Model Verification and ValidationAf

Model Verification and Validation
After developing the simulation model,
we performed several different verification
and validation steps to ensure the model
results were reliable [19]. This included
verifying the model architecture with other
researchers and engineers; comparing the
simulation output to analytical models for
simple cases; and, showing the results to
managers actively working on supply chain
issues at the inkjet printer division of HP, who
could compare the results to their previous
experiences. For steady state cases with no
lost sales and stationary demand, we also
compared the simulation results for fill rate to
those from a well known analytical model
[20]. Appendix Table A1 contains the
simulation and analytical estimates of fill rate
for many different parameter settings (forecast
error and safety stock levels). The simulation
results include both the average fill rate and
associated 95% confidence intervals based
on 1000 independent replications of 16
simulated months starting at steady state. As
can be seen from the table the simulation
results for cases with low forecast error, as
defined by the coefficient of variation (CV =
standard deviation of forecast error/forecast)
less than 0.2, match those of the analytical
model (analytical results fall within 95%
confidence intervals from the simulation).
The analytical model assumes that the
forecast error is small enough to ensure
nonnegative demand. In the simulation,
negative demand was not allowed (truncated
at zero). As expected [21] when the forecast
error grows (CV > .3), the analytical model
slightly underestimates the true fill rate as
shown by the simulation results.
As part of the verification and validation
process, we also used the simulation to
examine earlier findings on benefits of
postponement for stationary demand under
steady state. We examined a set of scenarios
where eight derivative products were either:
• Customized at the factory and then
shipped to the distribution centers; or
• Manufactured as a generic product that
was later differentiated at the distribution
centers.
Table 1 shows the parameter settings for
those experiments.
Figure 4 shows that for the same
inventory policy, the average fill rate achieved
using postponement are substantially higher
than differentiating the products at the factory.
Figure 5 shows that postponement has the
greatest impact when the forecast error is
high, however the postponement strategy
performs well over a range of forecast errors.
These results are consistent with earlier
findings. Detailed results from the simulation
including confidence intervals for all
estimates and comparisons to analytical
model results are included in the Appendix
Table A2.

ผลลัพธ์ (ไทย) 1:

ตรวจสอบแบบจำลองและการตรวจสอบหลังจากพัฒนารูปแบบการจำลองเราดำเนินการตรวจสอบแตกต่างกันหลายและขั้นตอนการตรวจสอบเพื่อให้แบบผลเชื่อถือได้ [19] นี้รวมตรวจสอบสถาปัตยกรรมรูปแบบกันนักวิจัยและวิศวกร เปรียบเทียบการแสดงผลการจำลองรูปแบบการวิเคราะห์สำหรับอย่างกรณี และ แสดงผลการผู้จัดการที่ทำงานในห่วงโซ่อุปทานปัญหาที่ส่วนเครื่องพิมพ์แบบอิงค์เจ็ตของ HP ที่สามารถเปรียบเทียบกับตัวก่อนหน้านี้ประสบการณ์ สำหรับท่อนกรณีที่ไม่มีสูญเสียความต้องการขาย และเครื่องเขียน เรายังเปรียบเทียบผลการจำลองที่เติมอัตราจากแบบจำลองวิเคราะห์รู้จัก[20] . ภาคผนวกตาราง A1 ประกอบด้วยการการจำลองและวิเคราะห์ประเมินอัตราการเติมการตั้งค่าพารามิเตอร์ต่าง ๆ มากมาย (คาดการณ์ข้อผิดพลาดและความปลอดภัยระดับสต็อก) การจำลองสถานการณ์ผลรวมทั้งอัตราการเติมเฉลี่ย และช่วงความเชื่อมั่น 95% เกี่ยวข้องตามใน 1000 ขึ้นอยู่กับระยะของ 16ราคาเริ่มต้นที่ท่อนเดือนจำลอง เป็นสามารถดูได้จากตารางการจำลองผลเป็นกรณีที่มีการคาดการณ์ผิดพลาดที่ต่ำกำหนด โดยค่าสัมประสิทธิ์ของความแปรผัน (CV =ส่วนเบี่ยงเบนมาตรฐานของการคาดการณ์ผิดพลาด/คาดการณ์)น้อยกว่า 0.2 ตรงกับการวิเคราะห์การแบบจำลอง (วิเคราะห์ผลอยู่ภายใน 95%ช่วงความเชื่อมั่นจากการจำลอง)แบบวิเคราะห์สันนิษฐานที่ข้อผิดพลาดที่คาดการณ์คือเล็กพอที่จะให้nonnegative ความต้องการ ในการจำลองไม่สามารถลบความต้อง (ตัดที่ศูนย์) เป็นที่คาดไว้ [21] เมื่อการคาดการณ์ข้อผิดพลาดขึ้น (CV > .3), แบบวิเคราะห์underestimates อัตราการเติมจริงเป็นเล็กน้อยแสดง โดยผลการทดลองเป็นส่วนหนึ่งของการตรวจสอบและตรวจสอบกระบวนการ เรายังใช้การจำลองสถานการณ์เพื่อตรวจสอบพบก่อนหน้าบนผลประโยชน์ของเลื่อนความต้องการเครื่องเขียนภายใต้ท่อน เราตรวจสอบชุดของสถานการณ์ที่ 8 พัฒนาผลิตภัณฑ์ได้อย่างใดอย่างหนึ่ง:•กำหนดที่โรงงานแล้วจัดส่งไปยังศูนย์กระจายสินค้า หรือ•ผลิตเป็นผลิตภัณฑ์ทั่วไปที่แตกต่างกันในภายหลังที่การกระจายศูนย์ตารางที่ 1 แสดงการตั้งค่าพารามิเตอร์สำหรับผู้ทดลองรูปที่ 4 แสดงที่เดียวกันนโยบายสินค้าคงคลัง อัตราการเติมเฉลี่ยที่ทำได้ใช้เลื่อนมีสูงมากกว่าความแตกต่างผลิตภัณฑ์ที่โรงงานรูปที่ 5 แสดงว่า เลื่อนได้ผลกระทบมากที่สุดเมื่อข้อผิดพลาดการคาดการณ์สูง อย่างไรก็ตามกลยุทธ์การเลื่อนทำดีผ่านช่วงของการคาดการณ์ผิดผลลัพธ์เหล่านี้จะสอดคล้องกับก่อนหน้านี้ผลการวิจัย รายละเอียดผลจากการจำลองรวมถึงช่วงความเชื่อมั่นทั้งหมดประเมินและเปรียบเทียบเพื่อวิเคราะห์ผลลัพธ์ของแบบจำลองรวมอยู่ในภาคผนวกตาราง A2

ผลลัพธ์ (ไทย) 2:

รุ่นการตรวจสอบและการตรวจสอบหลังจากการพัฒนาแบบจำลองที่เราดำเนินการตรวจสอบหลายที่แตกต่างกันและขั้นตอนในการตรวจสอบเพื่อให้แน่ใจว่ารูปแบบผลการวิจัยที่เชื่อถือได้[19] นี้รวมถึงการตรวจสอบสถาปัตยกรรมรูปแบบอื่น ๆ ที่มีนักวิจัยและวิศวกร; การเปรียบเทียบการส่งออกการจำลองรูปแบบการวิเคราะห์กรณีที่เรียบง่าย; และแสดงผลให้ผู้บริหารทำงานอย่างแข็งขันในห่วงโซ่อุปทานปัญหาที่ส่วนเครื่องพิมพ์อิงค์เจ็ทของเอชพีที่สามารถเปรียบเทียบผลการก่อนหน้านี้ประสบการณ์ สำหรับกรณีความมั่นคงของรัฐที่ไม่มีขายที่หายไปและความต้องการนิ่งเรายังเปรียบเทียบผลการจำลองสำหรับอัตราการเติมเต็มให้กับผู้ที่มาจากรูปแบบการวิเคราะห์ที่รู้จักกันดี[20] ภาคผนวกตาราง A1 มีการจำลองและการวิเคราะห์ของการประมาณการอัตราการเติมเต็มสำหรับการตั้งค่าพารามิเตอร์ที่แตกต่างกัน(คาดการณ์ข้อผิดพลาดและระดับความปลอดภัยหุ้น) จำลองผลรวมทั้งอัตราการเติมเต็มเฉลี่ยและช่วงความเชื่อมั่น95% ที่เกี่ยวข้องตาม1000 ซ้ำอิสระ 16 เดือนจำลองเริ่มต้นที่มั่นคงของรัฐ ในฐานะที่สามารถมองเห็นได้จากตารางการจำลองผลสำหรับกรณีที่มีข้อผิดพลาดในการคาดการณ์ที่ต่ำตามที่กำหนดโดยค่าสัมประสิทธิ์ของการเปลี่ยนแปลง(CV = ค่าเบี่ยงเบนมาตรฐานของความผิดพลาดคาดการณ์ / คาดการณ์) น้อยกว่า 0.2, ตรงกับการวิเคราะห์รูปแบบ(ผลการวิเคราะห์ตกอยู่ใน 95% ช่วงความเชื่อมั่นจากการจำลอง). รูปแบบการวิเคราะห์สันนิษฐานว่าข้อผิดพลาดการคาดการณ์ที่มีขนาดเล็กพอที่จะให้ความต้องการไม่เป็นลบ ในการจำลองความต้องการเชิงลบไม่ได้รับอนุญาต(ตัดที่ศูนย์) เป็นที่คาดหวัง [21] เมื่อคาดการณ์ข้อผิดพลาดเติบโต(CV> 0.3) รูปแบบการวิเคราะห์เล็กน้อยดูถูกอัตราการเติมเป็นจริงแสดงโดยผลการจำลอง. ในฐานะที่เป็นส่วนหนึ่งของการตรวจสอบและการตรวจสอบกระบวนการนี้เรายังใช้แบบจำลองในการตรวจสอบก่อนหน้านี้ผลการวิจัยเกี่ยวกับประโยชน์ของการเลื่อนความต้องการเครื่องเขียนภายใต้ความมั่นคงของรัฐ เราตรวจสอบชุดของสถานการณ์ที่แปดผลิตภัณฑ์ตราสารอนุพันธ์มีทั้ง: •กำหนดเองที่โรงงานแล้วส่งไปยังศูนย์กระจายสินค้านั้น หรือ•ผลิตเป็นผลิตภัณฑ์ทั่วไปที่ได้รับแตกต่างต่อมาที่การกระจายศูนย์. ตารางที่ 1 แสดงการตั้งค่าพารามิเตอร์สำหรับการทดลองเหล่านั้น. รูปที่ 4 แสดงให้เห็นว่าสำหรับเดียวกันนโยบายสินค้าคงคลัง, อัตราการเติมเฉลี่ยใช้เลื่อนเป็นอย่างมากที่สูงกว่าความแตกต่างของผลิตภัณฑ์ที่โรงงาน. รูปที่ 5 แสดงการเลื่อนที่มีผลกระทบมากที่สุดเมื่อเกิดข้อผิดพลาดที่มีการคาดการณ์ที่สูงอย่างไรก็ตามกลยุทธ์การเลื่อนมีประสิทธิภาพดีในช่วงของข้อผิดพลาดคาดการณ์. ผลลัพธ์เหล่านี้มีความสอดคล้องกับก่อนหน้านี้ผลการวิจัย ผลรายละเอียดจากการจำลองรวมทั้งช่วงความเชื่อมั่นสำหรับทุกการประมาณการและการเปรียบเทียบกับการวิเคราะห์ผลการรูปแบบรวมอยู่ในภาคผนวกตารางA2

ผลลัพธ์ (ไทย) 3:

การตรวจสอบรูปแบบและการตรวจสอบ
หลังจากพัฒนารูปแบบจำลอง

เราดำเนินการตรวจสอบและตรวจสอบที่แตกต่างกันหลายขั้นตอนเพื่อให้แน่ใจว่ารูปแบบ
ผลเชื่อถือได้ [ 19 ] นี้รวม
ตรวจสอบรูปแบบสถาปัตยกรรมและวิศวกรกับนักวิจัยอื่น ๆ

; เปรียบเทียบการจำลองเอาท์พุทแบบวิเคราะห์
กรณีง่าย และ การแสดงผล

ผู้จัดการงานทำงานในประเด็นโซ่
จัดหาเครื่องพิมพ์อิงค์เจ็ทของเอชพีในส่วนที่สามารถเปรียบเทียบผล

ประสบการณ์ก่อนหน้านี้ของพวกเขา สำหรับกรณีของรัฐที่มั่นคงไม่มี
ยอดขายหายไปและความต้องการเครื่องเขียน นอกจากนี้เรายัง
เปรียบเทียบผลการทดสอบเติมเท่ากัน

จากที่รู้จักกันดีรูปแบบวิเคราะห์
[ 20 ] ภาคผนวกตาราง A1 มีการจำลองและวิเคราะห์

ประมาณอัตราการเติมสำหรับการตั้งค่าพารามิเตอร์ที่แตกต่างกันมาก ( ข้อผิดพลาดคาดการณ์
และความปลอดภัยระดับสต็อก ) ผลการจำลอง
รวมทั้งเติมและที่อัตราเฉลี่ย 95% ช่วงความเชื่อมั่นตาม

ที่ 16
จำลองซ้ำ 1 , 000 ครั้ง อิสระของเดือนเริ่มต้นที่ steady state โดย
สามารถเห็นได้จากตารางผลการจำลองกรณีมีข้อผิดพลาดคาด

น้อย เช่นที่กำหนดโดยสัมประสิทธิ์ความแปรปรวน ( CV =
ส่วนเบี่ยงเบนมาตรฐานของพยากรณ์ / พยากรณ์ )
น้อยกว่า 0.2 , ราคาของแบบจำลอง
( วิเคราะห์ผลการทดลองอยู่ในช่วงความเชื่อมั่น 95%
จากการจำลอง )

ถือว่าแบบจำลองพยากรณ์มีขนาดเล็กเพียงพอที่จะให้ความต้องการ nonnegative
. ในการคำนวณ
ความต้องการลบไม่ได้รับอนุญาต ( ตัด
ที่ศูนย์ )อย่างที่คาดไว้ [ 21 ] เมื่อการคาดการณ์
ข้อผิดพลาดเติบโต ( CV > 3 ) แบบวิเคราะห์
เล็กน้อย underestimates อัตราเติมจริงตามที่แสดงโดยผลการจำลอง
.
เป็นส่วนหนึ่งของการตรวจสอบและกระบวนการตรวจสอบ
เรายังใช้แบบจำลองเพื่อศึกษาก่อนหน้านี้พบประโยชน์ของ

เลื่อนสำหรับความต้องการ เครื่องเขียนภายใต้
steady state เราตรวจสอบชุดของสถานการณ์
ที่ 8 ผลิตภัณฑ์อนุพันธ์เหมือนกัน :
-
เองที่โรงงาน แล้วจัดส่งให้ศูนย์กระจายสินค้า ;
- หรือผลิตเป็นผลิตภัณฑ์ทั่วไปที่ต่อมาจากที่ศูนย์กระจายสินค้า

.
ตารางที่ 1 แสดงพารามิเตอร์การตั้งค่าการทดลองเหล่านั้น
.
รูปที่ 4 แสดงให้เห็นว่าสำหรับเดียวกัน
นโยบายสินค้าคงคลัง โดยเฉลี่ยเติมได้
ใช้เลื่อนจะสูงขึ้นอย่างมาก
กว่าความแตกต่างของสินค้าในโรงงาน
รูปที่ 5 แสดงให้เห็นว่ามีการเลื่อน
มีผลกระทบมากที่สุดเมื่อพยากรณ์คือ
สูง อย่างไรก็ตามกลยุทธ์การเลื่อน
แสดงได้ดีกว่าช่วงคาดการณ์ผิด ผลลัพธ์เหล่านี้สอดคล้องกับก่อนหน้านี้

ค่า รายละเอียดผลลัพธ์จากการจำลอง

รวมถึงความเชื่อมั่นสำหรับทั้งหมดการประเมินและเปรียบเทียบผลลัพธ์การวิเคราะห์แบบจำลอง
จะรวมอยู่ในรางภาคผนวก
A2 .