ELREJELZS 1 Az elrejelzs annak a becslse hogy
ELŐREJELZÉS 1
Az előrejelzés annak a becslése, hogy mi fog történni a jövőben. A termékek iránti szükséglet előrejelzése, alapja a legfontosabb döntéseknek. A hosszú távú stratégiai tervek, amelyeket a felső vezetés készít, azokon az előrejelzéseken alapulnak, amelyek azt mondják meg, hogy a fogyasztók milyen termékeket fognak igényelni a jövőben és mekkora lesz a mérete a piacnak, illetve hol fog a piac elhelyezkedni. Az előrejelzés egy bizonytalan folyamat. A menedzsment néha alkalmaz minőségi módszereket, amelyek a megítélésen, véleményen, a múlt tapasztalatán, a legjobb becsléseken alapul. Számos mennyiségi előrejelzési módszer is van, amely alkalmas arra, hogy segítse a menedzsmentet a döntések meghozatalában és a tervezésben. 2
Az előrejelzés stratégiai szerepe az ellátási lánc menedzsmentben és a TQM-ben Ellátási lánc menedzsment A termék iránti szükséglet előrejelzésének eredménye meghatározza, hogy mennyi raktárkészlet szükséges, mennyi terméket kell gyártani, mennyi anyagot kell vásárolni a beszállítóktól, hogy az előre jelzett fogyasztói igényeket kielégítsék. Pontos előrejelzés nélkül nagy mennyiségű, költséges raktárkészletet kell tartani, minden szintjén az ellátási láncnak, a fogyasztói igények bizonytalansága miatt. 3
Total Quality Management Egyre több fogyasztó kíván jó minőségű szolgáltatást, ami azt jelenti, hogy akkor veszi meg a terméket, amikor azt igényli. A TQM finoman szabályozott, hatékony termelési folyamatot igényel, hibás termékek nélkül, minimális raktárkészlettel, veszteségek nélkül. 4
A szükséglet-előrejelzés elemei Az időkeret azt jelzi, hogy mennyire szól a jövőnek az előrejelzés. Időkeret A rövidtől a középtávú előrejelzések tipikusan tartalmazzák az azonnali következő napok, illetve a 2 évig terjedő előrejelzéseket. Például a Hewlett. Packard tintasugaras nyomtatóinak havi előrejelzését 12 -től 18 hónapra készítik el a jövőre vonatkozóan, míg a a Levi Strauss hetes előrejelzései 5 évvel előre készülnek. A hosszú távú előrejelzés rendszerint 2 évesnél hosszabb időperiódusú. 5
A Hewlett-Packard hosszú távú előrejelzései 2 évtől 6 évig, a Fiat Autógyár stratégiai tervei az új és a folyamatosan gyártott termékeket illetően 10 évre előretekintve készül. A szükséglet hatása az előrejelzésre Trendnek hívjuk a fokozatos, hosszú ideig tartó, felfelé vagy lefelé tartó mozgását a szükségletnek. Véletlenszerű változások azok a mozgások, amelyeket nem lehet előre becsülni és nem követnek valamilyen mintát. A ciklus egy fel és le ismétlődő mozgása a szükségletnek. A szezonális változás egy ismétlődő fel illetve lefelé történő mozgása a szükségletnek, amely periodikusan történik. A szezonalítás gyakran az időjárással kapcsolatos. 6
Előrejelzési módszerek Az idősoros módszerek, statisztikai módszerek, amelyek a múltban keletkezett szükségletadatokat használja fel arra, hogy megbecsülje a jövő szükségleteit. A regressziós előrejelzési módszerek matematikai összefüggést alkalmaznak az előrejelzés céljára. A minőségi módszerek a menedzserek megítélését, tapasztalatát és véleményét használják fel az előrejelzésnél. 7
Idősoros módszerek Az idősoros módszerek olyan statisztikai technikák, amelyek a múlt adatait használják fel. Ezek a módszerek azt feltételezik, hogy a múltbeli trendek meg fognak ismétlődni a jövőben, a szükségletek terén. A legnépszerűbb idősoros modellek, amelyeket alkalmazni szoktak a mozgó átlagok és az exponenciális simítás. 8
Mozgó átlag Az egyszerű mozgóátlag módszer néhány szükségleti értéket használ a közeljövőből azért, hogy előrejelzést készítsen. n = periódusok száma a mozgóátlagban Di = szükséglet az i-edik periódusban 9
HÓNAP Január Február Március Április Május Június Július Augusztus Szeptember Október RENDELÉSEK 120 90 100 75 110 50 75 130 110 90 10
= 110 rendelés novemberre = 91 rendelés novemberre 11
Három és öt hónapos átlagok HÓNAP Január Február Március Április Május Június Július Augusztus Szeptember Október November RENDELÉSEK HAVONTA HÁROM HÓNAPOS MOZGÓÁTLAG ÖT HÓNAPOS MOZGÓÁTLAG 120 90 100 75 110 50 75 130 110 90 - 103. 3 88. 3 95. 0 78. 3 85. 0 105. 0 110. 0 99. 0 85. 0 82. 0 88. 0 95. 0 91. 0 12
13
A hátránya a mozgóátlag módszernek az, hogy az nem reagál a változásokra, ami a ciklusosság vagy a szezonalítás miatt következik be. A mozgóátlag módszer előnyös, mert azt könnyű használni, gyors és aránylag olcsó. Általában ez a módszer jó előrejelzést ad rövid távon. 14
Súlyozott mozgóátlag A súlyozott mozgóátlag módszerben a múlt adatai közül a legközelebbi adatokhoz súlyok vannak rendelve. Wi = I időszak súlya, amely 0 és 100 % közt lehet Wi = 1. 00 Di = igény az i-edik időszakban = (0. 50)(90) + (0. 33)(110) + (0. 17)(130) = 103. 4 rendelés 15
Exponenciális simítás Az exponenciális simítás szintén egy átlagszámítási módszer, amely a legkésőbbi adatokat erősebben súlyozza. Ft+1 = Dt + (1 - ) Ft Ft+1 = előrejelzés a következő időszakra Dt = tényleges igény a jelen időszakra vonatkozóan Ft = az előzetesen meghatározott előrejelzés a jelen időszakra vonatkozóan = súlyfaktor, amit simító konstansnak hívnak Minél magasabb az , annál érzékenyebb az előrejelzés a közeli igény változásokra és a simítás annál kisebb mértékű. 16
Személyi számítógépek iránti igény IDŐSZAK HÓNAP 1 2 3 4 5 6 Január Február Március Árpilis Május Június IGÉNY IDŐSZAK HÓNAP IGÉNY 37 40 41 37 45 50 7 8 9 10 11 12 Július Augusztus Szeptember Október November December 43 47 56 52 55 54 α = 0, 3 és 0, 5 17
F 2 = D 1 + (1 - )F 1 = (0. 30)(37) + (0. 70)(37) = 37 egység A harmadik időszakra vonatkozó előrejelzés hasonlóan számolandó: F 3 = D 2 + (1 - )F 2 = (0. 30)(40) + (0. 70)(37)= 37. 9 egység A végső előrejelzés a 13. időszakra, januárra vonatkozik, amely előrejelzés érdekli a számítógép szervizt: F 13 = D 12 + (1 - )F 12 = (0. 30)(54) + (0. 70)(50. 84) = 51. 79 egység 18
Exponenciális simítással való előrejelzés =. 30 és =. 50 IDŐSZAK 1 2 3 4 5 6 7 8 9 10 11 12 13 HÓNAP Január Február Március Április Május Június Július Augusztus Szeptember Október November December Január IGÉNY 37 40 41 37 45 50 43 47 56 52 55 54 - ELŐREJELZÉS, Ft+1 = 0. 30 37. 00 37. 90 38. 83 38. 28 40. 29 43. 20 43. 14 44. 30 47. 81 49. 06 50. 84 51. 79 = 0. 50 37. 00 38. 50 39. 75 38. 37 41. 68 45. 84 44. 42 45. 71 50. 85 51. 42 53. 21 53. 61 19
20
Az előző ábrán az az előrejelzés, amelyik a magasabb értékű simító konstanst α = 0, 5 használja, sokkal erősebben reagál az igényváltozásokra, mint az, ahol az α értéke 0, 3, bár mind a kettő kisimítja a véletlenszerű változásokat a jövőben. Mindkét előrejelzés tendenciájában alacsonyabb, mint a tényleges szükséglet, ily módon az előrejelzések követik a trendet. 21
Lineáris trend A lineáris trend egy lineáris regressziós modell, amely az igényt időben ábrázolja. y = a + bx a = intercept a 0 -dik időpontban b = az egyenes meredeksége x = időszak y = igény előrejelzés az x-edik időszakra vonatkozóan 22
Ezek a lineáris trend paraméterek a következőképpen számíthatók ki Ahol: n = az időszakok száma = az x értékek átlaga = az y értékek átlaga 23
X(IDŐSZAK) 1 2 3 4 5 6 7 8 9 10 11 12 78 Y (IGÉNY) 37 40 41 37 45 50 43 47 56 52 55 54 557 xy 37 80 123 148 225 300 301 376 504 520 605 648 3867 x 2 1 4 9 16 25 36 49 64 81 100 121 144 650 24
A lineáris trend paraméterei a következőképpen számolandók: 25
Ezért a lineáris trend egyenlete a következő: y = 35, 2 + 1, 72 x Az előrejelzés kiszámítása a 13. periódusra a következő, ha x = 13 y = 35, 2 + 1, 72(13) = 57, 56 egység 26
Tényleges Lineáris trendvonal 27
Szezonális változások A szezonális változások ismétlődő növekedései és csökkenései az igénynek. Egy szezon jellemzésére a szezonális faktort alkalmazzák, amely úgy számolható ki, hogy a szezonális időszak igényét elosztjuk az összesített éves igénnyel az alábbi képlet szerint. 28
Pulyka iránti igény a Wishbone farmon IGÉNY (1000 db) NEGYEDÉVENTE Év 1 2 3 4 Összesen 1999 2000 2001 Total 12. 6 14. 1 15. 3 42. 0 8. 6 10. 3 10. 6 29. 5 6. 3 7. 5 8. 1 21. 9 17. 5 18. 2 19. 6 55. 3 45. 0 50. 1 53. 6 148. 7 29
Megoldás: Mivel mi 3 éves adatsorral rendelkezünk az igényekről, ezért mi a szezonális faktorokat úgy számíthatjuk ki, hogy elosztjuk a 3 éves átlagait a negyedéves igényeknek a teljes 3 éves igény átlagával az alábbiak szerint 30
Azért, hogy előre jelezzük a 2002. évben várható igényt, ezért a 3 éves összesített adatokból lineáris trendet számítunk az alábbiak szerint. y = 40. 97 + 4. 30 x = 40. 97 + 4. 30(4) = 58. 17 Így az előrejelzés 2002. évre 58, 17 vagyis 58. 170 pulyka. Ezt az éves előrejelzést alkalmazva az igényeket a szezonális időszakokra a következő módon számoljuk ki 2002 -re a szezonális faktorok segítségével. SF 1 = (S 1)(F 5) = (0. 28)(58. 17) = 16. 28 SF 2 = (S 2)(F 5) = (0. 20)(58. 17) = 11. 63 SF 3 = (S 3)(F 5) = (0. 15)(58. 17) = 8. 73 SF 4 = (S 4)(F 5) = (0. 37)(58. 17) = 21. 53 31
Regressziós módszerek Lineáris regresszió LÁTOGATÓK GYŐZELMEK SZÁMA 4 36, 300 6 44, 000 6 40, 100 7 45, 600 6 41, 200 5 39, 000 8 53, 000 7 47, 500 A futball meccs látogatóinak száma függ az elért győzelmek számától. A következő évben 7 győzelmet várnak legalább, becsüljük meg lineáris regresszióval a látogatók számát. 32
Megoldás Y=4, 0609(7) + 18, 464 = 46880 látogató 33
Korreláció A korrelációs együtthatója a lineáris regressziónak kifejezi a kapcsolat erősségét a független változó között. Kiszámítása a következő: A fenti példára vonatkozó korrelációs koefficiens számítása az alábbi: 34
A 0, 947 korrelációs koefficiens érték az azt jelenti, hogy nagyon közel van 1 -hez és így erős lineáris összefüggés van a győzelmek száma és a látogatások között. A korrelációs koefficiens négyzetre emelésével kapjuk a determinációs koefficienst (r 2). r 2 = (0, 947)2 = 0, 897 Ez azt jelenti, hogy 89, 7 %-ban a látogatottság a győzelmek számától függ. 35
Többszörös regresszió A többszörös regresszió egy másik lehetősége az előrejelzésnek, amely egy hatásosabb eszköz lehet mint a lineáris regresszió. A többszörös regresszió egy függő és kettő vagy több független változó közti kapcsolatot mutatja. A többszörös regresszió a következő képlettel írható le: y = ß 0 + ß 1 x 1 + ß 2 x 2 + … ßkxk Ahol: ß 0 = az intercept ß 1, …ßk = paraméterek, amelyek a független változók módosító hatását mutatják x 1, …xk = független változók 36
Példa lehet az igény egy új ház vásárlásra, amely több tényezőtől függ. Ilyen például a kamatlábak, a népesség, a ház árak és a jövedelmek. A sokszoros regresszió kiszámítása sokkal bonyolultabb, mint a lineáris regresszióé, ezért ennek kiszámítására számítógépet célszerű igénybe venni. 37
- Slides: 37