warehouse i. The resulting syntheti

warehouse i. The resulting synthetic warehouse has the following properties.
• It produces at least as much of the output as warehouse A (constraint 15.2).
• It consumes no more than fraction θ of the labor (constraint 15.4) and
capital (constraint 15.3) used by warehouse A, with θ as small as possible
(objective 15.1).
The standard methods of linear programming will construct a basic feasible
solution to problem 15.1 and so the number of λi > 0 in the optimal solution
will not exceed the number of inputs plus the number of outputs. Typically this
will be many fewer than the total number of warehouses in the benchmarking
community and so the set of warehouses i represented in the basic feasible
solution form a small subset of peers to which the target is compared.
Finally, to evaluate each of a community of warehouses, such a linear pro
gram would have to be solved for each target warehouse.
Use
This technique is called data envelopement analysis(DEA) and has been used
to study the efficiency of many complex economic systems [8, 12].
In a richer DEA model than we have presented, there would be tens of inputs
and tens of outputs, as in the model of Hackman et al. [16], and it would be
impossible to analyze the community of warehouses by plotting points.
DEA has some important advantages over simple ratio-based benchmarking.
First, it assigns a single number as a score for efficiency, and most people find
this easier to comprehend than a vector of KPI’s. The score is not a simple
vote by KPI’s or anything like that, but rather arises organically from multi
dimensional comparison with a community of other warehouses. In practice,
such benchmarking can be done by a neutral third-party, who holds the data,
while users can remain anonymous if they so choose.
To work best, such benchmarking requires a large data set, preferably with
hundreds of warehouses. It also requires that participants enter accurate data,
especially because assigned scores tend to be determined by the best warehouses,
and so outliers can skew the results.

Kết quả (Việt) 1:

kho tôi. Kho hàng tổng hợp kết quả có các thuộc tính sau.• Sản xuất ít nhất là hầu hết các đầu ra như kho chứa một (hạn chế 15.2).• Nó chiếm không nhiều hơn phần θ lao động (hạn chế 15.4) vàthủ đô (hạn chế 15.3) được sử dụng bởi kho A, với θ càng nhỏ càng tốt(mục tiêu 15.1).Các phương pháp tiêu chuẩn của lập trình tuyến tính sẽ xây dựng một cơ bản khả thigiải pháp cho vấn đề 15,1 và như vậy số lượng λi > 0 trong các giải pháp tối ưusẽ không vượt quá số lượng đầu vào cộng với số lượng các kết quả đầu ra. Thông thường điều nàysẽ được nhiều ít hơn tổng số các kho hàng tại các điểm chuẩncộng đồng và vì vậy các thiết lập của kho tôi đại diện cho cơ bản khả thigiải pháp tạo thành một tập hợp con nhỏ của đồng nghiệp mà mục tiêu so sánh.Cuối cùng, để đánh giá mỗi một cộng đồng kho, một chuyên tuyến tínhgram có thể được giải quyết cho từng kho tiêu.Sử dụngKỹ thuật này được gọi là dữ liệu envelopement analysis(DEA) và đã được sử dụngnghiên cứu hiệu quả của nhiều hệ thống kinh tế phức tạp [8, 12].Trong một mô hình DEA giàu hơn chúng tôi đã trình bày, có hàng chục đầu vàovà hàng chục của kết quả đầu ra, như trong mô hình công Hackman et al. [16], nó sẽ làkhông thể để phân tích các cộng đồng nhà kho do âm mưu điểm.DEA có một số lợi thế quan trọng trên đơn giản dựa trên tỉ lệ điểm chuẩn.Đầu tiên, nó sẽ gán một số duy nhất là một số điểm cho hiệu quả, và hầu hết mọi người tìm thấynày dễ dàng hơn để hiểu hơn một vector của KPI. Điểm không phải là một đơn giảnbỏ phiếu của KPI hoặc bất cứ điều gì như thế, nhưng thay vì phát sinh hữu cơ từ multichiều so sánh với một cộng đồng các kho lưu trữ khác. Trong thực tế,như vậy điểm chuẩn có thể được thực hiện bởi một trung tính bên thứ ba, người nắm giữ các dữ liệu,trong khi người dùng có thể vẫn còn vô danh nếu họ lựa chọn.Để làm việc tốt nhất, như vậy điểm chuẩn đòi hỏi một tập dữ liệu lớn, tốt nhất là vớihàng trăm nhà kho. Nó cũng đòi hỏi những người tham gia nhập dữ liệu chính xác,đặc biệt là bởi vì điểm số được chỉ định có xu hướng được xác định bởi các kho lưu trữ tốt nhất,và vì vậy outliers có thể nghiêng kết quả.

Kết quả (Việt) 2:

kho i. Kho tổng hợp kết quả có các thuộc tính sau.
• Nó tạo ra ít nhất là càng nhiều các đầu ra như kho A (constraint 15,2).
• Nó không tiêu thụ nhiều hơn phần θ của lao động (chế 15,4) và
vốn (constraint 15,3) được sử dụng bởi kho A, với θ càng nhỏ càng tốt
(mục tiêu 15,1).
các phương pháp chuẩn của quy hoạch tuyến tính sẽ xây dựng một khả thi cơ bản
giải pháp cho vấn đề 15.1 và như vậy số lượng λi> 0 trong các giải pháp tối ưu
sẽ không vượt quá số lượng đầu vào cộng với số kết quả đầu ra. Thông thường điều này
sẽ có nhiều ít hơn tổng số kho tại các điểm chuẩn
cộng đồng và vì vậy các bộ kho i đại diện trong khả thi cơ bản
giải pháp tạo thành một nhóm nhỏ các đồng nghiệp mà mục tiêu được so sánh.
Cuối cùng, để đánh giá mỗi một cộng đồng kho tàng, một pro tuyến tính như
gram sẽ phải được giải quyết cho từng kho tiêu.
sử dụng
kỹ thuật này được gọi là phân tích dữ liệu envelopement (DEA) và đã được sử dụng
để nghiên cứu hiệu quả của các hệ thống kinh tế phức tạp [8, 12].
trong một mô hình DEA giàu hơn, chúng tôi đã trình bày, sẽ có hàng chục đầu vào
và hàng chục đầu ra, như trong mô hình của Hackman et al. [16], và nó sẽ là
không thể phân tích các cộng đồng của kho bằng cách vẽ điểm.
DEA có một số lợi thế quan trọng hơn điểm chuẩn tỷ lệ dựa trên đơn giản.
Đầu tiên, nó gán một số duy nhất như một điểm hiệu quả, và hầu hết mọi người tìm thấy
dễ dàng hơn này để hiểu hơn một vector của KPI. Điểm không phải là một đơn giản
biểu quyết theo KPI hoặc bất cứ điều gì như thế, mà là phát sinh hữu cơ từ nhiều
so chiều với một cộng đồng các kho khác. Trong thực tế,
điểm chuẩn như vậy có thể được thực hiện bởi một bên thứ ba trung lập, những người nắm giữ các dữ liệu,
trong khi người dùng có thể vẫn còn vô danh nếu họ lựa chọn.
Để làm việc tốt nhất, điểm chuẩn như vậy đòi hỏi một tập dữ liệu lớn, tốt hơn với
hàng trăm kho. Nó cũng đòi hỏi những người tham gia nhập dữ liệu chính xác,
đặc biệt là bởi vì điểm giao có xu hướng được xác định bởi các kho tốt nhất,
và do đó bỏ có thể làm sai lệch kết quả.