/& 2014 Elsevier B.V. All rights reserved.
n Corresponding author. Fax: þ55 1130915363.
E-mail addresses: [e-mail] (J.R. Rego),
[e-mail] (M.A. Mesquita).
Int. J. Production Economics 161 (2015) 1–16
traditional SES – Simple Exponential Smoothing. Later developments
such as SBA – Syntetos–Boylan-Approximation, improved
Croston's proposal, as confirmed on further comparison studies
(Syntetos and Boylan, 2005, 2011). Many authors such as Johnston
and Boylan (1996), Ghobbar and Friend (2003) and Teunter and
Duncan (2009) report comparisons between different spare parts
demand forecasting models. In this paper, SBA forecasts were
included together with a base model (SMA – Simple Moving
Average) and a Bootstrapping model (adaptation of Zhou and
Viswanathan (2011)).
Efron (1979) developed the Bootstrapping technique, which
was later used for demand distribution and inventory control as
proposed by Bookbinder and Lordahl (1989). A milestone on such
applications is the paper of Willemain et al. (2004), which showed
the superior performance of their Bootstrapping forecasts when
empirically compared with SES and Croston models. Porras and
Dekker (2008) empirical study also compared Bootstrapping
models with parametric (Normal and Poisson) alternatives and
showed that Normal distribution provided slightly better results
than Bootstrapping models.
Apart from the non-parametric alternative (Bootstrapping),
several other parametric distributions are suggested on literature
to model LTD. In current study, Normal, Gamma and Negative
Binomial Distribution (NBD) were adopted together with SBA and
SMA forecasting models. Under SDA, three compound distributions
(demand intervals and demand sizes) were used: PoissonNormal,
Poisson-Gamma and Poisson-Logarithm (same as NBD).
Another important decision practitioners must take is how
frequently to update the inventory control parameters (the reorder
point and order size, for example). Although some previous case
studies (Syntetos et al., 2009, 2010; Nenes et al., 2010) considered
parameters revision on inventory control simulation, only Babai et al.
(2009) actually compared dynamic updating (every period) against
static parameters and showed superior performance for dynamic
alternative, in spite of the additional computational effort required.
Among other alternatives (see Silver et al. (1998)), Target-FillRates
(TFR) are commonly used to set the parameters of the
inventory control. Fill-Rate refers to the fraction of demand
directly filled by the inventory, without backordering or stockout.
An alternative performance measure can be the Cycle-ServiceLevel
(CSL), the desired probability of not running out of stock in
any one ordering cycle. In a (s, nQ) inventory control model, both
parameters are linked to the TFR, while CSL is dependable only on
the reorder point (s). In this paper, parameters are obtained
considering four levels of TFR: 80%, 90%, 95% and 99% (analog to
Nenes et al. (2010)). It is important to remark that SDA models
developed by Krever et al. (2005) considered CSL objectives so a
“conversion” to equivalent TFR was necessary for comparison
purposes, as explained later.
This paper includes simultaneous evaluation of all above
aspects by simulation over empirical data obtained from 10,032
SKUs from an automaker that operates in Brazil. Suitable choices
of the above parameters and two revision frequencies alternatives
lead to 34 combined policies. These 34 alternatives were simulated
under the four different TFR, totalizing 136 simulation runs for
each SKU. Empirical data included demand records from 6 years
(2007–2013) of 10,032 SKUs. Performance under each policy was
measured by its total costs, using TFR as a minimum requirement
to RFR.
SKUs were classified within four categories according to the
criteria defined by Syntetos et al. (2005) which considers demand
size variability (measured by the CV2 – square of coefficient of
variation) and average demand inter-arrival interval (measured by
the I).
The remaining of this paper is organized as follows: Section 2
reviews the literature on spare parts inventory management,
Section 3 presents the methodology and simulation model,
Section 4 shows the results and Section 5 reports the conclusions.

ผลลัพธ์ (ไทย) 1:

ในเซ็กเมนต์หลาย รวมทั้งรถยนต์ ผลิตภัณฑ์มีน้อยสร้างความแตกต่างระหว่างยี่ห้อและปัจจัยอื่น ๆ ได้เพิ่มขึ้นความสนใจในการรักษาความพึงพอใจของลูกค้าและสมาชิก หลังการขายกิจกรรมได้รับความสนใจที่แข็งแกร่ง เป็นการตอบสนองรวดเร็ว และบริการคุณภาพสูงช่วยให้บริษัทบรรลุวัตถุประสงค์ของพวกเขาอะไหล่มีผลกระทบสำคัญต่อบริการเหล่านี้ ดังนั้นวิธีการบริหารจัดการที่ดีในการควบคุมสินค้าคงคลังที่ถูกต้องจากการปฏิบัติ และศึกษาจุดของมุมมอง ชิ้นส่วนอะไหล่ควบคุมสินค้าคงคลังจะซับซ้อนและ defying กิจกรรม เกี่ยวข้องกับพัน Sku และความต้องการแพร่กระจายจากหน่วยพันต่อเดือนหน่วยค่อนข้างไม่กี่ปีวรรณกรรมการแสดงศึกษาหลายที่เน้นแตกต่างกันด้านอะไหล่ความคาดการณ์ และควบคุม สินค้าคงคลังรวมทั้งการจัดประเภทสินค้า (ชายคาบ้านและ Kingsman, 2004Syntetos et al., 2005), เวลาเลือกกลุ่ม (Krever et al., 2005แบบจำลองการคาดการณ์ความต้อง Bartezzaghi และ Kalchsmidt, 2011),(Croston, 1972 Syntetos และ Boylan, 2005 Teunter และดันแคน2009), กระจายความ lead-Time (Porras และ Dekker, 2008Nenes et al., 2010 Bacchetti et al., 2013) และแก้ไขพารามิเตอร์ความถี่ (Babai et al., 2009 Syntetos et al., 2010)การศึกษาชิ้นส่วนอะไหล่สินค้าคงคลังควบคุมถือว่าแตกต่างกันเวลากลุ่มความต้องการบันทึก รวมทั้งแต่ละใบสั่งและเวลาที่แตกต่างกลุ่ม (รายสัปดาห์ รายเดือน ทุกสองเดือน และรายไตรมาส) ตัวอย่างของวิธีการดังกล่าวอยู่ในชายคาบ้าน และKingsman (2004), Krever et al. (2005), Porras และ Dekker (2008),Boylan et al. (2008), Nenes et al. (2010) Syntetos et al. (2010) และBacchetti et al. (2013) การศึกษาของ Krever et al. (2005) นำเสนอวิธีการที่น่าสนใจ และแตกต่างกันโดยแต่ละใบสั่งข้อมูล (เรียกว่า SDA – วิธีความเดียว) และพัฒนาสูตรเฉพาะกรณีดังกล่าว แสดงให้เห็น Krever et al. (2005)SDA ที่ทำดีกว่าข้อมูลรายเดือนมีสูงสินค้า ในทางกลับกัน Bartezzaghi และ Kalchsmidt (2011)พบว่า กลุ่มใหญ่ในเวลา (วันที่ 10 หรือ 30) นัยบนล่างระดับสินค้าคงคลังที่จำเป็นเพื่อให้บรรลุ 94% สำหรับ TFR สุดสินค้า ในการศึกษาปัจจุบัน จำลองรวมราคาขั้นตอนในการจัดการกับแต่ละใบสั่งเป็นการพัฒนาโดย Krever et al. (2005) เช่นเป็นเวลารายสัปดาห์ และรายเดือนกลุ่มระเบียนความคิดในการแนะนำของ Croston (1972) บรรลุถึงกระดาษขนาดความต้องการและช่วงเวลาที่ได้รับการคาดการณ์ที่ดีกว่าเนื้อหารายการ ScienceDirectหน้าแรกของสมุดรายวัน: www.elsevier.com/locate/ijpeเศรษฐศาสตร์การผลิตเจของดอกเบี้ยhttp://dx.doi.org/10.1016/j.ijpe.2014.11.0090925-5273 / และ 2014 Elsevier b.v สงวนลิขสิทธิ์ทั้งหมดผู้ Corresponding n โทรสาร: þ55 1130915363ที่อยู่อีเมล: (J.R. Rego), ใน [e-mail]@poli.usp.br (M.A. Mesquita).เศรษฐศาสตร์การผลิตเจอินต์ 161 (2015) 1-16แบบ SES – ราบเรียบง่ายแบบเลขชี้กำลัง พัฒนาในภายหลังเช่น SBA – Syntetos – Boylan-ประมาณ ปรับปรุงCroston's proposal, as confirmed on further comparison studies(Syntetos and Boylan, 2005, 2011). Many authors such as Johnstonand Boylan (1996), Ghobbar and Friend (2003) and Teunter andDuncan (2009) report comparisons between different spare partsdemand forecasting models. In this paper, SBA forecasts wereincluded together with a base model (SMA – Simple MovingAverage) and a Bootstrapping model (adaptation of Zhou andViswanathan (2011)).Efron (1979) developed the Bootstrapping technique, whichwas later used for demand distribution and inventory control asproposed by Bookbinder and Lordahl (1989). A milestone on suchapplications is the paper of Willemain et al. (2004), which showedthe superior performance of their Bootstrapping forecasts whenempirically compared with SES and Croston models. Porras andDekker (2008) empirical study also compared Bootstrappingmodels with parametric (Normal and Poisson) alternatives andshowed that Normal distribution provided slightly better resultsthan Bootstrapping models.Apart from the non-parametric alternative (Bootstrapping),several other parametric distributions are suggested on literatureto model LTD. In current study, Normal, Gamma and NegativeBinomial Distribution (NBD) were adopted together with SBA andSMA forecasting models. Under SDA, three compound distributions(demand intervals and demand sizes) were used: PoissonNormal,Poisson-Gamma and Poisson-Logarithm (same as NBD).Another important decision practitioners must take is howfrequently to update the inventory control parameters (the reorderpoint and order size, for example). Although some previous casestudies (Syntetos et al., 2009, 2010; Nenes et al., 2010) consideredparameters revision on inventory control simulation, only Babai et al.(2009) actually compared dynamic updating (every period) againststatic parameters and showed superior performance for dynamicalternative, in spite of the additional computational effort required.Among other alternatives (see Silver et al. (1998)), Target-FillRates(TFR) are commonly used to set the parameters of theinventory control. Fill-Rate refers to the fraction of demanddirectly filled by the inventory, without backordering or stockout.An alternative performance measure can be the Cycle-ServiceLevel(CSL), the desired probability of not running out of stock inany one ordering cycle. In a (s, nQ) inventory control model, bothparameters are linked to the TFR, while CSL is dependable only onthe reorder point (s). In this paper, parameters are obtainedconsidering four levels of TFR: 80%, 90%, 95% and 99% (analog toNenes et al. (2010)). It is important to remark that SDA modelsdeveloped by Krever et al. (2005) considered CSL objectives so a“conversion” to equivalent TFR was necessary for comparisonpurposes, as explained later.This paper includes simultaneous evaluation of all aboveaspects by simulation over empirical data obtained from 10,032
SKUs from an automaker that operates in Brazil. Suitable choices
of the above parameters and two revision frequencies alternatives
lead to 34 combined policies. These 34 alternatives were simulated
under the four different TFR, totalizing 136 simulation runs for
each SKU. Empirical data included demand records from 6 years
(2007–2013) of 10,032 SKUs. Performance under each policy was
measured by its total costs, using TFR as a minimum requirement
to RFR.
SKUs were classified within four categories according to the
criteria defined by Syntetos et al. (2005) which considers demand
size variability (measured by the CV2 – square of coefficient of
variation) and average demand inter-arrival interval (measured by
the I).
The remaining of this paper is organized as follows: Section 2
reviews the literature on spare parts inventory management,
Section 3 presents the methodology and simulation model,
Section 4 shows the results and Section 5 reports the conclusions.

ผลลัพธ์ (ไทย) 2:

ในส่วนจำนวนมากรวมทั้งยานยนต์ผลิตภัณฑ์ที่มีเล็ก ๆ น้อย ๆ
ความแตกต่างระหว่างแบรนด์และปัจจัยอื่น ๆ
ที่เพิ่มขึ้นได้รับความสนใจในการรักษาความพึงพอใจของลูกค้าและความจงรักภักดี หลังการขายกิจกรรมได้รับความสนใจที่แข็งแกร่งในขณะที่การตอบสนองที่รวดเร็วและการบริการที่มีคุณภาพสูงช่วยให้บริษัท เพื่อให้บรรลุวัตถุประสงค์ของพวกเขา. ชิ้นส่วนอะไหล่ต่างมีผลกระทบอย่างมีนัยสำคัญมากกว่าบริการเหล่านี้เพื่อให้การบริหารจัดการที่ดีในการควบคุมสินค้าคงคลังเป็นที่ต้องการ. จากจุดที่การปฏิบัติและนักวิชาการในมุมมองของว่าง ส่วนการควบคุมสินค้าคงคลังเป็นกิจกรรมที่ซับซ้อนและท้าทายที่เกี่ยวข้องกับพันของSKUs และความต้องการการแพร่กระจายจากพันคันต่อเดือนไม่กี่หน่วยค่อนข้างปี. วรรณกรรมแสดงให้เห็นว่าการศึกษาหลายมุ่งเน้นไปที่ที่แตกต่างกันในแง่มุมของชิ้นส่วนอะไหล่เรียกร้องการพยากรณ์และการควบคุมสินค้าคงคลังรวมทั้งการจัดหมวดหมู่รายการ(ชายคาและ Kingsman 2004; Syntetos et al, 2005). การเลือกถังเวลา (Krever et al, 2005;. Bartezzaghi และ Kalchsmidt 2011) แบบจำลองการพยากรณ์ความต้องการ(Croston 1972; Syntetos และ Boylan 2005; Teunter และดันแคน , 2009) ระยะเวลารอการกระจายความต้องการ (Porras และ Dekker, 2008; Nenes et al, 2010;.. Bacchetti et al, 2013) และพารามิเตอร์การแก้ไขความถี่(Babai et al, 2009. Syntetos et al., 2010). การศึกษาเกี่ยวกับชิ้นส่วนอะไหล่การควบคุมสินค้าคงคลังการพิจารณาที่แตกต่างกันช่วงเวลาในการบันทึกความต้องการรวมถึงคำสั่งของแต่ละบุคคลและช่วงเวลาที่แตกต่างกัน(รายสัปดาห์รายเดือนรายปักษ์รายเดือนและรายไตรมาส) ตัวอย่างของวิธีการดังกล่าวจะพบในชายคาและKingsman (2004), Krever et al, (2005) และ Porras Dekker (2008), Boylan et al, (2008), Nenes et al, (2010), Syntetos et al, (2010) และBacchetti et al, (2013) การศึกษา Krever et al, (2005) ได้เสนอวิธีการที่น่าสนใจและแตกต่างกันโดยใช้คำสั่งแต่ละข้อมูล(เรียกว่า SDA - วิธีการความต้องการเดียว) และได้รับการพัฒนาสูตรที่เฉพาะเจาะจงกับกรณีดังกล่าว Krever et al, (2005) แสดงให้เห็นว่าSDA ทำได้ดีกว่าข้อมูลรายเดือนสำหรับระยะ ๆ สูงรายการ ในทางตรงกันข้าม, Bartezzaghi และ Kalchsmidt (2011) แสดงให้เห็นว่าช่วงเวลาที่มีขนาดใหญ่ (10 หรือ 30 วัน) โดยนัยในที่ต่ำกว่าระดับสินค้าคงคลังที่จำเป็นเพื่อให้บรรลุTFR 94% สำหรับรายการมากที่สุด ในการศึกษาในปัจจุบัน, การจำลองรวมถึงวิธีการที่จะจัดการกับคำสั่งซื้อแต่ละพัฒนาโดยKrever et al, (2005) เช่นเดียวกับ. รายสัปดาห์และเวลาที่บันทึกถังรายเดือนCroston ของ (1972) กระดาษน้ำเชื้อนำความคิดของการแยกขนาดความต้องการและช่วงเวลาที่จะได้รับการคาดการณ์ที่ดีกว่ารายการเนื้อหาที่มีอยู่ในScienceDirect วารสารหน้าแรก: www.elsevier.com/locate/ ijpe Int เจเศรษฐศาสตร์การผลิตhttp://dx.doi.org/10.1016/j.ijpe.2014.11.009 0925-5273 / 2014 และเอลส์ BV สงวนลิขสิทธิ์. ผู้เขียน n ที่สอดคล้องกัน แฟกซ์: TH55 1130915363. ที่อยู่ E-mail: [e-mail] (เจอาร์ริโก). [e-mail] (MA Mesquita) Int เจเศรษฐศาสตร์การผลิต 161 (2015) 1-16 ดั้งเดิม SES - เรียบง่ายเอก การพัฒนาต่อมาเช่น SBA - Syntetos-Boylan-ประมาณปรับปรุงข้อเสนอของCroston ได้รับการยืนยันเกี่ยวกับการศึกษาเปรียบเทียบต่อไป(Syntetos และ Boylan, 2005, 2011) ผู้เขียนหลายอย่างเช่นจอห์นสตันและ Boylan (1996), Ghobbar และเพื่อน (2003) และ Teunter และดันแคน(2009) รายงานการเปรียบเทียบระหว่างชิ้นส่วนอะไหล่ที่แตกต่างกันมีความต้องการรูปแบบการพยากรณ์ ในบทความนี้คาดการณ์ SBA ถูกรวมเข้าด้วยกันกับรูปแบบฐาน(SMA - ย้ายง่ายปานกลาง) และรูปแบบการร่วมมือ (การปรับตัวของโจวและ. Viswanathan (2011)) Efron (1979) การพัฒนาเทคนิคการร่วมมือซึ่งถูกนำมาใช้ในภายหลังสำหรับความต้องการการจัดจำหน่ายและการควบคุมสินค้าคงคลังเป็นที่เสนอโดยนักทำปกหนังสือและ Lordahl (1989) ก้าวดังกล่าวในการใช้งานที่เป็นกระดาษ Willemain et al, (2004) ซึ่งแสดงให้เห็นประสิทธิภาพที่เหนือกว่าของการคาดการณ์ร่วมมือของพวกเขาเมื่อเทียบกับสังเกตุSES และรูปแบบ Croston Porras และDekker (2008) การศึกษาเชิงประจักษ์ยังเทียบร่วมมือรุ่นที่มีตัวแปร(ปกติและ Poisson) ทางเลือกและแสดงให้เห็นว่าการกระจายปกติให้ผลลัพธ์ที่ดีกว่าเล็กน้อยกว่าความร่วมมือรูปแบบ. นอกเหนือจากทางเลือกที่ไม่ใช่ตัวแปร (ร่วมมือ) หลายกระจายตัวแปรอื่น ๆ ที่มีข้อเสนอแนะ วรรณกรรมแบบจำกัด ในการศึกษาในปัจจุบันปกติแกมมาและเชิงลบกระจายทวินาม (NBD) เป็นลูกบุญธรรมร่วมกับ SBA และ SMA รูปแบบการพยากรณ์ ภายใต้ SDA สามกระจายสาร(ช่วงเวลาที่มีความต้องการและขนาดความต้องการ) ถูกนำมาใช้: PoissonNormal,. Poisson แกมมาและ Poisson-ลอการิทึม (เช่นเดียวกับ NBD) อีกผู้ปฏิบัติงานการตัดสินใจที่สำคัญจะต้องเป็นวิธีการที่พบบ่อยในการปรับปรุงพารามิเตอร์การควบคุมสินค้าคงคลัง(สั่งซื้อจุดและขนาดการสั่งซื้อตัวอย่างเช่น) แม้ว่าบางกรณีที่ก่อนหน้านี้(. Syntetos, et al, 2009, 2010. Nenes et al, 2010) การศึกษาการพิจารณา. แก้ไขพารามิเตอร์ในการจำลองการควบคุมสินค้าคงคลังเพียง Babai, et al (2009) เมื่อเทียบจริงการปรับปรุงแบบไดนามิก (ทุกช่วงเวลา) กับพารามิเตอร์แบบคงที่และแสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่าแบบไดนามิกทางเลือกทั้งๆที่มีความพยายามในการคำนวณเพิ่มเติมที่จำเป็น. ในบรรดาทางเลือกอื่น ๆ (ดูเงิน et al. (1998)) เป้าหมาย FillRates (TFR) มักใช้ในการตั้งค่าพารามิเตอร์ของการควบคุมสินค้าคงคลัง เติมอัตราหมายถึงส่วนของความต้องการการเติมเต็มสินค้าคงคลังโดยตรงโดยไม่ต้อง backordering หรือ stockout. มาตรการประสิทธิภาพทางเลือกที่สามารถเป็นวงจร-ServiceLevel (CSL) ความน่าจะเป็นที่ต้องการของไม่ได้วิ่งออกมาจากหุ้นในคนใดคนหนึ่งรอบการสั่งซื้อ ใน (s, nQ) การควบคุมสินค้าคงคลังรุ่นทั้งพารามิเตอร์ที่เชื่อมโยงกับTFR ในขณะที่ CSL เป็นที่พึ่งเพียง แต่ในจุดสั่งซื้อ(s) ในบทความนี้พารามิเตอร์จะได้รับการพิจารณาสี่ระดับของ TFR: 80%, 90%, 95% และ 99% (อนาล็อกเพื่อ Nenes, et al (2010).) มันเป็นสิ่งสำคัญที่จะสังเกตว่ารุ่น SDA พัฒนาโดย Krever et al, (2005) การพิจารณาวัตถุประสงค์เพื่อให้ CSL "แปลง" เพื่อ TFR เทียบเท่าเป็นสิ่งจำเป็นสำหรับการเปรียบเทียบวัตถุประสงค์ตามที่ได้อธิบายในภายหลัง. กระดาษซึ่งรวมถึงการประเมินผลดังกล่าวข้างต้นพร้อมกันของทุกด้านโดยการจำลองมากกว่าข้อมูลเชิงประจักษ์ที่ได้รับจาก 10,032 SKUs จากรถยนต์ที่ดำเนินการในบราซิล ทางเลือกที่เหมาะสมของพารามิเตอร์ข้างต้นและสองทางเลือกความถี่การแก้ไขนำไปสู่การรวม34 นโยบาย 34 ทางเลือกเหล่านี้ถูกจำลองภายใต้สี่TFR ที่แตกต่างกันนับรวม 136 จำลองวิ่งแต่ละSKU ข้อมูลเชิงประจักษ์รวมถึงบันทึกความต้องการจาก 6 ปี(2007-2013) ของ 10,032 SKUs ผลการดำเนินงานภายใต้นโยบายแต่ละวัดได้จากค่าใช้จ่ายรวมโดยใช้ TFR เป็นความต้องการขั้นต่ำที่จะฉิบหาย. SKUs ถูกจัดภายในสี่ประเภทตามเกณฑ์ที่กำหนดไว้โดยSyntetos et al, (2005) ที่จะพิจารณาความต้องการแปรปรวนขนาด(วัดจาก CV2 - การที่สองของค่าสัมประสิทธิ์ของความแปรปรวน) และความต้องการเฉลี่ยช่วงเวลาระหว่างการมาถึง (วัดจาก. ฉัน) ส่วนที่เหลือของบทความนี้จะจัดดังนี้หมวดที่ 2 การทบทวนวรรณกรรมที่อะไหล่จัดการสินค้าคงคลังส่วนที่ 3 นำเสนอวิธีการและแบบจำลองที่มาตรา4 แสดงผลและหมวดที่ 5 รายงานสรุป

ผลลัพธ์ (ไทย) 3:

หลายกลุ่ม ได้แก่ ยานยนต์ ผลิตภัณฑ์มีความแตกต่างเล็กน้อย
ระหว่างแบรนด์และปัจจัยอื่น ๆที่ได้รับความสนใจเพิ่มขึ้น
เพื่อรักษาความพึงพอใจของลูกค้าและความจงรักภักดี กิจกรรมหลังการขาย
ได้รับความสนใจที่แข็งแกร่ง , การตอบสนองที่รวดเร็วและ
บริการคุณภาพสูงช่วยให้ บริษัท เพื่อให้บรรลุวัตถุประสงค์ของพวกเขา .
อะไหล่มีผลกระทบอย่างมากกว่าบริการเหล่านี้ ดังนั้น
ดีการจัดการการปฏิบัติในการควบคุมสินค้าคงคลังมีที่ต้องการ .
จากการปฏิบัติ วิชาการและจุดของมุมมอง , อะไหล่
การควบคุมสินค้าคงคลังเป็นกิจกรรมที่ซับซ้อนและท้าทาย เกี่ยวข้องกับ
พัน SKUs และความต้องการกระจายจากพันคันต่อเดือนต่อหน่วยปี

น้อยมากวรรณกรรมแสดงหลายการศึกษาเน้นด้านแตกต่างกัน
อะไหล่ อะไหล่ที่ใช้ในการพยากรณ์และการควบคุมสินค้าคงคลัง
รวมรายการหมวดหมู่ ( ชายคา kingsman , 2004 ;
syntetos et al . , 2005 ) , การเลือกถังเวลา ( krever et al . , 2005 ;
bartezzaghi และ kalchsmidt 2011 ) การพยากรณ์ความต้องการรูปแบบ
( Croston , 1972 ; syntetos กับบอยแลน , 2005 ; และ teunter เคน
2009 ) , ทำให้กระจายเวลาและความต้องการ พอร์ราสเดกเกอร์ , 2008 ;
เนเน่ et al . , 2010 ; bacchetti et al . , 2013 ) และ
แก้ไขพารามิเตอร์ความถี่ ( บ้าใบ้ et al . , 2009 ; syntetos et al . , 2010 ) .
ศึกษาอะไหล่ การควบคุมสินค้าคงคลังถือถัง
เวลาแตกต่างกันบันทึกความต้องการ รวมถึงใบสั่ง
และฝากเวลาที่แตกต่างกันของแต่ละบุคคล ( รายสัปดาห์ , รายเดือน , รายเดือนรายไตรมาสและบี
) ตัวอย่างของวิธีการดังกล่าวจะพบได้ในชายคา
kingsman ( 2004 ) , krever et al . ( 2005 ) , และ เดกเกอร์ พอร์ราส ( 2008 ) ,
บอยแลน et al . ( 2008 )เนเน่ et al . ( 2010 ) , syntetos et al . ( 2010 ) และ
bacchetti et al . ( 2013 ) การศึกษา krever et al . ( 2548 ) ได้เสนอแนวทางที่น่าสนใจและแตกต่างกัน

โดยใช้ข้อมูลเพื่อบุคคล ( เรียกว่า sda –ความต้องการวิธีการเดียว ) และพัฒนา
เฉพาะสูตรกับกรณีดังกล่าว krever et al . ( 2005 ) พบว่า การก่อสร้างดำเนินการดีกว่า
ข้อมูลรายเดือนรายการสูงเป็นระยะ ๆ

บนมืออื่น ๆและ bartezzaghi kalchsmidt ( 2011 ) พบว่า ถังขนาดใหญ่ (
เวลา 10 หรือ 30 วัน ) โดยนัยที่ลดระดับสินค้าคงคลังที่จำเป็นเพื่อให้บรรลุ
TFR 94 รายการมากที่สุด ใน
การศึกษาปัจจุบัน , จำลองรวมขั้นตอนที่จะจัดการกับแต่ละบุคคลตามคำสั่ง
พัฒนาโดย krever et al . ( 2005 ) รวมทั้ง
รายสัปดาห์ และรายเดือน บันทึกเวลา
ถังของ Croston ( 1972 ) รายงานการสัมมนาแนะนำแนวคิดของการแยก
ขนาดความต้องการและช่วงเวลาที่จะได้รับการคาดการณ์ดีกว่า

เนื้อหารายการที่มีอยู่ในวารสารบริการหน้าแรก : www.elsevier . com / ค้นหา / Int . J . เศรษฐศาสตร์การผลิต ijpe

http : / / DX ดอย . org / 10.1016 / j.ijpe 2014.11.009
0925-5273 / . & 2014 นอกจากนี้เท่าสงวนลิขสิทธิ์ .
n ที่สอดคล้องกันของผู้เขียน โทรสาร : þ 55
1130915363 .ที่อยู่ : [e-mail] ( เจอาร์ การจด )
[e-mail] ( ศศ . ม. mesquita ) .
Int . J . เศรษฐศาสตร์การผลิต 161 ( 2015 ) 1 – 16
ดั้งเดิม SES –ง่ายปรับให้เรียบแบบเอ็กซ์โปเนนเชียล . การพัฒนาในภายหลัง
เช่น SBA – syntetos –บอยแลนประมาณข้อเสนอ Croston ปรับปรุง
, ยืนยันในการศึกษาเปรียบเทียบต่อไป
( syntetos กับบอยแลน ปี 2554 ) ผู้เขียนมากมายเช่นจอห์นสตัน
กับบอยแลน ( 1996 ) ghobbar และเพื่อน ( 2003 ) และ teunter และ
ดันแคน ( 2009 ) รายงานการเปรียบเทียบกันระหว่างชิ้นส่วนอะไหล่
การพยากรณ์ความต้องการในรูปแบบ ในกระดาษนี้ , SBA คาดการณ์
รวมด้วยกันกับรุ่นพื้นฐาน ( SMA ) เฉลี่ยเคลื่อนที่อย่างง่าย
) และ bootstrapping โมเดล ( การปรับตัวของโจวและ
viswanathan ( 2011 ) ) .
แอฟรอน ( 1979 ) bootstrapping พัฒนาเทคนิคซึ่ง
ใช้ในภายหลังสำหรับการกระจายความต้องการและการควบคุมสินค้าคงคลังเป็น
และเสนอโดย bookbinder lordahl ( 1989 ) ขั้นในการใช้งานเช่น
เป็นกระดาษของ willemain et al . ( 2004 ) ซึ่งให้ประสิทธิภาพที่เหนือกว่าของ bootstrapping

ใช้คาดการณ์เมื่อเทียบกับ SES และ Croston รุ่น และ พอร์ราส
เดกเกอร์ ( 2551 ) การศึกษาเชิงเปรียบเทียบ bootstrapping
แบบมีพารามิเตอร์ ( ปกติและปัวซง ) ทางเลือกและพบว่าให้ผลปกติ

กว่า bootstrapping รุ่นดีขึ้นเล็กน้อย .
นอกเหนือจากทางเลือกที่ไม่ใช้พารามิเตอร์ ( bootstrapping ) การแจกแจงตัวแปรหลายๆ

แนะนำวรรณกรรมแบบจำกัดในการศึกษาปกติ , ปัจจุบัน , แกมมาและลบ