Configuration and evaluation of an integrated demand management process using a space-filling design and Kriging metamodeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective\nThis research aims to develop a basic understanding of a demand management process integrating sales and operations planning (S&OP) and order promising in a Make-To-Stock environment and to compare different demand management policies with limited capacity.\n\nContribution\nTypical researches about demand management processes analyze few system specifications or vary few potential factors one at a time. Yet, additional insights can be obtained by employing a space-filling design and Kriging metamodeling for analysis.\n\nMethodology\nWe compare two configurations of the integrated demand management process. While the First-Come First-Served concept is used at the order promising level for the first configuration, the second configuration uses nested booking limits and gives advantage to profitable customers and attractive periods. Considering various order arrival sequences, we generate Kriging metamodels that best describe the nonlinear relationships between four environmental factors (demand intensity, demand forecast error, customer heterogeneity and coefficient of variation) and three performance measures (yearly profit margin, yearly sales and high-priority fill rate) for Canadian softwood lumber firms. Since our simulation experiments are time-consuming, we employ a Latin hypercube design to efficiently take into account different market situations.\n\nResults\nOur analysis reveals the potential to improve the performance of the demand management process if we know high-priority customers needs before fulfilling low-priority orders and if we use nested booking limits concept.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle