Forecastingtechnieken voor marktonderzoek

A. Kwalitatieve technieken:

De kwalitatieve technieken die goed worden herkend vijf en een poging wordt gedaan om deze aan te raken met het oog op kennis te maken met de studenten de kern hiervan als toekomstige voorspellers:

I. Grass Roots:

Voorspelling van 'grass roots' bouwt de prognose op door achteraan toe te voegen. De onderliggende veronderstelling is dat de persoon die het dichtst bij de klant of eindgebruiker van het product staat zijn toekomstige behoeften het beste kent.

Hoewel dit niet altijd waar is, is het in veel gevallen geldig en vormt het de basis voor deze methode. Prognoses op dit onderste niveau worden opgeteld en naar het volgende hogere niveau geleid.

Dit is meestal een districtsmagazijn, dat vervolgens wordt toegevoegd in veiligheidsvoorraden en eventuele effecten van bestelhoeveelheden. Dit bedrag wordt vervolgens naar het volgende niveau gebracht, mogelijk een regionaal magazijn.

De procedure wordt herhaald totdat deze een invoer wordt op het hoogste niveau, wat in het geval van een productie-eenheid de invoer van het productiesysteem zou zijn.

ii. Marktonderzoek:

Heel vaak huren de bedrijven externe bedrijven in die gespecialiseerd zijn in marktonderzoek om dit soort prognoses uit te voeren. Als ondersteunend systeem ben je zelf misschien betrokken geweest bij marktonderzoeken via een marketingcursus.

Je bent zeker niet ontsnapt aan telefoontjes met vragen over productvoorkeuren, je inkomsten en gewoonten enzovoort. Marktonderzoek wordt voornamelijk gebruikt voor productonderzoek in de zin van het zoeken naar nieuwe productideeën, voorkeuren en antipathieën voor de bestaande producten, waarbij concurrerende producten, binnen een bepaalde klasse de voorkeur hebben, enzovoort. Nogmaals, de methoden voor het verzamelen van gegevens zijn voornamelijk enquêtes en interviews.

iii. Panel Consensus:

Het achterliggende idee achter 'panelconsensus' is 'twee hoofden zijn beter dan één'. Dit punt wordt geëxtrapoleerd naar het idee dat een panel van mensen uit verschillende posities betrouwbaardere voorspellingen kan ontwikkelen dan een smallere groep.

Paneelprognoses worden ontwikkeld door middel van open vergaderingen met gratis uitwisseling van ideeën van alle niveaus van management en individuen. De moeilijkheid met deze open stijl is dat lagere werknemersniveaus worden geïntimideerd door hogere niveaus van management.

Een verkoper in een bepaalde productlijn kan bijvoorbeeld een goede inschatting maken van de toekomstige vraag naar producten, maar spreekt mogelijk niet tegen een andere schatting van de vice-president marketing. Dit defect wordt gecorrigeerd met de Delhi-methode.

Wanneer beslissingen in prognoses zich op een grens- en hoger niveau bevinden, wordt over het algemeen de term 'Uitvoerend oordeel' gebruikt. De term spreekt voor zich, een hoger managementniveau is hierbij betrokken.

iv. Historische Analogie:

Een ideale situatie zou zijn dat een bestaand product of generiek product als model zou kunnen worden gebruikt, terwijl men zou proberen de vraag naar een nieuw product te voorspellen. Er zijn veel manieren om dergelijke analogieën te classificeren, bijvoorbeeld aanvullende producten, substituten of concurrerende producten en producten als een functie van inkomen.

Het is ook duidelijker in postorder- of catalogi. Het is natuurlijk maar als u een CD koopt via de postorder, zult u zeker meer en meer e-mails ontvangen met informatie over CD's en CD-spelers.

Een losse relatie is dat de vraag naar compacte sterft wordt veroorzaakt door de vraag naar CD-spelers. Een anologie voorspelt de vraag naar digitale videoschijfspelers door de historische vraag naar stereo-videorecorders te analyseren.

De producten in dezelfde algemene categorie van elektronica kunnen door consumenten tegen vergelijkbare prijzen worden gekocht. Een nog eenvoudiger voorbeeld kan zijn broodroosters en koffiepotten. Een bedrijf dat al broodroosters produceert en koffiepotten wil maken, kan de geschiedenis van de broodrooster heel goed gebruiken als een waarschijnlijk groeimodel.

v. Delphi-methode:

De beperking van de methode van de panelconsensus is rechtgezet door Delphi Method in die zin dat een verklaring of opinie van hogere werknemers wordt gewaardeerd als belangrijker dan werknemers met een laag niveau, hoewel het misschien niet altijd waar is. De slechtste kant is dat mensen op een lager niveau zich bedreigd voelen en hun echte gevoelens of overtuigingen niet bijdragen.

Delphi-methode doet dit weg door de identiteit van individuen die deelnemen aan het onderzoek te verbergen. Onder dit programma heeft elk een gelijke gewichts-leeftijd. Met name maakt een moderator een vragenlijst en distribueert deze naar de deelnemers.

Hun Reposes worden gesommeerd en teruggegeven aan de hele groep, samen met een nieuwe reeks vragen. Delphi-methode is ontwikkeld door de Rand Corporation of America in de jaren 1950.

Procedure betrokken bij Delphi-methode:

De stapsgewijze procedure die betrokken is bij de Delphi-methode bestaat uit vijf stappen:

Kies eerst de experts om deel te nemen. Er moet een verscheidenheid aan goed geïnformeerde mensen zijn in verschillende gebieden.

Ten tweede krijgt u via een vragenlijst of e-mail prognoses of eventuele premissen of kwalificaties voor de prognoses van alle deelnemers.

Ten derde, vat de resultaten samen en herdelig ze aan de deelnemers samen met de juiste nieuwe vraag.

Ten vierde, vat opnieuw samen, verfijn prognoses en voorwaarden en ontwikkel opnieuw nieuwe vragen.

Ten vijfde, herhaal stap vier indien nodig. Verspreid de eindresultaten naar alle deelnemers.

De Delphi-techniek kan meestal bevredigende resultaten behalen in drie rondes. De vereiste is een functie van het aantal deelnemers, hoeveel werk er voor hen is om hun voorspellingen te ontwikkelen en hoe snel ze reageren.

De Delphi-methode is een proces waarbij consensus wordt bereikt met een groep deskundigen met behoud van hun anonimiteit. Deze vorm van prognose is zeer nuttig wanneer er geen historische gegevens zijn waaruit statistische modellen kunnen worden ontwikkeld - wanneer beoordelingen of meningen, gebaseerd op ervaring en onderzoek naar markt-, industrie- of wetenschappelijke ontwikkelingen, de enige basis vormen voor het maken van weloverwogen prognoses.

De Delphi-methode kan worden gebruikt om langetermijnprognoses te ontwikkelen van de vraag naar producten en de projecties van nieuwe producten. Het is redelijk tot goed om de omslagpunten in de vraag te identificeren. Een van de meest bruikbare toepassingen voor de Delphi-methode is die van technologische prognoses.

Het tempo van technologische verandering neemt veel sneller toe dan ooit tevoren. Medische wetenschap en informatica zijn slechts de twee gebieden die explosieve technologische veranderingen ondergaan.

Het vervangen van het menselijke hart van late lever door een mechanisch hart en kunstmatige lever is een geaccepteerde medische procedure geworden.

Computers raken snel verouderd nadat ze zijn geproduceerd. Bovendien is een bijna volledig geautomatiseerde fabriek mogelijk. Daarom is de vraag wat het volgende is? Proberen om die vraag te beantwoorden, is de focus van technologische prognoses.

De Delphi-methode kan worden gebruikt om een ​​consensusantwoord te krijgen van een panel van experts. De panelleden kunnen worden gevraagd om de wetenschappelijke vooruitgang die zij voorzien, evenals veranderingen in milieu- en maatschappelijke krachten, zoals de kwaliteit van het leven, overheidsvoorschriften en de acties van concurrenten.

Het resultaat van een dergelijk proces kan een duidelijke richting zijn voor het onderzoeks- en ontwikkelingspersoneel van het bedrijf. De sleutel tot de Delphi-techniek ligt in de coördinator en experts. De experts hebben vaak verschillende achtergronden. Dus twee artsen, een chemicus, een elektrotechnisch ingenieur, een kosten-accountant en financieel expert en marketing-wizard kunnen een zeer effectief panel maken.

De coördinator moet voldoende getalenteerd zijn om diverse en wijdverspreide uitspraken te kunnen samenvoegen en zowel gestructureerde vragen en prognoses te verzamelen.

Kort gezegd, de Delphi-methode biedt een zeer goede nauwkeurigheid, zowel voor prognoses op korte als op lange termijn, hoewel het minimaal twee maanden duurt om een ​​prognose en een fijne coördinatie van deelnemers en groepscoördinator te ontwikkelen.

B. Analyse tijdreeks:

De prognosemodellen in de tijdreeks proberen de toekomst te voorspellen op basis van gegevens uit het verleden. Voor de zevende week kunnen bijvoorbeeld verkoopcijfers voor elk van de afgelopen zes weken worden gebruikt.

Evenzo kunnen kwartaalomzetcijfers die de afgelopen jaren zijn verzameld, worden gebruikt om de toekomstige kwartalen te voorspellen. Hier, in beide gevallen, zijn verkoopcijfers gebruikelijk, maar er worden waarschijnlijk verschillende voorspellingsmodellen voor tijdreeksen gebruikt als het tijdsinterval verschilt.

Dat wil zeggen dat in de eenvoudigste vorm van tijdreeksanalyse de enige gebruikte informatie het historische record van de vraag is.

De analist houdt zich niet bezig met veranderingen in de externe en interne factoren zoals eerder opgemerkt en gaat ervan uit dat wat zich in het verleden heeft voorgedaan zich ook in de toekomst zal blijven voordoen.

De methoden van tijdreeksanalyse concentreren zich op gemiddelde, trendmatige en seizoensinvloedkarakteristieken van tijdreeksen. De taak van analist is om te proberen deze kenmerken te repliceren terwijl de toekomstige vraag wordt geprojecteerd.

De technieken van tijdreeksen worden uitgelegd met een voorbeeld en een grafische presentatie :

I. Eenvoudig voortschrijdend gemiddelde:

Hoewel voortschrijdende gemiddelden gecentreerd zijn, is het het gemakkelijkst om gegevens uit het verleden te gebruiken om de volgende periode rechtstreeks te voorspellen. Om een ​​eenvoudige casus te nemen, geeft een gecentreerd vijfmaandelijks gemiddelde van januari, februari, maart, april en mei een gemiddeld gemiddelde van maart. Alle vijf maanden aan gegevens moeten er echter zijn.

Als het ons doel is om voor juni te voorspellen, moeten we het voortschrijdend gemiddelde projecteren, op een bepaalde manier van maart tot juni. Als het gemiddelde niet gecentreerd is maar aan de voorkant is, kan er gemakkelijker voorspeld worden, hoewel er een verloren kan gaan.

Enige nauwkeurigheid. Dus als men juni wil voorspellen met een voortschrijdend gemiddelde van vijf maanden, kan uit gemiddeld genomen worden januari, februari, maart, april en mei. Als juni voorbij is, is de voorspelling voor juli het gemiddelde van februari, maart, april, mei en juni.

De FORMULA voor een eenvoudig voortschrijdend gemiddelde is =

F 1 = A t - 1 + A t-2 + A t-3 + A tn / n

Waar:

F 1 = Voorspelling voor de komende periode

n = aantal periodes dat moet worden gemiddeld

A t-1 = Werkelijke gebeurtenis in de afgelopen periode

A t-2, A t-3, en A tn = Werkelijk voorvallen tot perioden, geleden, drie perioden geleden enzovoort tot n perioden geleden.

Het volgende diagram toont duidelijk de effecten van verschillende lengtes van de voortschrijdende periode aan. Het is duidelijk dat de groeitrend afvlakt rond de 23e week.

Het voortschrijdend gemiddelde van THREE WEEK reageert beter bij het volgen van deze wijziging dan het gemiddelde over de NEGEN WEEK, hoewel het gemiddelde van negen weken over het algemeen veel soepeler is.

De belangrijkste factor bij het berekenen van een voortschrijdend gemiddelde is dat alle afzonderlijke elementen moeten worden uitgevoerd, omdat een nieuwe prognoseperiode het toevoegen van nieuwe gegevens inhoudt en het laten vallen van de vroegste gegevens of voortschrijdend gemiddelde over een periode van drie of zes weken, dit is niet te ernstig.

Het toewijzen van een voortschrijdend gemiddelde van 60 voor het gebruik van elk 20.000 items in de voorraad zeggen, zou echter goede gegevens bevatten.

ii. Gewogen zwevend gemiddelde:

In het geval van een eenvoudig voortschrijdend gemiddelde, geeft dit evenveel gewicht aan elke component van de voortschrijdende gemiddelde gegevensbank. Daar staat tegenover dat het gewogen voortschrijdend gemiddelde het toelaat om elk gewicht op elk element te plaatsen, op voorwaarde dat de som van alle gewichten gelijk is aan 1. Een afdelingsarchief kan bijvoorbeeld vinden dat een periode van vier maanden, de beste voorspelling is afgeleid door 40 procent van de daadwerkelijke verkopen te gebruiken voor de meest recente maand, 30 procent van twee maanden geleden, 20 procent van drie maanden geleden en 10 procent van vier maanden geleden.

Daarom is de formule voor gewogen zwevend gemiddelde:

F t = W 1 A t-1 + W 2 A t-2 + ... + W n A tn

Waar:

W 1 = Gewicht dat moet worden gegeven aan het werkelijke voorkomen gedurende de periode t-1

W 2 = Gewicht dat moet worden gegeven aan het werkelijke voorkomen gedurende de periode t-2

W n = Gewicht dat moet worden gegeven aan het werkelijke voorkomen gedurende de periode t-n

n = Totaal aantal perioden in de prognose.

Het is belangrijk om op te merken dat de SOM van alle GEWICHTEN GELIJK AAN 1 moet zijn, terwijl veel periodes kunnen worden genegeerd en het gewicht-leeftijdschema in elke volgorde kan zijn.

Dat is:

nΣi = 1 W i = 1

Hoe gewichten kiezen?

De eenvoudigste manieren om gewichten te kiezen, is een rijke ervaring en goede vallen en opstaan. Over het algemeen is het meest recente verleden de belangrijkste indicator van wat u in de toekomst kunt verwachten en daarom moet het een hogere leeftijd bereiken.

De inkomsten of fabriekscapaciteit van de afgelopen maand zou bijvoorbeeld een betere schatting zijn voor de komende mot dan de omzet of fabriekscapaciteit van enkele maanden geleden.

Als de gegevens echter seizoensgebonden zijn, moeten de gewichten dienovereenkomstig worden vastgesteld. Bijvoorbeeld, de verkoop van badpakken in juli van vorig jaar moet zwaarder wegen dan badpakken in december in het noorden van India. Dat wil zeggen, het gewogen voortschrijdend gemiddelde heeft een duidelijk voordeel ten opzichte van het eenvoudige voortschrijdend gemiddelde om de effecten van de gegevens uit het verleden te kunnen variëren. Het is echter onhandiger en duurder om te gebruiken dan de exponentiële afvlakking.

iii. Exponentiële afvlakking:

Het grootste nadeel in het geval van zowel het eenvoudige voortschrijdend gemiddelde als het gewogen voortschrijdend gemiddelde is de noodzaak om continu een grote hoeveelheid historische gegevens bij zich te hebben. Dit geldt eveneens in het geval van regressieanalysetechnieken.

Naarmate elk nieuw gegeven in deze methoden wordt toegevoegd, wordt de oudste waarneming weggelaten en wordt de nieuwe prognose berekend. In veel toepassingen zijn de meest recente gebeurtenissen meer indicatief voor de toekomst dan die in het verre verleden.

Als dit uitgangspunt geldt dat het belang van gegevens afneemt naarmate het verleden verder weg ligt, dan is EXPONENTIËLE SMOOTHENING misschien wel de meest logische, de gemakkelijkste methode om te gebruiken. De reden waarom het 'exponentiële afvlakking' wordt genoemd, is omdat elke toename in het verleden is afgenomen met (1-a).

Als a bijvoorbeeld 0, 05 is, zouden de gewichten voor verschillende perioden als volgt zijn:

Hier geven de exponenten 0, 1, 2, 3, enzovoort het zijn naam. Exponentiële afvlakking wordt het meest gebruikt bij alle voorspellingstechnieken. Je moet zeggen dat het een integraal onderdeel is van vrijwel alle geautomatiseerde prognoseprogramma's en dat het veel wordt gebruikt bij het bestellen van voorraden bij winkelbedrijven, groothandelsunits en servicebureaus.

Voor ten minste ZES REDENEN zijn exponentiële technieken voor verzachten het meest vertrouwenswaardig geworden.

Dit zijn:

(1) Exponentiële modellen zijn zeer nauwkeurig.

(2) Het formuleren van een exponentieel model is relatief eenvoudig.

(3) De gebruiker kan begrijpen hoe het model werkt.

(4) Een kleine berekening is nodig om het model te gebruiken.

(5) De vereisten voor computeropslag zijn klein vanwege het beperkte gebruik van historische gegevens en,

(6) Tests voor de nauwkeurigheid van hoe goed het model presteert, zijn eenvoudig te berekenen. Onder de methode van Exponentiële Smoothening zijn slechts drie gegevensitems nodig om de toekomst te voorspellen, namelijk de meest recente prognose, de werkelijke vraag die voor die prognoseperiode plaatsvond en een afvlakkingsconstante alpha (α).

Deze afvlakconstante bepaalt het niveau van afvlakking en de reactiesnelheid op verschillen tussen prognoses en de werkelijke gebeurtenissen.

De waarde voor de constante wordt zowel bepaald door de aard van het product als door het gevoel van de manager over wat een goede respons is. Als een bedrijf bijvoorbeeld een standaardartikel met een relatief stabiele vraag produceert, zou de reactie op verschillen tussen de werkelijke en de voorspelde vraag doorgaans slechts 5 tot 10 procentpunten zijn.

Als het bedrijf echter groeit, is het wenselijk om een ​​hoger percentage te hebben van 15 tot 30 procentpunten, om meer belang te hechten aan de recente groei-ervaring. Hoe sneller de groei, hoe hoger de reactiesnelheid.

Soms schakelen gebruikers van het eenvoudige voortschrijdend gemiddelde over op exponentiële afvlakking, maar houden ze de prognoses ongeveer hetzelfde als het eenvoudige voortschrijdend gemiddelde. In dit geval wordt de alfa (α) benaderd met 2 + door (n + 1), waarbij de 'n' het aantal tijdsperioden is.

De Vergelijking voor een enkele Exponentiële Smoothening-voorspelling is:

F t = F t-1 + a (A t-1 - F t-1 )

Waar:

F t = De exponentieel afgeregelde voorspelling voor periode t

F t-1 = De exponentiële smoothed-voorspelling voor de voorgaande periode

A t-1 = De werkelijke vraag in de voorgaande periode

a = De gewenste responsratio of afvlakkingsconstante.

Deze vergelijking geeft duidelijk aan dat de nieuwe prognose gelijk is aan de oude prognose plus een deel van de fout die het verschil is tussen de vorige prognose en wat er feitelijk gebeurde, wat sommige auteurs "F t " een afgevlakt gemiddelde noemen.

Laten we, om de methode te demonstreren, aannemen dat de langetermijnvraag naar het onderzochte product relatief stabiel is en dat de afvlakconstante (a) van 0, 05 als een schatting wordt beschouwd. Als de exponentiële methode wordt gebruikt als continu beleid, moet er een prognose worden gemaakt voor de laatste maand.

Normaal gesproken, wanneer een exponentiële afvlakking voor het eerst wordt geïntroduceerd, kan de initiële prognose of het startpunt worden verkregen door gebruik te maken van een eenvoudige schatting of een gemiddelde van voorgaande perioden, zoals het gemiddelde van de eerste twee of drie perioden. Neem aan dat de prognose van vorige maand (F t-1 ) 1050 eenheden was.

Als 1000 eenheden daadwerkelijk zouden worden geëist, in plaats van 1050 eenheden, zou de voorspelling voor deze maand zijn:

F t = F t-1 + a (A t-1 - F t-1 )

= 1050 + 0, 05 (1000-1050)

= 1050 + 0, 05 (-50)

= 1047.50 eenheden

De reactie van de nieuwe prognose op een fout van 50 eenheden is om de prognose van de volgende maand te verlagen met slechts 2, 50 eenheden omdat de afvlakcoëfficiënt klein is.

Het is belangrijk om op dit niveau op te merken dat de enkele exponentiële afvlakking de tekortkoming vertoont van achterblijvende veranderingen in de vraag. In het volgende diagram worden de werkelijke gegevens weergegeven als een vloeiende curve om de vertragende effecten van de exponentiële prognoses weer te geven.

De prognose blijft achter tijdens een toename, maar gaat voorbij aan een wijziging in de richting. Merk op dat hoe hoger de waarde van alpha, hoe dichter de prognose de werkelijke volgt. Om de werkelijke vraag beter te kunnen volgen, kan een trendfactor worden toegevoegd.

Het aanpassen van de waarde van alpha helpt ook. Dit wordt aangeduid als 'Adaptive forecasting'. Zowel trendeffecten als adaptieve prognoses worden kort uitgelegd ten behoeve van de lezers.

Exponentiële prognoses versus werkelijke vragen voor eenheden van een product in de loop van de tijd met de verwachte verlaging.

Trendeffecten in exponentiële afvlakking:

Het is de moeite waard om te onthouden dat een opwaartse of neerwaartse trend in de gegevens verzameld gedurende een reeks tijdsperioden ervoor zorgt dat de exponentiële prognose altijd achterblijft op of hoger dan mei, het werkelijke voorval.

Exponentieel afgevlakte prognoses kunnen enigszins worden gecorrigeerd door een trendaanpassing toe te voegen. Om de trend te corrigeren, gebruikt de trendvergelijking een "vloeiend makende constante" delta (δ). De delta vermindert de impact van de fout die optreedt tussen de werkelijke en de prognose.

Als zowel de Alfa als de delta niet zijn opgenomen, zou de trend overmatig reageren op fouten. Om de trendvergelijking op gang te krijgen, moet de eerste keer dat deze wordt gebruikt, de trendwaarde handmatig worden ingevoerd. Deze initiële trendwaarde kan een berekende of opgeleide geeft of een berekening op basis van de waargenomen gegevens uit het verleden.

De vergelijking om de prognose inclusief trend (FIT) te berekenen is:

FIT = F t + T t

Tt = FIT t -1 + a (A t-1 )

Waar: T t = T t-1 + aδ (A t-1 )

Ft = De exponentieel verlopen voorspelling voor de periode t.

T t = De exponentieel afgevlakte trend voor de periode f.

FIT t = De voorspelling inclusief trend voor de periode t.

FIT t-1 = De prognose inclusief trend gemaakt voor de voorgaande periode

Op -1 = De werkelijke vraag naar de voorgaande periode.

α = Afvlakconstante.

δ = Afvlakconstante.

De juiste waarde van Alpha kiezen:

Exponentiële afvlakking vereist dat de afvlakkingsconstante alfa (a) een waarde tussen 0 en 1 krijgt. Als de werkelijke vraag stabiel is zoals normaal wordt aangetroffen in het geval van voedsel en elektriciteit, zou men graag een kleine alfa willen om de effecten van kortstondige effecten te verminderen. of willekeurige wijzigingen.

Integendeel, als de echte vraag snel stijgt of daalt, zoals in het geval van modeartikelen en kleine apparaten, neemt men graag een grote alfa mee om te proberen de verandering bij te houden. Het zou ideaal zijn als je zou kunnen voorspellen welke alpha men zou moeten gebruiken. In dit opzicht gaan twee dingen helaas in tegen iemand die probeert.

Ten eerste zou het enige tijd in beslag nemen om de alpha te bepalen die het beste bij de gegevens past. Dit zou te vervelend zijn om te volgen en te herzien.

Ten tweede, degene die deze week wordt uitgekozen, moet mogelijk in de nabije toekomst worden herzien omdat de eisen veranderen. Daarom is er een automatische methode nodig om iemands alpha-waarden bij te houden en te wijzigen.

Adaptieve prognose:

Er zijn twee benaderingen om de waarde van alfa te beheersen. Men gebruikt verschillende waarden van alfa; de andere gebruikt een trackingsignaal.

1. Twee of meer vooraf bepaalde waarden van alpha :

De hoeveelheid fouten tussen de voorspelling en de werkelijke vraag wordt gemeten. Afhankelijk van de mate van fout, worden de verschillende waarden van alpha gebruikt. Als de fout groot is, is alfa 0, 8. Als de fout klein is, is alfa 0, 2.

2. Berekende waarden voor alfa:

Een tracking-alfa berekent of de prognose gelijke tred houdt met echte opwaartse of neerwaartse veranderingen in de vraag in tegenstelling tot willekeurige wijzigingen. In deze toepassing wordt de alfa-tracking gedefinieerd als de exponentieel geseffen feitelijke fout gedeeld door de exponentieel gladgemaakte absolute fout. Alfa verandert van periode tot periode binnen het mogelijke bereik van nul tot één.

Voorspellingsfouten:

Wanneer men het woord 'fout' gebruikt, verwijst het naar het verschil tussen de voorspelde waarde en wat er daadwerkelijk is gebeurd. In statistieken worden deze 'fouten' 'residuals' genoemd. Zolang de voorspelde waarde binnen de betrouwbaarheidsgrenzen ligt, is dit niet echt een fout. Veelgebruik verwijst echter naar het verschil als een fout.

Het is bekend dat eisen aan een product worden gegenereerd door de interactie van een aantal factoren die te complex zijn om nauwkeurig in een bepaald model te beschrijven. Daarom bevatten alle voorspellingen zeker een fout.

Bij het bespreken van prognosefouten, is het handig om onderscheid te maken tussen "foutbronnen" en de "foutmarge".

Bronnen van fouten:

Fouten kunnen voortkomen uit verschillende bronnen. Een veelvoorkomende bron waarvan veel voorspellers niet op de hoogte zijn van het voorspellen van trends uit het verleden in de toekomst. Fouten kunnen worden geclassificeerd als bias of 'random'.

Biasfouten treden op wanneer een consistente fout wordt gemaakt. Bronnen van vertekening omvatten het niet opnemen van de juiste variabelen; gebruik van de verkeerde relaties tussen de variabelen; gebruik van verkeerde trendlijn; ten onrechte de seizoensgebonden vraag verschuiven van waar het normaal voorkomt, en het bestaan ​​van een niet-ontdekte seculiere trend. Willekeurige fouten kunnen worden gedefinieerd als fouten die niet kunnen worden verklaard door het gebruikte voorspellingsmodel.

Meting van Fout:

De mate van een fout wordt uitgedrukt in verschillende alternatieve termen, zoals "standaardfout", "gemiddelde kwadratische fout" "variantie" en "gemiddelde afwijking - absoluut" of "gemiddelde absolute afwijking".

Bovendien kunnen volgsignalen worden gebruikt om enige positieve of negatieve voorspanning in de prognose aan te geven. Omdat de standaardfout de vierkantswortel van een functie is, is het vaak handiger om de functie zelf te gebruiken. Dit wordt de gemiddelde vierkantsfout of -variantie genoemd. We zullen Mean Absolute Deviation and Tracking signal overwegen.

Boos:

De BETERE ABSOLUTE AFWIJKING (MAD) was in het verleden in zwang, maar werd vervolgens genegeerd ten gunste van standaarddeviatie en standaard foutmaten. De afgelopen jaren heeft MAD een comeback gemaakt louter vanwege zijn eenvoud en bruikbaarheid bij het verkrijgen van volgsignalen.

MAD is de gemiddelde fout in de prognoses, met behulp van absolute waarden. MAD is waardevol omdat het de spreiding meet van een bepaalde waargenomen waarde van een verwachte waarde, zoals die van standaardafwijking.

MAD wordt berekend door de verschillen tussen de werkelijke vraag en de voorspelde vraag te gebruiken zonder rekening te houden met teken. Het is gelijk aan de som van de absolute afwijkingen gedeeld door het aantal gegevenspunten.

De vergelijking van MAD is:

Waar:

t = periode van nummer

A = werkelijke vraag voor de periode

F = Verwachte vraag voor de periode

n = Totaal aantal perioden

II = Een symbool dat wordt gebruikt om de absolute waarde aan te geven, ongeacht positieve en negatieve tekens.

Wanneer de fouten die optreden in de prognose normaal verdeeld zijn, heeft de gemiddelde afwijking (absoluut) betrekking op de standaarddeviatie als:

1 Standaardafwijking = √π / 2 x MAD of ongeveer 1, 25 MAD.

Omgekeerd,

1 MAD = 0, 8 standaarddeviatie.

De standaarddeviatie is de grotere maat. Als de MAD van een set van punten 60 eenheden bleek te zijn, zou de standaarddeviatie 75 eenheden zijn. Op de gebruikelijke statistische manier, als stuurlimieten werden ingesteld op plus of min 3 standaarddeviaties of ± 3, 75 MADs, zou 99, 7 procent van de punten binnen deze limieten vallen.

Volgsignaal:

Een "tracking-signaal" is een meting die aangeeft of het voorspellingsgemiddelde gelijke tred houdt met echte opwaartse of neerwaartse veranderingen in de vraag. Zoals gebruikt bij prognoses, is het trackingsignaal het aantal gemiddelde absolute afwijkingen dat de voorspelde waarde boven of onder het werkelijke voorkomen ligt.

De volgende afbeelding vertoont een normale verdeling met een gemiddelde van nul en MAD gelijk aan 1. Als men dus het trackingsignaal berekent en dit gelijk aan min 2 vindt, kan men zien dat het prognosemodel voorspellingen levert die behoorlijk wat hoger zijn. het gemiddelde van de werkelijke gebeurtenissen. Een volgsignaal (TS) kan worden berekend door gebruik te maken van de rekenkundige som-prognosedeviaties gedeeld door de gemiddelde absolute afwijking

TS = RSFE / MAD

Waar:

RSFE is de lopende som van prognosefouten, rekening houdend met de aard van de fout. Negatieve fouten annuleren bijvoorbeeld positieve fouten en vice versa.

MAD is het gemiddelde van alle voorspellingsfouten, ongeacht of de afwijking positief of negatief is. Het is het gemiddelde van de absolute afwijkingen.

Laten we een praktisch geval nemen dat de procedure voor het berekenen van de MAD en het overstag signaal voor een periode van zes maanden opruimt. Waar de prognose is ingesteld op een constante 1000 en de werkelijke vraag die is opgetreden, wordt weergegeven.

Laat ons de Mean Absolute Deviation (MAD), de Running Forecast Errors (RSFE) en het Tracking Signal (TS) -formulier berekenen.

Voorspelling en jaargegevens de details worden gepresenteerd in de vorm van een grafiek met berekeningen als onder:

Voor de 6de maand TS = 400 ÷ 6 = 66, 70

Voor 6de maand TS = RSFE / MAD = 22 / 66.70 = 3, 30 MADs.

We kunnen de volgsignalen uitrekenen die hierboven zijn berekend in 4.6, die verschijnen als onder.

Uit de bovenstaande grafiek blijkt dat het om een ​​periode van zes maanden gaat, waarbij de voorspelling was gesteld op een constante hoeveelheid van 1.000 eenheden en de werkelijke eisen die zijn gesteld. De prognose, in dit voorbeeld gemiddeld, is uitgeschakeld met 66, 7 eenheden en het trackingsignaal was gelijk aan 3, 3 gemiddelde absolute afwijkingen. Men krijgt een beter gevoel voor wat het MAD- en volgsignaal betekent door de punten in een grafiek uit te zetten.

Hoewel dit niet volledig legitiem is vanuit een standaardbeeldpunt, wordt het elke maand weergegeven in Fig. 3.18 om de drift van het trackingsignaal weer te geven. Het is de moeite waard om op te merken dat deze van minus 1 MAD naar plus 3, 3 MADs dreef.

Dit gebeurde omdat de werkelijke vraag groter was dan de voorspelling in vier van de zes perioden. Als de werkelijke vraag niet onder de voorspelling komt om de continue positieve RSFE te compenseren, zou het trackingsignaal blijven stijgen en zou men kunnen concluderen dat het aannemen van een vraag van 1.000 een slechte voorspelling is.

Aanvaardbare limieten voor het trackingsignaal zijn afhankelijk van de grootte van de vraag die wordt voorspeld en de hoeveelheid beschikbare personeelstijd. De volgende afbeelding toont het gebied met controlebegrenzingen waarbinnen zich binnen een bereik van één van de vier MAD's bevindt.

Om door te gaan, in een model met perfecte prognoses, zou de som van de werkelijke prognosefouten nul zijn; de fouten die resulteren in overschatting moeten worden gecompenseerd door fouten die voortkomen uit onderschattingen. Het volgsignaal zal ook nul zijn, wat wijst op een onbevooroordeeld model, noch leidend noch achterblijvend bij de werkelijke eisen. MAD wordt vaak gebruikt om fouten te voorspellen. Het is dan wenselijk om de MAD gevoeliger te maken voor recente gegevens.

Een zeer nuttige techniek om dit te doen is om een ​​exponentieel gladgemaakte MAD te berekenen als een prognose voor het foutenbereik van de volgende periode. De procedure is vergelijkbaar met die van enkelvoudige exponentiële afvlakking. De waarde van de MAD-voorspelling is om een ​​foutbereik te bieden. Dit is vooral handig in het geval van voorraadbeheer tijdens het instellen van veiligheidsvoorraden.

Dan:

MAD t = a IA t-1 - F t-1 I + (1-a) MAD t-1

Waar:

MAD t = MAD voorspellen voor de 't'-periode

A = Egaliseringsconstante (normaal in het bereik van 0, 05 tot 0, 20)

A t-1 = werkelijke vraag in periode t-1

F t-1 = Verwachte vraag voor periode t-1

iv. Lineaire regressieanalyse:

Regressie is de functionele relatie tussen twee of meer gecorreleerde variabelen. Het wordt gebruikt om de ene in de andere variabele te voorspellen. De relatie wordt meestal ontwikkeld op basis van geobserveerde gegevens.

Volgens de methode moeten de gegevens eerst worden geplot om te zien of ze lineair lijken of dat ten minste delen van de gegevens lineair zijn. Lineaire regressie verwijst naar de speciale regressieklasse waarbij de relatie tussen variabelen een rechte lijn vormt.

De lineaire regressielijn van vorm Y = a + b X, waarbij Y de waarde is van de afhankelijke variabele, a is het snijpunt, b is de helling en X is de afhankelijke variabele. In tijdreeksanalyse is X tijdeenheden. Lineaire regressie is erg handig voor langetermijnprognoses van grote voorvallen en aggregaatplanning.

Er kan geen beter voorbeeld zijn dan dat van het voorspellen van de vraag naar productfamilies. Hoewel de vraag naar individuele producten binnen een familie kan variëren gedurende een bepaalde periode, is de vraag naar de totale productfamilie soepeler dan uw verwachtingen.

De basisbeperking bij het gebruik van lineaire regressieprognoses is, zoals de naam doet vermoeden, dat gegevens uit het verleden en toekomstige projecties worden verondersteld ongeveer in een rechte lijn te vallen. Hoewel dit de toepassing beperkt, Soms gebruikt men een kortere tijdsperiode, lineaire regressie kan nog steeds worden gebruikt. Er kunnen bijvoorbeeld korte segmenten van langere duur zijn die ongeveer lineair zijn.

Lineaire regressie wordt gebruikt voor zowel tijdreeksen als voor voorspellingen over oorzakelijk verband. Wanneer de afhankelijke variabele, het is de tijdreeksanalyse. Als een variabele verandert vanwege de wijziging in een andere variabele, is dit de causale relatie.

Om het concept uit te leggen, wordt het volgende voorbeeld gebruikt om prognosemodellen en analysetypen te vergelijken voor het passen van een lijn op de hand, voor de kleinste kwadratenanalyse.

Hand die een trendlijn aanpast:

In het geval van River Valley Products Limited was de productlijn gedurende de 12 kwartalen van de afgelopen 3 jaar als volgt:

Het bedrijf wil elk kwartaal van het vierde jaar voorspellen. Dat wil zeggen, kwartalen 13, 14, 15 en 16. Stel een trendlijn in met de hand passend met behulp van eenvoudige oogballing of OHA Oculaire heuristische benadering.

De procedure bij het aanpassen van een handmatige trendlijn. Een daarvan is om een ​​rechte lijn over de gegevenspunten te leggen totdat de lijn goed lijkt te passen en de lijn te tekenen. Deze regel is een regressielijn. De volgende stap is om a en helling b te onderscheppen.

Het toont de plot van de gegevens en de rechte lijn trok de punten. Het snijpunt a, waar de lijn de verticale as snijdt, lijkt ongeveer 400 te zijn.

Verticale as lijkt ongeveer 400 te zijn. De helling b is de "stijging" gedeeld door de "run" de verandering in de hoogte van een deel van de lijn gedeeld door het aantal eenheden in de horizontale as.

Er kunnen twee punten worden gebruikt, maar twee punten op enige afstand geven de beste nauwkeurigheid vanwege de fouten bij het lezen van waarden uit de grafiek. In bovenstaande expositie zijn de Y-waarden voor kwart 1 en kwart 12 bij het lezen van de punten op de regel ongeveer 750 en 4950 roepies.

daarom:

b = (4950-750) / (12-1) = 382

Daarom is de hand-fit regressievergelijking:

Y = 400 + 382x

De voorspellingen voor vier kwartalen 13, 14, 15 en 16 zijn:

Het is heel belangrijk op te merken dat deze prognoses alleen op de regel zijn gebaseerd en dat ze zich niet identificeren of aanpassen voor elementen zoals seizoensgebonden of cyclische elementen.

Wat hierboven is gedaan, kan ook worden bewezen door de MINST VIERKANTE METHODE te gebruiken. De vergelijking van het kleinste kwadraat voor lineaire regressie is dezelfde als gebruikt in de bovenstaande handaanpassende illustratie:

Y = a + be

Waar:

Y = Afhankelijke variabele berekend door vergelijking

Y = Het actuele gegevenspunt van de afhankelijke variabele.

a = Y onderscheppen

b = Helling van de lijn

x = Tijdsperiode.

Deze methode van Least Squares probeert de lijn aan te passen aan de gegevens die de som minimaliseren van de vierkanten van de verticale afstand tussen elk gegevenspunt en het bijbehorende punt op de lijn. Dezelfde gegevens worden gepresenteerd in het volgende diagram dat de magie van de methode van de kleinste vierkanten verklaart.

Als een rechte lijn door het algemene gebied van de punten wordt getrokken, is de afstand tussen het punt en de lijn Y-Y. Het bovenstaande diagram toont de verschillen. De som van de vierkanten van de verschillen tussen de geplotte gegevenspunten en de lijnpunten is:

(y -Y t ) 2 + (y 2 - Y 2 ) 2 + ... (Y 12 -Y 12 ) 2

De beste manier om te gebruiken is degene die dit totaal tot een minimum beperkt.

Net als eerder is de vergelijking van de rechte lijn:

Y = a + bx

Uit de grafiek is zowel 'a als' b 'bepaald.

In de kleinste kwadratenmethode zijn de vergelijkingen voor a en b ':

Waar:

a = Y onderscheppen

b = Helling van de lijn

Y = gemiddelde van alle y's

X = gemiddelde van alle x's

x = x waarde op elk gegevenspunt

y = y-waarde op elk gegevenspunt

n = aantal gegevenspunten

Y = Waarde van de afhankelijke variabele berekend met de

De grafiek met details van berekeningen uitgevoerd voor 12 punten in de figuren 3.19 en 3.20. Merk op dat de laatste vergelijking voor Y een snijpunt van 441, 6 en een helling van 339, 6 toont. De helling toont dat voor elke eenheidsverandering in X dat Y verandert met 359.6.

Strikt gebaseerd op de vergelijkingsprognoses voor de perioden 13, 14, 15 en 16 zijn:

Y13 = 441, 6+ 359, 6 (13) = 5116, 4

Y14 = 441, 6 + 359, 6 (14) = 5476, 0

Y15 = 441, 6+ 359, 6 (15) = 5835, 6

Y16 = 441, 6+ 359, 6 (16) = 6195, 2

Voordat iemand naar de standaardfout gaat, moet de lezer kennis nemen van berekeningen van bovenstaande gedetailleerde berekeningen zoals vermeld in grafiek 4.11.

C. Causale relatieprognose:

Causale methoden bieden ons de meest geavanceerde prognosetools. Ze worden gebruikt wanneer de historische gegevens beschikbaar zijn en de relatie tussen de voorspelde factor en andere externe en interne factoren kunnen worden geïdentificeerd. Deze relaties worden uitgedrukt in wiskundige termen en kunnen erg complex zijn.

Causale methoden zijn veruit de beste voor het voorspellen van keerpunten in de vraag en het opstellen van lange-afstandsprognoses. Met andere woorden om waarde te hebben voor prognose, moet elke onafhankelijke variabele een voorlopende indicator zijn.

Je kunt bijvoorbeeld verwachten dat een lange periode van regenachtige dagen de verkoop van parasols en regenjassen verhoogt. De regen veroorzaakt de verkoop van regenkleding of uitrusting. Dit is een oorzakelijk verband, waarbij het ene exemplaar een ander veroorzaakt. Als het veroorzakende element ver genoeg van tevoren is, kan het worden gebruikt als basis voor prognoses. Een aantal causale methoden worden gebruikt.

De meest gebruikte methode is echter lineaire regressie die op de volgende pagina's wordt uitgelegd:

I. Lineaire regressiemethode:

Lineaire regressie is een van de bekendste causale methoden van prognose. Deze benadering maakt gebruik van twee variabelen, namelijk afhankelijk en "onafhankelijk". De afhankelijke variabele zoals vraag of kosten is de variabele die de forecaster wil voorspellen.

Van de onafhankelijke variabelen wordt aangenomen dat ze de afhankelijke variabele hebben beïnvloed en daardoor de in het verleden waargenomen resultaten hebben 'veroorzaakt'. Tijd, kan ook een onafhankelijke variabele zijn als een surrogaat dat een niet-gespecificeerde groep variabelen vertegenwoordigt die bijdragen aan trends of seizoenspatronen in de gegevens.

Om het gebruik van lineaire regressie te verklaren, heb ik hier het eenvoudigste model gebruikt waarin de afhankelijke variabele een functie is van slechts één onafhankelijke variabele.

Elke lineaire regressiemethode vereist dat we een relatie veronderstellen tussen de afhankelijke variabele en de onafhankelijke variabele. In het eenvoudigste geval veronderstellen we dat die relatie een rechte lijn zou zijn.

Accordingly the formula is:

Y i = a + βX i + u i

Waar:

Y i = the dependent variable value for the observation i.

X i = the independent variable value for observation i.

a = the Y intercept of the line.

P = the slope of the line.

u i = random error.

Hier kennen ze de a 'en' β 'waarden niet, dus we moeten ze schatten op basis van een voorbeeldgegevens. Deze gegevens worden gebruikt om 'a' te berekenen, de schatting van 'a' en 'β' schatting van het gebruik van een techniek van de kleinste kwadraten.

Het doel is om waarden van 'a' te vinden en die de som van gekwadrateerde afwijkingen van de werkelijke Y i- waarden uit de geschatte waarden te minimaliseren, of

Waarbij n het aantal gegevenspunten in het monster is. Het proces van het vinden van de waarden van a en b die de som van gekwadrateerde afwijkingen minimaliseert, is complex; dus we geven de vergelijking alleen als onder:

Het is de moeite waard hier op te merken dat de waarden van a en b ook de cumulatieve som van voorspellingsfouten, de gemiddelde fout (bias) en de standaarddeviatie van voorspellingsfouten minimaliseren. Ze minimaliseren echter niet de gemiddelde absolute afwijking die in de volksmond MAD wordt genoemd.

Regressieanalyse kan een nuttige leidraad zijn voor belangrijke beslissingen van het operationele management. Deze benadering is echter relatief duur vanwege de grote hoeveelheden gegevens die nodig zijn om bruikbare lineaire regressierelaties te verkrijgen.

ii. Meervoudige regressie-analyse:

Een andere prognosemethode is meervoudige regressieanalyse waarin een aantal variabelen worden beschouwd, samen met de effecten van elk op het prognosepunt. Bijvoorbeeld, in het geval van woninginrichtingsvelden, kunnen de effecten van het aantal huwelijken, start van de woning, wegwerpbaar inkomen en de trend worden uitgedrukt in een meervoudige regressievergelijking, zoals

S = B + B m (M) + B h (H) + B t (T)

Waar:

S = Brutoverkoop voor het jaar

B = basisverkoop, een startpunt van waaruit andere factoren

M = huwelijken gedurende het jaar

H = Wonen start gedurende het jaar

I = jaarlijks beschikbaar inkomen

T = Tijdstrend (eerste jaar = 1, tweede = 2, derde = 3 enzovoort)

B m, B h en B t vertegenwoordigen de invloed op de verwachte verkoop van de leden van huwelijken en woningstarts, inkomen en trend.

Voorspelling door meerdere regressies is een geschikte benadering wanneer een aantal factoren van invloed zijn op een variabele van belang in dit geval, verkoop.

De moeilijkheid ligt bij de wiskundige berekening. Gelukkig zijn standaard computerprogramma's voor meervoudige regressie-analyse beschikbaar, waardoor de noodzaak voor saaie manuele berekening wordt verlicht.

Een prognosemethode kiezen:

In deze context rijst de eerste vraag of u een prognosesysteem nodig hebt? Het systeem kan variëren van eenvoudige, goedkope tools tot uitgebreide programma's die uitgebreide verplichtingen van tijd, schat en talent vereisen.

Een bedrijf maakt gebruik van prognoses bij het plannen van zijn voorraad- en productieniveaus en bij het personeel en de budgetten voor de ontwikkeling van nieuwe producten. Op productniveau is het niet duur om prognoses te ontwikkelen om prognoses te ontwikkelen met een eenvoudig voortschrijdend gemiddelde, gewogen voortschrijdend gemiddelde of exponentiële afvlakking. Deze methoden zijn van toepassing op grote hoeveelheden standaardvoorraaditems die door een bedrijf worden vervoerd.

De keuze van welke van deze drie methoden te gebruiken is gebaseerd op marktomstandigheden. Het voortschrijdende gemiddelde gewicht per periode hetzelfde, exponentiële smoothening weegt het recente verleden meer en het gewogen voortschrijdend gemiddelde laat toe dat de gewichten worden bepaald door de voorspeller.

Wat is beter? Eén test zou zijn om elke methode te gebruiken op voorbeeldgegevens en de fouten te meten met behulp van de MAD en RSFE zoals we deden. In elk geval moeten alle prognoses worden doorgegeven aan het juiste gebied zodat iemand die bekend is met het product, de prognose aanpast of wijzigt.

Bij het gebruik van regressieanalyse is het van cruciaal belang om ervoor te zorgen dat de gegevens in het model passen. Als ze dat niet doen, zullen verkenningen ernstige fouten veroorzaken. Uitvoerende opinie, verkoopteam en klantonderzoek bovenaan de lijst vanwege marketingaccent en waardevolle voorspellingsindicatoren zijn trends en marktaandeel.

Vergelijking van productie- en servicebedrijven, productiebedrijven neigen naar meer grondigheid en bieden meer interacties in het rondsturen en bijstellen van de prognose. De belangrijkste voorspellingen zijn bijproductlijnen en productlevenscycli.

Fabrikanten hebben de neiging om meer kwantitatieve technieken te gebruiken en zijn meer tevreden met het prognoseproces. Ze zijn ook geneigd om de prognoses en de mate van nauwkeurigheid belangrijker te waarderen dan dat servicebedrijven ze waarderen.

Servicebedrijven hebben de neiging om meer mensen te betrekken bij het voorspellen en hebben een hoger percentage van de leidinggevende betrokkenheid.

Servicebedrijven neigen ook naar:

(1) Bekijk het gewogen voortschrijdend gemiddelde als een belangrijke techniek en

(2) Gebruik subjectieve prognoses veel meer dan fabrikanten. Vanwege de verschillende technieken die elk gebruikt, meldden servicebedrijven ook dat hun voorspellingsproces omslachtiger is dan dat van de fabrikant. Bovendien zijn servicebedrijven minder tevreden met de voorspelling.

Focusvoorspelling:

Focusvoorspelling is het hersenkind van Berine Smith. B. Smith gebruikt het voornamelijk voor het beheer van afgewerkte goederen. De heer B. Smith onderbouwt sterke argumenten dat statistische benaderingen die worden gebruikt bij het voorspellen niet de beste resultaten opleveren.

Hij stelt dat eenvoudige technieken die goed werken op gegevens uit het verleden ook het beste blijken uit het voorspellen van de toekomst. Wat is het? en zijn methodologie? "Focus forecasting" probeert eenvoudig verschillende regels die logisch en gemakkelijk te begrijpen lijken om in het verleden gegevens uit het verleden te projecteren. Elk van deze regels wordt gebruikt in een computersimulatieprogramma om de vraag daadwerkelijk te projecteren en vervolgens te meten hoe goed die regel presteerde in vergelijking met feitelijk gebeurde.

Daarom zijn de twee componenten van het focusvoorspellingssysteem:

(1) Verschillende eenvoudige prognoseregels en

(2) Computersimulatie van deze regels voor gegevens uit het verleden.

Dit zijn eenvoudige gezond verstand regels die zijn samengesteld uit en vervolgens zijn getest om te zien of ze moeten worden bewaard. De voorbeelden van eenvoudige prognoseregels kunnen zijn:

(a) Wat we in de afgelopen drie maanden hebben verkocht, is wat we waarschijnlijk in de komende drie maanden zullen verkopen.

(b) Wat verkocht in dezelfde periode van drie maanden vorig jaar, met waarschijnlijk verkopen in die periode van drie maanden dit jaar.

(c) We zullen waarschijnlijk de komende drie maanden 10 procent meer verkopen dan we in de afgelopen drie maanden hebben verkocht.

(d) We zullen waarschijnlijk de komende drie maanden 50 procent meer verkopen dan we voor dezelfde drie maanden van vorig jaar hebben verkocht.

(e) Welke procentuele verandering we ook hebben gehad in de afgelopen drie maanden dit jaar in vergelijking met dezelfde drie maanden vorig jaar, zal waarschijnlijk dezelfde procentuele verandering zijn die we zullen hebben voor de komende drie maanden van dit jaar.

Eén ding is zeker dat deze voorspellingsregels niet hard en snel zijn. Als een nieuwe regel goed lijkt te werken, wordt deze toegevoegd. Als dit niet het geval is, wordt het verwijderd.

Het tweede deel van het proces is computersimulatie. Om het systeem te gebruiken, moet een gegevenshistorie beschikbaar zijn voor een periode van minimaal 18 tot 24 maanden. Het simulatieproces gebruikt vervolgens elk van de prognoseregels om enkele recente gegevens uit het verleden te voorspellen. De regel die het beste het voorspellen van het verleden voorspelde, is de regel die wordt gebruikt om de toekomst te voorspellen.

Een focusvoorspellingssysteem ontwikkelen :

Hoe een focusvoorspellingssysteem te ontwikkelen? Hier zijn bepaalde suggesties of richtlijnen die helpen bij het ontwerpen van een focusvoorspellingssysteem. Dit zijn:

1. Probeer geen Seasonality Index toe te voegen:

Men zou geen seizoensindex moeten toevoegen. Laat het voorspellingssysteem vanzelf seizoensgebonden zijn, vooral met nieuwe items, omdat seizoensgebondenheid mogelijk niet van toepassing is totdat de pijplijn is gevuld en het systeem stabiel is. De voorspellingsregels kunnen dit aan.

2. Onderschat niet alleen ongebruikelijke eisen:

Wanneer een voorspelling meestal hoog of laag is, twee of drie keer de vorige periode, of het vorige jaar als er seizoensgevoeligheid is, print dan een indicator zoals de letter 'R' die de persoon die getroffen is door deze eis laat zien. Negeer niet alleen ongebruikelijke eisen, omdat ze in feite valide veranderingen in het vraagpatroon kunnen zijn.

3. Moedig deelname door voorspellers aan:

Laat de mensen die de voorspellingen zullen gebruiken, namelijk kopers of inventarisplanners deelnemen, regels maken. B. Smith speelt zijn spel met alle bedrijfskopers omdat "er geen focusvoorspelling kan worden gedaan".

Met behulp van twee jaar gegevens en 2000 items worden prognoses gemaakt voor de afgelopen zes maanden. Kopers wordt gevraagd om de afgelopen zes maanden te voorspellen met behulp van een regel die zij verkiezen. Als ze consistent beter zijn dan de bestaande prognoseregels, worden hun regels aan de lijst toegevoegd.

4. Houd de regels eenvoudig:

Door de regels eenvoudig te houden, zal de gebruiker deze voorspelling gemakkelijk kunnen begrijpen en vertrouwen, wat de waarde van focusvoorspelling verhoogt.

In een notendop lijkt het erop dat focusvoorspelling grote verdienste heeft wanneer er vraag buiten het systeem wordt gegenereerd, zoals het voorspellen van de vraag naar eindproducten, reserveonderdelen en materialen en benodigdheden die in een verscheidenheid aan producten worden gebruikt. Het is ook economisch, omdat B. Smith meldt dat het computertoneel blijkbaar niet erg groot is, omdat 1, 00, 000 items elke maand voorspellen met behulp van de gouden regels voor focusvoorspelling.

D. Simulatiemodellen:

Zoals eerder gezegd, zijn er dynamische modellen, meestal op computerbasis, waarmee de aanjager veronderstellingen kan doen over de interne variabelen en externe omgeving in het model. Er zijn veel commerciële prognoseprogramma's beschikbaar.

De meeste zijn beschikbaar voor microcomputers en maken gebruik van gedeelde gegevensbanken voor net werk. Grote Amerikaanse bedrijven zoals Wal-Mart gebruiken nu programma's die via internet werken.

De toekomst is om de prestatienormen te verbeteren en pakketten zullen worden gestandaardiseerd om tegemoet te komen aan specifieke behoeften van fabrikanten en handelaren bij het voorspellen. Alle maar de meest geavanceerde voorspellingsformules zijn vrij gemakkelijk te begrijpen.

Iedereen die een spreadsheet zoals Microsoft Excel kan gebruiken, kan een prognoseprogramma op de pc maken. Afhankelijk van iemands kennis van de spreadsheet, kan een eenvoudig programma worden geschreven van een paar minuten tot een paar uur. Hoe deze voorspelling door het bedrijf kan worden gebruikt, zou de grotere uitdaging kunnen zijn.

Als de vraag naar veel items moet worden voorspeld, wordt dit een probleem met de gegevensverwerking, geen probleem in de prognoselogica.

Het voorspellingssysteem ontwerpen:

De inhoud van dit hoofdstuk bracht het aantal voorspellingsmethoden en -technieken aan het licht. Het probleem voor manager is om een ​​beste en geschikte methode te kiezen, zodat hij voorspellingen kan doen en door kan gaan naar de volgende fase van het analyseren van problemen met het beheer van bewerkingen.

Helaas is het niet zo eenvoudig als men zegt. De keuze voor de juiste keuze van een bepaalde methode is zeker een belangrijk aspect bij het ontwerpen van een voorspellingssysteem, maar er zijn nog enkele andere belangrijke overwegingen.

Bij het ontwerpen van een prognosestelsel moet de manager beslissen over:

(1) Wat te voorspellen?

(2) Welk softwarepakket om te gebruiken voor een geautomatiseerd programma?

(3) Hoe kan het systeem helpen bij het nemen van beslissingen door managers?

Laten we deze drie belangrijke punten aanraken:

Bepalen wat te voorspellen:

Het is heel gewoon om managers van operations te horen zeggen dat prognoses van de vraag moeten worden gemaakt voor alle goederen of diensten die door hun bedrijven worden geproduceerd. Er is een schatting van de vraag nodig voor alle artikelen, het kan eenvoudiger zijn om een ​​aantal aggregatie van de producten te voorspellen en vervolgens individuele productprognoses af te leiden.

Het kiezen van de juiste maateenheid is ook belangrijk, want de prognoses kunnen net zo belangrijk zijn als het kiezen van de beste methode. Hierbij moet rekening worden gehouden met twee punten, namelijk aggregatieniveau en meeteenheden.

1. Niveau van aggregatie:

In de praktijk hebben maar heel weinig bedrijven fouten van meer dan 5 procent in hun prognoses van de totale vraag naar alle producten. Fouten in prognoses voor afzonderlijke items variëren echter van 100 procent tot + 300 procent of meer. Hoe groter de aggregatie, hoe nauwkeuriger de prognoses.

Veel bedrijven maken gebruik van een tweeledig voorspellingssysteem waarbij prognoses worden gemaakt voor 'productfamilies', een groep goederen of diensten met vergelijkbare vraagvereisten en gemeenschappelijke vereisten voor verwerking, arbeid en materialen.

Prognoses voor afzonderlijke items zijn op een dusdanige manier verdeeld dat hun som gelijk is aan de totale prognose voor het gezin. Een dergelijke aanpak zorgt voor consistentie tussen planning voor de laatste productiefasen en langetermijnplanning voor verkoop, winst en capaciteit.

Meeteenheden:

De prognoses die als input dienen voor de planning en de analyse van operationele problemen zijn het meest nuttig als ze zijn gebaseerd op producteenheden in plaats van roepiewaarden. Voorspellingen van verkoopopbrengsten zijn niet erg nuttig, omdat prijzen kunnen en vaak fluctueren.

Dus hoewel de totale verkoop in rupees van maand tot maand hetzelfde zou kunnen zijn, zal het werkelijke aantal vraageenheden sterk variëren.

Voorspelling van het aantal eenheden van de vraag en vervolgens vertalen naar verkoopopbrengsten schattingen door vermenigvuldiging is vaak een veel betere methode. Het kan echter zo zijn dat het voorspellen van het aantal vraageenheden voor een product mogelijk niet mogelijk is.

De bedrijven die goederen of diensten produceren aan de bestelling van de klant, worden geconfronteerd met dit probleem. In dergelijke gevallen is het beter om de standaard arbeids- of machinetijden die vereist zijn voor elk van de kritieke bronnen te voorspellen op basis van historische patronen. Voor dergelijke bedrijven worden schattingen van arbeid of machinelijduren ingevoerd voor planning en capaciteitsplanning.

2. Een softwarepakket selecteren:

Omdat dit het tijdperk van computertechnologie en een ingrijpende revolutie van informatie is, zijn veel voorspellingssoftwarepakketten beschikbaar voor computers van alle grootten. Deze pakketten zijn beschikbaar voor computers van alle grootten. Deze pakketten bieden een breed scala aan prognosemogelijkheden en rapportindelingen. Pakketten zoals General Electric's Time Service Forecasting System (GETSFS) en IBM's.

Consumer Goods System (COGS) en Inventory Management Program and Control Technique (IMPACT) bevatten prognosemodules die worden gebruikt door veel bedrijven met grote computerfaciliteiten.

Sinds de introductie van microcomputers zijn tientallen softwarepakketten ontwikkeld voor vrijwel alle populaire pc's. De toepassingen variëren van eenvoudige tot zeer geavanceerde programma's.

Deze microcomputerpakketten zijn geprijsd om ze aantrekkelijke alternatieven te maken voor traditionele hoofdframe-pakketten.

Door kosteneffectiviteit van technieken te nemen, hebben sommige de voorkeur op korte termijn, terwijl anderen op grote schaal werken. Daarom is de selectie van het prognosesoftwarepakket de gezamenlijke beslissing van de marketingmanager en de operations manager. Of een team kan deze belangrijke afdelingen vertegenwoordigen.

De uiteindelijke selectie van het pakket is gebaseerd op:

(1) Hoe goed voldoet het pakket aan de eisen en wensen?

(2) De kosten van het kopen of leasen van het pakket

(3) Het vereiste aantal administratieve ondersteuning en

(4) De vereiste hoeveelheid onderhoudstermijn van de programmeur.

3. Beheerlijk gebruik van het systeem:

Er zijn twee belangrijke aspecten die moeten worden vermeld met betrekking tot het gebruik van geautomatiseerde voorspellingssystemen:

(1) Prognoses met een enkel nummer zijn zelden nuttig omdat prognoses bijna altijd fout zijn. Resulterend weten managers dat als ze een enkel aantal voorspelde productvragen hebben, de werkelijke vraag allesbehalve dat cijfer zal zijn. Daarom is een veel nuttiger benadering om de manager een voorspelde waarde en een foutenbereik te bieden, wat kan worden gedaan door MAD te gebruiken. Deze aangepaste informatie geeft de manager een beter gevoel voor de onzekerheid in de prognose en stelt de beheerder in staat om beter voorraden, personeelsniveaus en dergelijke te plannen.

(2) Het betreft zichzelf met de verwachte hoeveelheid managementinterface met het systeem. Trackingsignalen moeten voor elke prognose worden berekend en de berichten moeten worden gegenereerd wanneer de signalen het geselecteerde bereik overschrijden.

De managers moeten de bevoegdheid hebben om een ​​door een computer gegenereerde prognose te overrijden met een eigen prognose of de gebruikte methode te wijzigen wanneer veranderingen in het vraagpatroon dit vereisen. Dat wil zeggen dat managers volledige vrijheid moeten hebben om een ​​van beide voorspellingen te gebruiken, wat hen helpt vertrouwen te krijgen in het prognosesysteem.

Dus tot slot kan men zeggen dat het ontwikkelen van een doorbraak in het voorspellingssysteem niet eenvoudig is. Het is echter niet aan de orde, het moet worden gedaan omdat prognoses fundamenteel zijn voor elke planningsinspanning.