Prognosemetoder Fortsett å lese. Alle virksomheter står overfor det generelle problemet med å ta avgjørelser under usikkerhetsforhold. Ledelsen må forstå karakteren av etterspørsel og konkurranse for å utvikle realistiske forretningsplaner, fastslå en strategisk visjon for organisasjonen, og avgjøre teknologi - og infrastrukturbehov. For å løse disse utfordringene benyttes prognoser. Ifølge Makridakis (1989) kan prognoser for fremtidige hendelser karakteriseres som søket etter svar på ett eller flere av følgende spørsmål: X Hvilke nye økonomiske, tekniske eller sosiologiske krefter er organisasjonen sannsynlig å møte både på kort og lang sikt X Når kan disse styrkene påvirke firmaets objektive miljø? X Hvem er sannsynlig å være først til å tilpasse seg hver konkurransedyktig utfordring X Hvor mye endring skal firmaet forvente både på kort og lang sikt I dette papiret vil jeg gi en oversikt over prognosemetoder og sammenligne og kontrast disse ulike metodene. Papiret vil da fokusere på hvordan Mattel, en av nasjonens største leketøyprodusenter, bruker etterspørselsforespørsel under usikkerhetsforhold V mest spesifikt de som gjelder mønster og hastighet som kunder krever produkter på. Hva er Forecasting i Operations Management, er etterspørselsforespørsel definert som forretningsprosessen som forsøker å estimere salg og bruk av produkter slik at de kan kjøpes, lagerføres eller produseres i passende mengder på forhånd for å støtte bedriftene verdiskapende aktiviteter. Ross, 1995). Forecasting er en prosess som forvandler historiske tidsserier og / eller kvalitative vurderinger til uttalelser om fremtidige hendelser. Denne prosessen kan produsere enten kvalitative eller subjektive fremskrivninger. Merk at ingen prognoseprosess kan konsekvent gi perfekte prognoser. Enhver prognose som perfekt estimerer påfølgende hendelser, skal gi årsaken til alarm, da dette antagelig er tydelig på grunn av uhensiktsmessige forhold, for eksempel matlaging av bøkene eller rapporteringsresultatdata som viser samsvar med planer i forhold til faktiske hendelser (Makridakis, 1989). Prognosemetoder Det er fire grunnleggende typer prognosemetoder: kvalitativ, tidsserieanalyse, årsaksforhold og simulering. Kvalitative teknikker Kvalitative teknikker er subjektive eller dømmende og basert på estimater og meninger (Chase, 2005). Disse prognosene gjenspeiler folks vurderinger eller meninger og foreslår sannsynlige forhold, for eksempel folks oppfatning om det vil regne i dag. Disse prognosene foretrekkes når det er et ønske om å engasjere individer i organisasjonen med en sentral forretningsprosess. En potensiell fallgruv for denne teknikken er at enkelte individer baserer sine vurderinger av fremtidige hendelser på historiske data, noe som kanskje ikke gir relevante etterspørselsmønstre som er stabile nok til å garantere deres bruk for å prognose fremtidige hendelser. Slik citerer denne siden MLA Citation: Forecasting Methods. 123HelpMe. 25 Feb 2017 lt123HelpMeview. aspid165095gt. I tillegg kan nye etterspørselsmønstre være for ustabile for en numerisk tilnærming. Følgelig bør intim kunnskap om markedet være den valgte datakilden. Det er mange kvalitative tilnærminger til etterspørselsprognose. Følgende er noen av de mer vanlige tilnærmingene: X Grass-Roots Forecasting søker innspill fra personer på organisasjonsnivå som gir dem den beste kontakten med hendelsen under studien (Chase, 2005). Denne teknikken kan bestå av å gjennomføre en markedsundersøkelse av salgsrepresentanter for sine avlesninger på dagens markedsforhold. Den potensielle feilen med dette verktøyet er at den er gjenstand for kortsiktige perspektiver. Kilden til dataene kan bli urimelig påvirket av nyere hendelser. For eksempel kan en selger som har hatt en god dag, gi en altfor optimistisk prognose for fremtiden som ikke nøyaktig representerer markedsforholdene i det hele tatt. X Historisk Analogi: Forutsigelser basert på historisk analogi, undersøker muligheten for at tidligere hendelser kan gi innsikt i prediksjonen av fremtidige relaterte hendelser. Denne metoden binder det som for tiden er prognostisert til en lignende gjenstand (Chase, 2005). For eksempel, ved å bruke salgsmønsteret for svart-hvitt-TV-apparater for å prognose farge-tv-salg. Economists relay på denne typen prognosemodell for å prognose konjunkturer og relaterte utviklinger. Denne metoden kan vise seg unøyaktig dersom krefter som kjørte forbi hendelser ikke lenger er til stede. X Markedsundersøkelser: Denne prognosemetoden samler data på en rekke måter som undersøkelser, intervjuer og fokusgrupper for å vurdere kjøpsmønstre og holdninger til nåværende og potensielle kjøpere av en god eller tjeneste. Designere av varer og tjenester bruker denne metoden til å forstå deres nåværende kunder og de kjøperne de ønsker å tjene. X Dlephi Metode: Delphi-metoden samler prognoser gjennom sekvensielle, uavhengige svar fra en gruppe eksperter til en rekke spørreskjemaer. Forecasteren samler og analyserer respondentene innspill og utvikler et nytt spørreskjema for samme ekspertgruppe. Denne sekvensen arbeider mot konsensus som reflekterer innspill fra alle ekspertene, samtidig som det forhindres at noen enkeltpersoner dominerer prosessen (Chase, 2005). Kvantitative teknikker Kvantitative prognostiseringsteknikker forvandler inngang i form av numeriske data til prognoser ved hjelp av metoder i en av tre kategorier. Hver kategori av kvantitative prognosemetoder antar at tidligere hendelser gir et utmerket grunnlag for å øke forståelsen av sannsynlige fremtidige resultater. X Tidsserieanalyse: Tidsserieanalyse er basert på forutsetningen at data knyttet til tidligere etterspørsel eller ytelse kan brukes til å forutsi fremtidig etterspørsel. Eksempler på denne metoden inkluderer: a. Enkelt glidende gjennomsnitt, hvor en tidsperiode som inneholder et antall datapunkter, i gjennomsnitt ved å dele summen av poengverdiene med antall poeng. b. Regresjonsanalyse, hvor det gjennomsnittlige forholdet mellom en avhengig variabel, salg for eksempel og en eller flere avhengige variabler, pris eller reklame for eksempel, estimeres ved å tilpasse en rett linje til tidligere data for å forholde dataverdien til tid. c. Trendprognoser, en prognostiseringsteknikk som hovedsakelig bygger på historiske tidsseriedata for å forutsi fremtiden. Denne metoden innebærer å tilpasse en matematisk trendlinje til datapunktene og deretter projisere den inn i fremtiden. X Årsakstudier: Årsakstudier ser etter årsakssammenheng mellom ledende variabler og prognostiserte variabler. Denne metoden forsøker å forstå systemet som ligger til grunn og rundt elementet som forventes, for eksempel påvirkning av annonsering, kvalitet og konkurranse om salg (Chase, 2005). X Matematiske modeller eller simuleringsmodeller: Simulasjonsmodeller er hva-hvis modeller som forsøker å simulere effektene av alternative styringspolitikker og antagelser om firmaets eksterne miljø. De prøver å representere tidligere oppførsel i et gyldig matematisk forhold, og deretter endre disse dataene for å projisere fremtidige hendelser. De fleste økonomiske modellene er simuleringsmodeller. Disse modellene er effektive når det gjelder å utføre en rekke forskjellige analyser som hjelper ledelsen til å bestemme det beste for virksomheten. Teknologiske fremskritt i datamaskiner har gjort det mulig for flere og flere bedrifter å bygge og benytte modellering for planlegging og beslutningstaking (Chase, 2005). Mattel - og etterspørselsprognose Med høytiden på oss, venter mange barn entusiastisk på utseendet til årstidene, det er helt nytt leketøy under juletreet. Hvert år må leketakere som Mattel gjøre et sett med viktige beslutninger som vil sette kursen på sine firmaer økonomisk ytelse. Mange måneder før juletidens ankomst, må Mattel bestemme hvilke leker som sannsynligvis vil være varme og hvilke vil være hunder. De må forsiktig balansere tilførselen av disse varme lekene med forbrukernes etterspørsel, eller de vil bli møtt av ulykkelige kunder eller verre ennå, fast med langsomt flyttende varer. Dette er ikke en lett oppgave gitt de lange produksjons - og distribusjonstidene for leketøyindustrien. For å møte forbrukernes etterspørsel etter dagens høysesong, må leketøyprodusenter legge opp produksjonen i midten av året for å sikre at de vil få tilstrekkelig antall bestselgende leker og få sakte flyttemaskiner (Pereira, 2005). Et stort gap i denne ligningen er presentert av det faktum at mange voksne virkelig ikke forstår hva barn vil ønske når julen kommer. Når jeg snakker fra personlig erfaring, vil barna mine alle leker de ser annonsert på fjernsynet mellom september og jul for å vises under deres tre. Dessverre, hva voksne verdier har lite å gjøre med det barna etterspør. Mens voksne kan føle at en opplyst verden som snakker for deg, er en veldig kul pedagogisk leke, har barna en tendens til å lene seg mot Tickle Me Elmo. For å bygge bro over dette gapet bruker Mattel markedsundersøkelser for å forutsi hvilket leketøy som vil være en vinner. Hvert år sender Mattel sine nye produkter til evaluering av de endelige forbrukerne V barna. Ved hjelp av en to-trinns prosess evalueres lekene for deres appell til målmarkedet. Den første fasen av prosessen innebærer å velge en bestemt blanding av 100 barn fra barnehager for å evaluere nye leker. Barnene er delt inn i fokusgrupper med like representasjon fra de som liker actionfigurer, brettspill, byggeleker, dukker og kunst og håndverk. (Pereira, 1997). I juni blir barna spurt og bedt om å rangere sine tre beste valg blant lekene som presenteres i hver kategori. Ved utgangen av juni reduserer fokusgruppene de 380 foreslåtte lekene til en samling av 63 finalister V de tre øverste i hver av de 21 kategoriene. I andre etappe blir finalistlegene sendt til KinderCare Learning Centers rundt om i landet hvor spesialutdannede lærere ser hvilke leker barna foretrekker og støtter hemmelige valgposisjoner som deres favoritter (Pereira, 1997). Jeg vet en tre år gammel og en fem år gammel som vil gjerne være med i denne fokusgruppen Konklusjon Det er tydelig at etterspørselsforespørsel er delkunst og kunstvitenskap. Det begynner med en forståelse av organisasjonens beslutningsbehov og fortsetter å studere data for å avgjøre hvordan det beste forecastingverktøyet kan utvikles for å betjene organisasjonens forretningsbehov. Hvert stykke analyse skaper ny informasjon, og gir rikdom og dybde til den overordnede forretningsdankeprosessen. Referanser Chase, R. et al. (2005). Operations Management for Competitive Advantage, 11. utgave. McGraw-Hill Selskaper: New York. Makridakis, S. et al. (1998). Forecasting Methods and Applications, 5. utgave. John Wiley Sons: New York. Pereira, J. (1997). For disse ungdommene, er å prøve leketøy knapt barnespill. Wall Street Journal, 121797. Ross, D. (1995). Distribusjonsplanlegging og - kontroll. Chapman Hall: New York. FORECASTING Seasonal Factor - prosentandelen av gjennomsnittlig kvartalsbehov som oppstår i hvert kvartal. Årlig prognose for år 4 er beregnet til å være 400 enheter. Gjennomsnittlig prognose per kvartal er 4004 100 enheter. Kvartalsvisvarsel avg. prognose sesongfaktor. Kausale prognosemetoder Kausale prognosemetoder er basert på et kjent eller oppfattet forhold mellom den faktor som skal prognoses og andre eksterne eller interne faktorer. 1. regresjon: Matematisk ligning relaterer en avhengig variabel til en eller flere uavhengige variabler som antas å påvirke den avhengige variabelen 2. Økonometriske modeller: System av gjensidige regresjonsligninger som beskriver noen sektor av økonomisk aktivitet 3. Inndata-utgangsmodeller: beskriver strømmen fra en sektor av økonomien til en annen, og forutsetter derfor inngangene som kreves for å produsere utganger i en annen sektor 4. simuleringsmodeller MÅLING FORECAST FEIL Det er to aspekter ved prognosefeil å være opptatt av - Bias og nøyaktighet Bias - En prognose er partisk hvis den går mer i en retning enn i den andre - Metoden har en tendens til å være under-prognoser eller over-prognoser. Nøyaktighet - Forecast nøyaktighet refererer til avstanden til prognosene fra den faktiske etterspørselen ignorerer retningen av den feilen. Eksempel: I seks perioder har prognosen og den faktiske etterspørselen blitt sporet. Følgende tabell gir den faktiske etterspørselen D t og prognosefterspørselen F t i seks perioder: Kumulativ sum av prognosefeil (CFE) -20 gjennomsnittlig absolutt avvik (MAD) 170 6 28,33 gjennomsnittlig kvadrat feil (MSE) 5150 6 858.33 standardavvik for prognosefeil 5150 6 29.30 gjennomsnittlig absolutt prosentfeil (MAPE) 83,4 6 13,9 Hvilken informasjon gir hver prognose en tendens til å overskride etterspørsels gjennomsnittlig feil per prognose var 28,33 enheter eller 13,9 av Den faktiske etterspørselsprøvefordelingen av prognosefeil har standardavvik på 29,3 enheter. KRITERIER FOR VELGING AV EN FORSIKLINGSMETODE Mål: 1. Maksimere nøyaktighet og 2. Minimer Bias Potensielle Regler for å velge en prognosemetode for tidsserier. Velg metoden som gir den minste bias, målt ved kumulativ prognosefeil (CFE) eller gir den minste gjennomsnittlige absoluttavviket (MAD) eller gir det minste sporingssignalet eller støtter ledelsens tro på det underliggende mønsteret av etterspørsel eller andre. Det synes åpenbart at noe måling av både nøyaktighet og forspenning skal brukes sammen. Hvordan Hva med antall perioder som skal samples hvis etterspørselen er iboende stabil, foreslås lave verdier av og og høyere verdier av N hvis etterspørselen er ustabil, høye verdier av og og lavere verdier av N er foreslått FOCUS FORECASTING quotfocus forecastingquot refererer til en tilnærming til prognoser som utvikler prognoser ved hjelp av ulike teknikker, plukker deretter prognosen som ble produsert av kvotekvoten til disse teknikkene, hvor kvotekvot bestemmes av noe mål på prognosefeil. FOKUSFORSIKRING: EKSEMPEL For første halvår har etterspørselen etter en varehandel vært 15, 14, 15, 17, 19 og 18 enheter. En forhandler bruker et fokusprognosesystem basert på to prognoseteknikker: et to-års glidende gjennomsnitt og en trendjustert eksponensiell utjevningsmodell med 0,1 og 0,1. Med den eksponentielle modellen var prognosen for januar 15 og trenden gjennomsnittlig ved utgangen av desember var 1. Forhandleren bruker gjennomsnittlig absolutt avvik (MAD) de siste tre månedene som kriterium for å velge hvilken modell som vil bli brukt til å prognose for neste måned. en. Hva blir prognosen for juli og hvilken modell vil bli brukt b. Vil du svare på del a. være forskjellig dersom etterspørselen etter mai hadde vært 14 i stedet for 19 FORECASTING Forecasting innebærer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst. Det er helt avgjørende for kort rekkevidde og langdistanse planlegging. Per definisjon er en prognose basert på tidligere data, i motsetning til en prediksjon, som er mer subjektiv og basert på instinkt, magefølelse eller gjetning. For eksempel gir kveldsnyheten været x0022forecastx0022 ikke været x0022prediction. x0022 Uansett er vilkårene prognose og prediksjon ofte brukt interchangeable. For eksempel definerer definisjoner av regressionx2014a-teknikk som noen ganger brukes i forecastingx2014 generelt at dens formål er å forklare eller x0022predict. x0022 Forecasting er basert på en rekke antagelser: Fortiden vil gjenta seg selv. Med andre ord, hva som har skjedd i fortiden, vil skje igjen i fremtiden. Etter hvert som prognosehorisonten forkortes, øker prognosens nøyaktighet. For eksempel vil en prognose for i morgen være mer nøyaktig enn en prognose for neste måned, en prognose for neste måned vil være mer nøyaktig enn en prognose for neste år, og en prognose for neste år vil være mer nøyaktig enn en prognose i ti år i framtid. Forventning totalt sett er mer nøyaktig enn å forutse enkelte elementer. Dette betyr at et selskap vil kunne prognose total etterspørsel over hele produktspekteret mer nøyaktig enn det vil kunne prognostisere individuelle lagerbeholdningsenheter (SKU). For eksempel kan General Motors mer nøyaktig anslå det totale antallet biler som trengs for neste år enn totalt antall hvite Chevrolet Impalas med en viss opsjonspakke. Prognoser er sjelden nøyaktige. Videre er prognosene nesten aldri helt nøyaktige. Mens noen er veldig nær, er få x0022right på pengene. X0022 Derfor er det lurt å tilby en prognose x0022range. x0022 Hvis man skulle prognose en etterspørsel på 100.000 enheter for neste måned, er det ekstremt lite sannsynlig at etterspørselen vil være 100.000 nøyaktig. En prognose på 90.000 til 110.000 vil imidlertid gi et mye større mål for planlegging. William J. Stevenson lister opp en rekke egenskaper som er felles for en god prognose: Accuratex2014Som grad av nøyaktighet bør bestemmes og oppgis slik at sammenligning kan gjøres til alternative prognoser. Reliablex2014prognosen må konsekvent gi en god prognose hvis brukeren skal etablere en viss grad av selvtillit. Timelyx2014a Det er nødvendig med viss tid for å svare på prognosen, slik at prognoseperioden må tillate tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forståelse av prognosen må være trygg og komfortabel å jobbe med. Kostnadseffektivitet2014kostnadene for å gjøre prognosen bør ikke oppveie fordelene fra prognosen. Forecasting teknikker spenner fra det enkle til det ekstremt komplekse. Disse teknikkene klassifiseres vanligvis som kvalitative eller kvantitative. KVALITATIVE TEKNIKER Kvalitative prognostiseringsteknikker er generelt mer subjektive enn deres kvantitative motparter. Kvalitative teknikker er mer nyttige i de tidligere stadier av produktets livssyklus, når det foreligger mindre fortidsdata for bruk i kvantitative metoder. Kvalitative metoder inkluderer Delphi teknikken, Nominell gruppeteknikk (NGT), salgsstyrke meninger, utøvende meninger og markedsundersøkelser. DELPHI TECHNOLOGY. Delphi-teknikken bruker et panel av eksperter til å produsere en prognose. Hver ekspert blir bedt om å gi en prognose som er spesifikk for behovet ved hånden. Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir da laget av hver ekspert. Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av oppfatningen av de andre. Denne prosessen gjentar seg til hver ekspert nærmer seg enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNOLOGY. Nominell gruppeteknikk ligner på Delphi-teknikken ved at den bruker en gruppe deltakere, vanligvis eksperter. Etter at deltakerne har reagerer på prognosespørsmål, rangerer de deres svar i rekkefølge av opplevd relativ betydning. Deretter samles rangeringene og aggregeres. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. Salgsforståelser. Salgspersonalet er ofte en god kilde til informasjon om fremtidig etterspørsel. Salgsansvarlig kan be om innspilling fra hver salgs person og samle sine svar til en sammensatt prognose for salgsstyrke. Forsiktighet bør utvises ved bruk av denne teknikken, da selgerens medlemmer kanskje ikke kan skille mellom hva kundene sier og hva de egentlig gjør. Også, hvis prognosene vil bli brukt til å etablere salgskvoter, kan salgsstyrken bli fristet til å gi lavere estimater. FØLGENDE OPINIONS. Noen ganger møter lederne på øverste nivå og utvikler prognoser basert på deres kunnskap om deres ansvarsområder. Dette er noen ganger referert til som en jury av utøvende mening. MARKEDSUNDERSØKELSER. I markedsundersøkelser benyttes forbrukerundersøkelser for å etablere potensiell etterspørsel. Slike markedsundersøkelser innebærer vanligvis å bygge et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere personlig informasjon i butikk og kjøpesentre, hvor forbrukerne kan oppleve, føle, lukte og se et spesielt produkt. Forskeren må være forsiktig med at prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER Kvantitative prognoseteknikker er generelt mer objektive enn sine kvalitative motparter. Kvantitative prognoser kan være tidsserier prognoser (dvs. et projeksjon fra fortiden inn i fremtiden) eller prognoser basert på associative modeller (dvs. basert på en eller flere forklarende variabler). Tidsseriedata kan ha underliggende atferd som må identifiseres av prospektoren. I tillegg kan prognosen kanskje identifisere årsakene til atferden. Noen av disse oppføringene kan være mønstre eller bare tilfeldige variasjoner. Blant mønstrene er: Trender, som er langsiktige bevegelser (opp eller ned) i dataene. Seasonality, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden av året, måneden eller til og med en bestemt dag, som vitne til omsetningen til jul eller toppene i bankaktivitet på den første i måneden og på fredager. Sykler, som er wavelike variasjoner som varer mer enn et år som vanligvis er knyttet til økonomiske eller politiske forhold. Uregelmessige variasjoner som ikke gjenspeiler typisk oppførsel, som for eksempel ekstremvær eller en unionstank. Tilfeldige variasjoner, som omfatter alle ikke-typiske atferd som ikke er klassifisert av de andre klassifiseringene. Blant tidsseriemodellene er det enkleste naxEFve-prognosen. En naxEFve-prognose bruker bare den faktiske etterspørselen etter den siste perioden som forventet etterspørsel etter neste periode. Dette gjør selvsagt antakelsen om at fortiden vil gjenta. Det antas også at noen trender, sesongmessige eller sykluser blir enten reflektert i forrige periodes krav eller eksisterer ikke. Et eksempel på naxEFve-prognoser er presentert i tabell 1. Tabell 1 NaxEFve-prognoser En annen enkel teknikk er bruken av middelverdi. For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder med tidligere data ved å summere hver periode og dividere resultatet med antall perioder. Denne teknikken har vist seg å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt er blant annet glidende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar et forhåndsbestemt antall perioder, summerer deres faktiske etterspørsel, og deler etter antall perioder for å nå en prognose. For hver etterfølgende periode faller den eldste dataperioden og den siste perioden legges til. Hvis man antar et tre måneders glidende gjennomsnitt og bruker dataene fra tabell 1, vil man ganske enkelt legge til 45 (januar), 60 (februar) og 72 (mars) og dele med tre for å komme frem til en prognose for april: 45 60 72 177 x00F7 3 59 For å komme frem til en prognose for mai, ville man slippe Januaryx0027s etterspørsel fra ligningen og legge til etterspørselen fra april. Tabell 2 viser et eksempel på en tre måneders glidende gjennomsnittlig prognose. Tabell 2 Tre måneders flytende gjennomsnittlig prognose Faktisk etterspørsel (000x0027s) Et veid gjennomsnitt anvender en forhåndsbestemt vekt til hver måned med tidligere data, summerer de siste dataene fra hver periode og fordeler seg etter totalvekten. Hvis forforskeren justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med den faktiske etterspørselen av hver aktuell periode. Resultatene summeres da for å oppnå en vektet prognose. Generelt, jo nyere dataene er jo høyere vekten, og jo eldre dataene, desto mindre er vekten. Bruk av etterspørselseksemplet, et veid gjennomsnitt med vekt på .4. 3. 2, og .1 ville gi prognosen for juni som: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Forutsetninger kan også bruke en kombinasjon av det veide gjennomsnittet og gjennomsnittlige gjennomsnittlige prognoser . En vektet glidende gjennomsnittlig prognose tilordner vekt til et forhåndsbestemt antall perioder med faktiske data og beregner prognosen på samme måte som beskrevet ovenfor. Som med alle flyttende prognoser, da hver ny periode legges til, blir dataene fra den eldste perioden kassert. Tabell 3 viser en tre måneders vektet glidende gjennomsnittlig prognose ved bruk av vektene .5. 3 og .2. Tabell 3 Threex2013Month Weighted Moving Gjennomsnittlig Forecast Actual Demand (000x0027s) En mer kompleks form av vektet glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt etter hvert som dataene blir eldre. Eksponensiell utjevning tar forrige periodx0027s prognose og justerer den med en forhåndsbestemt utjevningskonstant, x03AC (kalt alfa verdien for alfa er mindre enn en) multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk skjedde i den tidligere estimerte perioden (kalt prognose feil). Eksponensiell utjevning uttrykkes formelt som sådan: Ny prognose forrige prognose alfa (faktisk etterspørsel x2212 forrige prognose) FF x03AC (A x2212 F) Eksponensiell utjevning krever at prospektoren begynner prognosen i en tidligere periode og arbeider frem til perioden hvor en strøm prognose er nødvendig. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode, den faktiske etterspørselen fra en tidligere periode, eller det kan estimeres ved å gjennomsnittlig hele eller deler av de tidligere dataene. Noen heuristikker eksisterer for å beregne en innledende prognose. For eksempel vil den heuristiske N (2 xF7 x03AC) x2212 1 og en alfa på .5 gi en N av 3, som indikerer at brukeren vil gjennomsnittlig de første tre periodene av data for å få en innledende prognose. Imidlertid er nøyaktigheten av den første prognosen ikke kritisk hvis man bruker store mengder data, siden eksponensiell utjevning er x0022selfkorrigerende. x0022 Gitt til nok perioder med tidligere data, vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig start prognose. Ved å bruke dataene som brukes i andre eksempler, beregnes en innledende prognose på 50 og en alfa på .7, en prognose for februar: Ny prognose (februar) 50 .7 (45 x2212 50) 41,5 Neste, prognosen for mars : Ny prognose (mars) 41.5 .7 (60 x2212 41.5) 54.45 Denne prosessen fortsetter til forutsetningen når den ønskede perioden. I tabell 4 vil dette være for juni måned, siden den faktiske etterspørselen etter juni ikke er kjent. Faktisk etterspørsel (000x0027s) En utvidelse av eksponensiell utjevning kan brukes når tidsseriedata viser en lineær trend. Denne metoden er kjent av flere navn: dobbel utjevning trendjustert eksponensiell utjevning prognose inkludert trend (FIT) og Holtx0027s Model. Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis trenden øker, eller høy hvis trenden minker. Med denne modellen er det to utjevningskonstanter, x03AC og x03B2 med x03B2 som representerer trendkomponenten. En utvidelse av Holtx0027s modell, kalt Holt-Winterx0027s Metode, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, med multiplikasjonen som den mest brukte. I additivmodellen er sesongmessighet uttrykt som en mengde som skal legges til eller trekkes fra serienes gjennomsnitt. Den multiplikative modellen uttrykker sesongmessigheten som en prosentandel som kjent sesongfamilier eller sesongbestemte indekser i gjennomsnitt (eller trend). Disse blir deretter multiplisert gangerverdier for å inkludere sesongmessighet. En relativ på 0,8 ville indikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1,10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet. Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndbok lærebøker eller en av flere bøker om prognoser. Associative eller kausal teknikker innebærer identifisering av variabler som kan brukes til å forutsi en annen variabel av interesse. For eksempel kan renten brukes til å prognose etterspørselen etter boligfinansiering. Vanligvis innebærer dette bruk av lineær regresjon, hvor målet er å utvikle en ligning som oppsummerer effektene av prediktor (uavhengige) variablene på den prognostiserte (avhengige) variabelen. Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen (med avvik som er avstanden fra hvert punkt til linjen). Ekvationen vil se ut som: ya bx, hvor y er den forutsette (avhengige) variabelen, x er prediktor (uavhengig) variabel, b er linjens helling, og a er lik linjehøyden på y - avskjære. Når ligningen er bestemt, kan brukeren sette inn nåværende verdier for prediktor (uavhengig) variabel for å komme frem til en prognose (avhengig variabel). Hvis det er mer enn én prediktorvariabel eller hvis forholdet mellom prediktor og prognose ikke er lineært, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, bør flere regresjon brukes, mens ikke-lineære forhold krever bruk av krøllet regresjon. ØKONOMETRISK FORSIKRING Økonometriske metoder, for eksempel autoregressiv integrert bevegelig gjennomsnittsmodell (ARIMA), bruker komplekse matematiske ligninger til å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at det er like pålitelig en representasjon av det siste forholdet som mulig. Når dette er gjort, blir projiserte verdier av påvirkning variablene (inntekt, priser, etc.) satt inn i ligningen for å lage en prognose. EVALUERENDE FORSIKRINGER Forsiktig nøyaktighet kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik (MAD), gjennomsnittlig kvadratfeil (MSE) eller gjennomsnittlig absolutt prosentfeil (MAPE) for prognosen ved å bruke forskjellige verdier for alfa. Bias er summen av prognosefeilene x2211 (FE). For eksponentiell utjevningseksempel ovenfor, ville beregningsforspenningen være: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Hvis man antar at en lav forspenning indikerer en generell lavprognosefeil, kan man beregne bias for en rekke potensielle verdier av alfa og antar at den med lavest bias ville være den mest nøyaktige. Imidlertid må man være oppmerksom på at feilaktig prognoser kan gi lav bias hvis de pleier å være både over prognose og under prognose (negativ og positiv). For eksempel kan et firma i løpet av tre perioder bruke en bestemt verdi av alfa til overprognose med 75 000 enheter (x221275 000), prognostisert av 100 000 enheter (100 000), og deretter over forventet med 25 000 enheter (x221225 000), hvilket gir en bias av null (x221275.000 100.000 x2212 25.000 0). Til sammenligning vil en annen alfa som gir over prognoser på 2000 enheter, 1000 enheter og 3000 enheter resultere i en bias på 5000 enheter. Hvis den normale etterspørselen var 100 000 enheter per periode, ville den første alfa gi prognoser som var av med så mye som 100 prosent, mens den andre alfa ville være ute med maksimalt bare 3 prosent, selv om bias i den første prognosen var null. Et sikrere mål for prognose nøyaktighet er gjennomsnittlig absolutt avvik (MAD). For å beregne MAD summerer forecasteren den absolutte verdien av prognosefeilene og deler deretter med antall prognoser (x2211 FE x00F7 N). Ved å ta absolutt verdien av prognosefeilene, er motsetningen av positive og negative verdier unngått. Dette betyr at både en prognose på 50 og en under prognose på 50 er av med 50. Ved å bruke dataene fra eksponentiell utjevning, kan MAD beregnes som følger: (60 x 2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) x00F7 4 16.35 Derfor er prospektoren av et gjennomsnitt på 16,35 enheter per prognose. Sammenlignet med resultatet av andre alfaer, vil forecasteren vite at alfa med laveste MAD gir den mest nøyaktige prognosen. Mean square error (MSE) kan også utnyttes på samme måte. MSE er summen av prognosefeilene kvadrert delt med N-1 (x2211 (FE)) x00F7 (N-1). Kvadrering av prognosefeil eliminerer muligheten for å kompensere for negative tall, siden ingen av resultatene kan være negative. Ved bruk av de samme dataene som ovenfor, ville MSE være: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383,94 Som med MAD, kan forecasteren sammenligne MSE med prognoser utledet ved hjelp av ulike verdier av alfa og anta at alfa med laveste MSE gir den mest nøyaktige prognosen. Den gjennomsnittlige absolutte prosentfeilen (MAPE) er gjennomsnittlig absolutt prosentfeil. For å komme til MAPE må man ta summen av forholdene mellom prognosefeil og faktiske etterspørselstider 100 (for å få prosentandelen) og dividere med N (x2211 Faktisk etterspørsel x2212 prognose x00F7 Faktisk etterspørsel) xD7 100 x00F7 N. Bruke dataene fra Eksponentiell utjevningseksempel, MAPE kan beregnes som følger: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Som med MAD og MSE, jo lavere er den relative feilen jo mer nøyaktig prognosen. Det skal bemerkes at i noen tilfeller kan prognosenes evne til å endre seg raskt for å svare på endringer i datamønstre anses å være viktigere enn nøyaktighet. Derfor bør onex0027s valg av prognosemetode gjenspeile den relative balansen mellom betydning mellom nøyaktighet og respons, som bestemt av forspilleren. GJØR EN FORSIKTIG William J. Stevenson lister følgende som de grunnleggende trinnene i prognoseprosessen: Bestem prognosen for prox0027. Faktorer som hvordan og når prognosen vil bli brukt, graden av nøyaktighet som trengs, og detaljnivået som ønskes, bestemmer kostnadene (tid, penger, ansatte) som kan dedikeres til prognosen og typen prognosemetode som skal utnyttes . Etablere en tidshorisont. Dette skjer etter at man har bestemt formålet med prognosen. Langsiktig prognoser krever lengre tidshorisonter og omvendt. Nøyaktighet er igjen en vurdering. Velg en prognose teknikk. Teknikken som velges, avhenger av formålet med prognosen, ønsket tidshorisont og den tillatte prisen. Samle og analysere data. Mengden og typen data som trengs styres av forecastx0027s formål, den valgte prognoseknikken, og eventuelle kostnadsoverveielser. Lag prognosen. Overvåk prognosen. Vurder ytelsen til prognosen og modifiser om nødvendig. YTTERLIGERE LESING: Finch, Byron J. Operations Now: Lønnsomhet, prosesser, ytelse. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Econometric Analysis. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022Den nominelle gruppen Technique. x0022 Forskingsprosessen. Tilgjengelig fra x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Les også artikkelen om Forecasting fra Wikipedia
No comments:
Post a Comment