• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 1854
  • 824
  • 618
  • 378
  • 89
  • 74
  • 68
  • 48
  • 43
  • 34
  • 33
  • 33
  • 29
  • 28
  • 27
  • Tagged with
  • 4424
  • 1133
  • 1031
  • 1006
  • 1000
  • 968
  • 752
  • 681
  • 654
  • 652
  • 387
  • 363
  • 263
  • 257
  • 254
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
361

An analysis of the supply chain management certification training for manufacturers' needs in the Eau Claire, Wisconsin area

Maes, James F. January 2006 (has links) (PDF)
Thesis, PlanB (M.S.)--University of Wisconsin--Stout, 2006. / Includes bibliographical references.
362

Optimization problems in a crossdocking distribution system /

Miao, Zhaowei. January 2006 (has links)
Thesis (Ph.D.)--Hong Kong University of Science and Technology, 2006. / Includes bibliographical references (leaves 98-102). Also available in electronic version.
363

Decision making through the simulation of centralized and decentralized distribution storage systems

Kosałka, Tomasz M. January 2006 (has links)
Thesis (M.S.)--West Virginia University, 2006. / Title from document title page. Document formatted into pages; contains x, 155 p. : ill. (some col.). Includes abstract. Includes bibliographical references (p. 100-101).
364

Geschäftsregeln zur Unterstützung des Supply Chain Managements /

Klaus, Oliver. January 2005 (has links)
Zugl.: Bern, Universiẗat, Diss., 2005.
365

Advanced supply chain planning processes and decision support sytems for large-scale petrochemical companies /

Louw, Johannes Jacobus. January 2006 (has links)
Dissertation (PhD)--University of Stellenbosch, 2006. / Bibliography. Also available via the Internet.
366

Utnyttjandegrad för transporter inom anläggningsbranschen : En fallstudie vid Skanska Sverige AB

Haag, Caroline, Hansén, Elin January 2018 (has links)
Mellan 1990 och 2016 ökade de vägburna godstransporterna med cirka 50 procent och spås fortsätta öka ännu mer till år 2030. Fokus har tidigare legat på kostnadsminimering men har nu skiftat till att effektivisera transporterna. En förutsättning för att kunna effektivisera är att mäta och följa upp transporter, något som bland annat digitala verktyg möjliggör. En bransch som är i behov av effektivisering av transporter är anläggningsbranschen, bland annat på grund av låg innovationsgrad samt minskad lönsamhet hos de stora aktörerna. Syftet med denna studie är således att undersöka hur en entreprenör inom anläggningsbranschen kan definiera en effektivt utnyttjad anläggningstransport samt att ta fram prestationsmått för att mäta utnyttjandegraden av dessa. Studien har genomförts som en fallstudie på Skanska Sverige AB vid enheten Skanska Inköp. Studerade transportflöden är transport av asfalt från ett asfaltverk till ett läggarlag samt transport av schaktmassor från ett projekt till en deponi. Första steget i studien var att identifiera definitioner inom fallföretaget på vad en effektivt utnyttjad anläggningstransport är. Detta gjordes genom intervjuer, observationer, benchmarking samt en workshop. Därefter jämfördes definitionerna med litteratur på hur utnyttjandegrad kan definieras för transporter. Avslutningsvis anordnades en workshop där utvalda personer från fallföretaget diskuterade fram lämpade prestationsmått på utnyttjandegrad, med syftet att förbättra utnyttjandet. En specifik definition av en effektivt utnyttjad anläggningstransport inom fallföretaget framkom inte. Istället identifierades13 olika definitioner som inkluderar allt från engagerade chaufförer till att fordonet alltid är i rörelse. De definitioner som berörde förbättringsområden inom fallföretaget bröts ned ytterligarei prestationsmått för att mäta utnyttjandegrad, där utnyttjandegrad är förhållandet mellan output och kapacitet hos en resurs eller aktivitet. Prestationsmåtten delades in i dimensionerna kvalitet, tid, produktivitet och finansiellt. Kvalitet syftar till hur väl en specifik uppgift genomförs, tid identifierar aktiviteter där tid kan sparas, produktivitet till hur väl en specifik resurs används och finansiellt identifierar kostsamma aktiviteter i processen. Det är fördelaktigt att mäta inom alla fyra dimensioner för att skapa ett holistiskt perspektiv. Fallföretaget rekommenderas därmed att börja mäta följande fyra prestationsmått för utnyttjandegrad, vilka presenteras i tabellen nedan. <img src="data:image/png;base64,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
367

Modélisation multi-agents de la coopération au sein des chaînes logistiques à deux échelons : application à la distribution de produits pharmaceutiques au Maroc / Modeling cooperation in tow level's supply chain : a multi-agents approach

Berrada El Azizi, Mohamed 30 September 2014 (has links)
Cette thèse sur travaux composée de quatre articles s’intéresse aux chaînes logistiques à deux échelons comportant un fournisseur en situation de monopole et de N clients dont les demandes pour un même produit sont corrélées. Les trois premiers articles étudient l’impact simultané des coopérations verticale et horizontale sur la performance globale. L’article 1 propose des extensions du modèle d’optimisation des stocks de Zhu et Thonemann (2004) en complétant notamment la coopération verticale entre le fournisseur et ses clients par une alliance horizontale et un échange d’informations entre clients. L’article 2 propose une modélisation multi-agents individu-centrée afin d’étudier l’impact sur la performance et la stabilité de la chaîne, de la diversité des comportements des clients face au risque et de leurs règles d’interaction dans le cadre d’une possible distorsion de l’information échangée. Nous proposons ensuite deux articles à visée plus applicative. L’article 3 s’intéresse à l’industrie pharmaceutique et étudie l’influence de la coopération entre grossistes-répartiteurs socialement responsables et leur laboratoire fournisseur pour réduire les surstocks et les gaspillages. L’article 4 consiste à comparer un pilotage centralisé à un pilotage décentralisé des stocks suite à un choc important de demande d’un produit alimentaire périssable. Les résultats de simulation font ressortir des conditions d’équilibre ainsi que des recommandations sur le pilotage global de ce type de chaînes. Plus généralement, cette thèse a permis de montrer l’intérêt d’une approche connexionniste de chaînes logistiques complexes avec agents hétérogènes s’échangeant de l’information. / AThis thesis is composed by two papers focusing on two-level supply chains with a monopoly supplier and N clients whose demands for the same products are correlated. The first paper studies the simultaneous impact of vertical and horizontal cooperation on the overall performance and the stability of the chain. It proposes an individual-centered multi-agents approach for studying the impact on performance of different kinds of customer behaviors associated with overstock risk and their interaction rules under possible distortion of the exchanged information. The second paper deals with pharmaceutical distribution and studies the influence of the cooperation between wholesale distributors and a unique supplier to reduce overstocks and wastes. More generally, this thesis has shown the relevance of a connectionist approach of complex supply chains with heterogeneous agents exchanging information.
368

Industri 4.0 inom distributionskedjor : En undersökning om möjligheter &amp; risker i Norrbotten

Bråtendal, Johan, Gustafson, Fredrik January 2018 (has links)
Det här är en kadidatsuppsatsinom industriell logistik som handlar om Industri 4.0 inom distributionskedjor i Norrbotten. Industri 4.0 har under den senaste tiden varit ett populärt ämne med ett växande antal publicerade artiklar och allt fler verksamheter har visat ett allt större intresse. Med rapporten vill vi fördjupa vår kunskap inom Industri 4.0, få en bättre förståelse för Industri 4.0s påverkan på distributionskedjor samt undersöka verksamheters insikt i ämnet. Undersökningen har utgått från tre huvudfrågor: 1) Vilka möjligheter och risker skapar Industri 4.0 för distributionskedjan? 2) Används Industri 4.0 i distributionskedjor i Norrbotten? Om inte, varför inte? 3) Finns det planer för att implementera Industri 4.0 i distributionskedjor i Norrbotten? Data har samlats in från tio relevanta artiklar, fem intervjuer med logistikchefer på några av regionens största verksamheter och tre så kallade kompetensintervjuer med personer som har insikt i Industri 4.0 inom regionen. Resultaten visar att möjligheterna överväger riskerna. Exempel på möjligheter är flexibilitet, en mer integrerad distributionskedja, kostnadseffektivitet, effektivare i distributionskedjan, mer hållbart, förbättrad transporttid och tillgång till realtidsdata. Exempel på risker är datasäkerhet, brist på standard för systemen, integritetskränkande, sämre arbetsmönster, komplexitet, den lagliga aspekten och ”high cost investment” med mera. Idag används inte Industri 4.0 i distributionskedjan i Norrbotten. Däremot finns det delar av tekniken som används. Det sker en kontinuerlig utveckling av tekniken i verksamheters distributionskedjor men det är svårt att konkret säga inom vilken tidsram Industri 4.0 kommer att vara implementerat i verksamheters distributionskedjor. Undersökningen kommer fram till att det kommer att krävas en ändring av verksamheter i Norrbottens distributionskedjor med hjälp av nya innovativa tekniker. Den här rapporten kan inte säkerhetsställainom vilken tidsram Industri 4.0 kommer bli aktivt inom distributionskedjori regionen.
369

Koppling mellan lagerstorlek och informationshantering i en organisation med varierande lagerbehov : Fallstudie

Karlborg, Sofie January 2018 (has links)
No description available.
370

Estimering av förändrad lagerhållningskostnad när en slutprodukts framställning övergår från att tillverkas enligt en MTO-strategi till en ATO-strategi : En fallstudie utförd hos Bosch Rexroth Mellansel AB

Stjernqvist, Anton, Grant, Jonathan January 2018 (has links)
På dagens hårt konkurantutsatta marknader tvingas företag hitta nya sätt för att kunna tillhandahålla ett större produktsortiment och samtidigt kunna förse sina kunder med produkter på kortare ledtid. För att kunna åstadkomma detta blir det allt vanligare att företag idag styr sin produktion utifrån en assemble-to-order-strategi (ATO). När antalet slutprodukter som framställs utifrån den här tillverkningsstrategin ökar, i syfte att erbjuda dessa på kortare ledtid, krävs det ofta att ett större antal nya komponenter måste lagerhållas samt att kvantiteten av befintligt lagerhållna komponenter måste utökas. Kostnaderna för företaget kommer således att öka, i form av ökad kapitalbindning, som ett resultat av att antal produkter i arbete ökar. Denna uppsatts behandlar en fallstudie som utförts på Bosch Rexroth Mellansel AB, som är en ledande leverantör av stora hydrauliska drivlösningar och som framställer flertalet av sina produkter utifrån en ATO-strategi. Företaget saknar idag ett tillvägagångssätt för att ta reda på vilka ekonomiska konsekvenser som deras lagerhållning av komponenter medför när ytterligare hydraulmotorer erbjuds på kortare ledtid. Utifrån detta, samt det faktum att förädlingsvärdet för deras interntillverkade komponenter är betydligt högre än värdet för deras inköpsartiklar, är syftet med denna studie att undersöka hur Bosch Rexroth Mellansel kan estimera den förändrade lagerhållningskostnaden som uppstår för färdigbearbetade interntillverkade komponenter när fler hydraulmotorer erbjuds på kortare ledtid. Studien genomfördes utifrån en kvantitativ forskningsmetod där data samlades in från fallföretagets affärssystem SAP. Den sammanställda data har i denna studie analyserats utifrån Microsoft Excel och programspråket Python. Baserat på studerad litteratur inom området, empiri och analys har studien resulterat i en metodik som omfattar fyra steg som Bosch Rexroth Mellansel rekommenderas att använda för att estimera den förändrade lagerhållningskostnaden som uppstår när fler hydraulmotorer erbjuds på kortare ledtid. Till följd av hur Bosch Rexroth Mellansel beräknar sina lagernivåer framgick det tydligt att det enbart är en hydraulmotors ingående interntillverkade komponenter som inte lagerhålls som kan komma att ha en inverkan på den förändrade lagerhållningskostnaden, när denna ska erbjudas på kortare ledtid.

Page generated in 0.059 seconds