الانتقال من المتوسط - توقعات - اكسل

متحرك متوسط ​​التنبؤ التنبؤ. كما قد تخمن أننا نبحث في بعض من أكثر الأساليب بدائية للتنبؤ. ولكن نأمل أن تكون هذه مقدمة مفيدة على الأقل لبعض قضايا الحوسبة المتعلقة بتنفيذ التنبؤات في جداول البيانات. في هذا السياق سوف نستمر من خلال البدء في البداية والبدء في العمل مع توقعات المتوسط ​​المتحرك. نقل متوسط ​​التوقعات. الجميع على دراية بتحرك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم. جميع طلاب الجامعات القيام بها في كل وقت. فكر في درجاتك االختبارية في الدورة التي ستحصل فيها على أربعة اختبارات خالل الفصل الدراسي. لنفترض أنك حصلت على 85 في الاختبار الأول. ما الذي يمكن أن تتنبأ به لنتيجة الاختبار الثانية ما رأيك بأن معلمك سوف يتنبأ بنتيجة الاختبار التالية ما رأيك في أن أصدقائك قد يتنبأون بنتيجة الاختبار التالية ما رأيك في توقع والديك لنتيجة الاختبار التالية بغض النظر عن كل بلابينغ كنت قد تفعل لأصدقائك وأولياء الأمور، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت للتو. حسنا، الآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73. الآن ما هي جميع المعنيين وغير مدرك الذهاب إلى توقع أن تحصل على الاختبار الثالث هناك اثنين من المرجح جدا النهج بالنسبة لهم لوضع تقدير بغض النظر عما إذا كانوا سوف تقاسمها معك. قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه. هيس الذهاب للحصول على آخر 73 إذا هيس محظوظا. ربما كان الوالدان يحاولان أن يكونا أكثر داعما ويقولان: كوتيل، حتى الآن حصلت على 85 و 73، لذلك ربما يجب أن تحصل على حوالي (85 73) 2 79. أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرنت يهتز في كل مكان في العالم، وإذا كنت بدأت تفعل الكثير من الدراسة يمكن أن تحصل على أعلى score. quot كل من هذه التقديرات تتحرك في الواقع متوسط ​​التوقعات. الأول يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي. وهذا ما يطلق عليه توقعات المتوسط ​​المتحرك باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. دعونا نفترض أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل بشكل جيد على الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام كوتاليسكوت الخاص بك. كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. حتى الآن لديك الاختبار النهائي للفصل الدراسي القادمة وكالمعتاد كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف ستفعل على الاختبار الأخير. حسنا، نأمل أن ترى هذا النمط. الآن، ونأمل أن تتمكن من رؤية هذا النمط. ما الذي تعتقده هو صافرة الأكثر دقة بينما نعمل. الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نعمل. لديك بعض بيانات المبيعات السابقة التي يمثلها القسم التالي من جدول بيانات. نعرض البيانات لأول مرة لتوقعات المتوسط ​​المتحرك لمدة ثلاث سنوات. يجب أن يكون إدخال الخلية C6 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C7 إلى C11. لاحظ كيف يتحرك المتوسط ​​على أحدث البيانات التاريخية ولكنه يستخدم بالضبط ثلاث فترات أحدث متاحة لكل تنبؤ. يجب أن تلاحظ أيضا أننا لسنا بحاجة حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا. وهذا يختلف بالتأكيد عن نموذج التجانس الأسي. وشملت إيف التنبؤات كوتاباستكوت لأننا سوف استخدامها في صفحة الويب التالية لقياس صحة التنبؤ. الآن أريد أن أعرض النتائج المماثلة لمتوسطين توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C5 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C6 إلى C11. لاحظ كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ. مرة أخرى لقد قمت بتضمين التنبؤات اقتباسا لأغراض التوضيح واستخدامها لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. وبالنسبة للمتوسط ​​المتحرك للمتوسط ​​m، لا يتوقع إلا أن تستخدم معظم قيم البيانات الأخيرة في التنبؤ. لا شيء آخر ضروري. وبالنسبة للتنبؤ المتوسط ​​المتحرك للمتوسط ​​m، عند التنبؤ بالتنبؤات، لاحظ أن التنبؤ الأول يحدث في الفترة m 1. وستكون هاتان المسألتان مهمتين جدا عند تطوير الشفرة. تطوير المتوسط ​​المتحرك المتحرك. الآن نحن بحاجة إلى تطوير رمز لتوقعات المتوسط ​​المتحرك التي يمكن استخدامها أكثر مرونة. تتبع التعليمات البرمجية. لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية. يمكنك تخزينه في أي المصنف الذي تريده. وظيفة موفينغافيراج (تاريخي، نومبروفريودس) كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادي ديم تاريخي الحجم كما عدد صحيح تهيئة المتغيرات عداد 1 تراكم 0 تحديد حجم الصفيف التاريخي تاريخ سيز التاريخية. الكونت كونتر 1 إلى نومبروفريودس تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا تراكم تراكم تاريخي (تاريخي - عدد نومبريوفريودس عداد) موفينغافيراج تراكوم نومبروفريودس سيتم شرح التعليمات البرمجية في الصف. كنت ترغب في وضع وظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث تريد مثل. فوركاستينغ عامل الموسمية - النسبة المئوية من متوسط ​​الطلب ربع السنوي الذي يحدث في كل ربع سنة. ومن المتوقع أن تبلغ التوقعات السنوية للسنة الرابعة 400 وحدة. متوسط ​​التوقعات لكل ربع سنة هو 4004 100 وحدة. توقعات ربع سنوية أفغ. توقع عامل موسمي. طرق التنبؤ المسببة تعتمد طرق التنبؤ السببية على علاقة معروفة أو متصورة بين العامل المطلوب التنبؤ به والعوامل الخارجية أو الداخلية الأخرى 1. الانحدار: ترتبط المعادلة الرياضية لمتغير تابع لمتغير مستقل واحد أو أكثر يعتقد أنه يؤثر على المتغير التابع 2 - نماذج الاقتصاد القياسي: نظام معادلات الانحدار المترابطة التي تصف بعض قطاعات النشاط الاقتصادي 3 - نماذج المدخلات والمخرجات: تصف التدفقات من قطاع من قطاعات الاقتصاد إلى أخرى، وتتوقع بالتالي المدخلات اللازمة لإنتاج مخرجات في قطاع آخر 4. نمذجة المحاكاة قياس أخطاء الخطأ هناك نوعان من جوانب أخطاء التنبؤ التي يجب أن تكون قلقة بشأن التحيز والتحيز الدقة - إن التوقعات متحيزة إذا كانت أكثر في اتجاه واحد أكثر من غيرها - الطريقة تميل إلى تنبؤات أقل أو توقعات مفرطة. الدقة - تشير دقة التنبؤ إلى مسافة التنبؤات من الطلب الفعلي تتجاهل اتجاه ذلك الخطأ. على سبيل المثال: بالنسبة لتوقعات الفترات الست والطلب الفعلي تم تعقب الجدول التالي يعطي الطلب الفعلي D t والطلب المتوقع F t لمدة ست فترات: المجموع التراكمي لأخطاء التنبؤ (كف) -20 الانحراف المطلق المتوسط ​​170 6 28.33 متوسط ​​التربيع (مس) 5150 6 858.33 الانحراف المعياري لأخطاء التنبؤ 5150 6 29.30 متوسط ​​الخطأ المطلق في النسبة المئوية (ماب) 83.4 6 13.9 ما هي المعلومات التي يعطيها كل من التنبؤات ميلا إلى الإفراط في تقدير متوسط ​​الخطأ في الطلب لكل توقع 28.33 وحدة أو 13.9 والتوزيع الفعلي أخذ العينات الطلب من أخطاء التنبؤ لديه الانحراف المعياري من 29.3 وحدة. معايير اختيار طريقة التنبؤ الأهداف: 1. تعظيم الدقة و 2. تقليل القواعد المحتملة التحيز لاختيار طريقة التنبؤ السلاسل الزمنية. حدد الطريقة التي تعطي أصغر تحيز، مقاسة بخطأ التنبؤ التراكمي (كف) أو تعطي أصغر متوسط ​​انحراف مطلق (ماد) أو تعطي أصغر إشارة تتبع أو تدعم معتقدات الإدارة حول النمط الأساسي للطلب أو غيرها. ويبدو واضحا أنه ينبغي استخدام قدر من الدقة والتحيز معا. كيف ماذا عن عدد الفترات التي يجب أخذ عينات منها إذا كان الطلب مستقر بطبيعته وقيم منخفضة وقيم أعلى من N مقترحة إذا كان الطلب غير مستقر بطبيعته وقيم عالية وقيم أقل من N واقترح التركيز فوكوس التنبؤ كوتفوكوس يشير إلى وهو نهج للتنبؤ بتطوير التنبؤات من تقنيات مختلفة، ثم يختار التوقعات التي تم إنتاجها من قبل كوبيستكوت من هذه التقنيات، حيث يتم تحديد كوبيستكوت من قبل بعض قياس الخطأ التنبؤ. التركيز على التوقعات: مثال بالنسبة للأشهر الستة الأولى من العام، كان الطلب على بند التجزئة 15 و 14 و 15 و 17 و 19 و 18 وحدة. ويستخدم بائع التجزئة نظاما للتنبؤ بالتركيز يستند إلى أسلوبين للتنبؤ هما: المتوسط ​​المتحرك لفترة زمنية واحدة، ونموذج تمهيد أسي معدل بقياس 0.1 و 0.1. مع النموذج الأسي، كانت التوقعات لشهر يناير 15 وكان متوسط ​​الاتجاه في نهاية ديسمبر 1. يستخدم بائع التجزئة المتوسط ​​الانحراف المطلق (ماد) خلال الأشهر الثلاثة الماضية كمعيار لاختيار النموذج الذي سيتم استخدامه للتنبؤ للشهر المقبل. ا. ما هي التوقعات لشهر يوليو والذي سيتم استخدام النموذج ب. هل ستجيب على الجزء أ. تكون مختلفة إذا كان الطلب على مايو كان 14 بدلا من 19 باستخدام وظيفة فوريكاست في إكسيل (و فتح مكتب احسب) نسخة حقوق الطبع والنشر. المحتوى على إنفنتوريوبس محمي بموجب حقوق الطبع والنشر وغير متاح لإعادة النشر. اسمحوا لي أن أبدأ بالقول أن إكسيلز توقعات وظيفة ليست نظام التنبؤ المخزون الكامل. ينطوي التنبؤ في إدارة المخزون عموما على إزالة الضوضاء من الطلب، ثم حساب ودمج الاتجاهات والموسمية والأحداث. وظيفة التنبؤ لن تفعل كل هذه الأشياء بالنسبة لك (من الناحية الفنية يمكن، ولكن هناك طرق أفضل لإنجاز بعض هذه). ولكن هو وظيفة صغيرة أنيق أن سهلة الاستخدام، ويمكن أن يكون بالتأكيد جزءا من نظام التنبؤ الخاص بك. وفقا لمايكروسوفت مساعدة على وظيفة التنبؤ. ترجع الدالة فوريكاست (x، نونديس، نيمكس) القيمة المتوقعة للمتغير التابع (ممثلة في البيانات بواسطة نيميس) للقيمة المحددة، x للمتغير المستقل (ممثلة في البيانات بواسطة نيمكس) باستخدام أفضل ملاءمة (المربعات الصغرى) الانحدار الخطي للتنبؤ قيم y من قيم x. لذلك ما يعني بالضبط أن هذا الانحدار الخطي هو شكل من أشكال تحليل الانحدار ويمكن استخدامه لحساب العلاقة الرياضية بين مجموعتين (أو أكثر) من البيانات. في التنبؤ، يمكنك استخدام هذا إذا كنت تعتقد مجموعة واحدة من البيانات يمكن استخدامها للتنبؤ مجموعة أخرى من البيانات. على سبيل المثال، إذا كنت قد بيعت لوازم البناء، فقد تجد أن التغييرات في أسعار الفائدة يمكن استخدامها للتنبؤ بمبيعات منتجاتك. هذا مثال تقليدي على استخدام الانحدار لحساب العلاقة بين متغير خارجي (معدلات الفائدة) ومتغير داخلي (المبيعات الخاص بك). ومع ذلك، كما سنرى لاحقا، يمكنك أيضا استخدام الانحدار لحساب علاقة ضمن نفس مجموعة البيانات. نهج نموذجي نحو تحليل الانحدار ينطوي على استخدام الانحدار لتحديد العلاقة الرياضية، ولكن أيضا للمساعدة في إعطائك فكرة عن مدى صحة هذه العلاقة (وهذا جزء التحليل). وظيفة التنبؤ يتخطى التحليل، وتحسب فقط علاقة وتطبق تلقائيا على الإخراج الخاص بك. وهذا يجعل الأمور أسهل بالنسبة للمستخدم، لكنه يفترض أن علاقتك صالحة. لذلك، فإن وظيفة التنبؤ تستخدم الانحدار الخطي للتنبؤ بقيمة تستند إلى علاقة بين مجموعتين من البيانات. دعونا نرى بعض الأمثلة. في الشكل 1A، لدينا جدول بيانات يتضمن متوسط ​​سعر الفائدة على مدى السنوات الأربع السابقة ووحدة المبيعات خلال نفس فترة 4 سنوات. كما نعرض معدل فائدة متوقع للسنة الخامسة. يمكننا أن نرى في المثال أن مبيعات وحدة لدينا ترتفع كما تنخفض أسعار الفائدة، وتنخفض مع ارتفاع أسعار الفائدة. فقط بالنظر إلى المثال، يمكننا أن نخمن على الأرجح بأن مبيعاتنا للعام 5 ستكون ما بين 5000 و 6000 على أساس العلاقة الملحوظة بين أسعار الفائدة والمبيعات خلال الفترات السابقة. يمكننا استخدام وظيفة التنبؤ لتحديد أكثر دقة هذه العلاقة وتطبيقه على السنة 5TH. في الشكل 1B، يمكنك ان ترى وظيفة التنبؤ التي يجري تطبيقها. في هذه الحالة، الصيغة في الخلية F4 هي فوريكاست (F2، B3: E3، B2: E2). ما لدينا داخل قوس يعرف باسم حجة. والحجة هي في الحقيقة وسيلة لتمرير المعلمات إلى الوظيفة المستخدمة (في هذه الحالة، وظيفة التنبؤ). يتم فصل كل معلمة بواسطة فاصلة. من أجل وظيفة التنبؤ للعمل، فإنه يحتاج إلى معرفة القيمة التي نستخدمها للتنبؤ لدينا الانتاج (عامنا 5 المبيعات). في حالتنا، المعلمة (لدينا السنة 5 معدل الفائدة) في الخلية F2، وبالتالي فإن العنصر الأول من حجتنا هي F2. بعد ذلك، فإنه يحتاج إلى معرفة أين يمكن العثور على القيم الموجودة سوف تستخدم لتحديد العلاقة لتطبيق F2. أولا نحن بحاجة إلى إدخال الخلايا التي تمثل قيم المتغير التابع لدينا. في حالتنا، هذا سيكون وحداتنا المباعة خلال السنوات ال 4 السابقة، لذلك ندخل B3: E3. ثم نحن بحاجة إلى إدخال الخلايا التي تمثل قيم متغير التنبؤ لدينا. في حالتنا، سيكون هذا هو أسعار الفائدة خلال السنوات الأربع السابقة، وبالتالي ندخل B2: E2). وظيفة التنبؤ يمكن الآن مقارنة الوحدات التي تباع خلال السنوات من 1 إلى 4 إلى أسعار الفائدة في تلك السنوات نفسها، ومن ثم تطبيق هذه العلاقة لدينا توقعات السنة 5 سعر الفائدة للحصول على مبيعاتنا المتوقعة للسنة 5 من 5،654 وحدة. في المثال السابق، يمكننا أن ننظر إلى الرسوم البيانية للمساعدة في محاولة تصور العلاقة. للوهلة الأولى، قد لا تبدو واضحة جدا لأن لدينا علاقة عكسية (المبيعات تذهب أوب كما أسعار الفائدة تذهب لأسفل)، ولكن إذا كنت انقلبت عقليا واحدة من الرسوم البيانية، سترى علاقة واضحة جدا. ثاتس واحدة من الأشياء باردة حول وظيفة التنبؤ (وتحليل الانحدار). فإنه يمكن التعامل بسهولة مع علاقة عكسية. نسخ حقوق الطبع والنشر. المحتوى على إنفنتوريوبس محمي بموجب حقوق الطبع والنشر وغير متاح لإعادة النشر. الآن دعونا ننظر إلى مثال آخر. في الشكل 2A، ونحن نرى مجموعة جديدة من البيانات. في هذا المثال، ارتفعت أسعار الفائدة لدينا إلى أعلى وأسفل على مدى السنوات الأربع الماضية، ومع ذلك أظهرت مبيعات وحداتنا اتجاها تصاعديا ثابتا. في حين أنه من الممكن أن أسعار الفائدة كان لها بعض التأثير على مبيعاتنا في هذا المثال، فمن الواضح أن هناك عوامل أكثر أهمية بكثير في اللعب هنا. باستخدام وظيفة توقعاتنا مع هذه البيانات، نعود توقعات من 7،118 وحدة للسنة 5. أعتقد أن معظمنا سوف ننظر في اتجاه المبيعات لدينا، ونتفق أكثر احتمالا بكثير مبيعاتنا للسنة 5 سيكون 9،000 وحدة. وكما ذكرت سابقا، فإن وظيفة التنبؤ تفترض أن العلاقة صالحة، وبالتالي فإنها تنتج مخرجات تستند إلى أفضل ملاءمة يمكن أن تجعل من البيانات المعطاة لها. وبعبارة أخرى، إذا قلنا أن هناك علاقة، فإنه يعتقد لنا وتنتج الإخراج وفقا لذلك دون إعطائنا رسالة خطأ أو أي إشارة من شأنها أن تعني العلاقة سيئة للغاية. لذلك، كن حذرا ما تسأل عنه. وتغطي الأمثلة السابقة التطبيق الكلاسيكي للانحدار للتنبؤ. في حين أن كل هذا يبدو بقعة جميلة، وهذا التطبيق الكلاسيكي الانحدار ليست مفيدة كما قد تعتقد (يمكنك التحقق من كتابي لمزيد من المعلومات حول الانحدار ولماذا قد لا يكون خيارا جيدا لاحتياجات التنبؤ الخاص بك). ولكن الآن يتيح استخدام وظيفة التنبؤ ببساطة لتحديد الاتجاه ضمن مجموعة معينة من البيانات. يتيح البدء من خلال النظر في الشكل 3A. هنا لدينا الطلب مع اتجاه واضح جدا. معظمنا يجب أن يكون قادرا على النظر في هذه البيانات ويشعر بالراحة التنبؤ بأن الطلب في الفترة 7 من المرجح أن يكون 60 وحدة. ومع ذلك، إذا قمت بتشغيل هذه البيانات من خلال حسابات التنبؤ نموذجية المستخدمة في إدارة المخزون، قد يفاجأ فقط كيف الفقراء العديد من هذه الحسابات هي في حساب الاتجاه. بما أن وظيفة التنبؤ تتطلب منا إدخال متغير تابع ومتغير متنبأ، كيف نذهب باستخدام وظيفة التنبؤ إذا كان لدينا مجموعة واحدة فقط من البيانات حسنا، في حين أنه من الناحية الفنية صحيح أن لدينا مجموعة واحدة من البيانات (لدينا وتاريخ الطلب)، ونحن في الواقع لدينا علاقة مستمرة ضمن هذه المجموعة من البيانات. في هذه الحالة، علاقتنا تقوم على الوقت. لذلك، يمكننا استخدام كل فترات الطلب كمتغير متنبأ لالفترات التالية الطلب. لذلك نحن فقط بحاجة إلى معرفة وظيفة التنبؤ لاستخدام الطلب في الفترات من 1 إلى 5 باعتبارها البيانات الحالية لمتغير التنبؤ، واستخدام الطلب في الفترات من 2 إلى 6 باعتبارها البيانات الحالية للمتغير التابع. ثم أقول ذلك لتطبيق هذه العلاقة إلى الطلب في الفترة 6 لحساب توقعاتنا لفترة 7. يمكنك أن ترى في الشكل 3B، صيغة لدينا في الخلية I3 هو فوريكاست (H2، C2: H2، B2: G2). وأنه لا يعود توقعات من 60 وحدة. ومن الواضح أن هذا المثال غير واقعي لأن الطلب هو وسيلة أنيق جدا (لا ضوضاء). لذلك دعونا ننظر في الشكل 3C حيث نطبق هذا الحساب نفسه لبعض البيانات أكثر واقعية. أريد فقط أن أكرر، أنه في حين أن وظيفة التنبؤ هو مفيد، فإنه ليس نظام التنبؤ. أنا عادة أفضل أن يكون أكثر قليلا من السيطرة على بالضبط كيف يمكنني تطبيق وتوسيع الاتجاهات إلى توقعاتي. وبالإضافة إلى ذلك، كنت ترغب في إزالة أولا أي عناصر أخرى من الطلب الخاص بك التي لا تتعلق الطلب الأساسي الخاص بك والاتجاه. على سبيل المثال، يمكنك إزالة أي تأثيرات للموسمية أو الأحداث (مثل العروض الترويجية) من الطلب قبل تطبيق وظيفة التنبؤ. ثم قم بتطبيق مؤشر الموسمية الخاص بك وأي فهارس حدث إلى إخراج وظيفة التنبؤ. يمكنك أيضا أن تلعب حولها مع المدخلات الخاصة بك للحصول على نتيجة المرجوة محددة. على سبيل المثال، قد ترغب في محاولة أولا تمهيد تاريخ الطلب الخاص بك (من خلال المتوسط ​​المتحرك، المتوسط ​​المتحرك المرجح، أو التجانس الأسي)، واستخدام هذا هو متغير التنبؤ بدلا من الطلب الخام. لمزيد من المعلومات من التنبؤ، تحقق من كتابي شرح إدارة المخزون. استخدام وظيفة التنبؤ في فتح مكتب احسب. لمستخدمي Openoffice. org احسب. تعمل وظيفة التنبؤ إلى حد كبير كما هو الحال في إكسيل. ومع ذلك، هناك اختلاف طفيف في بناء الجملة المستخدمة في احسب. أينما كنت تستخدم فاصلة في وسيطة في وظيفة إكسيل، بدلا من ذلك استخدام فاصلة منقوطة في كالك. لذلك، بدلا من صيغة إكسيل سوف تدخل الذهاب إلى صفحة المقالات لمزيد من المقالات من قبل ديف بياسيكي. نسخ حقوق الطبع والنشر. المحتوى على إنفنتوريوبس محمي بموجب حقوق الطبع والنشر وغير متاح لإعادة النشر. ديف بياسيكي. هو أونيروبيراتور من جرد العمليات استشارات ليك. وهي شركة استشارية تقدم الخدمات المتعلقة بإدارة المخزون، ومناولة المواد، وعمليات المستودعات. لديه أكثر من 25 عاما من الخبرة في إدارة العمليات ويمكن الوصول إليه من خلال موقعه على الانترنت (إنفنتوريوبس)، حيث يحافظ على معلومات إضافية ذات صلة. بلدي الأعمال جرد العمليات استشارات ليك يوفر سريعة، وبأسعار معقولة، مساعدة الخبراء مع إدارة المخزون وعمليات المستودع. كتبي