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
pawel.zmuda-trzebiatowski@put.poznan.pl
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