TOC金字塔

简介: TOC金字塔本节将根据TOC在生产中的资金流,物流和信息流等梳理TOC在生产中各项参数之间的关系,构成TOC金字塔。在TOC的有效产出会计中,有3个资金参数,分别是投资I,运营费用OE和有效产出T。

TOC金字塔

本节将根据TOC在生产中的资金流,物流和信息流等梳理TOC在生产中各项参数之间的关系,构成TOC金字塔。

在TOC的有效产出会计中,有3个资金参数,分别是投资I,运营费用OE和有效产出T。投资I是流出系统的钱,用来购买原材料,设备,土地等等。而有效产出T是流入系统的钱,是通过销售而获得的钱。运营费用OE是留在系统里的钱,作业费用是组织为了使存货转换为有效产出所必须投入的金钱。如包括制造费用、水电、折旧及销售和管理费用等(如图6-177所示)。


6-177 有效产出会计的资金流

投资I,运营费用OE和有效产出T这三个资金参数可以产生三个财务衡量指标,分别是投资收益率ROI,净利润NP和现金流CF。其中投资报酬率ROI=(T-OE)/I,净利NP=T-OE和现金流=T-OE-I。当减少投资I和运营费用OE,增加有效产出T时,三个财务衡量指标都变好,从而使得企业现在和将来都能赚钱(如图6-178所示)。


6-178 有效产出会计的逻辑层级结构

对于企业的物流,企业投入原材料等,经过生产和销售,最终产品从企业流出,产品卖给客户(如图6-179所示)。


6-179 有效产出会计的物流

在企业的生产中,有两个指标来衡量企业的生产情况。分别是TDD和IDD。TDD衡量的是生产应该生产而没有生产的订单可能造成的损失,TDD就是该生产而没生产。IDD衡量的是生产不应该生产而生产可能导致的库存成本增加,简单的说IDD就是不该生产而生产了。事情分为该做和不该做,而从时间上分为做了和没做,按照波士顿矩阵可以有4种组合:做了该做的,做了不该做的,没做该做的和没做不该做的。做了该做的是增加有效产出,做了不该做的是增了成本和库存,没做该做的是浪费了潜在的有效产出,而没做不该做的就是没有浪费力量和时间(如表6-35所示)。


6-35 TDD IDD 的波士顿矩阵

TDD:有效产出元天(Throughtput Dollar-Days),即“延误订单的有效产出×延误天数”,TDD应争取等于零。TDD是衡量订单迟交损害有效产出的指标,保证可靠性,即是否应该达到的而没达到。

IDD:库存元天(Inventory Dollar-Days),即“库存价值×持有天数”,应致力于把IDD降到最低。衡量库存未正确快速流动而增加库存维持成本的指标。保证有效性,而非做了不该做的无效工作(如图6-180所示)。


6-180 生产衡量指标 TDD IDD

在信息流中,TOC制约理论使用负反馈的方式来控制生产,设定目标缓冲,然后实际缓冲向上反馈给目标,来实时呈现剩余缓冲。通过目标缓冲和剩余缓冲就可以计算缓冲偏差,然后通过TOC的缓冲管理来补充投料或者对缓冲进行排序,使得系统的产出最大化(如图6-181所示)。


6-181TOC 的系统控制图

通过将上述的资金流,物流和信息流等整合,就可以获得TOC金字塔。TOC金字塔的逻辑为:总目标是为了现在和将来都赚钱,这和高德拉特说的企业的目的是赚钱相同,而总目标下边的层级结构都是为了赚钱这个目标服务,有的是直接的,有的是间接的(如图6-182所示)。


6-182 TOC 金字塔

在总目标下,有三个财务衡量指标,来指示是否赚钱了,分别是投资回报率ROI,净利NP和现金流CF。当这三个财务指标增加时,说明企业赚钱了。而企业现在和未来都赚钱这个总目标就可以分解成了三个子财务指标。

投资回报率ROI,净利NP和现金流CF这三个财务指标由投资I,运营费用OE和有效产出T组成。要想三个财务指标增加,则需要减少投资I和运营费用OE以及增加有效产出T。

投资I,运营费用OE和有效产出T这3个资金参数又分别对应系统的原材料投入,生产和销售以及产品卖出。当购买原材料进入系统时,投资I产生了,资金从系统流出,而材料这个物流流入系统。在生产和销售产品时,运营费用就产生了。当产品生产完卖出后,有效产出流入系统,产品这个物流流出系统。

生产也有2个衡量指标来衡量生产情况,它们是TDD和IDD,它们会对资金参数I,OE和T产生影响。有效产出元天TDD是衡量该生产没而没有生产可能产生的损失,其目标值为0。库存元天IDD是衡量不该生产而生产可能造成的损失,其目标值为0。

既然生产和衡量生产情况的指标,那么如何达到这2个指标呢?需要使用TOC制约理论的生产控制,也就是DBR或者SDBR来管理生产。瓶颈前缓冲状态向上反馈给设定的缓冲目标,计算出当前的缓冲状态,然后通过缓冲管理的缓冲补充或者缓冲排序来控制生产,从而使系统的产出最大化,进而达到了现在和未来都赚钱的总目标。


图6-183 《可以量化的管理学》全书结构
目录
相关文章
|
10月前
|
机器学习/深度学习 自然语言处理 算法
图解CNN十大算法架构
图解CNN十大算法架构
101 0
|
机器学习/深度学习 算法
深度之眼(十二)——svd分解的应用
深度之眼(十二)——svd分解的应用
深度之眼(十二)——svd分解的应用
|
机器学习/深度学习 编解码 PyTorch
论文笔记系列:主干网络(二)-- DenseNet
前言: DenseNet(Densely connected convolutional networks) 模型,它的基本思路与ResNet一致,但是它建立的是前面所有层与后面层的密集连接(dense connection),它的名称也是由此而来。DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用(feature reuse)。这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能,DenseNet也因此斩获CVPR 2017的最佳论文奖。本篇文章首先介绍DenseNet的原理以及网路架构,然后讲解DenseNet在Pytorch上的实现
551 0
论文笔记系列:主干网络(二)-- DenseNet
|
数据采集 算法 PyTorch
是时候该学会 MMDetection 进阶之非典型操作技能了(一)
这些非典型操作出现的原因各种各样,有部分来自内部和社区用户所提需求,有部分来自复现算法本身的需求。希望大家通过学习本系列文章,在使用 MMDetection 进行扩展开发时可以更加游刃有余,轻松秀出各种骚操作。
1036 0
是时候该学会 MMDetection 进阶之非典型操作技能了(一)
|
机器学习/深度学习 数据采集 算法
【完结篇】专栏 | 基于 Jupyter 的特征工程手册:特征降维
【完结篇】专栏 | 基于 Jupyter 的特征工程手册:特征降维
133 0
【完结篇】专栏 | 基于 Jupyter 的特征工程手册:特征降维
|
机器学习/深度学习 算法 搜索推荐
图像特征——中篇
图像特征——中篇
232 0
图像特征——中篇
|
算法 数据挖掘 计算机视觉
DL之ResNeXt:ResNeXt算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之ResNeXt:ResNeXt算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
|
算法 计算机视觉 网络架构
DL之DenseNet:DenseNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DenseNet:DenseNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
|
机器学习/深度学习 算法 数据可视化
DL之FCN:FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FCN:FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FCN:FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
|
机器学习/深度学习 算法 数据挖掘
DL之Xception:Xception算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之Xception:Xception算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之Xception:Xception算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略