Bakgrund: För företag är logistikverksamheten ett område som är av stor betydelse för lönsamheten. Lönsamheten förbättras genom att öka antingen vinstmarginalen eller kapitalomsättningshastigheten, där det senare kan erhållas genom att minska lager-nivåerna. Lager leder till ett antal kostnader, bland annat kapitalbindning. En viktig faktor inom lagerstyrningen är prognoser. Företag använder prognoser för att uppskatta produkternas framtida efterfråga i syfte att planera sin verksamhet. Då prognoser sällan stämmer mot verkligt utfall uppstår en osäkerhet. I lagerstyrningen täcks osäkerheten upp genom användning av säkerhetslager, som baseras på prognosmodellers avvikelser samt efterfrågevariationen. Därmed kan en förbättring av prognosarbetet minska kapitalbindningen, eftersom säkerhetslagernivån kan sänkas vid en reducering av osäkerheten. Syfte: Som ett led i fallföretagets eget arbete mot minskad kapitalbindning i säkerhets-lagret är syftet med studien att testa vilka prognosavvikelser olika prognosmodeller ger för Getinges komponenter i produktfamilj 46. Vidare är syftet att analysera vad som ligger till grund för prognosmodellernas utfall utifrån komponenternas olika efterfråge-strukturer. Slutsats: Studiens resultat visar vilka prognosavvikelser de utvalda prognosmodellerna genererar för komponenterna i Getinges produktfamilj 46. Författarna konstaterar att exponentiell utjämning är den prognosmodell som ger lägst prognosavvikelser gentemot verklig efterfråga. Anledningen beror på prognosmodellens utformning där närliggande och färskare information viktas högre än äldre data. Vidare visar studiens resultat att komponenternas efterfrågestruktur påverkar prognosmodellernas avvikelser. Komponenter med hög efterfrågad kvantitet, hög efterfrågefrekvens samt låg variation i efterfrågan bidrar till minskade prognosavvikelser. Detta gör att författarna kan bekräfta befintlig teori rörande hur produkters efterfrågestruktur påverkar prognosmodellers träffsäkerhet.

Låga moln definieras av att ha molnbasen från 0 till 2 km ovanför markytan. Molnbildande bygger på att den relativa fuktigheten stiger med höjden tills vattenångan i luften kondenseras. Prognosmodeller för moln bygger på grundläggande termodynamiska och fluiddynamiska ekvationer. Områden delas in i ett rutnät och ekvationerna löses med numeriska metoder. För jämförelse kan mätinstrument samt observationer användas, såsom ceilometrar, radar eller observatörer.  Resultat från fyra olika experiment med prognosmodeller för moln används i detta arbete, som är en litteraturstudie för att undersöka modellers förmåga att simulera låga moln. Olika platser, på global och lokal skala, undersöks. Makroskopiska parametrar såsom molnandel och molnfrekvens är i fokus.  WRF-modellen fungerar bäst med 12 km horisontell upplösning, med en viss överskattning av molnfrekvensen. Modellen CAM5 simulerar molnandel väl men vatteninnehåll och isinnehåll underskattas respektive överskattas. Säsongscykler av låga moln fångas väl av modellerna ECMWF, ARPEGE, RACMO och Met Office, med viss överskattning från samtliga modeller. GFS-modellen överskattar molnandelen långt från ekvatorn med upp mot 80% men underskattar nära ekvatorn med 10–20%. Överskattningar och underskattningar kan bero på faktorer såsom otillräcklig representation av mikrofysik eller möjligtvis felaktiga mätdata. Det denna studie visar är däremot att prognosmodeller på lokal skala kan ge bra simuleringar av makroskopiska parametrar av låga moln. / Cloud types are defined by the height of their bases. Low-level clouds have cloud base heights between 0 and 2 km. They are formed when the relative humidity in the air reaches 100 %, leading to the formation of cloud droplets. Forecast models simulate clouds by integrating thermodynamic and fluid dynamic equations using numerical methods. Instruments and observations, such as ceilometers or observers, are used to assess the accuracy of these simulations.  This study uses four previous works, where forecast models have been used to forecast clouds, to study the accuracy of low-level cloud forecasts. This is done on both local and global scales, focusing on macroscopic characteristics such as cloud fractions and frequencies. The results show that the WRF model works best with a horizontal resolution of 12 km, with slight overestimation of cloud frequencies. The climate model CAM5 simulates cloud fractions well, but liquid- and ice content deviate significantly from measurements. Seasonal cycles are generated well by ECMWF, ARPEGE, RACMO and Met Office Unified Model, with reoccurring overestimations by all models. The GFS model overestimates cloud fractions in higher latitudes by up to 80%, but underestimates near the equator by 10-20%.  Lacking representation of microphysics in the models, or faulty data, can be the causes for deviations in the models. However, this study has shown that forecast models can simulate macroscopic parameters of low-level clouds on a local scale well.