Upload
naava
View
131
Download
0
Embed Size (px)
DESCRIPTION
PREDVIĐANJE POTRAŽNJE. doc. dr. sc. Martina Briš Alić . Št o je predviđanje?. Svakog dana menadžeri donose odluke bez obzira što ne znaju što će se dogoditi u budućnosti: naručuju zalihe bez znanja kakva će biti prodaja , - PowerPoint PPT Presentation
Citation preview
PREDVIĐANJE POTRAŽNJE
doc. dr. sc. Martina Briš Alić
Što je predviđanje?
Svakog dana menadžeri donose odluke bez obzira što ne znaju što će se dogoditi u budućnosti: naručuju zalihe bez znanja kakva će biti prodaja, kupuju novu opremu uprkos neizvjesnosti potražnje za proizvodom, investiraju sredstva u nove objekte bez znanja o budućoj dobiti
poduzeća Izrada dobrih prognoza budućnosti svrha je predviđanja i glavni
input za planiranje
Dobre prognoze su ključni dio efikasnih proizvodnih i uslužnih operacija.
Predviđanje je umjetnost, ali i znanost o predviđanju budućih događaja.
Predviđanje može biti: primjena POVIJESNIH PODATAKA i njihovo projektiranje u
budućnost koristeći neki matematički model, SUBJEKTIVNA procjena ili INTUITIVNA pretpostavka, KOMBINACIJA metoda.
Nema univerzalnog prognostičkog modela koji bi vrijedio za sve. ono što najbolje funkcionira u jednoj industriji, u jednim okolnostima,
može napraviti potpuni kaos u drugoj industriji
Postoje OGRANIČENJA u vezi sa očekivanjima od prognoza: one su rijetko, ili nikada perfektne; one su skupe i vremenski zahtjevne.
Niti jedno ozbiljno poduzeće ne može poslovati po principu “što bude”, a onda se izvlačiti iz situacije EFEKTIVNO PLANIRANJE (i kratkoročno i dugoročno) ovisi o predviđanju potražnje za proizvodima i/ili uslugama s kojima određeno poduzeće opskrbljuje tržište.
KRATKOROČNE PROGNOZE
razdoblje od maksimalno godinu dana – najčešće su
kraće od 3 mjeseca• planiranje nabavke materijala• vremensko planiranje poslova• planiranje zapošljavanja• pridruživanje poslova• planiranje razine proizvodnje
SREDNJOROČNE PROGNOZE
razdoblje od 3 mjeseca do 3 godine
• plan prodaje i marketinških aktivnosti
• planiranje proizvodnje i budžeta• financijski planovi• analiza različitih operativnih
planova
DUGOROČNE PROGNOZE
razdoblje od više od 3 godine unaprijed
• razvoj novog proizvoda• kapitalne investicije• otvaranje ili proširenje lokacije• istraživanje i razvoj
Predviđanja, a tako kasnije i planovi, KATEGORIZIRAJU se prema VREMENSKOM HORIZONTU za koji se vrši prognoza. Općenito postoje 3 kategorije:
• Pretpostavljaju da će isti uzročni sustav koji je postojao u prošlosti postojati i u budućnosti.• Zbog toga poduzeća često rade pogrešku da jednom kada implementiraju prognostički sustav više
ne prate greške prognoze – što je krivo budući da se prognoze moraju stalno provjeravati.
Većina prognostičkih metoda uključuje pretpostavku STABILNOSTI SUSTAVA
• Aktualni rezultati obično se razlikuju od predviđenih vrijednosti.• Budući da nije moguće predvidjeti precizno koliko će često jedan veliki broj srodnih čimbenika
ometati varijable o kojima se radi, kao i postojanje slučajnosti spriječava savršenu prognozu.• Uvijek treba ostaviti prostora za greške.
Prognoze su RIJETKO PERFEKTNE
• Greške prognoze između proizvoda unutar grupe obično imaju poništavajući učinak.• Prilike za grupiranje proizvoda mogu se pojaviti ako se dijelovi ili sirovine koriste za više
proizvoda ili ako usluge traži veći broj nezavisnih izvora.
Prognoza za GRUPU PROIZVODA točnija je nego za POJEDINI PROIZVOD
• Kratkoročna prognoza se suočava sa manje neizvjesnosti od dugoročne pa se zbog toga smatra i točnijom.
TOČNOST prognoze se SMANJUJE kako se POVEĆAVA VREMENSKO RAZDOBLJE na koje se prognoza odnosi
ZAJEDNIČKE KARAKTERISTIKE METODA PROGNOZIRANJA:
• Upućuje na razinu potrebnih pojedinosti u prognozi, količini izvora (radna snaga, kompjutersko vrijeme, novac) koji se mogu pravdati te na razinu potrebne točnosti.
Odrediti SVRHU prognoze (je li to prodaja, proizvodnja ili sl.) te kada će biti potrebna
• Potrebno je uzeti u obzir da točnost opada što se vremensko razdoblje produžuje.
Ustanoviti VREMENSKO RAZDOBLJE koje prognoza mora pokriti
Izabrati METODU PROGNOZIRANJA
• Identificirati svaku pretpostavku koja je vezana uz pripremu i korištenje prognoze.
PRIKUPITI i ANALIZIRATI prikladne podatke te PRIPREMITI PROGNOZU
• Ako ne, PREISPITATI metodu, pretpostavke, točnost podataka, itd.; MODIFICIRATI ako je potrebne te PRIPREMITI NOVU VERZIJU PROGNOZE.
PROMATRATI PROGNOZU kako bi se vidjelo da li se odvija na zadovoljavajući način.
KORACI U PROCESU PROGNOZIRANJA POTRAŽNJE:
KVALITATIVNI PRISTUP
• Nedostatak podataka• Oslanjanje na intuiciju,
emocije, iskustvo prognostičara
• Koriste se obične za predviđanje novih proizvoda, tehnologija
KVANTITATIVNI PRISTUP
• Postojanje povijesnih podataka
• Koriste matematičke modele
• Koriste se kada je situacija “stabilna”
U praksi, kombinacija oba pristupa obično je najefektivnija.
Pristupi predviđanju
Postoje dva osnovna pristupa predviđanju: KVALITATIVNI KVANTITATIVNI
• Oslanja se na mišljenje kupaca ili potencijalnih novih kupaca o njihovoj budućoj kupovini
• Koristi se za prognoziranje potražnje, pogotovo za novim proizvodima
• Obično budu optimističnije nego što kasnije potvrdi prodaja
• Trgovački putnici daju procjene prodaja sljedećeg prognostičkog perioda→ smatra da su oni najbliže kupcu pa time imaju i najtočnije informacije
• Zbog kompenzacijskog sustava koji je uobičajen kod prodajnog osoblja zna često doći do namjernog iskrivljavanja podataka kako bi se postigle kompenzacijske kvote
• Uključuje grupu stručnjaka koji ne moraju biti iz jednog poduzeća
• Stručnjaci ne komuniciraju međusobno, već jedna osoba skuplja njihova mišljenja
• Mišljenja koja se znatno razlikuju šalju se u drugi krug te se postupak nastavlja dok se ne dobije relativno stabilna prognoza
• Uključuje grupu starijih vrhovnih menadžera• Kombiniraju menadžersko iskustvo i
kvantitativne prognoze• Donose ZAJEDNIČKO mišljenje, tj. mora se
postići KONSENZUS
MIŠLJENJE STRUČNJAKA
DELPHI METODA
ISTRAŽIVANJE TRŽIŠTA
PROGNOZA PRODAJE
PREGLED KVALITATIVNIH METODA
MODELI VREMENSKIH SERIJA
• Baziraju se na pretpostavci da je budućnost funkcija prošlosti
• Gledaju što se događalo u jednom periodu vremena te koriste seriju podataka iz prošlosti da bi prognozirali budućnost
• NAIVNA METODA• POMIČNI PROSJECI• EKSPONENCIJALNO
IZJEDNAČAVANJE
• Npr. ako se želi vidjeti kakva će biti potražnja za sladoledom u ljeti 2014. godine, potrebno je uzeti podatke od ljeta 2013. i 2012. godine i predviditi potražnju za sladoledom u 2014. godini
ASOCIJATIVNI MODELI
• Modeli koji određuju vezu između dva parametra
• REGRESIJA
• Npr. na temelju podataka o izdacima za marketing i temperaturi okoline moguće je prognozirati kakva će biti potražnja za sladoledom
PREGLED KVANTITATIVNIH METODA
TREND
SEZONSKE OSCILACIJE
CIKLUSI
NASUMIČNI FAKTOR
KOMPONENTE VREMENSKIH
SERIJA
METODE VREMENSKIH SERIJA
Metode vremenskih serija zasnivaju se na nizu podataka koji su podjednako razmaknuti u vremenu – dnevni, tjedni, mjesečni i sl. podaci
Predviđanje vremenske serije podataka pretpostavlja da se buduće vrijednosti prognoziraju
isključivo na povijesnim podacimate da drugi promjenjivi, bez obzira koliko potencijalno važni podaci mogu biti zanemareni
Rastavljanjem povijesnih podataka moguće je uočiti četiri glavne komponente vremenskih serija:
TREND – postupni rast ili pad potražnje
u vremenu
SEZONSKE OSCILACIJE –
određeni uzorci koji se ponavljaju nakon
nekog perioda
CIKLIČNO PONAŠANJE –
obično se primjećuje svakih nekoliko
godina
NASUMIČNI FAKTOR – kako i samo ime kaže je nasumičan i ne može se predvidjeti koliki će biti,
ali se uključuje u prognostički model
Najjednostavnija metoda budući da pretpostavlja da će potražnja u
narednom periodu biti jednaka potražnji u upravo proteklom
periodu
NAIVNI PRISTUP
PRIMJER: Ako je prodaja XY
proizvoda u prošlom mjesecu iznosila
73 jedince – za sljedeći mjesec
prognozira se da će se prodati 73
jedinice proizvoda XY.
Ako se ostvarila prodaja od 97 jedinica
proizvoda XY umjesto 73, za naredni
mjesec predviđamo prodaju u visini od
97 proizvoda XY.
tt DF 1
gdje je:
periodu tu prodaja ostvarena 1 tperiod za prognoza 1
t
t
DF
Metoda ima smisla samo ako nema dovoljno podataka i predstavlja osnovu za prognozu ako nema drugih načina
POMIČNI PROSJEK
Metoda koja koristi srednju vrijednost podataka za nekoliko zadnjih perioda kako bi prognozirala budući period
Korisna je ako je moguće pretpostaviti da će potražnja na tržištu ostati prilično stabilna tijekom vremena – koristi se kada je trend mali ili ga uopće nema.
PRIMJER: Tromjesečni pomični prosjek računa se zbrajanjem potražnje za prethodna 3 mjeseca i dijeljenjem sa brojem perioda koji se razmatra – u ovom slučaju 3.Sa svakim novim mjesecem, najnoviji mjesečni podaci se dodaju sumi podataka za prethodna 2 mjeseca, a podaci za najstariji mjesec otpadaju – uvijek u obzir dolazi n najnovijih podataka.
Navedenim načinom izglađuje se NASUMIČNA KOMPONENTA predviđanja – izravnavaju se kratkotrajne neregularnosti u seriji podataka.
prosjeku pomicnomu perioda broj periodu tu prodaja ostvarena
1 tperiod za prognoza 1
nDF
t
t
gdje je:
nD
nnF t
t
perioda proteklih potražnji suma1
Mjesec Potražnja Mjesec Potražnja
1 46 13 54 2 56 14 42 3 54 15 64 4 43 16 60 5 57 17 70 6 56 18 66 7 67 19 57 8 62 20 55 9 50 21 52
10 56 22 62 11 47 23 70 12 56 24 72
PRIMJER:
Sljedeći podaci daju potražnju za nekim dobrom (u količinskim jedinicama) koje treba biti u skladištu u razdoblju od 24 mjeseca:
Mjesec
123
b Potražnja
465654
Prognozapomičnog prosjeka
456789
101112
435756676250564756
(46 + 56 + 54)/3 = 52(56 + 54 + 43)/3 = 51(54 + 43 + 57)/3 = 51,33(43 + 57 + 56)/3 = 52(57 + 56 + 67)/3 = 60(56 + 67 + 62)/3 = 61,67(67 + 62 + 50)/3 = 59,67(62 + 50 + 56)/3 = 56(50 + 56 + 47)/3 = 51
Na temelju podataka iz primjera ilustiran je model pomičnog prosjeka – TROMJESEČNI pomični prosjek :
Mjesec Potražnja Pomični prosjek Mjesec Potražnja Pomični
prosjek
1 46 - 13 54 532 56 - 14 42 52,33 3 54 - 15 64 50,67 4 43 52 16 60 53,33 5 57 51 17 70 55,33 6 56 51,33 18 66 64,67 7 67 52 19 57 65,33 8 62 60 20 55 64,33 9 50 61,17 21 52 59,33
10 56 59,17 22 62 54,67 11 47 56 23 70 56,33 12 56 51 24 72 61,33
Prognoze potražnje za sve promatrane mjesece moguće je vidjeti u sljedećoj tablici:
Na temelju gornjih podataka izračunajte prognozu potražnje za 25. mjesec?
Pomoću programa POM – QM for Windows izračunata je prognoza potražnje za 25. mjesec:
Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela pomičnog prosjeka za promatrani primjer:
EKSPONENCIJALNO IZJEDNAČAVANJE
Jedostavna metoda koja zahtjeva vrlo malo podataka – potreban je samo podatak iz prethodnog perioda, a budući da je osjetljiva na promjene u podacima ujedno je i točnija metoda.
Osnovna formula za eksponencijalno izjednačavanje još uvijek je vrlo jednostavna i glasi:
)( tttt FDFF 1
perioda) prošlog od Prognoza - perioda prošlog potražnja (Ostvarena prognoza Stara prognoza Nova
ili matematički:
ako se preuredi, dobiva se:
ttt FDF )( 11
gdje je:
)10( anjaizjednacav konstanta periodu tu potražnja ostvarena
tperiod za prognoza 1 tperiod za prognoza 1
t
t
t
DFF
Odabir vrijednosti konstante izjednačavanja najvažniji je zadatak u traženju “realne” prognoze. U praksi se izabire interval između 0,1 i 0,3 – u ekstremnom slučaju kada se stavi da je α = 1, dobiva se rješenje od naivne prognoze.
Na temelju podataka iz promatranog primjera, uz α = 0,1 te uz prognoziranu vijednost za 24. mjesec u iznosu od 57,63 jedinica, potrebno je prognozirati potražnju za 25. mjesec pomoću EKSPONENCIJALNOG IZJEDNAČAVANJA
ttt FDF )( 11
? 0,1 72 57,63
1
t
t
t
F
DF
)10( anjaizjednacav konstanta
periodu tu potražnja ostvarena tperiod za prognoza
1 tperiod za prognoza 1
t
t
t
DFF
jedinica 0759635710172101 ,,),(, tF
Pomoću programa POM – QM for Windows izračunata je prognoza potražnje za 25. mjesec pomoću eksponencijalnog izjednačavanja:
Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela eksponencijalnog izjednačavanja za promatrani primjer:
UZROČNE (KAUZALNE) METODE PREDVIĐANJA
Razvijaju tzv. MODEL UZROKA I POSLJEDICA između potražnje i ostalih varijabli.
Npr. potražnja za sladoledom može se povezati sa populacijom, srednjom (prosječnom) temperaturom i vremenom. Podaci se mogu prikupiti po tim varijablama, a analiza izvoditi tako da utvrdi valjanost predloženog modela.
Najpoznatija kauzalna metoda je REGRESIJA, a najjednostavniji model regresije je LINEARNI TREND.
U svrhu proračuna TRENDA koristi se tzv. METODA NAJMANJIH KVADRATA, odnosno proračunavaju se parametri a i b takvi da suma odstupanja od te crte bude najmanja.
Metoda najmanjih kvadrata daje pravu liniju koja minimizira sumu kvadrata vertikalnih odstupanja od linije do svake stvarne točke promatranja.
Linija najmanjih kvadrata opisuje se u obliku njenog y-odsječka – a = visina na kojoj linija presjeca y-os i njenog koeficijenta nagiba b.
bxay ˆ
nagib y osi naodsjecak
y) na djeluje da cipretpostav (po varijablanezavisna potražnja naprocijenje
baxy
Jednadžbe za izračunavanje vrijednosti a i b za bilo koju liniju najmanjih kvadrata:
22 xnxyxnxy
b xbya
Linija najmanjih kvadrata izrazi se kao:
bxay ˆ
apromatranj tocakabroj nagib
y osi naodsjecak ti vrijednos- t vrijednossrednja ti vrijednos- t vrijednossrednja
varijablazavisna y) na djeluje da cipretpostav (po varijablanezavisna
potražnja naprocijenje ˆ
nba
yyxx
yxy
gdje je:
Pomoću programa POM – QM for Windows unešena je potražnja za dobrom po mjesecima što je potrebno za izračunavanje jednadžbe za prognozu buduće potražnje pomoću modela regresije – linearnog trenda:
24
1
17842i
ii xy
24
1
300i
ix
24
1
2 4900i
ix
24
1
1374i
iy
24
1
2 80254i
iy
512,x 2557,y
580512244900
255751224178422 ,
),(,,
b
505125802557 ,,,a
xy 58050 ,ˆ
Pomoću programa POM – QM for Windows izračunato je rješenje problema pomoću modela regresije – linearnog trenda :
Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela regresije – linearnog trenda za promatrani primjer: