Prognoser er avgjørende for enhver bedriftsorganisasjon og for enhver vesentlig styringsbeslutning. 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. 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 det 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 den enkle og vektede glidende gjennomsnittlige prognosen som den anser de nyere datapunktene til 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. Tilfeldige feil kan ikke oppdages, de forekommer 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 prognoser brukes. Forutsetninger må gjøres på ulike områder av ledelsen som økonomistyring, markedsføringsledelse, personaleledelse etc., og de samme teknikkene som diskuteres i denne artikkelen, brukes også i disse fagområdene. Forecasting er en viktig aktivitet i sikkerhetsanalysen. Typer Prognosekomponenter av etterspørsel IV. Kvalitative teknikker i prognose Gradsrøtter Markedsanalyseplan Konsensus Historisk Analogi Delphi Metode Tidsserieanalyse Enkel Flytende Gjennomsnittvektet Flytende Gjennomsnittlig Eksponentiell Utjevning Feilfeil Feilkilder Måling av Feil Linjær Regresjonsanalyse Dekomponering av Time Series Causal Relationship Prognose Multiple Regresjonsanalyse. Fokusprognosemetode for fokusprognoser Webbasert prognose: Samarbeidsprosjekt, prognose og etterfylling (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, Operations Management for Competitive Advantage, 10e, McGraw-Hill Higher Education, 2004 highered. mcgraw-hillsites0072506369studentview0chapter12I praksis vil det bevegelige gjennomsnittet gi et godt estimat av gjennomsnittet av tidsserien hvis gjennomsnittet er konstant eller sakte endring. Ved konstant gjennomsnitt vil den største verdien av m gi de beste estimatene for det underliggende gjennomsnittet. En lengre observasjonsperiode vil gjennomsnittlig utvirke virkningen av variabilitet. Formålet med å gi en mindre m er å la prognosen svare på en endring i den underliggende prosessen. For å illustrere foreslår vi et datasett som inkorporerer endringer i det underliggende gjennomsnittet av tidsseriene. Figuren viser tidsseriene som brukes til illustrasjon sammen med den gjennomsnittlige etterspørselen fra hvilken serien ble generert. Middelet begynner som en konstant ved 10. Begynner på tid 21, øker den med en enhet i hver periode til den når verdien av 20 ved tid 30. Da blir det konstant igjen. Dataene blir simulert ved å legge til i gjennomsnitt, en tilfeldig støy fra en Normal-fordeling med null-middel og standardavvik 3. Resultatene av simuleringen avrundes til nærmeste heltall. Tabellen viser de simulerte observasjonene som brukes til eksemplet. Når vi bruker bordet, må vi huske at det til enhver tid bare er kjent med tidligere data. Estimatene til modellparameteren, for tre forskjellige verdier av m, vises sammen med gjennomsnittet av tidsseriene i figuren under. Figuren viser gjennomsnittlig glidende gjennomsnittlig beregning av gjennomsnittet hver gang og ikke prognosen. Prognosene ville skifte de bevegelige gjennomsnittskurver til høyre etter perioder. En konklusjon er umiddelbart tydelig fra figuren. For alle tre estimatene ligger det glidende gjennomsnittet bak den lineære trenden, idet laget øker med m. Laget er avstanden mellom modellen og estimatet i tidsdimensjonen. På grunn av lavet undervurderer det bevegelige gjennomsnittet observasjonene ettersom gjennomsnittet øker. Forskjellerens forspenning er forskjellen på en bestemt tid i middelverdien av modellen og middelverdien forutsatt av det bevegelige gjennomsnittet. Forspenningen når gjennomsnittet øker er negativt. For et avtagende middel er forspenningen positiv. Forsinkelsen i tid og bias innført i estimatet er funksjoner av m. Jo større verdien av m. jo større størrelsen på lag og forspenning. For en kontinuerlig økende serie med trend a. verdiene av lag og forspenning av estimatoren av middelet er gitt i ligningene nedenfor. Eksempelkurverne stemmer ikke overens med disse ligningene, fordi eksempelmodellen ikke øker kontinuerlig, men det begynner som en konstant, endrer seg til en trend og blir konstant igjen. Også eksempelkurvene påvirkes av støyen. Den bevegelige gjennomsnittlige prognosen for perioder inn i fremtiden er representert ved å flytte kurvene til høyre. Forsinkelsen og forspenningen øker proporsjonalt. Ligningene nedenfor angir lag og forspenning av prognoseperioder i fremtiden sammenlignet med modellparametrene. Igjen, disse formlene er for en tidsserie med en konstant lineær trend. Vi bør ikke bli overrasket over dette resultatet. Den bevegelige gjennomsnittlige estimatoren er basert på antagelsen om konstant gjennomsnitt, og eksemplet har en lineær trend i gjennomsnittet i en del av studieperioden. Siden sanntidsserier sjelden vil adlyde forutsetningene til en hvilken som helst modell, bør vi være forberedt på slike resultater. Vi kan også konkludere fra figuren at variasjonen av støyen har størst effekt for mindre m. Estimatet er mye mer flyktig for det bevegelige gjennomsnittet på 5 enn det bevegelige gjennomsnittet på 20. Vi har de motstridende ønskene om å øke m for å redusere effekten av variabilitet på grunn av støyen, og å redusere m for å gjøre prognosen mer lydhør for endringer i gjennomsnitt. Feilen er forskjellen mellom de faktiske dataene og den forventede verdien. Hvis tidsseriene er virkelig en konstant verdi, er den forventede verdien av feilen null og variansen av feilen består av et begrep som er en funksjon av og et andre begrep som er variansen av støyen. Første term er variansen av gjennomsnittet estimert med en prøve av m observasjoner, forutsatt at data kommer fra en befolkning med konstant gjennomsnitt. Denne termen er minimert ved å gjøre m så stor som mulig. Et stort m gjør prognosen uansvarlig for en endring i den underliggende tidsserien. For å gjøre prognosen lydhør for endringer, ønsker vi m så liten som mulig (1), men dette øker feilvariasjonen. Praktisk prognose krever en mellomverdi. Forecasting with Excel Forecasting-tillegget implementerer de bevegelige gjennomsnittlige formlene. Eksempelet nedenfor viser analysen som ble levert av tillegget for prøvedataene i kolonne B. De første 10 observasjonene er indeksert -9 til 0. Sammenlignet med tabellen over, forskyves periodindeksene med -10. De første ti observasjonene gir oppstartsverdiene for estimatet og brukes til å beregne det bevegelige gjennomsnittet for perioden 0. MA (10) kolonnen (C) viser de beregnede bevegelige gjennomsnittene. Den bevegelige gjennomsnittsparameteren m er i celle C3. Fore (1) kolonne (D) viser en prognose for en periode inn i fremtiden. Forespørselsintervallet er i celle D3. Når prognoseperioden endres til et større tall, blir tallene i Fore-kolonnen flyttet ned. Err-kolonnen (E) viser forskjellen mellom observasjonen og prognosen. For eksempel er observasjonen ved tidspunkt 1 6. Den prognostiserte verdien fra det bevegelige gjennomsnittet ved tid 0 er 11,1. Feilen er da -5,1. Standardavviket og gjennomsnittlig avvik (MAD) beregnes i henholdsvis cellene E6 og E7. Simpel flytting Gjennomsnittlig driftadministrasjon Assignment Hjelp Enkel flytting Gjennomsnittlig sesongmessige egenskaper, et enkelt glidende gjennomsnitt kan være svært nyttig for å identifisere en trend innenfor datafluktuasjonen. Hvis vi for eksempel vil prognose salget i juni med et fem måneders glidende gjennomsnitt, kan vi ta gjennomsnittet av salget i januar, februar, mars. April og mai. Når juni passerer. prognosen for juli ville være gjennomsnittet februar, mars, april, mai og juni. Formelen for en enkel glidende gjennomsnittlig prognose er anta at vi ønsker å prognose ukentlig etterspørsel etter et produkt ved hjelp av både et tre-ukers og et 9-ugers glidende gjennomsnitt. som vist i utstillinger 9.6 og 9.7. Disse prognosene beregnes som følger: For å illustrere er tre ukers prognosen for uke: Relaterte operasjonsledelse Oppgaver Vektet Flytte Gjennomsnittlig pålitelighet av datakjerneformler Tidsserier Analyse Eksponentiell utjevningTagget med enkel glidende gjennomsnitt I uke 6 av kurset skal vi se på etterspørsel og prognose, et område som får betydelig oppmerksomhet, særlig ettersom interessen i styring av forsyningskjeden vokser, og vi søker å bedre planlegge og koordinere forsyningskjeden som helhet. Det er ofte sagt at prognoser vanligvis er feil, noe spektakulært slik: Læringsmålene for denne uken av kurset er at du bør forstå rollen som prognoser som grunnlag for forsyningskjedenes planlegging. At du vil kunne sammenligne forskjellene mellom uavhengig og avhengig etterspørsel. For det tredje, at du vil kunne identifisere de grunnleggende komponentene i uavhengig etterspørsel, inkludert gjennomsnittlig trend, sesongmessig og tilfeldig variasjon. Du vil kunne beskrive de vanlige kvalitative prognoseteknikker som Delphi Method og Collaborative Forecasting. Du vil forstå grunnleggende kvantitative prognostiseringsteknikker og bruken av nedbrytning for å prognose når trend og sesongmessighet er til stede. Følgende video understreker behovet for nøyaktighet og kommonsens i prognoser: Prognoser kan deles inn i to typer, strategiske og taktiske. Strategiske prognoser brukes til å bidra til etableringen av strategien som vil avgjøre hvordan etterspørselen er oppfylt. Taktiske prognoser brukes til å hjelpe beslutningstaking på en daglig basis. Etterspørselsstyring brukes til å påvirke kildene til produkt - eller tjenestefterspørsel, enten økende etterspørsel, redusert etterspørsel eller opprettholde det på et konstant nivå. Følgende video ser på faktorene som påvirker prognoser i vinindustrien: Avhengig og uavhengig etterspørsel Det er to grunnleggende kilder til etterspørsel, avhengig og uavhengig. Avhengig etterspørsel er etterspørselen som oppstår som følge av etterspørselen etter andre produkter eller tjenester. Uavhengig etterspørsel er etterspørsel som ikke kan prognose ut fra etterspørselen etter et annet produkt eller en tjeneste. Avhengig etterspørsel er vanligvis svært vanskelig å påvirke 8211 Det er etterspørsel som ikke er avhengig av faktorer som du kan påvirke, og heller er det krav som du må møte. Uavhengig etterspørsel kan vanligvis påvirkes og derfor har organisasjoner et valg om de tar en aktiv rolle og påvirker den eller tar en passiv rolle og bare svarer på etterspørselen som eksisterer. Følgende video ser på hvordan Motorola jobber med sine prognoser: I læreboken identifiseres fire grunnleggende typer prognoser. Kvalitativ prognose er basert på menneskelig vurdering, og noen av teknikkene som brukes i kvalitative prognoser vil bli diskutert nedenfor. Tidsserieanalyse ser på datamønstre over tid. Årsakssammenheng ser på forholdet mellom faktorer som vil påvirke etterspørselen og simulering søker etter modell etterspørsel slik at sammenhenget mellom etterspørselsfaktorer kan forstås bedre. Følgende video undersøker hvordan etterspørselsbehandling og prognoser utføres på Lowes: Vanligvis er etterspørselen ment å ha seks komponenter, gjennomsnittlig trend, sesongmessige elementer, konjunkturelementer, tilfeldig variasjon og autokorrelasjon. Disse etterspørselselementene gjør det mulig for oss å forstå mønsteret for etterspørsel etter et produkt som kan brukes til å forutsi fremtidig etterspørsel. Gjennomsnittlig etterspørsel er den gjennomsnittlige etterspørselen etter et produkt over tid. Trenden viser hvordan etterspørselen har endret seg over tid, og sesongbasert etterspørsel viser sesongvariasjoner i etterspørselen. Sykliske elementer forekommer over en lengre periode enn sesongmessige elementer og er vanskeligere å forutsi, forekommer, for eksempel som følge av økonomiske sykluser. Tilfeldig variasjon er basert på tilfeldige hendelser som er umulige å forutse, mens automatisk korrelasjon er forholdet mellom fortid og fremtidig etterspørsel, det vil si at fremtidig etterspørsel er knyttet til dagens etterspørsel. Hvor det er en høy grad av tilfeldig variasjon, er det svært lite forhold mellom nåværende etterspørsel og fremtidig etterspørsel. Hvor det er en høy grad av automatisk korrelasjon, er det et sterkt forhold mellom nåværende og fremtidig etterspørsel. Tidsseriemodeller Tidsseriemodeller prognose fremtiden basert på tidligere modeller. Ulike modeller er tilgjengelige, og den du bør bruke, avhenger av tidshorisonten du ønsker å prognose, dataene du har tilgjengelig, nøyaktigheten du trenger, størrelsen på prognosebudget og tilgjengeligheten av kvalifiserte personer til å gjennomføre analysen. Følgende diagram fra side 488 i læreboken er utformet for å hjelpe til med å velge riktig verktøy: Linjær regresjon brukes der det er et funksjonelt forhold mellom to korrelerte variabler, som brukes til å forutsi en variabel basert på den andre. Det er nyttig der dataene er relativt stabile. Nedbrytning av en tidsserie brukes til å identifisere og skille tidsseriedataene i sine ulike etterspørselsbestanddeler. To typer sesongvariasjon er identifisert 8211 additiv, hvor sesongbeløpet i hver sesong er konstant og multiplikativ hvor sesongvariasjonen er en prosentandel av etterspørselen etter en tidsperiode. Det enkle glidende gjennomsnittet er nyttig når etterspørselen er relativt stabil, ikke økende eller redusert raskt, og hvor det er få sesongmessige egenskaper. Flytte gjennomsnitt kan senteres rundt midtpunktet, eller brukes som grunnlag for å forutsi fremtiden. Å bruke en lengre tidsperiode vil resultere i mer utjevning av variasjon, mens bruk av en kortere tidsperiode vil avdekke statistiske trender raskere. Et vektet glidende gjennomsnitt lar deg vektere bestemte tidsperioder i gjennomsnittet for å oppnå større nøyaktighet. For eksempel kan tyngre vekt legges til nyere tidsperioder for å legge større vekt på den siste etterspørselsaktiviteten. Eksponensiell utjevning er den mest brukte av alle prognostiseringsteknikker, og vises i alle databaserte prognoseprogrammer. Det brukes mye i detaljhandel og serviceindustrien. Det er ofte veldig nøyaktig, det er ganske enkelt å gjøre, det er lett å forstå, krever lite beregning og testes enkelt for nøyaktighet. Følgende video detaljer utførelsen av disse prognoseteknikkene: Kvalitativ prognose innebærer å anvende menneskelig vurdering for å skape en prognose. Vanligvis brukes en strukturert tilnærming, i motsetning til dette: Ulike teknikker brukes til kvalitativ prognose, inkludert: Historisk Analogi. Basere prognoser på etterspørselsmønsteret for lignende produkter. Markedsundersøkelse: Prognoser er opprettet av et markedsundersøkelsesfirma, hovedsakelig ved hjelp av undersøkelser og intervjuer. Panel Consensus: Når en gruppe med kunnskap i prognoseområdet, dele sine tanker og utvikle en prognose. Delphi Metode: En undersøkelsesbasert teknikk som skaper anonymitet i en gruppe. Det er beskrevet i følgende video: Samarbeidsprosjekt, prognose og etterfylling. CPFR er en nylig innovasjon som bruker internett for å tillate folk å samarbeide om prognostisering. Det er to typer prognosefeil. Bias feil oppstår der det gjøres en konsekvent feil som gjennomsyrer prognosen gjort. Tilfeldige feil er feil som kan forklares av prognosemodellen 8211 de forekommer tilfeldig og uforutsigbart. Tiltak av prognosefeil inkluderer gjennomsnittlig absolutt avvik (MAD), gjennomsnittlig absolutt prosentfeil (MAPE) og sporingssignal. Følgende video vurderer problemer i menneskelig prognosefeil: Sporingssignal er et mål som brukes til å overvåke den faktiske ytelsen til prognosen over tid for å se om den er i tråd med endringene i etterspørselen i den virkelige verden. Den kan brukes som et kvalitetsstyringsdiagram. Denne uken har vi vurdert etterspørselsbehandling og prognose, ved hjelp av både kvalitative og kvantitative teknikker. Det har vært lagt vekt på å sikre at prognosene er realistiske, og det er blitt gitt forsiktighet om bruk av prognoser basert på tidligere resultater 8211, det forteller vanligvis ikke hva fremtiden vil gjøre, men vil ofte hjelpe deg med å forberede. Følgende video inneholder anvendelsen av informasjonsteknologi til prognose og er kanskje en humoristisk konklusjon til denne uken8217s materiale:
No comments:
Post a Comment