Финансовый контроль и планирование с помощью Excel
Категория реферата: Рефераты по информатике, программированию
Теги реферата: курсовая работа по организации, вирусы реферат
Добавил(а) на сайт: Kazdoja.
Предыдущая страница реферата | 1 2 3 4 5 6 7 | Следующая страница реферата
Методы прогнозирования под названием "сглаживание" учитывают эффекты выброса функции намного лучше, чем способы, использующие регрессивный анализ. Ехсеl непосредственно поддерживает один из таких методов с помощью средства Экспоненциальное сглаживание в надстройке Пакет анализа.
С помощью средства Экспоненциальное сглаживание можно создать прогнозы, аналогичные приведенным на рисунке 18.Для вычисления каждого прогноза Ехсеl
использует отдельную, но алгебраически эквивалентную формулу. Оба
компонента – данные предыдущего наблюдения и предыдущий прогноз – каждого
прогноза умножаются на коэффициент, отображающий вклад данного компонента
в текущий прогноз.
Активизировать средство Экспоненциальное сглаживание можно, выбрав
команду Сервис-Анализ данных после загрузки надстройки Пакет анализа.
Пример.
Представим, что вы руководите агентством по прокату автомобилей, расположенным в районе Скалистых гор. По мере приближения зимы вы начинаете отслеживать поступление заявок клиентов на транспорт, снабженный
багажниками для перевозки лыж. Через несколько дней после проведения
исследований в вашей местности выпадает очень много снега и, как и
следовало ожидать, количество вышеупомянутых заявок резко возросло. Итак, на десятый день наблюдения вам нужно узнать, сколько автомобилей, оборудованных багажником для лыж, необходимо приготовить, чтобы полностью
удовлетворить спрос в одиннадцатый день.
Согласно данному сглаженному прогнозу, для удовлетворения потребностей
клиентов на одиннадцатый день необходимо иметь 16 или 17 автомобилей с
багажниками для лыж. Такая оценка отражает как общий уровень данных базовой
линии, так и увеличение количества заявок, произошедшее на восьмой день
наблюдений. Фактическое число заявок в одиннадцатый день может упасть на
несколько единиц в результате огромного количества причин, начиная от
изменения погодных условий и заканчивая повышением цены на авиабилеты.
Прогноз с использованием сглаживания позволяет наиболее выгодно
сбалансировать "наплыв" заявок со средним показателем количества заявок в
течение всего десятидневного периода.
Необходимо обратить внимание на то, что, отражая повышение в базовой
линии, произошедшее на восьмой день, значение прогноза на девятый день
также увеличивается (см. рис.19).
Чем меньше фактор затухания, тем точнее отражает прогноз последние данные наблюдений, а чем больше, – тем сильнее будет отставание прогноза от этих
данных. Хорошие результаты получаются тогда, когда последние результаты
наблюдений отражают произвольные (случайные) явления, которые долго не
изменяют общего уровня временного ряда.
Выбор константы сглаживания
Следует избегать использования параметра Фактор затухания, который меньше значения 0,7. Если создается впечатление, что при большем значении
константы сглаживания средство Экспоненциальное сглаживание действует
значительно лучше, то, вероятнее всего, это происходит благодаря высокому
уровню автокорреляции во временном ряду.
Автокорреляция является очень важным параметром процесса прогнозирования.
Он наблюдается в тех случаях, когда существует зависимость между данными
наблюдений, полученными в определенное время, и данными наблюдений, полученными на несколько временных периодов раньше. Например, если вы
объедините каждый результат наблюдения с результатом, непосредственно
предшествующим ему, то сможете вычислить корреляцию между этими двумя
наборами данных. Значение корреляции, которое, скажем, не меньше 0,5, означает высокий уровень автокорреляции во временном ряду.
Определение уровня качества
Как известно, один из путей увеличения дохода состоит в повышении
качества продукции. Если товары имеют одинаковые потребительские
характеристики, но один из них произведен известной фирмой, покупаемость
таких товаров будет выше, нежели товаров, изготовленных менее известными
компаниями. Само собой разумеется, что на продукцию высокого качества
поступает меньше жалоб потребителей, меньше заявок о бесплатном сервисном
обслуживании и гарантийном ремонте. При низком качестве продукции снижается
уровень доходности, и в результате – уменьшается прибыль.
Невозможно отрицать и тот факт, что уровень обслуживания покупателей
также оказывает значительное влияние на коэффициент прибыли. Если
сотрудники отдела обслуживания клиентов слишком много времени уделяют
одному покупателю, это означает, что другие клиенты на время забыты и, возможно, уже планируют покупку у другого продавца. Если счет-фактура
составлен небрежно или неправильно, это обычно приводит к задержке денежных
поступлений; если отдел сервисного обслуживания заказывает ненужные
запасные части, это неизменно станет причиной увеличения текущих издержек.
Кроме того, если качество закупаемого сырья слишком высоко, то и
себестоимость продукции, скорее всего, будет также слишком высока.
Этими процессами можно управлять с помощью Ехсеl. Единственное, что для
этого еще понадобится, – база данных.
Применение статистического метода управления
В основе СМУ (статистического метода управления – statistical process
control) положена идея, смысл которой заключается в том, что в течение
определенного периода времени можно выполнять наблюдения, снимать
показания и на основе полученных данных определять, не вышел ли данный
процесс из-под контроля. К таким наблюдениям относятся следующие
показатели.
. Количество бракованных единиц продукции, выявленных в течение всего производственного цикла.
Среднее количество брака в партии готовой продукции.
. Среднее количество запасных частей производимого изделия, которое должно соответствовать специфике и требованиям стандартов.
Среднее количество ошибок в счете-фактуре.
. Среднее время, в течение которого клиенты ожидают обслуживания.
Средняя пропускная способность компьютерной сети вашего предприятия.
Ключевые фразы: в течение определенного периода времени, средний, выход
из-под контроля. Фраза в течение определенного периода времени означает, что СМУ основан на повторяющемся процессе, в ходе которого показатели
фиксируются регулярно – еженедельно, ежедневно, почасово и т.д. Выбор
частоты процесса наблюдения зависит от того, насколько точно вы хотите им
управлять.
Если данный процесс статичен и очень важен для успешной деятельности
вашего предприятия, то вы, скорее всего, остановите свой выбор на почасовом фиксировании данных. Например, если компания производит керамическую
плитку, то цвет глазури при выходе продукции из печи для обжига является
очень важным параметром для клиентов.
Термин средний означает, что СМУ зачастую зависит от выборочного контроля нескольких единиц продукции в любой момент времени. Предположим, вы решили
проверить счета-фактуры, которые подготавливает отдел счетов дебиторов, на
наличие ошибок. Проверка каждого документа была бы длительным и
дорогостоящим мероприятием; но в то же время, проверяя, скажем, по одному
счетуфактуре в день, вы, скорее всего, не получите более или менее точного
результата.
В подобных случаях СМУ подразумевает произвольную контрольную проверку, а для оценки процесса за определенный период времени используется средний
показатель этой проверки. Можно, например, производить контрольную проверку пяти счетов-фактур в день и использовать для расчетов среднее количество
ошибок, выявленных в ходе этой проверки.
Можно также выполнять 100-процентную контрольную проверку. В этом случае
вам придется проверять каждый элемент процесса, например, осуществить
тестирование в производственном цикле каждой единицы продукции после
окончания сборки изделия.
Выход из-под контроля означает, что СМУ оперирует информацией не только о среднем уровне процесса, а также и о его способности изменяться.
Предположим, вы – начальник отдела обслуживания клиентов компании, предоставляющей финансовые услуги, и 20 сотрудников вашего отдела
занимаются приемом заказов клиентов по телефону. Вы организовываете
проверку продолжительности шестнадцати телефонных разговоров в день, в
результате которой узнаете, что средняя продолжительность разговора
составляет 2 мин 20 с.
Время (140 с), затрачиваемое на средний телефонный разговор, представляется вам вполне приемлемым показателем до тех пор, пока вы не
заметите, что 12 разговоров продолжаются меньше 20 минут, а оставшиеся
четыре из них – больше 6 мин каждый. Вероятно, вам захочется выяснить
причину такого расхождения продолжительности разговоров. (Не личные ли это
звонки? А может служащий заставляет ждать клиента, пока сам разыскивает
данные, которые должен иметь под рукой?) Заметьте, что о вышеупомянутом
расхождении в продолжительности разговоров вы не смогли бы узнать, если бы
получили только средний показатель этого значения.
Использование х- и s-диаграмм
Для того чтобы представить данные в наглядной форме, в статистическом
методе управления обычно используются диаграммы (рис.20,21).
Диаграммы статического процесса бывают двух видов: одни отображают
средние показатели процесса (х-диаграммы), а другие – стандартное
отклонение (s-диаграммы).
Стандартное отклонение (standart deviation) – это мера вариации отдельных показателей относительно среднего показателя. Стандартное отклонение аналогично понятию диапазона между максимальным и минимальным значениями, однако имеет более гибкие характеристики: диапазон указывает только разницу между максимальным и минимальным результатами наблюдений, а стандартное отклонение учитывает абсолютно все результаты наблюдений при определении изменчивости в группе показателей.
На горизонтальной оси обеих диаграмм откладывается период времени (час, день, неделя), в течение которого был проведен конкретный замер
результатов. На вертикальной оси хдиаграммы фиксируются средние значения
выборочных замеров в конкретный момент времени, а на вертикальной оси s-
диаграмм – показатели стандартного отклонения контрольного замера, произведенного в определенный момент времени. Эти диаграммы называются х- и
з-диаграммами потому, что в статистике х является символом среднего
значения, а s – символом стандартного отклонения.
На рис. 22,23 к показателям, приведенным на рис. 20,21, добавлены три
дополнительные характеристики.
На диаграммы, изображенные на рис.22,23, нанесены три линии, позволяющие
понять происходящий процесс. Эти горизонтальные линии называются верхним
контрольным пределом (ВКП), центральной линией (ЦЛ) и нижним контрольным
пределом (НКП). С помощью данных линий можно проследить следующие
зависимости.
Если слишком большое количество экспериментальных точек находятся выше
ВКП (либо ниже НКП), это означает, что с процессом происходит что--то
неладное.
Если ряд экспериментальных точек находится между ЦЛ и ВКП (либо ЦЛ и .
НКП), это также означает, что процесс требует вмешательства.
Если ряд экспериментальных точек имеет тенденцию повышения к ВКП, следует
сделать вывод, что протекание процесса затруднено.
Вы, конечно, понимаете, насколько полезной может оказаться эта
информация. Она указывает не только на вероятность выхода процесса из-под
контроля, но и на то, в какой именно момент это началось. С помощью
диаграмм можно определить причину возникшей проблемы: возможно, изменение
параметров процесса происходит всякий раз при изменении штата (например, при пересменке). Причиной также может служить переход на зимнее время (или
обратно), при котором служащие в течение нескольких дней привыкают к новому
режиму работы. Появление определенных проблем может быть связано с
понижением температуры окружающей среды, в результате чего отопительная
система вашего предприятия начинает работать интенсивнее, что приводит к
попаданию большего количества пыли на чувствительное производственное
оборудование.
Но если вам известно о существовании определенной проблемы, а также время ее возникновения, это может помочь выявить причину ее появления.
Параметр ЦЛ является двойным средним значением. В х-диаграммах каждая
точка представляет конкретный день, а среднее значение этой точки
определяется на основе всех данных наблюдений, зафиксированных в этот
день. Средние значения всех дней затем применяются для вычисления общего
среднего – это и есть ЦЛ х-диаграммы. ЦЛ для з-диаграмм строится таким же
образом, за исключением того, что вычисления начинаются со стандартного
отклонения на каждый день, а затем определяется среднее значение всех этих
показателей.
Зафиксировать отрицательные значения рассмотренных выше параметров при реальных наблюдениях невозможно, но в процессе вычислений с помощью СМУ могут появиться отрицательные значения НКП. В некоторых справочниках предлагается отрицательные НКП заменять нулевыми значениями. Чтобы было понятно, что ВКП и НКП равноудалены от ЦЛ, на диаграммах, приведенных в данной главе, допускается отрицательное значение НКП.
В результате использования метода стандартного отклонения было выявлено, что при отсутствии каких-либо нетипичных ситуаций в крупносерийном
производстве менее трех десятых одного процента средних дневных значений
измеряемых показателей (0,003) выше ВКП и ниже НКП.
Поэтому, если производственный процесс протекает в обычном режиме, вы
предполагаете, что только один результат наблюдений из 300 будет выходить
за контрольные пределы. Если же количество этих результатов больше, то
имеются все основания предположить, что нормальный ход процесса нарушен.
Как правило делают вывод, что данные наблюдений, выходящие за контрольные
пределы, являются неудовлетворительными, т.к. постоянство – наиболее
приемлемая характеристика процесса. Однако, в более широком плане такие
результаты свидетельствуют о нарушении хода процесса. Например, вы
обнаружили на диаграмме, что один результат наблюдений ниже нижнего
контрольного предела. Это значит, что степень изменчивости отдельных
данных наблюдений, произведенных в этот момент, очень низка. Плохо ли это?
На этот вопрос трудно ответить однозначно, так как многое зависит от
характера процесса. Эго может, например, означать, что произошли какие-то
изменения в методике фиксирования данных наблюдений. Это может также
означать, что все данные наблюдений были зафиксированы на одном
оборудовании (либо одним специалистом), в то время как другие выборки были
взяты из результатов наблюдений, произведенных с использованием других
компонентов процесса. Кроме того, это может быть один из 300 случаев, который случайно вышел за контрольные пределы.
Какой бы не была причина, на такие результаты наблюдений следует обратить особое внимание.
Пример.
Предположим, ваша компания производит гибкие диски, а вы занимаетесь
контролем емкости запоминающего устройства – дискет. Ежедневно производится
большое количество единиц продукции, и проверка всех дискет практически
невозможна. Поэтому вы решаете тестировать произвольную выборку (например, восемь дискет) из ежедневной партии изделий. Вы измеряете емкость дискет в
байтах и в результате десятидневных наблюдений получаете результаты, приведенные на рис.24,25.
На рис. 24,25 все выглядит прекрасно: все точки на обеих диаграммах
расположены между ВКП и НКП, нет серьезных отклонений от центральной линии, и, по всей вероятности, в полученных данных не просматривается никакой
опасной тенденции.
Теперь предположим, что диаграммы СМУ выглядят так, как показано на
рис.26,27.
Средний показатель емкости дискет, произведенных 26/10/94, находится ниже уровня НКП х-диаграммы (рис. 26,27), а стандартное отклонение для
показателя.емкости дискет на этот же момент на s-диаграмме – намного выше
ВКП. Эти две точки называются резко отклоняющимися значениями, поскольку
они лежат за пределами контрольных значений диаграмм.
Что же это означает для вас? Поскольку в точке 26/10/94 среднее значение
емкости дискет понизилось, логично будет предположить, что одна (или
несколько дискет) в этот момент имеет относительно небольшую емкость.
Показатель стандартного отклонения в тот же момент времени относительно
высокий, так как емкость по меньшей мере одной дискеты значительно
расходится с полученным показателем средней ежедневной емкости.
Причины таких значений могут заключаться в следующем.
. Обычный ход производственного процесса в точке 26/10/94 был нарушен.
. Средний результат наблюдений в точке 26/10/94 включал именно тот один из 300 показателей, который случайным образом мог сильно отличаться от общего среднего показателя процесса.
Эти выводы, сделанные на основе полученных результатов, приводят к такому решению – следует внимательно проверить производственные условия 26/10/94.
Данные наблюдений, которые использовались для создания диаграммы на рис.
26,27 приведены в табл. 1. Необходимо заметить, что четвертый результат в
строке 26/10/94 (выделенный полужирным шрифтом) намного меньше остальных
данных наблюдений, что привело к уменьшению среднего значения и к
увеличению стандартного отклонения в этот день.
Чтобы лучше разобраться в ходе производственного процесса, необходимо
рассматривать и х- и s-диаграммы (рис. 28,29).
В данном случае на х-диаграмме нет ничего необычного, однако стандартное
отклонение в точке 26/10/94 намного выше ВКП. Данные для рис.28,29
приведены в табл. 2.
Следует обратить внимание на то, что первый и шестой результаты измерений
в строке 26/10/94 (выделены полужирным шрифтом) соответственно намного
ниже и намного выше среднего значения. В среднем показателе этого дня два
результата измерений взаимоисключают друг друга, но при этом увеличивают
изменяемость. Изменяемость становится выше среднего значения, увеличивая
при этом и показатель стандартного отклонения в этот день. Именно это
является доказательством того, что ход производственного процесса был
нарушен, что в результате привело к снижению показателей емкости
запоминающего устройства дискет. Следовательно, необходимо внимательно
исследовать производственный процесс в этот день.
Даже если ни х-, ни s-диаграммы не содержат резко отклоняющихся значений, вы все же можете обнаружить тенденцию, указывающую, что следует провести
исследования процесса (рис.30,31).
В данном случае обратите внимание на то, что дневное среднее значение
емкости дискет постепенно снижается. Вполне возможно, что это происходит
вследствие ухудшения операционных параметров какого-либо прибора или
качества одного из сырьевых продуктов, задействованных в производстве.
Желательно использовать одинаковое количество наблюдений при выборочных проверках, поскольку контрольные пределы диаграмм СМУ весьма чувствительны и изменяются при изменении размеров выборки. При этом определить, находится ли процесс под контролем, достаточно трудно.
Составление р-диаграмм для дихотомий
Иногда необходимо произвести более общие измерения единицы продукции, нежели измерение емкости запоминающего устройства гибких дисков. Существует много характеристик, при наличии которых продукция будет считаться
некачественной. Например, в случае гибких дисков к ним относятся:
возникновение дефектных кластеров при форматировании дискет, "заедание"
защитной задвижки дискеты и др. Занимаясь контролем качества счетов-
фактур, составляемых отделом счетов дебиторов, вас не интересует, по какой
причине документ не может быть акцептован, вам лишь необходимо знать, что
он не акцептован. В подобных случаях измерения должны основываться на
принципе дихотомии, т.е. делении признаков на два класса, например
допустимый в сравнении с недопустимым. (Существуют и другие термины, применяемые для контроля качества: соответствующий требованиям в сравнении
с несоответствующим требованиям и бракованный в сравнении с небракованным.)
Диаграмма СМУ для такого типа анализа базируется на доле выборки, которая
несоответствует требованиям. Например, если вы обнаружили, что из 50 счетов-
фактур выборки 5 документов не соответствуют требованиям, то доля
несоответствия составит 0,1. Именно это значение отмечается на диаграмме.
Такие диаграммы аналогичны х-диаграммам и называются р-диаграммами (от
слова proportion– пропорция).
Когда измерения основаны на дихотомии, аналога s-диаграмм не существует, так как стандартное отклонение для дихотомии в полной мере представлено
самой долей выборки и определяется следующим образом: s = КОРЕНЬ(р*(1-р)), где р выражает долю, а корень – квадратный корень.
Например, при доле, равной 0,2, стандартное отклонение будет равно:
КОРЕНЬ(0,2*(1-0,2)) = КОРЕНЬ(0,2*0,8) = КОРЕНЬ(0,16) = 0,4
Зная долю, можно автоматически вычислить стандартное отклонение. В таком
случае составляются только р-диаграммы.
В диаграммах такого типа также имеются параметры ВКП, НКП и ЦЛ. В данном
случае ЦЛ – это общее среднее значение доли продукции, не соответствующей
требованиям процесса, подобно тому, как ЦЛ на х-диаграммах представляет
собой общее среднее процесса. Параметры ВКП и НКП основываются на общей
доле, не соответствующей требованиям к процессу: они представляют три
показателя стандартных отклонений над ЦЛ и под нею. Эти стандартные
отклонения вычисляются на основе доли, не соответствующей требованиям, предъявляемым к процессу, причем во внимание принимаются и размеры
выборки.
Например, если общая доля несоответствия составляет 0,2, а размер каждой
выборки – 50 единиц, то ВКП будет иметь следующее значение:
О,2 + 3* КОРЕНЬ((0,2*(1-0,2)/50)) = 0,37
а НКП составит:
0,2 - 3* КОРЕНЬ((0,2*(1-0,2/50)) = 0,03
Как для х-, так и для s-диаграмм необходимо по возможности сохранять
размеры каждой выборки постоянными для того, чтобы НКП и ВКП имели
постоянные значения для всех выборок. Если же этого добиться невозможно, то существуют специальные формулы, с помощью которых можно преобразовать
параметры ВКП и НКП в константы. Более подробную информацию о таких
преобразованиях можно найти в книгах по статистическим методам управления.
Определение размера выборки
Размер контрольной выборки для х-, s- и р-диаграмм играет важную роль как для точности среднего значения (или доли), так и для удаленности
контрольных пределов от центральной линии. С данной точки зрения, чем
больше размер выборки, тем точнее результаты.
Однако, справедливо также и то, что чем больше взятая для контроля выборка, тем выше стоимость проводимого контроля качества. Это имеет большое
значение при проведении разрушительного тестирования, в результате
которого проверенные единицы продукции становятся непригодными для
использования. Например, ваша фирма производит автомобили, и одной из
проверок качества является тестирование противоударных характеристик
передних бамперов. Понятно, что после такой проверки продать машину будет
довольно сложно.
Остановитесь на таком размере выборки, который не принесет большого
материального ущерба, и при этом будет достаточно велик для получения
наиболее точных результатов. Точной оценки вы достигнете в том случае, если в результате получите 50-процентную вероятность выхода процесса из-
под контроля.
50-процентная вероятность может показаться вам недостаточной, однако не
забывайте, что в вашем арсенале имеются различные возможности для выявления проблем. Например, вы контролируете процесс почасово. Если процесс выходит из-под контроля, например, в 10.15, то вы можете обнаружить это в 11.00,
12.00, 13.00 и т.д. При этом вероятность того, что проблема останется
незамеченной, например, в 14.00, составит: 0,5х0,5х0,5х0,5 = 0,0625.
Следовательно, в данном случае существует практически 94-процентная
вероятность того, что выход процесса из-под контроля будет обнаружен.
В приведенных выше примерах рассматривались выборки, включающие 8
контрольных замеров для s- и х-диаграмм и 50 – для р-диаграмм. В
совокупности со стандартным отклонением процесса эти размеры выборок
определяли значения параметров ВКП и НКП. Этот процесс можно рассматривать
в обратном порядке, т.е. начинать с определения ВКП и НКП, на основе чего
и получать значение необходимого вам размера выборки. Другими словами, вы
можете получить ответ на следующий вопрос: "Какая выборка необходима, чтобы параметр ВКП соответствовал определенным критериям?"
Предположим, что общая доля несоответствия для данного процесса
составляет 0,1, а доля несоответствия, равная 0,25, в данном случае
является неприемлемой. Допустим, вы хотите узнать об увеличении доли
несоответствия с 0,1 до 0,25 с 50процентной вероятностью. Если средний
показатель несоответствия по процессу увеличивается до 0,25, это может
означать, что одна половина выборки больше 0,25, а вторая – меньше.
(Предполагается, что брак распределяется симметрично относительно среднего
показателя. Это является обычным предположением в статистическом методе
управления.) В этом случае вы сможете обнаружить отклонения в среднем
значении доли несоответствия процесса с 50-процентной вероятностью, т.е.
50% результатов наблюдений будут превышать значение 0,25. Чтобы уравнять
долю несоответствия, которую вы хотите обнаружить, следует установить
значение параметра ВКП на уровне трех стандартных отклонений над ЦЛ.
Диапазон изменений доли несоответствия для обнаружения с заданной
вероятностью будет 0,25 – 0,1 = 0,15, на основе чего можно составить
следующее уравнение для определения размера выборки:
0,25 – 0,1 = 0,15 = 3* КОРЕНЬ((0,1*(1-0,1)/N))
где N – размер выборки. Преобразовав это уравнение, получаем.
N = (3/0,15)2*0,1*(1-0,1)
N = 36
В общем виде:
N=(s/d)2*р*(1-р)
где d – размер отклонения, который вы хотели бы обнаружить, р – доля несоответствия, а s– количество стандартных отклонений над и под ЦЛ для параметров НКП и ВКП. В нашем примере значения НКП и ВКП вычисляются на основе трех стандартных отклонений над и под ЦЛ, среднее значение доли несоответствия процесса равно 0,1, а вероятность обнаружения изменения отклонения с 0,1 до 0,25 – 50%. При этих условиях размер каждой контрольной выборки должен состоять из 36 результатов наблюдений, а формула в рабочем листе Ехсеl примет вид:
= (3/0,15)^2*0,1*0,9
Принимая значение показателя вероятности обнаружения доли несоответствия
50%, вы в значительной степени упрощаете уравнение, на основе которого вычисляется необходимый размер контрольной выборки. Если же вы захотите изменить процент вероятности (например, принять 80%), то вам необходимо определить (либо предположить) модель распределения брака, сделать ссылку на теоретическое распределение и дополнить уравнение условием, обеспечивающим увеличение вероятности обнаружения доли несоответствия на
30% (т.е. 80%-50%). За дополнительной информацией по этому вопросу обращайтесь к специальной литературе по статистическим методам анализа.
Проведение приемочного статистического контроля
Приемочный статистический контроль (acceptance sampling) обеспечивает
снижение стоимости закупаемых материалов. Он также позволяет снижать
издержки, которые вы несете при возврате покупателем приобретенного товара
вследствие брака.
Конечно, вам не хочется покупать материалы либо оборудование плохого
качества и предлагать клиентам бракованные товары. Однако, как покупатели, так и для продавцы крупных партий продукции обычно считают приемлемым
допущение определенной доли брака в партии товара.
Производство любого достаточно крупного количества товара (например, партии телевизоров) без учета определенного процента брака чрезвычайно
дорого. Чтобы выпускать продукцию без брака, производителю пришлось бы
обеспечить 100-процентное тестирование произведенной продукции, так как
при любом другом подходе существует риск выявления в партии хотя бы одной
бракованной единицы. Во-первых, подобное тестирование в крупносерийном
производстве не представляется возможным. Во-вторых, даже нулевой
результат тестирования не может гарантировать полного отсутствия брака, и, таким образом, производитель всегда будет нести невозвратимые издержки за
продукцию с браком.
Известно, что основная цель производства заключается в получении дохода.
Для покрытия издержек, понесенных для достижения полного отсутствия брака
в произведенной продукции, несомненно придется повысить отпускную цену. При
этом вы, как покупатель, можете решить закупать товары где-нибудь в другом
месте. Однако, если вы потребуете от нового продавца 100-процентной
гарантии качества товара, то ему для удовлетворения ваших требований опять-
таки придется поднять цены.
Если же вы, выступая в роли покупателя продукции, соглашаетесь на наличие небольшого процента брака в закупаемой вами партии, то вполне сможете
договориться с поставщиком о снижении цены.
Правило, выведенное Адамом Смитом, как раз и заключается в том, что
компромиссное решение достигается тогда, когда участники производственной
деятельности действуют в своих собственных интересах.
Теперь рассмотрим данную ситуацию с точки зрения производителя.
Предположим, что согласно контракту, заключенному вами (производителем) с
клиентом, вам позволяется производить товары с неким процентом брака. В
этом случае вы можете не тестировать партию целиком, а проводить лишь
выборочное тестирование. При этом вы вправе ожидать, что расходы, затрачиваемые вами на тестирование, значительно сократятся. Кроме того, если вы будете выпускать продукцию с процентом брака, согласно требованиям
клиента, то снизятся издержки, связанные с возвратом бракованного товара.
Это позволит вам постепенно снизить отпускную цену на продукцию, что, в
свою очередь, сохранит ваших клиентов и приведет к росту вашего дохода.
Однако, применяя методы статистического контроля, не забывайте, что в них присутствует элемент вероятности. Предположим, что в заключенном с
клиентом контракте оговаривается о поставке вами партии товаров, содержащей не более 1% брака. При тестировании двадцати единиц продукции
вы обнаруживаете всего один бракованный экземпляр. Насколько точно
полученный результат может гарантировать, что общий процент брака всей
партии товара составит не более 1%? Каковы должны быть размеры контрольной
выборки? В какой момент следует остановить тестирование элементов выборки, если бракованное изделие уже выявлено в данной выборке?
Составление графика кривой качества продукции
Ход кривой качества продукции демонстрирует, как на практике действует
договор, заключенный между покупателем и продавцом. В качестве примера
может служить кривая, изображенная на рис. 33.
С помощью этой кривой можно определить вероятность того, какая партия
товара может быть принята покупателем (вертикальная ось) при различных
процентах брака (горизонтальная ось). Обратите внимание на то, что чем
меньше показатель фактического брака, тем больше вероятность того, что
партия будет принята покупателем. Вид кривой качества продукции
определяется следующими параметрами.
Рекомендуем скачать другие рефераты по теме: отчет о прохождении практики, реферат формирование.
Предыдущая страница реферата | 1 2 3 4 5 6 7 | Следующая страница реферата