Poikkeamien havaitseminen tilausdatassa

Abstract

Poikkeamien havaitseminen tilausdatassa on tärkeä osa yrityksen toiminnanohjausta, koska poikkeamat vaikuttavat yrityksen kysynnän hallintaan, kapasiteetin ja tuotannon suunnitteluun sekä varastonohjaukseen. Poikkeamien tunnistaminen auttaa erottamaan tavanomaisen vaihtelun sellaisista havainnoista, jotka voivat vääristää kysynnän arviointia tai johtaa virheellisiin toiminnanohjauksen johtopäätöksiin. Tämän kandidaatintyön tavoitteena oli tarkastella, miten liukuva standardipistemäärä sekä lineaarinen regressio soveltuvat poikkeamien havaitsemiseen tilausdataa vastaavasta aikasarjasta. Lisäksi työssä tarkasteltiin, millaisia vaikutuksia poikkeamilla voi olla yrityksen toiminnanohjaukseen. Työn teoriaosuudessa käsiteltiin toiminnanohjausta, kysynnän hallintaa, varastonohjausta sekä poikkeamien havaitsemiseen liittyviä menetelmiä. Empiirisessä osuudessa liukuvaa standardipistemäärää sekä lineaarista regressiomallia sovellettiin Iowan osavaltion virallisilta verkkosivuilta kerättyihin myyntitapahtuma-aineistoihin, joita käsiteltiin tässä työssä tilausdataa vastaavana aikasarjana. Tulosten perusteella molemmat tarkasteltavat menetelmät tunnistivat valittujen raja-arvojen mukaisia poikkeavia havaintoja, mutta niiden vahvuudet erosivat toisistaan. Liukuva standardipistemäärä oli yksinkertainen, helposti tulkittava ja herkkä paikallisten poikkeamien tunnistamiseen. Menetelmän tuloksiin vaikuttivat erityisesti valittu aikaikkuna ja poikkeamaraja. Lineaarinen regressiomalli puolestaan huomioi ajallisia vaihtelutekijöitä, kuten viikonpäiviin ja kuukausiin liittyvää vaihtelua, mutta se edellytti suuremman määrän havaintopisteitä ja sopivia selittäviä muuttujia toimiakseen vakaasti. Pienemmässä aineistossa liukuva standardipistemäärä oli helpommin hallittava, kun taas suuremmassa aineistossa regressiomallin tulokset olivat vakaampia. Mallien vertailu osoitti, ettei kumpikaan malli ollut yksiselitteisesti toista parempi, vaan ne täydensivät toisiaan poikkeamien tunnistamisessa. Tulokset viittaavat siihen, että poikkeavien havaintojen tunnistaminen tukee toiminnanohjausta parantamalla kysynnän vaihtelun tulkintaa ja vähentämällä yksittäisiin poikkeaviin havaintoihin perustuvien päätösten riskiä.