Jaký typ modelu řazení do fronty by byl nejlepší pro analýzu automatizované myčky aut?

Pomocí jednoho z modelů fronty teorie front mohou být podniky schopny identifikovat příčiny přetížení a vyhnout se jim. V konečném důsledku tedy dosažení spokojenosti zákazníků.

Pokud jste vlastníkem automatické myčky aut a přemýšlíte, jaký typ modelu fronty by byl nejlepší pro analýzu automatizované myčky aut, odpovědí je Poissonův model fronty.

Jak funguje model Poissonovy fronty?

Poissonův model fronty předpovídá, kolikrát zákazníci využijí službu, označovanou jako událost, v určitém časovém období. A zjistí pravděpodobnost čekací doby do výskytu další události.

Proč používat Poisson pro analýzu automatického řazení do fronty na mytí aut

Tento model je ideální pro automatizované mytí aut, protože události v myčce jsou nezávislé, ale identické. Jeho vzor řazení splňuje kritéria požadovaná pro Poisson:

• Události se dějí nezávisle.
• Události lze identifikovat v celých číslech.
• Frekvence událostí v určitém časovém období je známá.

Jak analyzovat automatizované mytí aut ve frontě s Poissonem

Níže je uvedeno, jak můžeme vyřešit automatickou analýzu front mytí aut pomocí Poisson:

Abychom to jednoduše vysvětlili, při analýze fronty mytí aut byste nejprve museli identifikovat následující:

• Události nebo známý průměr vozidel za hodinu
• Konkrétní časové období
• Počet aut, která skutečně projdou mytím v určitém časovém období, což je k ve vzorci

Poté byste spočítali (události/čas) x čas. Pak použijete tento výsledek, abyste konečně vyřešili vzorec.

Poisson pracuje pouze s diskrétními hodnotami. Pokud je tedy výsledek desetinné, stačí jej zaokrouhlit.

Výsledek by ukázal, kolikrát by byl počet aut skutečně umytý během 100 pozorování.

Nevýhody modelu Poisson Queue

Poisson je vhodný pro automatizované mytí aut ve frontě. Má to ale určité nevýhody.

V Poissonovi by byl formulován silný předpoklad o základní distribuci dat. To je konkrétně na hodnotě průměru a průměru, které by byly považovány za stejné. Ačkoli je to pro některé situace vhodné, nemusí tomu tak být vždy.

Poisson také není vždy spolehlivý v aproximaci, zejména v horní hranici, kde je toho málo známo. V nastavení myčky aut je Poissonova platnost přibližně omezena pouze na podmínky, které dosáhnou plné kapacity zařízení.

Stane se, že rozptyl bude vyšší než průměr. V takové situaci by bylo vhodnější použít analýzu normálního rozdělení.

Závěr

Při výběru toho, který typ modelu fronty by byl nejlepší pro analýzu automatizované myčky aut, je nejlepší volbou Poisson. Je to proto, že způsob řazení do fronty v myčce splňuje její kritéria.

Naštěstí díky Poisson budou majitelé myček aut moci efektivně řídit své podnikání a udržet zákazníky spokojené.