1

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

GOSPODARKA MAGAZYNOWA

lab.4. Określanie poziomu popytu na zapasy
magazynowe (prognozowanie popytu).

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu

Paweł ZMUDA-TRZEBIATOWSKI

[e-mail]

pokój 826; www.dts.put.poznan.pl

2

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Prognozowanie



Prognozowanie – racjonalne, naukowe przewidywanie rozwoju zdarzeń należących

do przyszłości.

Racjonalność - logiczny związek

między przesłankami, a konkluzją

Naukowość – zawsze wykorzystywany

jest aparat naukowy

wróżbiarstwo

predykcja

prognoza

3

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Rodzaje popytu - typowe

czas

wi

elko

ść

zap

ot

rz

eb

ow

an

ia

brak trendów

(stały popyt)

4

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Rodzaje popytu - typowe

czas

wi

elko

ść

zap

ot

rz

eb

ow

an

ia

trend

(popyt wzrasta lub maleje w czasie)

5

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Rodzaje popytu - typowe

czas

wi

elko

ść

zap

ot

rz

eb

ow

an

ia

trend+sezonowość

(popyt wykazuje wahania sezonowe)

6

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Rodzaje popytu - inne

czas

wi

elko

ść

zap

ot

rz

eb

ow

an

ia

brak trendów

(stały popyt)

Wzrost popytu:

- „okazjonalny” (sezonowość)

- związany ze zdarzeniem losowym

- związany z chwilową zmianą

ceny lub akcją promocyjną

7

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Rodzaje popytu - inne

czas

wi

elko

ść

zap

ot

rz

eb

ow

an

ia

- brak trendu

- 2*sezonowość

8

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Rodzaje popytu - inne

czas

wi

elko

ść

zap

ot

rz

eb

ow

an

ia

trend+sezonowość

(„tłumienie”)

9

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Metody prognozowania



Przykłady opisywały przebieg popytu w czasie, stąd mówimy o

prognozowaniu na podstawie szeregów czasowych.



Rozpatrując przykłady dokonywana była dekompozycja popytu na

składowe:

•

wahania przypadkowe („szum”) – zazwyczaj nieznaczne i nieregularne, więc

praktycznie niemożliwe do przewidzenia zmiany popytu

•

wartość stała – stała (średnia) wartość popytu w czasie

•

trend (rosnący, malejący oraz liniowy i nieliniowy) – powolne i regularne zmiany

•

wahania sezonowe, wahania cykliczne



Metody dekompozycji

•

filtracja

•

metody oparte o analizę przebiegu funkcji autokorelacji (cząstkowej)

•

metody oparte o analizę widma

•

metody oparte o metody sztucznej inteligencji

10

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wprowadzenie

Metody prognozowania

Metody prognozowania popytu:

Oparte o szeregi czasowe (na wejściu wymagane tylko dane wewnętrzne)

•

metoda naiwna (+modyfikacje uwzględniające trend i sezonowość)

•

metody średniej

– średnia prosta
– średnia ruchoma
– ruchoma średnia ważona

•

metody wygładzania wykładniczego

– proste wygładzanie wykładnicze
– adaptacyjne wygładzanie wykładnicze
– model liniowy Holta
– model Holta-Wintersa

Metody przyczynowo-skutkowe (uwzględniające korelację ze zjawiskami

zewnętrznymi, takimi jak np. temperatura powietrza)

11

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Inne metody prognozowania (popytu):


Analiza regresji



Prosta metoda współczynników sezonowości



Metoda współczynników sezonowości w oparciu o wygładzanie

średnią ruchomą.



…

Wprowadzenie

Metody prognozowania

12

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Dobór metody zależy od:



rodzaju towaru (czy na popyt na niego ma wpływ np. temperatura?)



charakteru posiadanych danych (czym dysponujemy?)



wyników dekompozycji – charakteru zmian popytu (czy jest trend i

sezonowość?)



horyzontu czasowego posiadanych danych (ile mamy danych

historycznych?)



horyzontu prognozy (krótko-, czy długoterminowa?)

Wprowadzenie

Metody prognozowania

13

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Metoda naiwna

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu

14

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

„Prognozowany na jutro popyt jest taki sam, jak popyt dziś.”

gdzie

Nadaje się w sytuacjach występowania tylko wartości stałej i

niewielkich wahań, jako składowych popytu. Prognozowanie

krótkoterminowe. Nie potrzebna dłuższa historia popytu.
Modyfikacje uwzględniające trend liniowy:



Gdzie „c” to średnia arytmetyczna przyrostów w poprzednich

okresach

Wprowadzenie

Metoda naiwna

,

Pr

1

t

t

P

=

+

Ν

∈

t

)

(

Pr

1

1

−

+

−

+

=

t

t

t

t

P

P

P

∑

−

=

+

−

−

=

1

1

1

)

(

1

1

t

i

i

i

P

P

t

c

c

P

t

t

+

=

+1

Pr

15

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Okres 37

Popyt zarejestrowany w okresie 37

Popyt prognozowany na okres 37

Prognoza zawsze wykorzystuje

Dane z poprzedzających ją okresów

(dla podanego przykładu z okresu 36 i ew. wcześniejszych)

Gdy nie ma danych o realnym popycie, to

Przyjmujemy dane zaprognozowane na ten okres, jako

realne (metoda naiwna potrafi prognozować tylko jeden

okres w przyszłość).

Metoda naiwna

Ćwiczenie

16

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Metoda naiwna

Wynik ćwiczenia

17

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Miary oceny prognoz

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu

18

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Miary oceny prognoz:


Średni błąd prognozy:



Średni bezwzględny błąd prognozy:



Średni względny błąd prognozy:



Standardowy błąd prognozy:

Wprowadzenie

Miary oceny prognoz

n

P

e

n

t

t

t

∑

=

−

=

1

)

Pr

(

n

P

d

n

t

t

t

∑

=

−

=

1

Pr

n

P

P

n

t

t

t

t

∑

=

−

=

Ψ

1

Pr

(

)

1

Pr

1

2

−

−

=

∑

=

n

P

s

n

t

t

t

0

→

0

→

19

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Metody średnich
-

średnia arytmetyczna

-

średnia ruchoma

-

ruchoma średnia ważona

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu

20

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Średnia prosta – „popyt prognozowany na jutro jest równy średniej

arytmetycznej wszystkich dotychczasowych zapotrzebowań na

produkt.”



Przydatna do prognoz krótkoterminowych i stałego popytu.



Wartość średnia może dość skutecznie niwelować wahania

przypadkowe popytu – skuteczność zależy od ilości danych

historycznych.



Zbyt głębokie uwzględnienie danych historycznych może

spowodować zaburzenia poprawności przez uwzględnienie

zdarzeń historycznych, które na popyt już nie oddziaływują!

Wprowadzenie

Metoda średniej

∑

=

+

=

t

i

i

t

P

t

1

1

1

Pr

1

>

∧

Ν

∈

t

t

21

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Średnia ruchoma – „jak średnia prosta lecz uwzględniamy tylko kilka

ostatnich okresów”



Przydatna do prognoz krótkoterminowych i stałego popytu.



Wartość średnia skutecznie niweluje wahania przypadkowe popytu.



Odległe dane historyczne nie mają wpływu na wyniki. Duży

wpływ na wyniki mają aktualne fluktuacje popytu.

Wprowadzenie

Metoda średniej

∑

−

+

=

+

=

k

k

t

i

i

t

P

k

1

1

1

Pr

}

0

/{

,

,

Ν

∈

≥

Ν

∈

k

k

t

t

22

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Metody średnich

Ćwiczenie

23

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Metody średnich

Wyniki ćwiczenia

24

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Analiza regresji

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu

25

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Analiza regresji – prognozy średnioterminowe z mogącym występować

trendem. Planista musi wcześniej rozpoznać rodzaj trendu.

Funkcje statystyczne w EXCELU (Calcu):
- trend liniowy: REGLINP, REGLINW, REGLINX
- trend wykładniczy: REGEXPP, REGEXPW
Dodatkowo analizę regresji można wyznaczyć graficznie na wykresie

oraz wykonać pakietem „Analiza danych” (Analysis ToolPack).

Wprowadzenie

Analiza regresji

26

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Analiza regresji

Ćwiczenie

27

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Analiza regresji

Wyniki ćwiczenia

28

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wyniki ćwiczenia

Podsumowanie

29

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Wyniki ćwiczenia

Podsumowanie

30

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Proste wygładzanie wykładnicze

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu

31

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Sygnał śledzący – bieżące monitorowanie procesu prognozowania.

Wygładzanie wykładnicze wg modelu Browna – prognozy

krótkoterminowe

Współczynnik „alfa” może być przykładowo równy:

Wprowadzenie

Proste wygładzanie wykładnicze wg modelu Browna

j

j

j

d

e

TS

=

t

t

t

P

Pr

*

)

1

(

*

Pr

1

α

α

−

+

=

+

>

∈< 1

,

0

α

1

−

=

i

i

TS

α

32

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Proste wygładzanie wykładnicze

Ćwiczenie

33

Gospodarka Magazynowa, 21.11.2014r.

Politechnika Poznańska / Wydział Maszyn Roboczych i Transportu

Dziękuję za uwagę

Politechnika Poznańska

Wydział Maszyn Roboczych

i Transportu