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
|
机器学习/深度学习 编解码 数据可视化
【即插即用】涨点神器AFF:注意力特征融合(已经开源,附论文和源码链接)
【即插即用】涨点神器AFF:注意力特征融合(已经开源,附论文和源码链接)
3546 1
|
10月前
|
机器学习/深度学习 存储 测试技术
【YOLOv8改进】iRMB: 倒置残差移动块 (论文笔记+引入代码)
该专栏聚焦YOLO目标检测的创新改进与实战案例,提出了一种融合CNN和Transformer优点的轻量级模型——倒置残差移动块(iRMB)。iRMB旨在平衡参数、运算效率与性能,适用于资源有限的移动端。通过集成多头自注意力和卷积,iRMB在ImageNet-1K等基准上超越SOTA,同时在iPhone14上展现出比EdgeNeXt快2.8-4.0倍的速度。此外,iRMB设计简洁,适用于各种计算机视觉任务,展示出良好的泛化能力。代码示例展示了iRMB模块的实现细节。更多详细信息和配置可在相关链接中找到。
|
5月前
|
机器学习/深度学习 编解码 计算机视觉
深度学习笔记(十一):各种特征金字塔合集
这篇文章详细介绍了特征金字塔网络(FPN)及其变体PAN和BiFPN在深度学习目标检测中的应用,包括它们的结构、特点和代码实现。
733 0
|
9月前
|
机器学习/深度学习 前端开发 计算机视觉
【YOLOv8改进】Explicit Visual Center: 中心化特征金字塔模块(论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO的有效改进和实战案例,包括卷积、主干网络、注意力机制和检测头的创新。提出中心化特征金字塔(CFP)解决特征交互和局部区域忽视问题。CFP通过空间显式视觉中心方案和全局集中特征规范增强模型表现,尤其在YOLOv5和YOLOX上表现提升。创新点包括轻量级MLP和并行视觉中心机制,以捕获全局和局部信息。YOLOv8引入EVCBlock整合这些改进。详细代码和配置见链接。
|
10月前
|
计算机视觉
【YOLOv8改进】 AFPN :渐进特征金字塔网络 (论文笔记+引入代码).md
YOLO目标检测专栏介绍了YOLO的有效改进和实战案例,包括AFPN——一种解决特征金字塔网络信息丢失问题的新方法。AFPN通过非相邻层直接融合和自适应空间融合处理多尺度特征,提高检测性能。此外,还展示了YOLOv8中引入的MPDIoU和ASFF模块的代码实现。详情可参考提供的专栏链接。
|
10月前
|
计算机视觉
【YOLOv8改进】Shape-IoU:考虑边框形状与尺度的指标(论文笔记+引入代码)
YOLO目标检测专栏探讨了边框回归损失的创新方法,强调了目标形状和尺度对结果的影响。提出的新方法Shape-IoU关注边框自身属性,通过聚焦形状和尺度提高回归精度。实验显示,该方法提升了检测效果,超越现有技术,在多个任务中达到SOTA。论文和代码已公开。
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
PyTorch搭建图卷积神经网络(GCN)完成对论文分类及预测实战(附源码和数据集)
PyTorch搭建图卷积神经网络(GCN)完成对论文分类及预测实战(附源码和数据集)
422 1
|
数据可视化 数据挖掘 Python
跟着Molecular Plant学作图:R语言circlize包画圈图展示基因组的一些特征补充添加图例
跟着Molecular Plant学作图:R语言circlize包画圈图展示基因组的一些特征补充添加图例
|
计算机视觉
矩特征---OpenCV-Python开发指南(25)
矩特征---OpenCV-Python开发指南(25)
239 0
矩特征---OpenCV-Python开发指南(25)
|
算法
GEE基础学习——NormalizedDifference算法计算植被指数
GEE基础学习——NormalizedDifference算法计算植被指数
515 0
GEE基础学习——NormalizedDifference算法计算植被指数