The Effects of Demand-Forecast Fluctuations on Customer Service and Inventory Cost When Demand is Lumpy

Watson, Richard

doi:10.1057/jors.1987.9

Cited by 54 publications

(14 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Many distributions have been suggested to model the sizes of demand when demand occurs (Axsäter 2006), such as the geometric (Watson 1987, Johnston et al 2003, Chew and Johnson 2006, logarithmic (Syntetos and Boylan 2006), lognormal (Syntetos et al 2009a), etc. However, and as discussed in the next section, modeling for forecasting purposes is insensitive to such a distributional assumption.…”

Section: Research Relevancementioning

confidence: 99%

Forecasting of compound Erlang demand

Syntetos

Babaï

Luo

2015

Journal of the Operational Research Society

View full text Add to dashboard Cite

Intermittent demand items dominate service and repair inventories in many industries and they are known to be the source of dramatic inefficiencies in the defense sector. However, research in forecasting such items has been limited. Previous work in this area has been developed upon the assumption of a Bernoulli or a Poisson demand arrival process. Nevertheless, intermittent demand patterns may often deviate from the memory-less assumption. In this work we extend analytically previous important results to model intermittent demand based on a compound Erlang process, and we provide a comprehensive categorisation scheme to be used for forecasting purposes. In a numerical investigation we assess the benefit of departing from the memory-less assumption and we provide insights into how the degree of determinism inherent in the process affects forecast accuracy. Operationalised suggestions are offered to managers and software manufacturers dealing with intermittent demand items.

show abstract

Section: Research Relevancementioning

confidence: 99%

Forecasting of compound Erlang demand

Syntetos

Babaï

Luo

2015

Journal of the Operational Research Society

View full text Add to dashboard Cite

show abstract

“…Inter-demand intervals following the geometric distribution in conjunction with an arbitrary distribution for the sizes, results in a compound binomial distribution. 1969;Ward, 1978;Watson, 1987). Another possibility is the combination of a Poisson distribution for demand occurrence and a normal distribution for demand sizes (Vereecke and Verstraeten, 1994), although the latter assumption has little empirical support.…”

Section: Parametric Forecastingmentioning

confidence: 99%

On the demand distributions of spare parts

Syntetos

Babaï

Altay

2012

International Journal of Production Research

View full text Add to dashboard Cite

“…En la industria es frecuente encontrar dificultades en los procesos de pronósticos de demandas por aspectos como las variaciones drásticas de los mercados, la introducción de más competidores, más productos importados, y por cambios en las tasas de moneda, entre otros aspectos que algunas veces se hacen impredecibles (Makridakis et al, 2011;Nenes et al, 2010;Samaratunga et al, 1997;Watson, 1987). Dichos cambios no son siempre predecibles con los modelos estadísticos conocidos, como: ARIMA, suavización exponencial, regresión en series temporales, ya que requieren estructuras teóricas que exigen muchos datos para ser precisos, o que se basan en ciertos supuestos que no siempre se alcanzan, como la distribución normal en los errores.…”

Section: Introductionunclassified

Métodos Estadísticos Clásicos Y Bayesianos Para El Pronóstico De Demanda. Un Análisis Comparativo

Morales

Díaz-Serna

2015

Rev. Fac. Cienc.

View full text Add to dashboard Cite

Recibido 24-03-2015, aceptado 25-06-2015, versión final 28-06-2015.Artículo Investigación RESUMEN: La industria usualmente requiere mejores técnicas que permitan elaborar buenos planes de producción. En presencia de pocos datos históricos, pueden presentarse dificultades en el cumplimiento de premisas teóricas. En este artículo se presenta una comparación a partir de un estudio de simulación, disenado en el programa R con el propósito de realizar la elección del mejor modelo: Regresión lineal bayesiana con distribución a priori normal, modelo lineal dinámico bayesiano, modelo ARIMA y modelo de suavización exponencial, con base en el criterio Mean Absolute Percentage Error (MAPE) de pronóstico y para ello se simulan diferentes esquemas de datos que reflejan comportamientos de demandas con y sin distribución normal. De las simulaciones se encuentran casos en que se prefiere la estimación bayesiana, en lugar de la clásica. Se encuentra que los modelos bayesianos estudiados tienen un alto potencial para realizar predicciones, sobre todo para los datos que no se comportan con una distribución normal, siendo más precisos que los otros modelos clásicos comparados, además son más robustos a premisas teóricas y se pueden utilizar con pocos datos históricos.PALABRAS CLAVE: Pronósticos, métodos bayesianos, distribución predictiva. ABSTRACT:Comparisons between forecast models are necessary for decision making in industry, especially for demand prediction. In the presence of few historical data, there could be difficulties in the compliance of theoretical premises. In this paper, a comparison is presented designed in R program, using

show abstract

The Effects of Demand-Forecast Fluctuations on Customer Service and Inventory Cost When Demand is Lumpy

Cited by 54 publications

References 11 publications

Forecasting of compound Erlang demand

Forecasting of compound Erlang demand

On the demand distributions of spare parts

Métodos Estadísticos Clásicos Y Bayesianos Para El Pronóstico De Demanda. Un Análisis Comparativo

Contact Info

Product

Resources

About