Kapittel 11 - Etterspørselsforvaltning amp Prognoser 1. Perfekt prognose er praktisk talt umulig. 2. I stedet for å søke etter den perfekte prognosen, er det langt viktigere å etablere praksis med kontinuerlig gjennomgang av prognosen og å lære å leve med unøyaktig prognose. 3. Ved prognoser , en god strategi er å bruke 2 eller 3 metoder og se dem for kommonsens syn. 2. grunnkilder til etterspørsel 1. Avhengige etterspørselen - etterspørsel etter produkter eller tjenester forårsaket av etterspørselen etter andre produkter eller tjenester. Ikke mye firmaet kan gjøre, det må oppfylles. 2. Uavhengig etterspørsel - etterspørsel som ikke direkte kommer fra etterspørselen etter andre produkter. Firmaet kan: a) Ta en aktiv rolle for å påvirke etterspørselen - legge press på salgsstyrken din b) Ta en passiv rolle for å påvirke etterspørselen - Hvis et firma kjører i full kapasitet, vil det kanskje ikke gjøre noe med etterspørselen. Andre grunner er konkurransedyktige, juridiske, miljømessige, etiske og moralske. Forsøk å forutsi fremtiden basert på tidligere data. 1. Kort sikt - under 3 måneder - taktiske beslutninger som å fylle opp inventar eller planlegger EEer på kort sikt 2. Middels sikt - 3 M-2Y - fange sesongvirkninger som kunder svarer på et nytt produkt 3. Langsiktig - mer enn 2 år. Å identifisere viktige vendepunkter og oppdage generelle trender. Lineær regresjon er en spesiell type regresjon der relasjonene mellom variabel danner en rett linje Y abX. Y-avhengig variabel a - Y avgrensning b - skråning X - uavhengig variabel Det brukes til langsiktig prognose av store hendelser og aggregeringsplanlegging. Den brukes til både prognoser for tidsserier og prognoser for tilfeldige forhold. Er den mest brukte prognoseteknikken. De siste hendelsene er mer veiledende for fremtiden (høyest forutsigbar verdi) enn de i den fjernere fortiden. Vi bør gi mer vekt til malmen de siste tidsperioder når vi regner med prognoser. Hvert trinn i fortiden er redusert med (1 alfa). Jo høyere alfa, desto nærmere følger prognosen. Nyeste vekting alfa (1-alfa) na 0 Data en periode eldre alfa (1-alfa) na 1 Data to tidsperiode eldre alfa (1-alfa) na 2 Hvilken av følgende prognosemetoder er svært avhengig av valg av rettpersoner som dømt vil bli brukt til å faktisk generere prognosen Verdien må være mellom 0 og 1 1. 2 eller flere forhåndsdefinerte verdier av Alpha - avhengig av graden av feil benyttes forskjellige verdier av Alpha. Hvis feilen er stor, er Alpha 0,8, hvis feilen er liten, Alpha er 0,2. 2. Beregnede verdier for Alpha - eksponensielt jevnet faktisk feil dividert med eksponensielt forvrengt absolutt feil. Kvalitative teknikker i prognose Kunnskap om eksperter og kreve stor vurdering (nye produkter eller regioner) 1. Markedsundersøkelse - leter etter nye produkter og ideer, liker og misliker eksisterende produkter. Primært FORSØKER amp INTERVIEWS 2. Panel Consensus - ideen om at 2 hoder er bedre enn en. Panel av mennesker fra en rekke stillinger kan utvikle en mer pålitelig prognose enn en smalere gruppe. Problemet er at lavere EE-nivåer blir skremt av høyere styringsnivåer. Executive judgment brukes (høyere nivå av ledelse er involvert). 3. Historisk Analogi - Et firma som allerede produserer brødristere og ønsker å produsere kaffekasser, kan bruke brødristerens historie som en sannsynlig vekstmodell. 4. Delphi Metode - svært avhengig av valg av rett personer som dømt vil bli brukt til å faktisk generere prognosen. Alle har samme vekt (mer rettferdig). Tilfredsstillende resultater oppnås vanligvis i 3 runder. MÅL - Samarbeidsprosjekt, prognose og etterfylling (CPFR) For å utveksle valgt intern informasjon på en delt webserver for å sikre pålitelig og langsiktig fremtidsperspektiv av etterspørselen i forsyningskjeden. Tidsseriemetoder Tidsseriemetoder er statistiske teknikker som benytter seg av historiske data akkumulert over en tidsperiode. Tidsseriemetoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet serier antyder, relaterer disse metodene prognosen til bare en faktor - tid. De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for kortvarig prognose blant service - og produksjonsbedrifter. Disse metodene forutsetter at identifiserbare historiske mønstre eller trender for etterspørsel over tid vil gjenta seg. Flytende gjennomsnitt En prognos for tidsserier kan være så enkel som bruk av etterspørsel i den nåværende perioden for å forutse etterspørselen i neste periode. Dette kalles noen ganger en naiv eller intuitiv prognose. 4 For eksempel, hvis etterspørselen er 100 enheter denne uken, er prognosen for neste ukes etterspørsel 100 enheter dersom etterspørselen viser seg å være 90 enheter i stedet, så er etterspørselen etter følgende uker 90 enheter, og så videre. Denne typen prognosemetode tar ikke hensyn til historisk etterspørselsadferd som den bare bygger på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Den enkle glidende gjennomsnittsmetoden bruker flere etterspørselsverdier i løpet av den siste tiden til å utvikle en prognose. Dette har en tendens til å dempe eller glatte ut, tilfeldige økninger og reduksjoner av en prognose som bare bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og viser ikke noen uttalt etterspørselsadferd, for eksempel en trend eller sesongmessig mønster. Flytende gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forecasteren ønsker å glatte etterspørseldataene. Jo lengre glidende gjennomsnittsperiode, jo jevnere blir det. Formelen for beregning av det enkle glidende gjennomsnittet er å beregne et enkelt bevegelige gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler og byråer innen en radius på 50 kilometer fra lageret. Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. (Kontorene bestiller vanligvis ikke når de går lite på forsyninger, men når de går helt tom. Som et resultat trenger de straks sine bestillinger.) Sjefen for selskapet ønsker å være sikre nok drivere og kjøretøyer er tilgjengelige for å levere bestillinger omgående og De har tilstrekkelig lagerbeholdning på lager. Derfor ønsker lederen å kunne regne ut antall ordrer som vil skje i løpet av den neste måneden (dvs. for å prognose etterspørselen etter leveranser). Fra registreringer av leveringsordrer har ledelsen akkumulert følgende data de siste 10 månedene, hvorfra den vil beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som følge av enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er november. Det bevegelige gjennomsnittet beregnes fra etterspørselen etter ordre for de foregående 3 månedene i sekvensen i henhold til følgende formel: 5-måneders glidende gjennomsnitt beregnes fra de foregående 5 månedene av etterspørseldata som følger: 3- og 5-måneders Flytte gjennomsnittlige prognoser for alle månedene av etterspørseldata er vist i følgende tabell. Faktisk vil bare prognosen for november basert på den siste månedlige etterspørselen bli brukt av lederen. De tidligere prognosene for tidligere måneder tillater oss imidlertid å sammenligne prognosen med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si hvor bra det gjør. Tre - og fem-måneders gjennomsnitt Både glidende gjennomsnittlige prognoser i tabellen ovenfor har en tendens til å utjevne variabiliteten i de faktiske dataene. Denne utjevningseffekten kan observeres i følgende figur hvor 3-måneders og 5-måneders gjennomsnitt er lagt på en graf av de opprinnelige dataene: Det 5-måneders glidende gjennomsnittet i foregående figur utjevner svingninger i større grad enn 3 måneders glidende gjennomsnitt. Imidlertid gjenspeiler 3-måneders gjennomsnittet de nyeste dataene som er tilgjengelige for kontorforvalteren. Generelt er prognoser som bruker lengre periode glidende gjennomsnitt, langsommere å reagere på de siste endringene i etterspørselen enn de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra dataperiodene demper hastigheten som prognosen svarer på. Etablering av riktig antall perioder som skal brukes i en bevegelig gjennomsnittlig prognose krever ofte litt prøve-og-feil-eksperimentering. Ulempen med den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår av en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer blir generelt ignorert. Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsistent måte. Den glidende gjennomsnittlige metoden har imidlertid fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god prognose på kort sikt, men det bør ikke presses for langt inn i fremtiden. Veidende Flytende Gjennomsnitt Den bevegelige gjennomsnittlige metoden kan justeres for å bedre reflektere svingninger i dataene. I den vektede glidende gjennomsnittlige metoden blir vektene tilordnet de nyeste dataene i henhold til følgende formel: Etterspørseldataene for PM Computer Services (vist i tabellen for eksempel 10.3) ser ut til å følge en økende lineær trend. Selskapet ønsker å beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justerte eksponensielle utjevningsprognoser utviklet i eksempler 10.3 og 10.4. Verdiene som kreves for de minste kvadratberegninger er som følger: Ved bruk av disse verdiene beregnes parametrene for den lineære trendlinjen som følger: Derfor er den lineære trendlinjekvasjonen å beregne en prognose for periode 13, la x 13 i lineær trendlinje: Følgende graf viser den lineære trendlinjen sammenlignet med de faktiske dataene. Treningslinjen ser ut til å reflektere nøye de faktiske dataene - det vil si å være en god form - og dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er imidlertid at den ikke vil tilpasse seg en endring i trenden, da de eksponentielle utjevningsprognosene vil det vil si, det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme der du kan være relativt sikker på at trenden ikke vil endre seg. Seasonal Adjustments Et sesongmessig mønster er en repeterende økning og nedgang i etterspørselen. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, hvor etterspørselen etter varme klær øker om høsten og vinteren og faller om våren og sommeren ettersom etterspørselen etter kjøligere klær øker. Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av høytiden. Krav til hilsekort øker i forbindelse med spesielle dager som Valentinsdag og Morsdag. Sesongmønstre kan også forekomme på en månedlig, ukentlig eller daglig basis. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene i motsetning til hverdager. Trafikk - dermed salg - i kjøpesentre plukker opp fredag og lørdag. Det finnes flere metoder for å reflektere sesongmessige mønstre i en tidsserie-prognose. Vi vil beskrive en av de enklere metodene ved å bruke en sesongfaktor. En sesongfaktor er en tallverdi som multipliseres med den normale prognosen for å få en sesongjustert prognose. En metode for å utvikle en etterspørsel etter sesongmessige faktorer er å dele etterspørselen etter hver sesongperiode etter total årlig etterspørsel, i henhold til følgende formel: De resulterende sesongfaktorene mellom 0 og 1,0 er faktisk den del av den totale årlige etterspørselen som tildeles hver sesong. Disse sesongmessige faktorene multipliseres med den årlige forventede etterspørselen for å gi justerte prognoser for hver sesong. Beregner en prognose med sesongjusteringer. Wishbone Farms vokser kalkuner for å selge til et kjøttproduserende selskap gjennom hele året. Men høysesongen er åpenbart i løpet av fjerde kvartal av året, fra oktober til desember. Wishbone Farms har opplevd etterspørselen etter kalkuner de siste tre årene vist i følgende tabell: Fordi vi har tre års etterspørseldata, kan vi beregne sesongfaktorene ved å dele totalt kvartalsbehov for de tre årene etter total etterspørsel i alle tre år : Deretter vil vi multiplisere den forventede etterspørselen etter neste år, 2000, ved hver sesongfaktor for å få forventet etterspørsel etter hvert kvartal. For å oppnå dette trenger vi en etterspørselsprognose for 2000. I dette tilfellet, siden etterspørseldataene i tabellen ser ut til å vise en generelt økende trend, beregner vi en lineær trendlinje for de tre årene med data i tabellen for å bli tøffe prognose estimat: Prognosen for 2000 er således 58,17, eller 58,170 kalkuner. Ved å bruke denne årlige prognosen for etterspørsel er de sesongjusterte prognosene, SF i, for 2000 Sammenligning av disse kvartalsprognosene med de faktiske etterspørselsverdiene i tabellen, synes de å være relativt gode prognoser som reflekterer både sesongvariasjoner i dataene og den generelle oppadgående trenden. 10-12. Hvordan er den bevegelige gjennomsnittlige metoden lik eksponensiell utjevning 10-13. Hvilken effekt på eksponensiell utjevningsmodell vil øke utjevningskonstanten har 10-14. Hvordan skiller den justerte eksponensielle utjevningen seg fra eksponensiell utjevning 10-15. Hva bestemmer valget av utjevningskonstanten for trend i en justert eksponensiell utjevningsmodell 10-16. I kapitteleksemplene for tidsseriemetoder ble startprognosen alltid antatt å være den samme som den faktiske etterspørselen i første periode. Foreslå andre måter at startprognosen kan utledes ved faktisk bruk. 10-17. Hvordan er lineær trendlinjeprognosemodell forskjellig fra en lineær regresjonsmodell for prognoser 10-18. Av tidsseriemodellene som presenteres i dette kapittelet, inkludert det bevegelige gjennomsnittlige og vektede glidende gjennomsnittet, eksponensiell utjevning og justert eksponensiell utjevning, og lineær trendlinje, hvilken anser du best Hvorfor 10-19. Hvilke fordeler har justert eksponensiell utjevning over en lineær trendlinje for forventet etterspørsel som viser en trend 4 K. B. Kahn og J. T. Mentzer, Forecasting in Consumer and Industrial Markets, Journal of Business Forecasting 14, nr. 2 (Sommer 1995): 21-28.P 498 Et selskap ønsker å prognose etterspørsel ved bruk av (s. 498) Et selskap ønsker å prognose etterspørsel ved hjelp av det enkle glidende gjennomsnittet. Hvis selskapet benytter tre tidligere årlige salgsverdier (dvs. året 2009 130, år 2010 110 og år 2011 160), hvilket av følgende er det enkle glidende gjennomsnittlige prognosen for år 2012 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Bruke ligning 15.5 (side 498) Værvarsel for 2012 (130 110 160) 3 4004 133,3 AACSB: Analytiske Blomster Taxonomi: Analyser Vanskelighetsgrad: Mellom Jacobs - Kapittel 15 66 Læringsmål: 15-05 Vis hvordan du lager en tidsrekkefølge ved hjelp av regresjons-glidende gjennomsnitt og eksponensiell utjevning. Emneområde: Tidsserieanalyse 67. (s. 500) Et selskap ønsker å prognose etterspørsel ved å bruke vektet glidende gjennomsnitt. Hvis selskapet bruker to tidligere årlige salgsverdier (dvs. år 2011 110 og år 2012 130), og vi ønsker å veie år 2011 på 10 og 2012 på 90, hvilken av følgende er den veide gjennomsnittlige prognosen for år 2013 A. 120 B. 128 C. 133 D. 138 E. 142 Bruke ligning 15.6 (side 500) Prognose for 2013 (110x0.1) (130x0,9) 11 117 128 AACSB: Analytiske blomsters Taxonomi: Analyser Vanskelighetsgrad: Middels Jacobs - Kapittel 15 67 Læringsmål: 15-05 Vis hvordan du lager en tidsserieprognose ved hjelp av regresjonsflyttende gjennomsnitt og eksponensiell utjevning. Emneområde: Tidsserieanalyse Denne forhåndsvisningen har forsettlig sløret seksjoner. Registrer deg for å se fullversjonen. 68. (s. 500) Et selskap ønsker å prognose etterspørsel ved å bruke det veide glidende gjennomsnittet. Hvis selskapet bruker tre tidligere årlige salgsverdier (dvs. år 2010 160, år 2011 140 og år 2012 170), og vi ønsker å veie år 2010 30., 2011 på 30 og år 2012 på 40, hvilken av følgende er vektet glidende gjennomsnittlig prognose for år 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Bruke ligning 15.6 (side 500) Værvarsel for 2013 (160x0,3) (140x0,3) (170x0,4) 158 AACSB: Analytisk Blooms Taksonomi: Analyser Vanskelighetsgrad: Mellom Jacobs - Kapittel 15 68 Læringsmål: 15-05 Vis hvordan å lage en tidsrekkefølge ved hjelp av regresjons-glidende gjennomsnitt og eksponensiell utjevning. Emneområde: Tidsserieanalyse 69. (s. 501) Hvilke to av Følgende er blant de viktigste årsakene til at eksponensiell utjevning har blitt godt akseptert som en prognostiseringsteknikk A. Nøyaktighet B. Sofistisering av analyse C. Forutsier vendepunkter D. Brukervennlighet E. Mulighet til å prognostisere lagring av datatrender Eksponensielle utjevningsteknikker har blitt bra akseptert av seks hovedårsaker: 1. Eksponentiell mod els er overraskende nøyaktige. 2. Formulering av en eksponentiell modell er relativt enkel. 3. Brukeren kan forstå hvordan modellen fungerer. 4. Lite beregning er nødvendig for å bruke modellen. 5. Krav til datalagring er små på grunn av begrenset bruk av historiske data. 6. Test for nøyaktighet med hensyn til hvor godt modellen utfører, er lett å beregne. AACSB: Analytisk Dette er slutten av forhåndsvisningen. Registrer deg for å få tilgang til resten av dokumentet. Dette notatet ble lastet opp på 11092012 for emnet MBAA 500 undervist av Professor Multiple i løpet av våren 03912 på Embry-Riddle FLAZ. TERM Vår 03912 PROFESSOR flere Klikk for å redigere dokumentdetaljene14 Forecasting Operations Management: Prosesser og forsyningskjeder, tiende utgave Lee J. Krajewski, Larry P. Ritzman, Manoj K. Malhotra Utgiver: PH Professional Business ISBN-13: 978-0-13 -280739-5 ISBN-10: 0-13-280739-4 Publisert på: 01062012 Copyright copy 2013 463KEVIN DIETSCHUPINewscomA Motorola Droid-telefonen viste Google39s homep-age i Washington, DC 15. august 2011. Google Inc. kjøpte telefonprodusenten Motorola Mobilitet for 12. Motorola forbedret betydelig etterspørselsprosessprosessen, med utbetalinger i hvordan det klarte sin forsyningskjede. 5 milliarder kroner. I begynnelsen av 2000-tallet var Motorolarsquos lederskap og markedsandeler eroderende. Motorola innså at det må forandre forsyningskjeden, og startet et viktig initiativ for å stramme kommunikasjon og samarbeid langs sin forsyningskjede. FORECASTING14Motorola MobilityMotorola Mobility gjør mobiltelefonen håndsett, smarttelefoner, tabletter og kabel set-top box eiendeler. Det satte sammen planlegging, prognose og påfylling (CPFR) til handling i 2002. Utbetalingen har vært betydelig. Motorola selger over 120 håndsettmodeller globalt. Forutsi hvor mange av modellene som skal produseres og selges, er det vanskelig, og nøyaktig etterfylling av forhandlerne-hyller er kritisk. For å gjøre saken verre, kan en telefonmodell ha flere SKU, livssyklusene er gjennomsnittlig litt mer enn et år, og nye produktinnføringer er raske. Motorola hadde kun synlighet for sine forsendelser til forhandlere, men ikke for forsendelser fra forhandlerne til distributørene til butikkene. Forut for vedtakelsen av CPFR var Motorola Mobilersquos salg svært variabel og ble ikke synkronisert med kundenes etterspørsel. Uten denne informasjonen var prognosefeilene svært høye, noe som resulterte i store utslag. Omtrent halvparten av alle aksjemarkeder resulterer i tapt salg. Å vite hva forhandlere selger er mye mer verdifull informasjon når det gjelder å forutse fremtidig etterspørsel enn å vite hva forhandlere kjøper. Hvis en kundesquos favoritt håndsett ikke er på lager, er det en reell risiko for at Motorola taper den kunden for livet, og ikke bare for den neste servicekontrakten. CPFR gjorde det mulig for Motorola å samarbeide med 464 DEL 3 MANAGING SUPPLY CHAINSBalansering av tilbud og etterspørsel begynner med å gjøre nøyaktige prognoser, og deretter avstemme dem over forsyningskjeden som vist av Motorola Mobility. En prognose er en prognose for fremtidige hendelser som brukes til planlegging. Planlegging, derimot, er prosessen med å ta forvaltningsvedtak om hvordan man distribuerer ressurser for å reagere best på etterspørselsprognosene. dets forhandlere er distribuerte sentre og kunder og øker sin evne til å prognose effektivt. forecastA forutsigelse av fremtidige hendelser som brukes til planlegging. Prognosemetoder kan være basert på matematiske modeller som bruker tilgjengelige historiske data, eller på kvalitative metoder som bygger på ledelseserfaring og vurderinger, eller på en kombinasjon av begge. Motorola lanserte et organisasjonsomfattende skifte til kundefokuserte operasjonsteam. Før CPFR ble detaljhandlerens prognoser utviklet på slutten av den andre uken i hver måned, mens Motorolarsquos samlet sin salgs - og driftsplan tidligere i den andre uken. Slik suksess er en grunn til at Google betalte stor (12. Tradisjonelt utarbeider leverandører og kjøpere i de fleste forsyningskjedene uavhengige etterspørselsprognoser. Den virkelige nøkkelen til en vellykket implementering av CPFR er smiingen av en kulturell allianse som involverer peer-to-peer-relasjoner og kryss Funksjonelle team. Inkluderingen av en prognosanalytiker betyr at de umiddelbart kan løse problemer som oppstår som følge av uoverensstemmelsene. De delte med sine forhandlere sine sanntidsdata og planer, inkludert prognoser, lager, salg til forhandlere, hyller, kampanjer, produktplaner og unntak Motorola overbeviste forhandleren om å flytte opp sin planleggingssyklus med bare to eller tre dager, noe som eliminert et syv ukers forkastet lag som følge av at prognosen ikke ble innlemmet til neste måneders planlegging syklus. Under det ukentlige samtalen på onsdag - Dag, de to lagene løser i fellesskap avviket line-by-line. Motorolarsquos CPFR-initiativ reduserte forkastet feil til en brøkdel av sin tidligere lev Jeg tillot hurtig reduksjon i sikkerhetslager, reduserer transportkostnadene på halvparten på grunn av færre mindre enn lastebilskip, og reduserer strømper til mindre enn en tredjedel av tidligere nivåer. 5 milliarder kroner) for å kjøpe Motorolarsquos mobiltelefon virksomhet i august 2011. Etter CPFR, gir de Motorola ldquoArdquo ratings. Nå laster forhandleren prognosene for neste måned på mandag. Forut for CPFR ga forhandlere noen ganger Motorola ldquoC, rdquo ldquoD, rdquo og ldquoFrdquo vurdering på beregninger som levering på tide, enkelt å gjøre forretninger og stockouts. På tirsdag laster Motorola sin prognose. Kilde: Jerold P. Cederlund, Rajiv Kohli, Susan A. Sherer og Yuliang Yao, ldquoHow Motorola satte CPFR til handling, rdquo Supply Chain Management Review (oktober 2007), s. 28ndash35 Sharyn Leaver, Patrick Connaughton og Elisse Gaynor, ldquoCase Studie: Motorolarsquos Quest for Supply Chain Excellence, rdquo Forrester Research, Inc. (oktober 2006), pp. Motorola. 1ndash12, Ante, ldquoGooglersquos 12. 5 Billion Gamble, rdquo Wall Street Journal, 12. august 2011. com, 29. april 2011 Amir Efrati og Spencer A. Identifiser de ulike tiltakene av prognosefeil. Læremål Etter å ha lest dette kapittelet, bør du kunne: Identifisere de fem grunnmønstrene for de fleste etterspørsels tidsseriene. Bruk regresjon for å lage prognoser med en eller flere uavhengige variabler. Lag prognoser ved å bruke de vanligste tilnærmingene til tidsserieanalyse. Lag prognoser ved hjelp av trendprojeksjon med regresjon. Beskriv en typisk prognoseprosess som brukes av bedrifter. Forklar samarbeidsplanlegging, prognose og etterfylling (CPFR). Vi starter med ulike typer etterspørselsmønstre. FORECASTING KAPITTEL 14 465I dette kapittelet fokuserer vi på etterspørselsprognoser. Vi undersøker prognosemetoder i tre grunnleggende kategorier: (1) judgment, (2) causal, and (3) time-series metoder. Prognosefeil er definert, og gir viktige ledetråder for å foreta bedre prognoser. Vi konkluderer med generelle prosesser for å lage prognoser og utforme prognosesystemet. Vi vurderer deretter prognoseteknikkene selv, og deretter hvordan de kan kombineres for å samle inn innsikt fra flere kilder. Prognoser er nyttige for både administrerende prosesser og styring av forsyningskjeder. På prosessnivå er det behov for produksjonsprognoser for å designe de ulike prosessene i hele organisasjonen, herunder å identifisere og håndtere flaskehalser internt. På leverandørkjedenivå trenger et firma prognoser for å koordinere med sine kunder og leverandører. Forutsigbar overordnet oppgave kommer vanligvis fra markedsføring, men interne kunder i hele organisasjonen er avhengig av prognoser for å formulere og gjennomføre planene sine også. Forutsigelser over organisasjonen Den organisasjonsvise prognoseprosessen skjærer seg over funksjonelle områder. Prognoser er kritiske innspill til forretningsplaner, årlige planer og budsjetter. Menneskelige ressurser bruker prognoser for å forutse ansettelses - og treningsbehov. Finans trenger prognoser for å projisere kontantstrømmer og kapitalkrav. Operasjons - og forsyningskjedenes ledere trenger prognoser for å planlegge utgangsnivåer, kjøp av tjenester og materialer, arbeidsstyrke og produksjonsplaner, lagerbeholdninger og langsiktig kapasitet. Markedsføring er en viktig kilde for salgsprognoseinformasjon fordi den er nærmest eksterne kunder. Verktøy for å lage disse prognosene er i utgangspunktet de samme verktøyene som dekkes her for etterspørselsforespørsel: dom, meninger om kunnskapsrike mennesker, gjennomsnitt av erfaring, regresjon og tidsserie teknikker. Ledere gjennom hele organisasjonen gjør prognoser for mange andre variabler enn fremtidige krav, som konkurrentstrategier, regulatoriske endringer, teknologiske endringer, behandlingstider, leverandørens ledetider og kvalitetsstap. Likevel er prognosene sjelden perfekt. Ved hjelp av disse verktøyene kan prognosene forbedres. Som Samuel Clemens (Mark Twain) sa i Følg ekvator, er ldquoProphesy en god bransje, men den er full av risikoer. EtterspørselsmønsterForespørsel etter kundenes etterspørsel er en vanskelig oppgave fordi etterspørselen etter tjenester og varer kan variere sterkt. rdquo Smart ledere innser denne virkeligheten og finner måter å oppdatere sine planer når den uunngåelige prognosefilen eller uventet hendelse oppstår. For eksempel øker etterspørselen etter gressgjødsel forutsigbart i løpet av våren og sommermånedene, men de spesielle helgene når etterspørselen er størst, kan avhenge av ukontrollable faktorer som vær. Noen ganger er mønstre mer forutsigbare. M. Dermed er dagens høyeste timer for et stort bankrsquos call center fra 9:00 A. til 12:00 P. M. og toppdagen i uken er mandag. Forespørsel etterspørsel i slike situasjoner krever å avdekke de underliggende mønstrene fra tilgjengelig informasjon. For sine utsagnsgjennomgangsprosesser er toppmånedene januar, april, juli og oktober, som er når kvartalsoppgavene sendes ut. I denne delen diskuterer vi de grunnleggende mønstrene etterspørsel. De gjentatte observasjonene av etterspørsel etter en tjeneste eller et produkt i sin rekkefølge er et mønster kjent som en tidsserie. Det er fem grunnleggende mønstre av de fleste etterspørsels tidsserier: 1. Horisontal. Variasjonene i data rundt et konstant middel. 2. Trend. Den systematiske økningen eller nedgangen i gjennomsnittet av serien over tid. Seasonal. 3. Et repeterbart mønster av økninger eller reduksjoner i etterspørsel, avhengig av tidspunktet på dagen, uken, måneden eller sesongen. 4. De mindre forutsigbare gradvise økninger eller nedgang i etterspørsel over lengre tidsperioder (år eller tiår). Syklisk. Den uforutsette variasjonen i etterspørselen. 5. Tilfeldig. Sykliske mønstre stammer fra to påvirkninger. Den andre innflytelsen er service - eller produktets livssyklus, som reflekterer stadiene av etterspørsel fra utvikling gjennom nedgang. Den første er konjunktursyklusen, som inkluderer fak - torer som fører til at økonomien går fra lavkonjunktur til ekspansjon over en rekke år. Etterspørselen etter forretningssyklus er vanskelig å forutsi fordi den påvirkes av nasjonale eller internasjonale hendelser. De fire mønstre av demandmdashhorizontal, trend, sesongmessige og cyclicalmdashcombine i varierende grad for å definere det underliggende tidsmønsteret for etterspørsel etter en tjeneste eller et produkt. Den femte patronen, tilfeldig variasjon, resulterer fra tilfeldige årsaker og kan derfor ikke forutsies. Fig. 14. Tilfeldig variasjon er et aspekt av etterspørsel som gjør hver prognose i siste instans unøyaktig. Kumulativ sum av prognosefeil (CFE) En måling av den totale prognosefeilen som vurderer bias i en prognose. prognosefeilDen forskjell som er funnet ved å trekke prognosen fra den faktiske etterspørselen etter en gitt periode. Figur 14. 2 (a) Graf for faktisk og prognose etterspørsel ved hjelp av feilanalyse av prognoser i POM for Windows468 DEL 3 STYRING AV SUPPLY CHAIN Den gjennomsnittlige kvadratfeilen (MSE), standardavviket av feilene og gjennomsnittlig absolutt avvik (MAD) måle spredning av prognosefeil som tilskrives trend, sesongmessige, sykliske eller tilfeldige effekter: MSE gE 2 tn s Cg (Et - E) 2n - 1 MAD g 0 Et 0nFigure 14. 1 viser de første fire mønstrene av en etterspørselstidsserie , som alle inneholder tilfeldige variasjoner. Skape verdi gjennom Operasjoner ManagementManaging Supply ChainsManaging ProcessesUsing Operations to CompeteProject ManagementSupply Chain Operations ManagementSupply Chain DesignSupply Chain LocationDecisionsSupply Chain IntegrationForecastingOperations Planlegging ogScheduling RessursplanleggingProsessstrategiProsess ManagementQuality og PerformanceCapacity PlanningConstraint ManagementLean SystemsSupply Chain Sustainability og Humanitarian Logistics466 DEL 3 MANAGING SUPPLY CHAINSKey Beslutninger om å gjøre PrognoserFor å bruke forecasting teknikker, må en leder ta to avgjørelser: (1) hva skal man forutse, og (2) hvilken type prognostiseringsteknikk som skal velges for forskjellige gjenstander. tidsserier De gjentatte observasjonene av etterspørsel etter en tjeneste eller et produkt i sin rekkefølge. 2 (b) viser kvadratfeilen i periode 1 er 4 og MSE er 87. Bestemmer hva som skal prognose Selv om det er behov for en slags etterspørselsestimering for de enkelte tjenestene eller varene som produseres av et selskap, anslår total etterspørsel etter grupper eller klynger og deretter Det kan være lettest å oppnå individuell service eller produktsprog. g. 9 for hele prøven. Standardavviket til feilene beregnes ved hjelp av en av funksjonene som er tilgjengelige i Excel og er ikke vist i figur 14. 2 (b). Det kan også være så viktig å velge riktig måleenhet (f. eks. Service eller produkt-enheter eller maskin-timer) for å velge den beste metoden. Nivå av aggregering Få bedrifter feiler mer enn 5 prosent når vi regner med den årlige totale etterspørselen etter alle sine tjenester eller produkter. 1 over hele prøven. Imidlertid kan feil i prognoser for individuelle gjenstander og kortere tidsperioder være mye høyere. Den absolutte verdien av feilen i periode 2 er 6, og MAD er 8. Anerkjent denne virkeligheten, bruker mange bedrifter et to-talls prognosesystem. 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