Sales and Operations Planning - Identifying and creating product families
Bibliographic record
Abstract
Bakgrund: Sälj och verksamhetsplanering (SVP) är ett ramverk för att balansera utbud och efterfrågan. Processens huvudsakliga syfte är att adressera komplexitet vid planering genom tvärfunktionellt samarbete, vilket involverar nyckelpersoner från relevanta avdelningar. För att effektivt bedriva SVP måste planeringen ske på rätt nivå. Om den görs på en för detaljerad nivå blir den översiktliga bilden för komplicerad och tidskrävande. Om den istället görs på en för aggregerad nivå kommer processen sakna den nödvändiga data som krävs för att fatta beslut. Inget av dessa alternativ är önskvärda eftersom ett viktigt syfte med SVP är att göra välinformerade och effektiva beslut. Den lämpliga analysnivån görs på produktfamiljer, vilket är gruppering av produkter baserat på deras specifika egenskaper. Alfa Laval har nyligen börjat implementera SVP och undersöker nu aggregeringsnivå samt lämpliga produktfamiljer för deras SVP process. Syfte: Syftet med examensarbetet är att utveckla en allmän process med riktlinjer för att identifiera och utveckla produktfamiljer. Forskningsfråga: Hur bör en generell process för att identifiera och skapa produkterfamiljer se ut? Metod: Teoretiska studier kombinerades med empirisk undersökning av tillämpningen av SVP hos sex företag. Undersökningen bestod primärt av intervjuer med nyckelpersoner från organisationerna. En djupare undersökning av Alfa Laval utfördes, vilket innefattade ett förslag på de produktfamiljer som företaget borde använda sig av. Baserat på studierna och forskningen samt erfarenheten från att skapandet av produktfamiljer utvecklades en produktfamiljsprocess. Slutsatser: Produktfamiljsprocessen består av följande sex steg; Insamling av data, Produktionsflödesanalys, Kartläggning, Modifiering, Workshop och Slutgiltig revidering & Beslut.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.053 | 0.021 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".