Kapittel 11 - Etterspørselsforvaltning amp Prognoser 1. Perfekt prognose er praktisk talt umulig. 2. I stedet for å søke etter den perfekte prognosen, er det langt viktigere å etablere en praksis med kontinuerlig gjennomgang av prognosen og å lære å leve med unøyaktig prognose. 3. Ved prognoser , en god strategi er å bruke 2 eller 3 metoder og se dem for kommonsens syn. 2. grunnkilder til etterspørsel 1. Avhengige etterspørselen - etterspørsel etter produkter eller tjenester forårsaket av etterspørselen etter andre produkter eller tjenester. Ikke mye firmaet kan gjøre, det må oppfylles. 2. Uavhengig etterspørsel - etterspørsel som ikke direkte kommer fra etterspørselen etter andre produkter. Firmaet kan: a) Ta en aktiv rolle for å påvirke etterspørselen - legge press på salgsstyrken din b) Ta en passiv rolle for å påvirke etterspørselen - Hvis et firma kjører i full kapasitet, vil det kanskje ikke gjøre noe med etterspørselen. Andre grunner er konkurransedyktige, juridiske, miljømessige, etiske og moralske. Forsøk å forutsi fremtiden basert på tidligere data. 1. Kort sikt - under 3 måneder - taktiske beslutninger som å fylle opp inventar eller planlegger EEer på kort sikt 2. Middels sikt - 3 M-2Y - fange sesongvirkninger som kunder svarer på et nytt produkt 3. Langsiktig - mer enn 2 år. Å identifisere viktige vendepunkter og oppdage generelle trender. Lineær regresjon er en spesiell type regresjon der relasjonene mellom variabel danner en rett linje Y abX. Y-avhengig variabel a - Y avgrensning b - skråning X - uavhengig variabel Det brukes til langsiktig prognose av store hendelser og aggregeringsplanlegging. Den brukes til både prognoser for tidsserier og prognoser for tilfeldige forhold. Er den mest brukte prognoseteknikken. De siste hendelsene er mer veiledende for fremtiden (høyest forutsigbar verdi) enn de i den fjernere fortiden. Vi bør gi mer vekt til malmen de siste tidsperioder når vi regner med prognoser. Hvert trinn i fortiden er redusert med (1 alfa). Jo høyere alfa, desto nærmere følger prognosen. Nyeste vekting alfa (1-alfa) na 0 Data en periode eldre alfa (1-alfa) na 1 Data to tidsperiode eldre alfa (1-alfa) na 2 Hvilken av følgende prognosemetoder er svært avhengig av valg av rettpersoner som dømt vil bli brukt til å faktisk generere prognosen Verdien må være mellom 0 og 1 1. 2 eller flere forhåndsdefinerte verdier av Alpha - avhengig av graden av feil benyttes forskjellige verdier av Alpha. Hvis feilen er stor, er Alpha 0,8, hvis feilen er liten, Alpha er 0,2. 2. Beregnede verdier for Alpha - eksponensielt jevnet faktisk feil dividert med eksponensielt forvrengt absolutt feil. Kvalitative teknikker i prognose Kunnskap om eksperter og kreve stor vurdering (nye produkter eller regioner) 1. Markedsundersøkelse - leter etter nye produkter og ideer, liker og misliker eksisterende produkter. Primært FORSØKER amp INTERVIEWS 2. Panel Consensus - ideen om at 2 hoder er bedre enn en. Panel av mennesker fra en rekke stillinger kan utvikle en mer pålitelig prognose enn en smalere gruppe. Problemet er at lavere EE-nivåer blir skremt av høyere styringsnivåer. Executive judgment brukes (høyere nivå av ledelse er involvert). 3. Historisk Analogi - Et firma som allerede produserer brødristere og ønsker å produsere kaffekasser, kan bruke brødristerhistorien som en sannsynlig vekstmodell. 4. Delphi Metode - svært avhengig av valg av rett personer som dømt vil bli brukt til å faktisk generere prognosen. Alle har samme vekt (mer rettferdig). Tilfredsstillende resultater oppnås vanligvis i 3 runder. MÅL - Samarbeidsprosjekt, prognoser og etterfylling (CPFR) For å utveksle valgt intern informasjon på en delt webserver for å sikre pålitelig og langsiktig fremtidsperspektiv på etterspørselen i forsyningskjeden. Simpel glidende gjennomsnitt Den andre ad hoc-metoden er enkelt glidende gjennomsnitt. der tidligere verdier brukes for å finne den mest passende parameteren som gir den laveste prognosefeilen. Den avgjørende delen i denne metoden er riktig valg av antall perioder tatt i prognosen. Weatherford og Kimes (2003) testet 2 8211 8 perioder og viste at den laveste feilen ga 8 periode glidende gjennomsnitt. Forventningen beregnes matematisk på følgende måte: hvor F (t1) - varsler i rom etterspørsel i periode t1, x 8211 er antall rom solgt i periode i, N-antall tidligere perioder (Phumchusri og Mongkolkul, 2012). Enkelt glidende gjennomsnitt er enkelt, raskt å beregne og reagere raskere på skift i etterspørsel når N-perioden er liten. Denne metoden har imidlertid to store ulemper. For det første antar man at de siste observasjonene er bedre prediktorer enn eldre data. For det andre, når data viser oppad eller nedadgående trend, vil metoden bli forvarslet eller underforstått. For å kunne takle slike trender anbefaler Talluri og Van Ryzin (2004) å bruke dobbelt eller trippelt glidende gjennomsnitt. Anvendelsen av denne metoden på vårt datasett er tilgjengelig her: Enkelt flytende gjennomsnitt I vår søknad av denne prognosemetoden som er aktivert for å oppnå MAPE på 4, er det et veldig godt eksempel. Som tidligere nevnt er denne metoden imidlertid en dårlig prediktor når etterspørselen er mer ustabil. Følgende graf viser en slik situasjon, hvor MAPE utgjorde 60 (i modell 2 8211 forventede verdier1: 2 perioder) og 55 (i modell 8 8211 prognostiserte verdier2: 8 perioder). Phumchusri, D. Mongkolkul, J. (2012) Hotellrom Etterspørsel via Observert reservasjonsinformasjon. Foredrag i Asia Pacific Industrial Engineering amp Management Systems Conference 2012, s. 1978-1985 Talluri, K. og Van Ryzin, G. (2004) Teori og praksis av inntektsforvaltning. Boston, Kluwer Academic Publishers. Weatherford, L. R. ampere Kimes, S. E. (2003). En sammenligning av prognosemetoder for hotellinntekter. International Journal of Forecasting. vol. 19, nr. 3, s. 401-415. Del Søkemotor Du må ha javascript aktivert for å se denne nettsiden. Vennligst endre nettleserens preferanser for å aktivere javascript, og last siden på nytt. KEY OUTLINE Demand Management Dependent Demand Management Definert Uavhengig Demand Definerte Typer Forecasting Time Series Analyse DefinedQualitative Techniques In Forecasting Grass Roots Markedsanalyse Panel Consensus Historisk Analogi Delphi Metode Tidsserieanalyse Enkel Flytende Gjennomsnittlig Vektet Flytende Gjennomsnittlig Eksponentiell Utjevning Eksponensiell Utjevning Definert Utjevning Konstant Alpha (945 ) Definert utjevning Konstant Delta (948) Definerte utjevningsfeil Feilkilder Feilmåling Feil Mean Absolute Deviation (MAD) Definert sporingssignal Definert linjær regresjonsanalyse Linjær regresjonsprognose Definert nedbryting av en tidsrekkefølge Kausjonal forholdsprognosering Casual Relationship Defined Multiple Regression AnalysisFocus Forecasting Methodology of Fokusforespørsel Fokusforespørsel Definert webbasert prognose: Samarbeidsprosjekt, prognoser og etterfylling (CPFR) CPFR DefinedForecasts er avgjørende for enhver bedriftsorganisasjon og for hver signifikans ant management beslutning. Mens en prognose aldri er perfekt på grunn av den dynamiske naturen til det eksterne forretningsmiljøet, er det gunstig for alle nivåer av funksjonell planlegging, strategisk planlegging og budsjettplanlegging. Beslutningstakere bruker prognoser for å treffe mange viktige beslutninger om fremtidens retning i organisasjonen. Forecasting teknikker og modeller kan være både kvalitative og kvantitative, og deres nivå av raffinement avhenger av typen informasjon og virkningen av beslutningen. Den prognosemodellen et firma bør vedta, avhenger av flere faktorer, inkludert: prognose tidshorisont, data tilgjengelighet, nøyaktighet kreves, størrelsen på prognosebudget og tilgjengeligheten av kvalifisert personell. Behovsstyring eksisterer for å koordinere og kontrollere alle kildene til etterspørsel, slik at produktive systemet kan brukes effektivt og produktet leveres til tiden. Etterspørselen kan enten være avhengig av etterspørselen etter andre produkter eller tjenester eller uavhengig fordi den ikke kan avledes direkte fra andre produkter. Forecasting kan klassifiseres i fire grunntyper: kvalitativ, tidsserieanalyse, årsaksforhold og simulering. Kvalitative teknikker i prognose kan inkludere grøntrøtter prognoser, markedsundersøkelser, panel konsensus, historisk analogi, og Delphi metoden. Tidsserien prognosemodeller prøver å forutsi fremtiden basert på tidligere data. En enkel glidende gjennomsnittlig prognose brukes når etterspørselen etter et produkt eller en tjeneste er konstant uten noen sesongvariasjoner. En vektet, flytende gjennomsnittlig prognose varierer vektene, gitt en bestemt faktor, og kan dermed variere effektene mellom nåværende og tidligere data. Eksponensiell utjevning forbedrer seg på de enkle og vektede glidende gjennomsnittlige prognosene, ettersom eksponensiell utjevning vurderer de nyere datapunkter å være viktigere. For å korrigere for enhver oppadgående eller nedadgående trend i data samlet over tidsperioder til utjevning, brukes konstanter. Alpha er utjevningskonstanten, mens delta reduserer virkningen av feilen som oppstår mellom selve og prognosen. Prognosefeil er forskjellen mellom prognosen og hva som faktisk skjedde. Alle prognoser inneholder en viss grad av feil, men det er viktig å skille mellom feilkilder og måling av feil. Feilkilder er tilfeldige feil og forspenning. Forskjellige målinger eksisterer for å beskrive graden av feil i en prognose. Biasfeil oppstår når en feil blir gjort, dvs. ikke inkludert den riktige variabelen eller skifting av sesongmessig etterspørsel. Mens tilfeldige feil ikke kan oppdages, forekommer de normalt. Et sporingssignal indikerer om prognosen gjennomsnittet holder tritt med eventuelle bevegelsesendringer i etterspørselen. MAD eller gjennomsnittlig absolutt avvik er også et enkelt og nyttig verktøy for å skaffe sporingssignaler. Et mer sofistikert prognoseverktøy for å definere det funksjonelle forholdet mellom to eller flere korrelerte variabler er lineær regresjon. Dette kan brukes til å forutsi en variabel gitt verdien for en annen. Det er nyttig for kortere tidsperioder, da det forutsetter et lineært forhold mellom variabler. Forsøk på årsakssammenheng forsøker å bestemme forekomsten av en begivenhet basert på forekomsten av en annen begivenhet. Fokusprognoser prøver flere regler som virker logiske og enkle å forstå for å projisere tidligere data inn i fremtiden. I dag er det mange programmer for prognose for prognoser som er enkle å prognostisere variabler. Ved langsiktige beslutninger basert på fremtidige prognoser, bør det tas stor forsiktighet for å utvikle prognosen. På samme måte bør flere tilnærminger til prognose brukes. Tidsseriemetoder Tidsseriemetoder er statistiske teknikker som benytter historiske data akkumulert over en tidsperiode. Tidsseriemetoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet serier antyder, relaterer disse metodene prognosen til bare en faktor - tid. De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for kortvarig prognose blant service - og produksjonsbedrifter. Disse metodene forutsetter at identifiserbare historiske mønstre eller trender for etterspørsel over tid vil gjenta seg. Flytende gjennomsnitt En prognos for tidsserier kan være så enkel som bruk av etterspørsel i den nåværende perioden for å forutse etterspørselen i neste periode. Dette kalles noen ganger en naiv eller intuitiv prognose. 4 For eksempel, hvis etterspørselen er 100 enheter denne uken, er prognosen for neste ukes etterspørsel 100 enheter dersom etterspørselen viser seg å være 90 enheter i stedet, så er etterspørselen etter følgende uker 90 enheter, og så videre. Denne typen prognosemetode tar ikke hensyn til historisk etterspørselsadferd som den bare bygger på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Den enkle glidende gjennomsnittsmetoden bruker flere etterspørselsverdier i løpet av den siste tiden til å utvikle en prognose. Dette har en tendens til å dempe eller glatte ut, tilfeldige økninger og reduksjoner av en prognose som bare bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og viser ikke noen uttalt etterspørselsadferd, for eksempel en trend eller sesongmessig mønster. Flytende gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forecasteren ønsker å glatte etterspørseldataene. Jo lengre glidende gjennomsnittsperiode, jo jevnere blir det. Formelen for beregning av det enkle glidende gjennomsnittet er å beregne et enkelt bevegelige gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler og byråer innen en radius på 50 kilometer fra lageret. Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. (Kontorene bestiller vanligvis ikke når de går lite på forsyninger, men når de går helt tom. Som et resultat trenger de straks sine bestillinger.) Sjefen for selskapet ønsker å være sikre nok drivere og kjøretøyer er tilgjengelige for å levere bestillinger omgående og De har tilstrekkelig lagerbeholdning på lager. Derfor ønsker lederen å kunne regne ut antall ordrer som vil skje i løpet av den neste måneden (dvs. for å prognose etterspørselen etter leveranser). Fra registreringer av leveringsordrer har ledelsen akkumulert følgende data de siste 10 månedene, hvorfra den vil beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som følge av enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er november. Det bevegelige gjennomsnittet beregnes fra etterspørselen etter ordre for de foregående 3 månedene i sekvensen i henhold til følgende formel: 5-måneders glidende gjennomsnitt beregnes fra de foregående 5 månedene av etterspørseldata som følger: 3- og 5-måneders Flytte gjennomsnittlige prognoser for alle månedene av etterspørseldata er vist i følgende tabell. Faktisk vil bare prognosen for november basert på den siste månedlige etterspørselen bli brukt av lederen. De tidligere prognosene for tidligere måneder tillater oss imidlertid å sammenligne prognosen med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si hvor bra det gjør. Tre - og fem-måneders gjennomsnitt Både glidende gjennomsnittlige prognoser i tabellen ovenfor har en tendens til å utjevne variabiliteten i de faktiske dataene. Denne utjevningseffekten kan observeres i følgende figur hvor 3-måneders og 5-måneders gjennomsnitt er lagt på en graf av de opprinnelige dataene: Det 5-måneders glidende gjennomsnittet i foregående figur utjevner svingninger i større grad enn 3 måneders glidende gjennomsnitt. Imidlertid gjenspeiler 3-måneders gjennomsnittet de nyeste dataene som er tilgjengelige for kontorforvalteren. Generelt er prognoser som bruker lengre periode glidende gjennomsnitt, langsommere å reagere på de siste endringene i etterspørselen enn de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra dataperiodene demper hastigheten som prognosen svarer på. Etablering av riktig antall perioder som skal brukes i en bevegelig gjennomsnittlig prognose krever ofte litt prøve-og-feil-eksperimentering. Ulempen med den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår av en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer blir generelt ignorert. Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsistent måte. Den glidende gjennomsnittlige metoden har imidlertid fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god prognose på kort sikt, men det bør ikke presses for langt inn i fremtiden. Veidende Flytende Gjennomsnitt Den bevegelige gjennomsnittlige metoden kan justeres for å bedre reflektere svingninger i dataene. I den vektede glidende gjennomsnittlige metoden blir vektene tilordnet de nyeste dataene i henhold til følgende formel: Etterspørseldataene for PM Computer Services (vist i tabellen for eksempel 10.3) ser ut til å følge en økende lineær trend. Selskapet ønsker å beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justerte eksponensielle utjevningsprognoser utviklet i eksempler 10.3 og 10.4. Verdiene som kreves for de minste kvadratberegninger er som følger: Ved bruk av disse verdiene beregnes parametrene for den lineære trendlinjen som følger: Derfor er den lineære trendlinjekvasjonen å beregne en prognose for periode 13, la x 13 i lineær trendlinje: Følgende graf viser den lineære trendlinjen sammenlignet med de faktiske dataene. Treningslinjen ser ut til å gjenspeile nøyaktig de faktiske dataene, det vil si å være en god form og dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er imidlertid at den ikke vil tilpasse seg en endring i trenden, da de eksponentielle utjevningsprognosene vil det vil si det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme der du kan være relativt sikker på at trenden ikke vil endre seg. Seasonal Adjustments Et sesongmessig mønster er en repeterende økning og nedgang i etterspørselen. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, hvor etterspørselen etter varme klær øker om høsten og vinteren og faller om våren og sommeren ettersom etterspørselen etter kjøligere klær øker. Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av høytiden. Krav til hilsekort øker i forbindelse med spesielle dager som Valentinsdag og Morsdag. Sesongmønstre kan også forekomme på en månedlig, ukentlig eller daglig basis. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene i motsetning til hverdager. Trafikk - dermed salg - i kjøpesentre plukker opp fredag og lørdag. Det finnes flere metoder for å reflektere sesongmessige mønstre i en tidsserie-prognose. Vi vil beskrive en av de enklere metodene ved å bruke en sesongfaktor. En sesongfaktor er en tallverdi som multipliseres med den normale prognosen for å få en sesongjustert prognose. En metode for å utvikle en etterspørsel etter sesongmessige faktorer er å dele etterspørselen etter hver sesongperiode etter total årlig etterspørsel, i henhold til følgende formel: De resulterende sesongfaktorene mellom 0 og 1,0 er faktisk den del av den totale årlige etterspørselen som tildeles hver sesong. Disse sesongmessige faktorene multipliseres med den årlige forventede etterspørselen for å gi justerte prognoser for hver sesong. Beregner en prognose med sesongjusteringer. Wishbone Farms vokser kalkuner for å selge til et kjøttproduserende selskap gjennom hele året. Men høysesongen er åpenbart i løpet av fjerde kvartal av året, fra oktober til desember. Wishbone Farms har opplevd etterspørselen etter kalkuner de siste tre årene vist i følgende tabell: Fordi vi har tre års etterspørseldata, kan vi beregne sesongfaktorene ved å dele totalt kvartalsbehov for de tre årene etter total etterspørsel i alle tre år : Deretter vil vi multiplisere den forventede etterspørselen etter neste år, 2000, ved hver sesongfaktor for å få forventet etterspørsel etter hvert kvartal. For å oppnå dette trenger vi en etterspørselsprognose for 2000. I dette tilfellet, siden etterspørseldataene i tabellen ser ut til å vise en generelt økende trend, beregner vi en lineær trendlinje for de tre årene med data i tabellen for å bli tøffe prognose estimat: Prognosen for 2000 er således 58,17, eller 58,170 kalkuner. Ved å bruke denne årlige prognosen for etterspørsel er de sesongjusterte prognosene, SF i, for 2000 Sammenligning av disse kvartalsprognosene med de faktiske etterspørselsverdiene i tabellen, synes de å være relativt gode prognoser som reflekterer både sesongvariasjoner i dataene og den generelle oppadgående trenden. 10-12. Hvordan er den bevegelige gjennomsnittlige metoden lik eksponensiell utjevning 10-13. Hvilken effekt på eksponensiell utjevningsmodell vil øke utjevningskonstanten har 10-14. Hvordan skiller den justerte eksponensielle utjevningen seg fra eksponensiell utjevning 10-15. Hva bestemmer valget av utjevningskonstanten for trend i en justert eksponensiell utjevningsmodell 10-16. I kapitteleksemplene for tidsseriemetoder ble startprognosen alltid antatt å være den samme som den faktiske etterspørselen i første periode. Foreslå andre måter at startprognosen kan utledes ved faktisk bruk. 10-17. Hvordan er lineær trendlinjeprognosemodell forskjellig fra en lineær regresjonsmodell for prognoser 10-18. Av tidsseriemodellene som presenteres i dette kapittelet, inkludert det bevegelige gjennomsnittlige og vektede glidende gjennomsnittet, eksponensiell utjevning og justert eksponensiell utjevning, og lineær trendlinje, hvilken anser du best Hvorfor 10-19. Hvilke fordeler har justert eksponensiell utjevning over en lineær trendlinje for forventet etterspørsel som viser en trend 4 K. B. Kahn og J. T. Mentzer, Forecasting in Consumer and Industrial Markets, Journal of Business Forecasting 14, nr. 2 (sommeren 1995): 21-28.
No comments:
Post a Comment