Luku 11 - Kysyntäohjauksen vahvistin Ennustaminen 1. Täydellinen ennuste on käytännössä mahdotonta 2. Ennusteta täydellisen ennusteen sijaan on paljon tärkeämpää määrittää ennusteiden jatkuva tarkistaminen ja oppia elämään epätarkan ennusteen avulla. 3. Ennusteessa , Hyvä strategia on käyttää 2 tai 3 menetelmiä ja katsoa niitä tavalliseen näkemykseen. 2. kysynnän peruslähteet 1. riippuvainen kysyntä - tuotteiden tai palveluiden kysyntä muiden tuotteiden tai palveluiden kysynnästä. Ei paljon yritys voi tehdä, se on täytettävä. 2. Riippumaton kysyntä - kysyntä, jota ei voida suoraan johtaa muiden tuotteiden kysyntään. Yritykset voivat a) vaikuttaa aktiivisesti kysynnän vaikutukseen - kohdistaa paineita myyntihenkilöstölle b) ottaa passiivisen roolin kysynnän vaikutuksesta - jos yritys toimii täydellä kapasiteetilla, se ei välttämättä halua tehdä mitään kysyntään. Muut syyt ovat kilpailukykyiset, oikeudelliset, ympäristölliset, eettiset ja moraaliset. Yritä ennustaa tulevaisuutta aiempien tietojen perusteella. 1. Lyhytaikainen - alle 3 kuukautta - taktiset päätökset, kuten varastojen lisääminen tai aikataulutus EE: t lähitulevaisuudessa 2. Keskipitkä aikaväli - 3 M-2Y - Kausittaiset vaikutukset, kuten asiakkaat reagoivat uuteen tuotteeseen 3. Pitkäaikainen - enemmän kuin 2 vuotta. Merkittävien käännekohtien tunnistaminen ja yleisten suuntausten havaitseminen. Lineaarinen regressio on erityinen regressiotyyppi, jossa muuttujan väliset suhteet muodostavat suoran Y abX. Y - riippuva muuttuja a - Y - leikkaus b - kaltevuus X - itsenäinen muuttuja Tätä käytetään pitkän aikavälin ennusteisiin suuria tapahtumia ja kokonaissuunnittelua varten. Sitä käytetään sekä aikasarjan ennusteisiin että satunnaisiin suhteisiin liittyviin ennusteisiin. Käytetään eniten ennustustekniikkaa. Viimeisimmät tapahtumat osoittavat enemmän tulevaisuutta (korkein ennakoitavissa oleva arvo) kuin kaukaisemmassa menneisyydessä. Meidän pitäisi antaa enemmän painoa malmin viimeaikaisille aikajaksoille, kun ennustetaan. Jokainen menneisyyden lisäys vähenee (1- alfa). Mitä korkeampi on alfa, sitä tarkemmin ennuste seuraa todellista. Viimeisin painotus alfa (1-alfa) na 0 Tiedot yhdestä aikajaksosta vanhempi alfa (1-alfa) na 1 Tiedot kaksi aikajaksoa vanhempi alfa (1-alfa) na 2 Mikä seuraavista ennusteista riippuu suuresti oikeita yksilöitä, joita arvioitaessa käytetään ennustearvon tosiasialliseen tuottamiseen, on oltava välillä 0 ja 1 1. 2 tai useampia ennalta määritettyjä Alpha-arvoja - riippuen virheasteesta käytetään Alpha-arvoja. Jos virhe on suuri, Alpha on 0,8, jos virhe on pieni, Alpha on 0,2 2. Alpha - eksponentiaalisesti tasoitetun todellisen virheen lasketut arvot jaettuna eksponentiaalisesti kuumennetulla absoluuttisella virheellä. Ennustamisen kvalitatiiviset tekniikat Asiantuntijoiden tuntemus ja paljon harkintaa (uusia tuotteita tai alueita) 1. Markkinatutkimus - etsii uusia tuotteita ja ideoita, tykkää ja kieltää olemassa olevista tuotteista. Ensisijaisesti SURVEYS amp INTERVIEWS 2. Paneeli Konsensus - ajatus siitä, että 2 päätä on parempi kuin yksi. Useiden eri asioiden henkilökunta voi kehittää luotettavamman ennusteen kuin kapeampi ryhmä. Ongelmana on, että alemmat EE-tasot pelkäävät korkeammat hallintotasot. Toimeenpanovaltaa käytetään (korkeampi hallintotaso on mukana). 3. Historiallinen analogia - yritys, joka jo tuottaa leivänpaahtimet ja haluaa valmistaa kahviauhoja, voi käyttää leivänpaahdin historiaa todennäköisenä kasvumallina. 4. Delphi-menetelmä - hyvin riippuvainen oikeiden ihmisten valinnasta, joita tuomion avulla voidaan käyttää ennusteiden tuottamiseen. Jokaisella on sama paino (enemmän oikeudenmukaista). Tyydyttävät tulokset saavutetaan yleensä kolmessa kierroksessa. TAVOITE - Yhteistoiminnallinen suunnittelu, ennustaminen ja täydennys (CPFR) Valitut sisäiset tiedot vaihdetaan jaetun verkkopalvelimen avulla luotettavien ja pidemmän aikavälin tulevaisuuden näkymien tarjoamiseksi kysyntään toimitusketjussa. Time-sarjan menetelmät Aikasarjamenetelmät ovat tilastollisia tekniikoita Jotka hyödyntävät ajan mittaan kertyneitä historiallisia tietoja. Aikasarjamenetelmät olettavat, että aiemmin tapahtuneet tapahtumat jatkuvat tulevaisuudessa. Kuten nimiaikasarjojen mukaan nämä menetelmät liittyvät ennusteeseen vain yhdeksi kertoimeksi. Niihin kuuluvat liukuva keskiarvo, eksponentiaalinen tasoitus ja lineaarinen trendilinja, ja ne ovat suosituimpia menetelmiä lyhyen kantaman ennustukselle palvelu - ja valmistusyrityksissä. Nämä menetelmät edellyttävät, että tunnistettavat historialliset mallit tai trendit ajan myötä kysyntä toistuvat. Keskimääräinen liikkumavara Aikasarjan ennuste voi olla yhtä yksinkertainen kuin kysynnän käyttö kuluvalla kaudella kysynnän ennustamiseksi seuraavan jakson aikana. Tätä kutsutaan joskus naiivi - tai intuitiiviseksi ennusteeksi. Esimerkiksi jos kysyntä on 100 yksikköä tällä viikolla, tulevien viikkojen ennuste on 100 yksikköä, jos kysyntä osoittautuu 90 yksikköä kohti, seuraavien viikkojen kysyntä on 90 yksikköä ja niin edelleen. Tämäntyyppisen ennustamismenetelmän avulla ei oteta huomioon historiallista kysynnän käyttäytymistä, joka perustuu vain kysyntään kuluvan kauden aikana. Se reagoi suoraan normaaleihin, satunnaisiin kysynnän liikkeisiin. Yksinkertainen liikkuvan keskiarvon menetelmä käyttää viime aikoina useita kysyntäarvoja ennusteen kehittämiseen. Tämä pyrkii vaimentamaan tai tasoittamaan ennustuksen satunnaisia korotuksia ja laskuja, jotka käyttävät vain yhtä jaksoa. Yksinkertainen liukuva keskiarvo on hyödyllinen kysynnän ennustamiseksi, joka on vakaa eikä siinä ole merkittäviä kysyntäkäyttäytymistä, kuten trendiä tai kausivaihtelua. Liikkuvat keskiarvot lasketaan tiettyinä ajanjaksoina, kuten kolme kuukautta tai viisi kuukautta, riippuen siitä, kuinka paljon ennustaja haluaa sopeuttaa kysyntitietoja. Mitä kauemmin liikkuvan keskijakson pituus on, sitä sileämpää se on. Yksinkertaisen liikkuvan keskiarvon laskentakaava on Simple Moving Average laskeminen Instant Paper Clip Office Supply Company myy ja toimittaa toimistotarvikkeita yrityksille, kouluille ja virastoille noin 50 kilometrin säteellä varastostaan. Toimistotarviketoiminta on kilpailukykyinen, ja kyky toimittaa tilauksia nopeasti on tekijä uusien asiakkaiden saamisessa ja vanhempien säilyttämisessä. (Toimistot eivät yleensä anna tilausta, kun ne ovat alhaisempia toimituksista, mutta kun ne loppuvat loppuun asti, he tarvitsevat tilauksiaan välittömästi.) Yrityksen päällikkö haluaa olla riittävän varma kuljettajia ja ajoneuvoja saatavilla tilausten toimittamiseksi viipymättä ja Heillä on varastossa varastossa riittävästi tietoa. Tämän vuoksi johtaja haluaa pystyä ennustamaan seuraavan kuukauden aikana odotettavissa olevien tilausten määrää (eli toimitusten kysynnän ennustamista). Toimitusrekistereistä johtoryhmä on kerännyt seuraavat tiedot viimeisten 10 kuukauden aikana, mistä se haluaa laskea kolmen ja viiden kuukauden liukuvat keskiarvot. Oletetaan, että se on lokakuun lopussa. Kolmen tai viiden kuukauden liukuva keskiarvo johtuu tyypillisesti seuraavalle kuukaudelle järjestyksessä, joka tässä tapauksessa on marraskuu. Liukuva keskiarvo lasketaan tilausten kysynnästä aikaisintaan kolme kuukautta jaksoittain seuraavan kaavan mukaan: 5 kuukauden liukuva keskiarvo lasketaan kyselyn aiemmista 5 kuukaudesta seuraavasti: Kolmen ja viiden kuukauden liukuvat keskimääräiset ennusteet kysynnän kaikkien tietojen kuukausina esitetään seuraavassa taulukossa. Oikeastaan vain johtajan käyttämään vain viimeisintä kuukausittaista kysyntää koskevat marraskuun ennusteet. Aikaisempien kuukausien aikaisemmat ennusteet antavat kuitenkin mahdollisuuden vertailla ennustetta todelliseen kysyntään ja nähdä kuinka tarkka ennuste on - eli kuinka hyvin se toimii. Kolmen ja viiden kuukauden keskiarvot Sekä liikkuvan keskiarvon ennusteet edellä olevassa taulukossa pyrkivät parantamaan todellisten tietojen vaihtelevuutta. Tätä tasoittavaa vaikutusta voidaan havainnollistaa seuraavassa kuvassa, jossa 3 kuukauden ja 5 kuukauden keskiarvot on asetettu alkuperäisen datan kaaviolle: Edellisessä luvussa oleva viiden kuukauden liukuva keskiarvo tasoittaa vaihtelut suuremmassa määrin kuin Kolmen kuukauden liukuva keskiarvo. Kolmen kuukauden keskiarvo kuitenkin heijastaa tarkemmin toimiston toimitusjohtajan viimeisimpiä tietoja. Yleisesti ottaen pidemmällä aikavälillä liikkuvan keskiarvon ennusteet ovat hitaampia reagoimaan viimeaikaisiin kysynnän muutoksiin kuin lyhyemmällä aikavälillä liikkuviin keskiarvoihin perustuvat. Lisäjaksot vaimentavat nopeutta, jolla ennuste reagoi. Liikkumattoman keskimääräisen ennusteen käyttämien sopivien määräaikojen määrittäminen vaatii usein jonkin verran kokeilu - ja virhekokeet. Liikkuvan keskiarvomenetelmän haittapuoli on se, että se ei reagoi sellaisiin vaihteluihin, joita esiintyy syystä, kuten sykleistä ja kausittaisista vaikutuksista. Tekijöitä, jotka aiheuttavat muutoksia, jätetään yleensä huomiotta. Se on periaatteessa mekaaninen menetelmä, joka heijastaa historiallisia tietoja johdonmukaisesti. Liikkeessä olevan keskimääräisen menetelmän etuna on kuitenkin se, että se on helppokäyttöinen, nopea ja suhteellisen halpa. Yleensä tämä menetelmä voi tarjota hyvän ennusteen lyhyen aikavälin, mutta sitä ei tule työntää liian kauas tulevaisuuteen. Painotettu liikkuva keskiarvo Liikkuvaa keskimääräistä menetelmää voidaan säätää tarkemmin tietojen vaihteluiden mukaan. Painotetulla liukuva keskiarvomenetelmällä painot määritetään viimeisimpään dataan seuraavan kaavan mukaan: PM Computer Services - palvelun (esimerkki 10.3 taulukossa esitetyn) kysynnän tiedot näyttävät noudattavan kasvavaa lineaarista kehitystä. Yhtiö haluaa laskea lineaarisen trendilinjan nähdäkseen, onko se tarkempi kuin esimerkkien 10.3 ja 10.4 kehittämä eksponentiaalinen tasoittaminen ja säädetyt eksponenttien tasoitusennusteet. Pienimmän neliösumman laskelmissa vaaditut arvot ovat seuraavat: Näiden arvojen avulla lineaarisen trendilinjan parametrit lasketaan seuraavasti: Siksi lineaarinen trendilinjayhtälö on Laskettaessa ennuste kaudelle 13, anna x 13 lineaarisessa Trendiviiva: Seuraavassa kaaviossa näkyy lineaarinen trendiviiva verrattuna todellisiin tietoihin. Suuntaviiva näyttäisi heijastavan tarkasti varsinaisia tietoja - toisin sanoen hyvää sovittamista - ja olisi siten hyvä ennuste malli tähän ongelmaan. Lineaarisen trendilinjan haitta on kuitenkin se, että se ei sopeudu trendin muutokseen, koska eksponenttien tasausennusteen menetelmät eli oletetaan, että kaikki tulevat ennusteet noudattavat suoraa linjaa. Tämä rajoittaa tämän menetelmän käyttöä lyhyemmäksi aikaväleksi, jossa voi olla suhteellisen varmaa, että trendi ei muutu. Kausittaiset mukautukset Kausiluonteinen kaava on kysynnän toistuva lisääntyminen ja väheneminen. Monet kysyntätarvikkeet näyttävät kausittaista käyttäytymistä. Vaatteiden myynti seuraa vuosittain kausiluonteista mallia, ja lämpimän vaatteen kysyntä kasvaa syksyllä ja talvella ja laskee keväällä ja kesällä, kun jäähdytysvaatteiden kysyntä kasvaa. Monien vähittäiskauppojen, kuten lelujen, urheiluvälineiden, vaatteiden, elektronisten laitteiden, kinkkujen, kalkkunoiden, viinien ja hedelmien kysyntä kasvaa lomakauden aikana. Tervehdyskorttikysyntä kasvaa yhdessä erityisten päivien, kuten Ystävänpäivä ja Äitienpäivä, kanssa. Kausittaiset mallit voivat tapahtua myös kuukausittain, viikoittain tai päivittäin. Joillakin ravintoloilla on suurempi kysyntä illalla kuin lounaalla tai viikonloppuisin arkipäivisin. Liikenne - siis myynti - ostoskeskuksissa nousee perjantaina ja lauantaina. Aika-sarjan ennusteessa on useita menetelmiä heijastamaan kausivaihteluja. Kuvaamme yhtä yksinkertaisemmista menetelmistä kausittaisen tekijän avulla. Kausittainen tekijä on numeerinen arvo, joka kerrotaan normaalilla ennustuksella kausitasoitetun ennusteen saamiseksi. Eräs menetelmä kausittaisten tekijöiden kysynnän kehittämiseksi on jakaa jokaisen kausijakson kysyntä vuotuisen kysynnän mukaan seuraavan kaavan mukaan: Tuloksena olevat kausittaiset tekijät 0-100 ovat todellisuudessa osa vuotuisesta kokonaiskysynnästä, Joka kausi. Nämä kausittaiset tekijät kerrotaan vuotuisella ennustetulla kysynnällä tuotettujen ennusteiden tuottamiseksi kullekin kaudelle. Kausitasoitusten ennustaminen Wishbone Farms kasvattaa kalkkunoita myytäväksi liha-alan yritykselle ympäri vuoden. Kuitenkin sen huippukausi on ilmeisesti vuoden viimeisellä neljänneksellä, lokakuusta joulukuuhun. Wishbone Farms on kokenut kalkkunan kysynnän viimeisen kolmen vuoden aikana. Seuraavassa taulukossa on kolme vuotta: Koska meillä on kolmen vuoden kysyntätietoja, voimme laskea kausittaiset tekijät jakamalla neljännesvuosittaisen kysynnän kolmen vuoden ajan kokonaiskysynnän mukaan kaikilla kolmella vuodella : Seuraavaksi haluamme moninkertaistaa ennustetun kysynnän seuraavalle vuodelle 2000 kunkin kausitekijän osalta, jotta saavutamme kunkin neljänneksen ennustetun kysynnän. Tämän saavuttamiseksi tarvitsemme vuoden 2000 kysyntäennusteen. Tällöin, koska taulukon kysyntitieto näyttää näyttävän yleisesti kasvavan trendin, laskemme lineaarisen trendilinjan taulukon kolmen vuoden ajan saadaksemme karkean Ennusteennuste: Näin ollen vuoden 2000 ennuste on 58,17 eli 58,170 kalkkunaa. Tämän vuosittaisen kysynnän ennusteen mukaan kausitasoitetut ennusteet, SF i, vuodelle 2000 Vertailla näitä neljännesvuosittaisia ennusteita taulukon todellisiin kysyntään, ne näyttävät olevan suhteellisen hyviä ennustearvioita, jotka heijastavat sekä tietojen kausivaihtelua että Yleinen nousu. 10-12. Kuinka liikkuvat keskimääräinen menetelmä on samanlainen kuin eksponentiaalinen tasoitus 10-13. Mikä vaikutus eksponentiaaliseen tasoitusmalliin lisää tasoitusvakion 10-14. Miten säädetty eksponenttitasoitus poikkeaa eksponentiaalisesta tasoituksesta 10-15. Mikä määrää tasoitusvakion valinnan trendille säädetyllä eksponenttien tasausmallilla 10-16. Aikasarjamenetelmien luvussa esitetyistä esimerkeistä lähtöennusteen oletettiin aina olevan sama kuin ensimmäisen kauden todellinen kysyntä. Ehdota muita tapoja, joilla aloitusennuste voidaan johtaa varsinaisessa käytössä. 10-17. Miten lineaarinen trendiviivan ennustamismalli poikkeaa lineaarisesta regressiomallista ennusteeseen 10-18. Tässä luvussa esitetyistä aikasarjamalleista, mukaan lukien liukuva keskiarvo ja painotettu liukuva keskiarvo, eksponentiaalinen tasoitus ja säädetty eksponentiaalinen tasoitus sekä lineaarinen trendilinja, mitkä pidät parhaiten Miksi 10-19. Mitä etuja säätää eksponentiaalinen tasoitus on yli lineaarisen trendilinjan ennakoitua kysyntää, jolla on suuntaus 4 K. B. Kahn ja J. T. Mentzer, Ennusteet kuluttaja - ja teollisuusmarkkinoilla, Journal of Business Forecasting 14, no. 2 (Kesä 1995): 21-28.P 498 Yhtiö haluaa ennakoida kysyntää käyttäen (s. 498) Yhtiö haluaa ennakoida kysyntää käyttäen yksinkertaista liikkuvaa keskiarvoa. Jos yhtiö käyttää kolmea edeltävää vuosittaista myyntiarvoa (vuosi 2009 130, vuosi 2010 110 ja vuosi 2011 160), mikä seuraavista on yksinkertainen liikkuva keskimääräinen ennuste vuodelle 2012. A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Käyttämällä yhtälöä 15.5 (sivu 498) Vuoden 2012 ennuste (130 110 160) 3 4004 133,3 AACSB: Analyyttiset kukat Taksonomia: Analysoi Vaikeusaste: Keskitaso Jacobs - luku 15 66 Oppimistavoite: 15-05 käyttäen regressiivista liikkuvia keskiarvoja ja eksponentiaalisia tasoituksia. Aihealue: Time Series Analysis 67. (s. 500) Yritys haluaa ennakoida kysyntää käyttäen painotettua liukuvaa keskiarvoa. Jos yhtiö käyttää kahta edellistä vuosittaista myyntiarvoa (eli vuoden 2011 110 ja vuoden 2012 130), ja haluamme painottaa vuoden 2011 10 ja 2012 vuoteen 90, mikä seuraavista on painotettu liukuva keskiennuste vuodelle 2013 A. 120 B. 128 C. 133 D. 138 E. 142 Käyttämällä yhtälöä 15.6 (sivu 500) Ennuste vuodelle 2013 (110x0.1) (130x0,9) 11 117 128 AACSB: Analyyttiset kukat Taksonomia: Analysoi Vaikeus: Medium Jacobs - Luku 15 67 Oppimistavoitteet: 15-05 Näyttää, kuinka tehdä aikasarjan ennuste käyttäen regressiivista liikkuvaa keskiarvoa ja eksponentiaalisen tasoituksen. Aihe-alue: Aikasarjan analyysi Tämä esikatselu on tahallisesti epätarkkoja osia. Kirjaudu sisään nähdäksesi koko version. 68. (s. 500) Yritys haluaa ennakoida kysyntää käyttäen painotettua liukuvaa keskiarvoa. Jos yhtiö käyttää kolmea edeltävää vuosittaista myyntiarvoa (eli 2010, 160, 2011, 140 ja 2012 170), ja haluamme painottaa vuoteen 2010 30, 2011, 30 ja 2012, 40, mikä seuraavista on Painotettu liikkuva keskimääräinen ennuste vuodelle 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Käyttämällä yhtälöä 15.6 (sivu 500) Ennuste vuodelle 2013 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158 AACSB: Analyyttiset kukat Taksonomia: Analysoi Vaikeusaste: Keskitaso Jacobs - Luku 15 68 Oppimistavoite: 15-05 Näyttää, kuinka tehdä aikasarjan ennuste käyttäen regressiivista liikkuvia keskiarvoja ja eksponentiaalisia tasoituksia Aihe-alue: Aikasarjan analyysi 69. (sivu 501) Seuraavat ovat tärkeimpiä syitä, joiden mukaan eksponentiaalinen tasoittaminen on hyvin hyväksytty ennustustekniikaksi A. Tarkkuus B. Analysoinnin hienostuneisuus C. Ennakoivat käännekohdat D. Helppokäyttöisyys E. Kyky ennustaa jäljessä olevat trendit Exponential tasoitusmenetelmät ovat kehittyneet hyvin hyväksytty kuudesta suuresta syystä: 1. Exponential mod Els ovat yllättävän tarkkoja. 2. Eksponentiaalimallin muodostaminen on suhteellisen helppoa. 3. Käyttäjä voi ymmärtää mallin toimivuuden. 4. Pieni laskenta vaaditaan mallin käyttämiseen. 5. Tietokoneen tallennusvaatimukset ovat pienet historiallisten tietojen rajoitetun käytön vuoksi. 6. Testit, jotka osoittavat, kuinka hyvin mallin suorituskyky on helppo laskea. AACSB: Analyyttinen Tämä on esikatselun loppu. Kirjaudu sisään päästäksesi muuhun dokumenttiin. Tämä muistio lähetettiin 11092012 kurssille MBAA 500, jonka professori Multiple opetti kevään 03912 termillä Embry-Riddle FLAZ. TERM Spring 03912 PROFESSOR multiple Klikkaa muokata dokumentin yksityiskohtia14 Ennustaminen Operations Management: prosessit ja toimitusketjut, kymmenes painos Lee J. Krajewski, Larry P. Ritzman, Manoj K. Malhotra Julkaisija: PH Professional Business ISBN-13: 978-0-13 -280739-5 ISBN-10: 0-13-280739-4 Julkaistu: 01062012 Tekijänoikeuksien kopio 2013 463KEVIN DIETSCHUPINewscomA Motorola Droid - puhelimessa näkyi Googleen homep-ikä Washingtonissa 15. elokuuta 2011. Google Inc. osti puhelimen valmistajan Motorola Liikkuvuus 12. Motorola paransi merkittävästi kysynnän ennustamisprosessiaan, ja palkkioita siitä, kuinka se hoiti toimitusketjunsa. 5 miljardia. 2000-luvun alussa Motorolarsquosin johtajuus ja markkinaosuus heikkenivät. Motorola ymmärsi, että sen on muutettava toimitusketjunsa ja aloitettava merkittävä aloite viestinnän ja yhteistyön tiukentamiseksi toimitusketjussa. PREVIOUS14Motorola MobilityMotorola Mobility tekee matkapuhelimista, älypuhelimista, tablet-laitteista ja kaapelisovittimista. Se asetti yhteistyön suunnittelun, ennustamisen ja täydennyksen (CPFR) toimintaan vuonna 2002. Palkkio on ollut merkittävä. Motorola myy yli 120 matkapuhelinmallia maailmanlaajuisesti. Ennustaminen siitä, kuinka monta mallia tehdä ja myydä on hankalaa, ja vähittäiskauppiaiden hyllyjen täsmällinen täydennys on kriittinen. Jotta asiat saataisiin pahentua, puhelinmallilla voi olla useita SKU: itä, elinkaari keskimäärin vain hieman yli vuoden ja uusien tuotteiden esittely on nopeaa. Motorola oli näkyvissä vain sen lähetyksille vähittäiskauppiaillemme jakelukeskuksille, mutta ei vähittäiskaupan jakelukeskuksille lähetyksille myymälöihin. Ennen CPFR: n käyttöönottoa Motorola Mobilersquosin myynti oli erittäin vaihtelevaa eikä synkronoitu asiakkaiden kysynnän kanssa. Ilman näitä tietoja ennustevirheet olivat erittäin suuret, mikä johti liiallisiin kouristuksiin. Noin puolet kaikista varastosta johtaa myynnin menettämiseen. Tietäen, mitä jälleenmyyjät myyvät, on paljon enemmän arvokasta tietoa tulevan kysynnän ennustamisessa kuin tietää, mitä vähittäismyyjät ostavat. Jos asiakasryhmän suosikkikone ei ole varastossa, on olemassa todellinen vaara, että Motorola menettää kyseisen asiakkaan elämäänsä eikä pelkästään seuraavalle palvelusopimukselle. CPFR: n avulla Motorola on yhteistyössä 464: n kanssa. OSA 3 TOIMITUSJÄRJESTELMIEN HALLINTAA tarjonnan ja kysynnän tasapainottaminen alkaa tarkkojen ennusteiden avulla ja sitten sovittaa yhteen toimitusketjun, kuten Motorola Mobility osoittaa. Ennuste on ennakointi tulevista tapahtumista, joita käytetään suunnittelutarkoituksiin. Suunnittelu on toisaalta prosessi, jolla tehdään päätöksiä siitä, miten resursseja käytetään parhaiten vastaamaan kysyntäennusteisiin. sen vähittäismyyjät, jakelukeskukset, asiakkaat ja lisää kykyään ennakoida tehokkaasti. ennustaminen Tulevien tapahtumien ennakointi suunnitteluun. Ennustemenetelmät voivat perustua matemaattisiin malleihin, jotka käyttävät käytettävissä olevia historiallisia tietoja, tai kvalitatiivisiin menetelmiin, jotka liittyvät johtamiskokemukseen tai tuomioihin tai molempien yhdistelmään. Motorola käynnisti organisaationlaajuisen siirtymän asiakaslähtöisiin toimintaryhmiin. Ennen CPFR: tä vähittäismyyjiä, joita tämänhetkiset ennusteet kehitettiin kunkin kuukauden toisella viikolla, kun taas Motorolarsquos kootti myynti - ja toimintasuunnitelmansa aikaisemmin toisella viikolla. Tällainen menestys on yksi syy, jonka Google maksoi suurena (12. Perinteisesti toimittajien ja ostajien useimmissa toimitusketjuissa valmistellaan riippumattomia kysynnän ennusteita. CPFR: n menestyksekkään toteutuksen todellinen avain on kulttuuriliiton muodostaminen, joka sisältää vertaisverkkoyhteyksiä Ennustamisen analyytikkoon ottaminen merkitsee, että he voivat välittömästi ratkaista eroja, jotka johtuvat eroavuuksista. He jakavat jälleenmyyjilleen reaaliaikaisia tietoja ja suunnitelmia, kuten ennusteita, varastoja, myyntiä vähittäiskauppiaille, hyllyille, myynninedistämistä, tuotesuunnitelmia ja Poikkeuksia Motorola on vakuuttanut vähittäiskauppiaan nousemaan suuntaa-ajoonsa vain kahdella tai kolmella päivällä, mikä sulki pois seitsemän viikon ennakoidun viivästymisen, joka johtui siitä, että ennuste ei ollut mukana vasta seuraavana kuukautiskierroksena. Päivä, molemmat joukkueet ratkaisevat yhdessä eroja lineaarisesti. Motorolarsquos CPFR-aloite vähentää ennakoidun virheen murto-osaan sen edellisestä levystä L, sallivat nopeat alennukset turva - varastossa, vähentävät kuljetuskustannuksia puoleen vähemmän kuorma - kuorma-autojen määrästä johtuen ja leikkaavat karkotukset alle kolmasosaan aiemmista tasoista. 5 miljardia) ostaa Motorolarsquosin matkapuhelinliiketoiminnan elokuussa 2011. CPFR: n jälkeen ne antavat Motorola ldquoArdquo - luokituksia. Nyt jälleenmyyjä lataa ennusteet seuraavalle kuukaudelle maanantaina. Ennen CPFR: tä vähittäiskauppiaat antoivat joskus Motorola ldquoC-, rdquo ldquoD-, rdquo - ja ldquoFrdquo-luokituksia mittareille, kuten aikataululle, liiketoiminnan helppoudelle ja varastolle. Tiistaina Motorola lataa ennustuksensa. Lähde: Jerold P. Cederlund, Rajiv Kohli, Susan A. Sherer ja Yuliang Yao, missä Motorola Put CPFR - toiminto, rdquo Supply Chain Management Review (lokakuu 2007), s. 28ndash35 Sharyn Leaver, Patrick Connaughton ja Elisse Gaynor, ldquoCase Tutkimus: Motorolarsquos Quest for Supply Chain Excellence, rdquo Forrester Research, Inc. (lokakuu 2006), s. Motorola. 1ndash12, Ante, ldquoGooglersquos 12. 5 Billion Gamble, rdquo Wall Street Journal, 12. elokuuta 2011. com, huhtikuu 29, 2011 Amir Efrati ja Spencer A. Tunnista erilaiset ennustevirheiden toimenpiteet. OPPIMISET TAVOITTEET Tämän luvun lukemisen jälkeen sinun pitäisi pystyä: tunnistamaan useimpien kysyntään perustuvien aikasarjojen viisi perustekniikkaa. Käytä regressiota ennusteiden tekemiseen yhdellä tai useammalla riippumattomalla muuttujalla. Tee ennusteet käyttämällä yleisimpiä lähestymistapoja aikasarjan analyysiin. Tee ennusteita trendisuunnittelun avulla regressiolla. Kuvaile yritystoiminnan tyypillinen ennusteprosessi. Selitä yhteistyön suunnittelu, ennustaminen ja täydennysosaaminen (CPFR). Aloitamme erilaisilla kysyntään. ENNUSTEET LUKU 14 465 Tässä luvussa keskitymme kysynnän ennusteisiin. Tarkastelemme ennusteita kolmessa perusluokassa: (1) tuomion, (2) kausaalisen ja (3) aikasarjan menetelmiä. Ennusteen virheet määritellään, mikä antaa tärkeitä vihjeitä bet-ennusteiden tekemiseen. Päätämme kokonaisvaltaisista prosesseista arvioiden tekemiseksi ja ennustamisjärjestelmän suunnittelusta. Seuraavaksi tarkastelemme itse ennustustekniikkaa, ja sitten miten ne voidaan yhdistää, jotta saataisiin yhteen näkemyksiä useista lähteistä. Ennusteet ovat hyödyllisiä sekä prosessien hallintaan että toimitusketjujen hallintaan. Prosessitasolla tuotannon ennusteita tarvitaan erilaisten prosessien suunnitteluun koko organisaatiossa, mukaan lukien tunnistaminen ja sisäisten pullonkaulojen käsittely. Toimitusketjun tasolla yritys tarvitsee ennusteita koordinoimaan asiakkaitaan ja toimittajiaan. Ennustettu yleinen vaatimus on tyypillisesti peräisin markkinoinnista, mutta sisäiset asiakkaat koko organisaatiossa riippuvat ennusteista laatimaan ja toteuttamaan myös suunnitelmansa. Ennustaminen koko organisaatiossa Organisaation laajuinen ennustamisprosessi leikkaa toiminnalliset alueet. Ennusteet ovat tärkeitä panostuksia liiketoimintasuunnitelmiin, vuotuisiin suunnitelmiin ja budjetteihin. Henkilöstö käyttää ennusteita palkkaus - ja koulutustarpeiden ennakoimiseksi. Rahoitustarpeiden ennusteiden avulla voidaan suunnitella rahavirtoja ja pääomavaatimuksia. Operatiiviset ja toimitusketjun johtajat tarvitsevat ennusteita tuotannon tasojen, palvelujen ja materiaalien hankintojen, työvoiman ja tuotannon aikataulujen, varastojen ja pitkäaikaisten valmiuksien suunnittelusta. Markkinointi on tärkeä lähde myynnin ennusteisiin, koska se on lähinnä ulkoisia asiakkaita. Työkalut näiden ennusteiden tekemiseksi ovat pohjimmiltaan samat työkalut, joita on käsitelty kysynnän ennustamisessa: tuomion, asiantuntevien ihmisten mielipiteet, kokemusten keskiarvot, regressio ja aikasarjatekniikat. Johtajat koko organisaatiossa tekevät ennusteita monista muista muuttujista kuin tulevista haasteista, kuten kilpailijoiden strategioista, sääntelymuutoksista, teknisistä muutoksista, käsittelyajoista, toimittajien toimitusaikoista ja laadun heikkenemisestä. Ennusteet ovat kuitenkin harvoin täydellisiä. Näiden työkalujen avulla ennusteita voidaan parantaa. Kuten Samuel Clemens (Mark Twain) sanoi Equatorin seuraamisen jälkeen, ldquoProphesy on hyvä toimiala, mutta se on täynnä riskejä. Kysyntäkuviot Asiakaslähtöinen asiakkaiden kysyntä on vaikea tehtävä, koska palvelujen ja tavaroiden kysyntä voi vaihdella suuresti. Rdquo Smart-johtajat tunnistavat tämän todellisuuden ja löytävät tapoja päivittää suunnitelmansa, kun väistämättömän ennustevirhe tai odottamaton tapahtuma ilmenee. Esimerkiksi nurmikonlannan kysyntä kasvaa ennustettavasti kevään ja summayksikön aikana, erityisesti viikonloppuisin, jolloin kysyntä on raskainta, voi riippua säänkestävillä tekijöillä, kuten säällä. Joskus mallit ovat ennustettavissa. M. Näin ollen suuren pankkikeskuksen puhelinkeskuksen päivän huippunopeudet ovat kello 9.00 - 12.00 M. ja viikon huippupäivä on maanantai. Ennustevaatimus tällaisissa tilanteissa edellyttää perustana olevien mallien paljastamista saatavilla olevista tiedoista. Raporttitoimitusprosessiensa huippukuuajat ovat tammikuu, huhtikuu, heinäkuu ja lokakuu, eli neljännesvuosikatsaukset lähetetään. Tässä osiossa keskustelemme kysynnän peruskuvioista. Palvelun tai tuotteen kysynnän toistetut havainnot esiintymisjärjestyksessään muodostavat aikasarjan tunnuksen. Useimmat kysyntä-aikasarjat ovat viisi perustekniikkaa: 1. Horisontaalinen. Tietojen vaihtelu jatkuvan keskiarvon ympärillä. 2. Trendit. Säännöllinen nousu tai lasku sarjan keskimääräisen ajan kuluessa. Kausiluonteinen. 3. toistuva malli kysynnän kasvusta tai vähennyksestä vuorokauden, viikon, kuukauden tai kauden mukaan. 4. Vähemmän ennustettavissa oleva asteittainen lisääntyminen tai kysynnän väheneminen pidemmällä aikavälillä (vuosina tai vuosikymmeninä). Syklinen. Kysynnän ennustamaton vaihtelu. 5. Satunnaiset. Sykliset mallit johtuvat kahdesta vaikutuksesta. Toinen vaikutus on palvelun tai tuotteen elinkaari, joka heijastaa kysynnän vaiheita kehityksestä laskuun. Ensimmäinen on suhdannekierto, johon kuuluvat tekijät, jotka aiheuttavat taloutta menemästä taantumasta laajenemiseen useiden vuosien ajan. Suhdanteen kysyntä on vaikea ennustaa, koska se vaikuttaa kansallisiin tai kansainvälisiin tapahtumiin. Neljä kysyntäkuvetta, vaakasuuntainen, trendi, kausiluonteinen ja syklinen jakauma yhdistää eriasteisesti palvelun tai tuotteen kysynnän perustan. Viides patteria, satunnaisvaihtelu, johtuu satunnaisista syistä ja näin ollen ei voida ennustaa. KUVA 14. Satunnainen vaihtelu on kysynnän osa, joka tekee jokaisesta ennusteesta lopulta epätarkan. Ennustevirheiden kumulatiivinen summa (CFE) Ennusteessa esiintyvän ennaltaehkäisyn arvioitu kokonaisennusvirheen mittaus. Ennuste errorAero todettu vähentämällä ennuste todellisesta kysynnästä tietyn ajan. Kuva 14. 2 (a) Todellisen ja ennakoivan kysynnän kaavio käyttämällä ennakkoarvojen virheiden analyysiä POM: ssä Windowsissa 463 OSA 3 TOIMITUSJOHDON HALLINTAMuutosvirhe (MSE), virheiden keskihajonta ja keskimääräinen absoluuttinen poikkeama (MAD) Mitataan trendin, kausittaisten, suhdanne - tai satunnaisten vaikutusten aiheuttamien ennustevirheiden hajonta: MSE gE 2 tn s Cg (Et-E) 2n-1 MAD g 0 Et 0nFigure 14. 1 esittää kyselyn aikasarjan neljä ensimmäistä mallia , Jotka kaikki sisältävät satunnaisia muunnelmia. Creating Value throughOperations ManagementManaging Supply ChainsManaging ProcessesUsing Operations CompeteProject ManagementSupply Ketju InventoryManagementSupply Ketju DesignSupply Ketju LocationDecisionsSupply Ketju IntegrationForecastingOperations suunnittelu andScheduling Resource PlanningProcess StrategyProcess AnalysisQuality ja PerformanceCapacity PlanningConstraint ManagementLean SystemsSupply Ketju Sustainabilityand Humanitaarinen Logistics466 OSA 3 toimitusriskien CHAINSKey Päätökset Making ForecastsBefore käyttäen ennustetekniikoiden, johtaja must Tehdä kaksi päätöstä: (1) mitä ennustetaan ja (2) minkä tyyppinen ennustustekniikka valita eri kohteille. Aikasarjat Palvelun tai tuotteen kysynnän toistuvia havaintoja niiden esiintymisjärjestyksessä. 2 (b) osoittaa, että neliövirhe ajanjaksossa 1 on 4 ja MSE on 87. Päättäen mitä ennustetaan Vaikka vaikka jonkinlainen kysyntäarviot ovat tarpeen yksittäisten palvelujen tai yritysten tuottamien tavaroiden osalta, ennakoidaan kokonaiskysyntää ryhmiin tai klustereihin ja sitten Yksittäisten palveluiden tai tuotesuunnitelmien tulos voi olla helpoin. g. 9 koko näytteen osalta. Virheiden keskihajonta lasketaan käyttäen yhtä Excelissä käytettävissä olevista toiminnoista, eikä sitä ole esitetty kuviossa 14. 2 (b). Myös oikean mittayksikön (esim. Huoltopalvelut tai tuoteyksiköt tai koneen käyttötunnit) valitseminen ennakointiin voi olla yhtä tärkeää kuin paras tapa valita. Aggregaation taso Harvat yritykset rikkovat yli 5 prosenttia arvioidessaan kaikkien niiden palveluiden tai tuotteiden vuotuista kokonaiskysyntää. 1 koko näytteen. Yksittäisten kohteiden ennusteiden virheet ja lyhyemmät ajanjaksot voivat kuitenkin olla paljon suurempia. Virheen absoluuttinen arvo kaudella 2 on 6 ja MAD on 8. Tunnustaen tämä todellisuus monet yritykset käyttävät kaksitasoista ennustejärjestelmää. They first cluster (or ldquoroll uprdquo) several similar services or products in a process called aggregation, making forecasts for families of services or goods that have simi-lar demand requirements and common processing, labor, and materials requirements. Next, they derive forecasts for individual items, which are sometimes called stock-keeping units. A stock-keeping unit (SKU) is an individual item or product that has an identifying code and is held in inventory somewhere along the supply chain, such as in a distribution center. Units of Measurement Rather than using dollars as the initial unit of measurement, forecasts of-ten begin with service or product units, such as SKUs, express packages to deliver, or customers needing maintenance service or repairs for their cars. If accurately forecasting demand for a service or product is not possible in terms of number of units, forecast the standard labor or machine-hours required of each of the critical resources. Forecasted units can then be translated to dollars by multiplying them by the unit price. The forecasterrsquos objective is to develop a useful forecast from the information at hand with the technique that is appropriate for the different patterns of demand. Choosing the Type of Forecasting TechniqueForecasting systems offer a variety of techniques, and no one of them is best for all items and situ-ations. Two general types of fore-casting techniques are used: judgment methods and quantitative methods. The mathematical symbol 0 0 is used to indicate the absolute valuemdashthat is, it tells you to disregard positive or negative signs. judgment methodsA forecasting method that trans-lates the opinions of managers, expert opinions, consumer sur-veys, and salesforce estimates into quantitative estimates. Judgment methods translate the opinions of managers, expert opinions, consumer surveys, and salesforce estimates aggregationThe act of clustering several simi-lar services or products so that forecasts and plans can be made for whole families. J F M A M J J A S O N D 1 2 3 4 5 6QuantityTime(a) Horizontal: Data cluster about a horizontal line. If MSE, s, or MAD is small, the forecast is typically close to actual demand by contrast, a large value indicates the possibility of large forecast errors. QuantityMonths(c) Seasonal: Data consistently show peaks and valleys. QuantityYears(d) Cyclical: Data reveal gradual increases and decreases over extended periods of time. QuantityTime(b) Trend: Data consistently increase or decrease. Large errors get far more weight in MSE and s because the errors are squared. Year 1Year 2FIGURE 14. The measures do differ in the way they emphasize errors. 1 Patterns of Demand FORECASTING CHAPTER 14 467into quantitative estimates. Quantitative methods include causal methods, time-series analysis, and trend projection with regression. MAD is a widely used measure of forecast error and is eas-ily understood it is merely the mean of the absolute forecast errors over a series of time periods, without regard to whether the error was an overestimate or an underestimate. The mean absolute percent error (MAPE) relates the forecast error to the level of demand and is useful for putting forecast performance in the proper perspective:MAPE 1g 0 Et 0 gtDt2 11002n (expressed as a percentage)For example, an absolute forecast error of 100 results in a larger percent-age error when the demand is 200 units than when the demand is 10,000 units. Time-series analysis is a statistical approach that relies heavily on historical demand data to project the future size of demand and recognizes trends and seasonal patterns. Causal methods use historical data on independent vari-ables, such as promotional campaigns, economic conditions, and competitorsrsquo actions, to predict demand. MAPE is the best error measure to use when making comparisons between time series for different SKUs. Looking again at Figure 14. 2(b), the percent er-ror in period 2 is 16. Trend pro-jection using regression is a hybrid between a time-series technique and the causal method. 22 percent, and MAPE, the average over all 10 periods, is 17. 06 percent. Forecast ErrorFor any forecasting technique, it is important to measure the accuracy of its forecasts. Figure 14. Random error results from unpredictable factors that cause the forecast to deviate from the actual demand. Part (b) shows the detailed calculations needed to obtain the summary error terms. Finally, Part (c) gives the summary error measures summarized across all 10 time periods, as derived from Part (b). Forecasts almost always contain errors. Forecasting analysts try to minimize forecast errors by selecting appropriate forecasting models, but eliminating all forms of errors is impossible. The cumulative sum of forecast errors (CFE) measures the total forecast error:CFE aEtCFE is a cumulative sum. 2(b). 2 shows the output from the Error Analysis routine in Forecastingrsquos dropdown menu of POM for Windows. 3(b) shows that it is the sum of the errors for all 10 peri-ods. Forecast error for a given period t is simply the difference found by subtracting the forecast from actual demand, orEt Dt - Ftwhere Et forecast error for period t Dt actual demand for period t Ft forecast for period tThis equation (notice the alphabetical order with Dt coming before Ft ) is the starting point for creating several measures of forecast error that cover longer periods of time. Figure 14. For example, it would be -8 (or -2 -6) for period 2. For any given period, it would be the sum of errors up through that period. Part (a) gives a big picture view of how well the forecast has been tracking the actual demand. For ex-ample, CFE is -31, which is in the error column of Figure 14. CFE is also called the bias error and results from consistent mistakesmdashthe forecast is always too high or too low. This type of error typically causes the greatest disruption to planning efforts. 2(b) in the TOTALS row. For example, if a forecast is consistently lower than actual demand, the value of CFE will gradually get larger and larger. The average forecast error, sometimes called the mean bias, is simplyE CFEncausal methodsA quantitative forecasting method that uses historical data on inde-pendent variables, such as pro-motional campaigns, economic conditions, and competitorsrsquo actions, to predict demand. This increasingly large error indicates some systematic deficiency in the forecasting approach. Finally, Figure 14. MAD is 8. 2(c) summarizes the key error terms across all 10 time periods. They are actually found in selected portions of Figure 14. trend projection with regressionA forecasting model that is a hybrid between a time-series technique and the causal method. 04 270 290 -20 400 20 7. time-series analysisA statistical approach that relies heavily on historical demand data to project the future size of de-mand and recognizes trends and seasonal patterns. mean absolute percent error (MAPE)A measurement that relates the forecast error to the level of demand and is useful for putting forecast performance in the proper perspective. 1, found in the 0Error 0 column and AVERAGE row. 33 300 285 15 225 15 5. 06, which is in the 0 Pct Error 0 column and AVERAGE row. mean squared error (MSE)A measurement of the dispersion of forecast errors. FIGURE 14. standard deviation (s)A measurement of the dispersion of forecast errors. 45 230 250 -20 400 20 8. Finally, 0 0 is 17. 77 210 250 -40 1,600 40 19. 76 260 240 20 400 20 7. 2(c)Error Measuresmean absolute deviation (MAD)A measurement of the dispersion of forecast errors. Calculate CFE, MSE, s, MAD, and MAPE for this product. 08 275 240 35 1,225 35 12. 7Total -15 5,275 195 81. 1 Calculating Forecast Error MeasuresThe following table shows the actual sales of upholstered chairs for a furniture manufacturer and the forecasts made for each of the last 8 months. 875Mean squared error:MSE gE 2tn5,2758 659. 52 240 220 20 400 20 8. 3SOLUTIONUsing the formulas for the measures, we getCumulative forecast error (bias):CFE -15 (the bias, or the sum of the errors for all time periods in the time series)Average forecast error (mean bias):E CFEn-158 -1. Month, tDemand, DtForecast, FtError, EtError, Squared, E 2 tAbsolute Error 0Et 0Absolute Percent Error, ( 0Et 0 Dt)(100)1 200 225 -25 625 25 12. 875)27 27. 4Standard deviation of the errors:s Cg Et - (-1. 2A CFE of -15 indicates that the forecast has a slight bias to overestimate demand. 4Mean absolute deviation:MAD g 0 Et 0n1958 24. 2(b) Detailed Calculations of Forecast Errors FIGURE 14. FORECASTING CHAPTER 14 469EXAMPLE 14. 4Mean absolute percent error:MAPE g 0 Et 0 gtDt100n81. 38 10. 980r2 0. The MSE, s, and MAD statistics provide measures of forecast error variability. Salesforce estimates are forecasts compiled from estimates made periodically by members of a companyrsquos salesforce. 4 means that the average forecast error was 24. 4, indicates that the sample distribution of forecast errors has a standard deviation of 27. The value of s, 27. A MAD of 24. In the weighted moving average method, each historical demand in the average can have its own weight. 229Xr 0. 960syx 1 5. The coordinator prepares a statistical summary of the responses along with a summary of arguments for particular responses. 4 units. Large values of n should be used for demand series that are stable, and small values of n should be used for those that are susceptible to changes in the underlying average. 135 109. All of the factors going into judgmental forecasts would fall into the category of executive opinion. 4 units in absolute value. 4. 603The regression equation isY -8. 474 PART 3 MANAGING SUPPLY CHAINSThe moving average method may involve the use of as many periods of past demand as de-sired. Errors are measured across past data, often called the history file in practice. 1 in MyOMLab provides another example to practice making forecasts with the moving average method. If n is set to its lowest level (i. 470 PART 3 MANAGING SUPPLY CHAINSComputer SupportComputer support, such as from OM Explorer or POM for Windows, makes error calculations easy when evaluating how well forecasting models fit with past data. The sum of the weights equals 1. Conducting a market research study includes designing a questionnaire, deciding how to administer it, select-ing a representative sample, and analyzing the information using judgment and statistical tools to interpret the responses. This form of forecasting is useful when no historical data are available from which to develop statistical models and when managers inside the firm have no experience on which to base informed projections. DECISION POINTAlthough reasonably satisfied with these forecast performance results, the analyst decided to test out a few more forecasting methods before reaching a final forecasting method to use for the future. 229Xand the regression line is shown in Figure 14. 1), it becomes the na iumlve method. 00 and suggests an unusually strong positive relationship exists between sales and advertising expenditures. 0. A MAPE of 10. 98, which is unusually close to 1. 2 percent implies that, on average, the forecast error was about 10 percent of actual demand. The sample correlation coefficient, r, is 0. These measures become more reliable as the number of periods of data increases. Forecasts of individual salesforce members can be combined easily to get regional or national sales estimates. FIGURE 14. Market research is a systematic approach to determine external consumer interest in a ser-vice or product by creating and testing hypotheses through data-gathering surveys. For example, in a three-period weighted moving average model, the most recent period might be assigned a weight of 0. The salesforce is the group most likely to know which services or prod-ucts customers will be buying in the near future and in what quantities. They show the various error measures across the en-tire history file for each forecasting method evaluated. 30, and the third most recent might be weighted 0. In other cases, judgment methods can also be used to modify forecasts that are generated by quantitative methods. 20. e. e. They may recognize that one or two quantitative models have been perform-ing particularly well in recent periods. Judgment MethodsForecasts from quantitative methods are possible only when there is adequate historical data, (i. Adjustments certainly would be called for if the forecaster has important contextual knowledge. The sample coefficient of determination, r2, implies that 96 percent of the variation in sales is explained by advertising expenditures. Weighted Moving Averages In the simple moving average method, each demand has the same weight in the averagemdashnamely, 1n. A coordinator sends questions to each member of the group of outside experts, who may not even know who else is participating. 50, the second most recent might be weighted 0. As the advertising expenditure will be 1,750, the forecast for month 6 is Y -8. These rounds continue until consensus is obtained. They also make forecasts into the future, based on the method selected. Contextual knowledge is knowledge that practitioners gain through experience, such as cause-and-effect relationships, environmental cues, and organiz ational informa-tion that may have an effect on the variable being forecast. 4 Linear Regression Line for the Sales and Advertising Data Using POM for Windows1 2050100150200250Sales (000 units)Advertising (000)Brass Door HingeDataForecastsDECISION POINTThe supply chain manager decided to use the regression model as input to planning production levels for month 6. 135 109. Such models can be analyzed with POM for Windows or OM Explorer and can be quite useful for predicting turning points and solving many planning problems. However, the history file may be nonexistent when a new product is introduced or when technology is expected to change. The naiumlve forecast method may be adapted to take into account a demand trend. g. The average is obtained by multiplying the weight of each period by the value for that period and adding the products together:Ft 1 0. The increase (or decrease) in demand observed between the last two periods is used to adjust the current de-mand to arrive at a forecast. These relationships are expressed in mathematical terms and can be complex. In some cases, judgment methods are the only practical way to make a forecast. the history file). 50Dt 0. The history file might exist but be less useful when certain events (such as rollouts or special packages) are reflected in the past data, or when certain events are expected to occur in the future. FORECASTING CHAPTER 14 473Naiumlve ForecastA method often used in practice is the naiumlve forecast, whereby the forecast for the next period (Ft 1) equals the demand for the current period (Dt ). Executive opinion can also be used for technological forecasting. 016, or 183,016 units. Four of the more successful judgment methods are as follows: (1) salesforce estimates, (2) executive opinion, (3) market research, and (4) the Delphi method. Adjustments also could account for un-usual circumstances, such as a new sales promotion or unexpected international events. 229(1. They could also have been used to remove the effect of special one-time events in the history file before quantita-tive methods are applied. 30Dt - 1 0. The report is sent to the same group for another round, and the participants may choose to mod-ify their previous responses. For example, some people are naturally optimistic, whereas others are more cautious. Often several independent variables may affect the dependent variable. 75) 183. In the remainder of this chapter, we turn to the commonly used quantitative forecasting approaches. For example, advertising expen-ditures, new corporation start-ups, and residential building contracts all may be important for estimating the demand for door hinges. However, individual biases of the salespeople may taint the forecast. government actions or advertising promotions) can be identified. Executive opinion is a forecasting method in which the opinions, experience, and technical knowledge of one or more managers or customers are summarized to arrive at a single forecast. The Delphi method is a process of gaining consensus from a group of experts while maintain-ing their anonymity. Adjustments in forecasts may need to be made to account for these individual biases. The quick pace of technological change makes keeping abreast of the latest advances difficult. Causal Methods: Linear RegressionCausal methods are used when historical data are available and the relationship between the fac-tor to be forecasted and other external or internal factors (e. Suppose that last week the demand was 120 units and the week before it was 108 units. (It can even handle seasonal effects by putting higher weights on prior years in the same season. Although market research yields important information, it typically in-cludes numerous qualifications and hedges in the findings. Causal methods are good for predicting turning points in demand and for preparing long-range forecasts. We focus on linear regression, one of the best known and most commonly used causal methods. In such cases, multiple regression analysis is helpful in determining a forecasting equa-tion for the dependent variable as a function of several independent variables. 2 of OM Explorer in MyOMLab. In linear regression, one variable, called a dependent variable, is related to one or more independ ent variables by a linear equation. The dependent variable (such as demand for door salesforce estimatesThe forecasts that are compiled from estimates of future demands made periodically by members of a companyrsquos salesforce. Delphi methodA process of gaining consensus from a group of experts while maintaining their anonymity. linear regressionA causal method in which one variable (the dependent vari-able) is related to one or more independent variables by a linear equation. The sample correlation coefficient, r, measures the direction and strength of the relationship between the independent variable and the dependent variable. So if the actual demand for Wednesday is 35 customers, the forecasted demand for Thursday is 35 customers. The advantage of a weighted moving average method is that it allows you to emphasize recent demand over earlier demand. 00 implies that period-by-period changes in direction ( increases or decreases) of the independent variable are always accompanied by changes in the same direction by the dependent variable. 20Dt - 2For a numerical example of using the weighted moving average method to estimate average demand, see Solved Problem 2 and Tutor 14. Three measures commonly reported are (1) the sample correlation coefficient, (2) the sample coefficient of determination, and (3) the standard error of the estimate. Despite its name, the naiumlve forecast can perform well. technological forecastingAn application of executive opinion to keep abreast of the latest advances in technology. 0. market researchA systematic approach to deter-mine external consumer interest in a service or product by creating and testing hypotheses through data-gathering surveys. The independent variables (such as adver-tising expenditures and new housing starts) are assumed to affect the dependent variable and thereby ldquocauserdquo the results observed in the past. executive opinionA forecasting method in which the opinions, experience, and technical knowledge of one or more managers are summarized to arrive at a single forecast. dependent variableThe variable that one wants to forecast. The method works best when the hori-zontal, trend, or seasonal patterns are stable and random variation is small. The value of r can range from -1. Figure 14. It is the most frequently used formal forecasting method because of its simplicity and the small amount of data needed to support it. Estimating the AverageWe begin our discussion of statistical methods of time-series forecasting with demand that has no apparent trend, seasonal, or cyclical patterns. 3 shows how a linear regression line relates to the data. FORECASTING CHAPTER 14 471hinges) is the one the manager wants to forecast. 00 to 1. ) The forecast will be more responsive to changes in the underly-ing average of the demand series than the simple moving average forecast. Computer programs are used for this purpose. Exponential Smoothing The exponential smoothing method is a sophisticated weighted moving average method that calculates the av-erage of a time series by implicitly giving recent demands more weight than earlier demands, all the way back to the first period in the history file. The horizontal pattern in a time series is based on the mean of the demands, so we focus on forecasting methods that estimate the average of a time series of data. If the demand last July was 50,000 units, and assuming no underlying trend from one year to the next, the forecast for this July would be 50,000 units. The naiumlve forecast method also may be used to account for seasonal pat-terns. In technical terms, the regression line minimizes the squared deviations from the actual data. For any set of matched observations for Y and X, the program computes the values of a and b and provides measures of forecast accuracy. In the simplest linear regression models, the dependent variable is a function of only one in-dependent variable and, therefore, the theoretical relationship is a straight line:Y a bXwhereY dependent variableX independent variablea Y intercept of the lineb slope of the lineThe objective of linear regression analysis is to find values of a and b that minimize the sum of the squared deviations of the actual data points from the graphed line. 00. Unlike the weighted moving average method, which re-quires n periods of past demand and n weights, exponential smoothing requires only three items of data: (1) the last periodrsquos forecast (2) the ac-tual demand for this period and (3) a smoothing parameter, alpha (a), which has a value between 0 and 1. A correlation coeffi-cient of 1. An r of -1. 00 means that decreases in the independent variable are always accompanied by increases in the dependent variable, and vice versa. The forecast of demand for any period in the future is the average of the time series computed in the current period. The equation for the exponentially smoothed forecast for period t 1 is calculated Ft 1 aDt (1 - a)Ftweighted moving average methodA time-series method in which each historical demand in the average can have its own weight the sum of the weights equals 1. Demand increased 12 units in 1 week, so the forecast for next week would be 120 12 132 units. A zero value of r means no linear relationship exists between the variables. The closer the value of r is to
No comments:
Post a Comment