Prognozowanie popytu
Opracowanie prezentacji współfinansowane
przez Unię Europejską w ramach
Europejskiego Funduszu Społecznego
aktualizacja: 11.10.2011
Prezentacja dystrybuowana bezpłatnie, udostępniana do celów dydaktycznych.
autor: mgr Grzegorz Kryjom
recenzent: mgr Wojciech
Zalewski
Przedsiębiorstwo zaangażowane w opracowanie prezentacji
Siemens Sp. z o.o.
Siemens w Polsce to grupa 12 firm produkcyjnych, handlowych
i usługowych, powiązanych kapitałowo z macierzystym
koncernem Siemensa i reprezentujących różne jego branże.
Koordynatorem całej grupy jest Siemens Sp. z o.o., utworzona
w 1991 roku, nazywana też spółką regionalną Siemensa.
PLAN PREZENTACJI
1) Prognozowanie – definicja i zasady
2) Procedura prognozowania
3) Metody prognozowania dla popytu stałego
4) Metody prognozowania dla popytu o charakterze trendu
5) Metody prognozowania dla popytu sezonowego
Prognozowanie popytu
foto: istockphoto.com
Prognozowanie popytu
PROGNOZOWANIE – DEFINICJA I ZASADY
Prognozowanie
– to przewidywanie przyszłych zjawisk lub zdarzeń.
Przedsiębiorstwo
na podstawie prognozy może podejmować decyzje odnoszące się do
przyszłości. Przedsiębiorstwo może przewidzieć wielkość sprzedaży, wielkość
zapotrzebowania
na materiały czy surowce, czyli właściwie się przygotować do przyszłego
popytu.
Dlatego prognozy są tworzone, aby wspomóc system podejmowania decyzji.
Często prognozowanie jest również określane jako „racjonalne, naukowe”
przewidywanie przyszłości.
W zależności od horyzontu czasowego prognozy mogą być:
1. długookresowe
2. średniookresowe
3. krótkoterminowe
W prognozowaniu wykorzystuje się badania z dziedziny statystyki i
ekonometrii.
Jednak najczęściej
w przedsiębiorstwach
osoby odpowiedzialne
za
prognozowanie korzystają z własnego doświadczenia i intuicji.
Prognozowanie popytu
TECHNIKI
PROGNOZOWANIA
Techniki subiektywne
– odnoszą się
do
doświadczenia
i
posiadanej
wiedzy
osoby
podejmującej
decyzje.
Oznacza
to, że im bardziej doświadczony
pracownik
tym
większe
prawdopodobieństwo,
że prognoza będzie dokładniejsza.
Niestety jest to mało dokładna
technika prognozowania.
Techniki ilościowe
– są to modele
matematyczne,
bazujące
na
elementach
statystyki
i
ekonometrii.
Techniki
ilościowe
polegają na stosowaniu różnych
modeli
matematycznych
do
określania popytu.
Techniki symulacyjne
– wykorzystują
technologie informatyczna. Są to
systemy komputerowe, które w
ramach
swojej
struktury
mają
wbudowane
elementy
techniki
ilościowej.
Na
podstawie
określonych
danych
dokonują
symulacji tendencji na rynku.
Techniki
prognozowania
Techniki
subiektywne
Techniki ilościowe
Techniki
symulacyjne
Prognozowanie popytu
KLASYFIKACJA PROGNOZ
Prognoza
punktowa
– gdy prognoza
przyjmie postać
określonej
wartości.
Prognoza
przedziałowa
– gdy prognoza
jest określona
poprzez pewien
przedział
liczbowy.
Prognoza
wariantowa
– gdy prognoza
przyjmie
określone
warianty.
Prognozy
ilościowe
– gdy stan
zmiennej jest
wyrażony
liczbą
Opinia
eksperta
Opinia
specjalistów
Prognozy
jakościowe
– gdy stan
zmiennej jest
wyrażony w
sposób
opisowy
KLASYFIKACJA PROGNOZ
Do opracowania prognoz potrzebne są pewne dane, które później przekształcają
się na pewne informacje. Dane te nazywamy
danymi retrospektywnymi
– są
to dane historyczne, które wynikają ze sprawozdawczości przedsiębiorstwa
lub
jego
otoczenia
np.
wielkość
sprzedaży
w całym roku. Możemy wyróżnić dane:
1. dane pierwotne
– dane nieprzetworzone, pozyskane bezpośrednio ze źródeł
przedsiębiorstwa,
2. dane wtórne
– wszelkie informacje już przetworzone, najczęściej ze źródeł
zewnętrznych.
Na podstawie danych pierwotnych i wtórnych powstają prognozy. Prognozy te
nazywamy
danymi prospektywnymi.
Prognozowanie popytu
foto: Siemens
ZASADY PROGNOZOWANIA
1. Im horyzont prognozy jest dłuższy, tym prawdopodobieństwo sprawdzenia się
jej
maleje.
W przypadku porównania prognozy tygodniowej i miesięcznej to prognoza
tygodniowa byłaby bardziej prawdopodobna.
2. Prognozowanie dla produktów w dłuższej perspektywie niż ich cykl życia nie
ma sensu.
3. Prognozowanie to proces wnioskowania o przewidywanym kształtowaniu się
danych wartości, zjawisk i zdarzeń w przyszłości – proces ten może być
obarczony
błędem.
Błędna
prognoza
może
powodować
problemy
w
funkcjonowaniu
przedsiębiorstwa,
np. wzrost kosztów magazynowania przedsiębiorstwa.
Prognozowanie popytu
foto: Siemens
Prognozowanie popytu
ZASADY PROGNOZOWANIA
Proces prognostyczny jest procesem sekwencyjnym, który przebiega według
pewnego ogólnego schematu postępowania prognostycznego. P. Dittmann w
książce „Prognozowanie w przedsiębiorstwie” tak przedstawia jego przebieg:
Etap 1. Sformułowanie zadania prognostycznego
– należy dokonać wyboru
tego co chcemy prognozować. W praktyce, prognozy możemy określić dla:
grup
asortymentowych
lub konkretnych pozycji asortymentowych, przedstawionych w odpowiednich
jednostkach.
Etap 2. Określenie przesłanek prognostycznych
– konieczność ta wynika z
tego, że niektóre asortymenty pomijamy w prognozowaniu (np. asortyment
strategiczny). Na tym etapie musimy określić pewne prawidłowości zachowań
prognozowanych obiektów (np. wskazanie pewnych trendów).
Etap 3. Zebranie, statystyczna obróbka i analiza danych prognostycznych.
Etap 4. Wybór metody prognozowania
– na tym etapie w zależności od rodzaju
popytu dobieramy określony rodzaj metody prognozowania.
Etap 5. Konstrukcja prognozy
– na podstawie zebranych danych konstruujemy
prognozę.
Etap 6. Ocena dopuszczalności prognozy.
ZASADY
PROGNOZOWANIA
Etap 7. Zastosowanie prognozy
– po
dokonaniu akceptacji prognoza jest
wykorzystywana
do
bieżącego
podejmowania decyzji w zakresie
działalności przedsiębiorstwa.
Etap 8. Ocena trafności prognozy
–
ocena dokonywana jest po upływie
okresu,
dla
którego
prognoza
była
opracowana.
Na tej podstawie określa się czy
prognoza była trafna, czy też
znacznie
odbiegała
od rzeczywistości.
foto: Siemens
Prognozowanie popytu
Prognozowanie popytu
ZASADY PROGNOZOWANIA
Punktem wyjścia do prognozowania ilościowego jest szereg czasowy. Jest to
zestawienie wartości zmiennych cechy badanej według kryterium czasu, gdzie
badana jest wartość cechy w kolejnej jednostce czasu. A więc
szereg czasowy
to uszeregowane chronologicznie wartości popytu, w przyjętych do
obserwacji jednostkach czasu
1)
. Na podstawie szeregów czasowych
opracowywane są prognozy.
Przykład:
szereg czasowy popytu dziennego na filmy w wypożyczalni DVD.
1) S. Krzyżaniak, P. Cyplik, „Zapasy i Magazynowanie”, Biblioteka Logistyka, Poznań 2008
.
Okres
obserwacji
Poniedział
ek
Wtorek
Środa
Czwartek
Piątek
Sobota
1
2
3
4
5
6
Popyt
10
11
10
12
11
11
ZASADY PROGNOZOWANIA
W szeregach czasowych najczęściej można wyróżnić dwie składowe:
Składowa systematyczną –
jest efektem oddziaływania różnych czynników na
zmienną prognozowaną. Może występować w kilku postaciach:
1. stały poziom prognozowanej zmiennej – wartość średnia zmiennej nie
ulega zmianie,
2. trend – czyli trwała zmienna wartości zmiennej prognozowanej,
3. składowa okresowa – czyli wahania sezonowe oraz wahania cykliczne.
Składowa przypadkowa –
oznacza wahania losowe.
foto: istockphoto.com
Prognozowanie popytu
Prognozowanie popytu
METODY PROGNOZOWANIA
Metody prognozowania
– czyli takie metody, które służą do wnioskowania o
przyszłości,
na ogół na podstawie prawidłowości, zaobserwowanych w przeszłości.
Metody prognozowania możemy podzielić na:
2)
Prognozowanie krótkoterminowe szeregów, czyli nie wykazujące istotnych
zmian trendu.
•
średnia arytmetyczna
•
średnia arytmetyczna ruchoma
•
ruchoma średnia arytmetyczna ważona
•
proste wygładzanie wykładnicze wg modelu Browna
Prognozowanie krótkoterminowe szeregów niestacjonarnych, wykazujących
zmiany trendu.
•
wygładzanie wykładnicze wg modelu Holta
Prognozowanie średnio i długoterminowe, nie wykazujące zmian sezonowych.
•
prosta regresja liniowa
Prognozowanie zmian popytu o charakterze sezonowym.
•
prosta metoda współczynników sezonowości
•
metoda Wintera
2) S. Krzyżaniak, „Podstawy zarządzania zapasami w przykładach”, Biblioteka Logistyka, Poznań 2008.
Prognozowanie popytu
METODY PROGNOZOWANIA DLA POPYTU STAŁEGO
1) Metoda naiwna –
zakłada, że prognoza popytu na dany okres będzie taka
sama jak popyt rzeczywisty, zaobserwowany w okresie poprzednim.
Metodę
tę
można
przedstawić
za pomocą wzoru:
P*
t+1
=P
t
gdzie:
P*
t+1
- prognoza na następny okres
P
t
- rzeczywisty popyt w okresie t
Przykład:
wyznacz prognozę popytu na piątek metodą naiwną
t = 4
P*
4+1
= P
4
P*
4+1
= 12
Okres
obserwacji
Poniedziałek
Wtorek
Środa
Czwartek
Piątek
1
2
3
4
5
Popyt
10
11
10
12
11
Prognoza
10
11
10
12
Prognozowanie popytu
METODY PROGNOZOWANIA DLA POPYTU STAŁEGO
2)
Model średniej arytmetycznej
– do obliczania tą metodą prognozy P*
t+1
na
okres „t+1” wykorzystuje się wszystkie dostępne, wcześniejsze wartości
popytu (na okresy od 1 do t).
P*
t+1
=(P
1
+P
2
+P
3
+…+P
t-1
+P
t
)/T
gdzie:
P*
t+1
- prognoza na następny okres
P
t
- rzeczywisty popyt w okresie t
P
1
- popyt w okresie 1
T - liczba wszystkich, wykorzystanych do obliczenia danych
Przykład:
wyznacz prognozę popytu na piątek metodą średniej arytmetycznej
t = 4
P*
4+1
= (10+11+10+12)/4
P*
4+1
= 10,75
Okres
obserwacji
Poniedziałek
Wtorek
Środa
Czwartek
Piątek
1
2
3
4
5
Popyt
10
11
10
12
…
Prognoza
10,75
Prognozowanie popytu
METODY PROGNOZOWANIA DLA POPYTU STAŁEGO
3)
Model średniej arytmetycznej ruchomej
– do obliczania tą metodą prognozy
P*
t+1
na okres „t+1” wykorzystuje się typową średnią arytmetyczną, ale tylko
z pewnej określonej liczby danych historycznych, dlatego że zastosowanie
zbyt przestarzałych danych zniekształcałoby prognozę.
P*
t+1
=[P
t-(n-1)+
P
t-(n-2)
+P
t-(n-3)
+...+P
t-1
+P
t
]/n
gdzie :
P*
t+1
- prognoza na następny okres
P
t
- rzeczywisty popyt w okresie t
P
t-(n-1)
- popyt w okresie 1
n - liczba wszystkich okresów, przyjętych do obliczenia średniej
Przykład:
wyznacz prognozę popytu na piątek metodą średniej arytmetycznej
ruchomej
n = 3 (przyjmujemy trzy okresy do obliczeń)
t = 4
P*
4+1
= (11+10+12)/3
P*
4+1
= 11
Okres
obserwacji
Poniedziałek
Wtorek
Środa
Czwartek
Piątek
1
2
3
4
5
Popyt
10
11
10
12
…
Prognoza
11
Prognozowanie popytu
METODY PROGNOZOWANIA DLA POPYTU STAŁEGO
4)
Model średniej ruchomej ważonej –
aby obliczyć tą metodą prognozę P*
t+1
na okres „t+1” należy każdej z uwzględnionych danych przypisać określoną
wagę, czyli liczby, przez które dana jest przemnażana.
P*
t+1
=[P
t-(n-1)
·w
1
+P
t-(n-2)
·w
2
+…+P
t-1
·w
n-1
+P
t
·w
n
]/
(w
1
+w
2
+w
n-1
+w
n
)
gdzie :
P*
t+1
- prognoza na następny okres
P
t
- rzeczywisty popyt w okresie t
P
t-(n-1)
- popyt w okresie 1
n - liczba wszystkich okresów, przyjętych do obliczenia średniej
w
1
, w
2
, w
n-1
, w
n
- wagi przypisane do kolejnych okresów (im okres starszy tym waga
mniejsza)
Przykład:
wyznacz prognozę popytu na piątek metodą średniej ruchomej
ważonej
w
1
= 3, w
2
= 4, w
3
= 5
n = (przyjmujemy trzy okresy do obliczeń)
t = 4
P*
4+1
= (11·3 +10·4+12·5)/3+4+5
P*
4+1
= 11,08
Okres
obserwacji
Poniedziałek
Wtorek
Środa
Czwartek
Piątek
1
2
3
4
5
Popyt
10
11
10
12
…
Prognoza
11,08
Prognozowanie popytu
Okres
obserwacji
Poniedziałek
Wtorek
Środa
Czwartek
Piątek
1
2
3
4
5
Popyt
10
11
10
12
…
Prognoza
10
10
10,5
10,25
11,125
METODY PROGNOZOWANIA DLA POPYTU STAŁEGO
5)
Model wygładzania wykładniczego wg modelu Browna
– stosowany jest
najczęściej w przypadku szeregu bez trendu, czyli szereg nie wykazuje
tendencji rozwojowej, a wahania jego wartości wynikają z działania czynników
losowych. Metoda polega na tym, że szereg czasowy zmiennej prognozowanej
wygładza się za pomocą średniej ruchomej, przy czym wagi określone są
według prawa wykładniczego.
P*
t+1
=P
t
·α+P*
t
·(1-α)
gdzie:
P*
t+1
- prognoza na następny okres
P*
t
- wcześniejsza prognoza na okres t
P
t
- rzeczywisty popyt w okresie t
α - stała wygładzania zawierająca się w przedziale <0;1>.
Przykład:
wyznacz prognozę popytu na piątek według modelu Browna
Przyjmijmy α = 0,5
P*
4+1
= 12·0,5+10·(1-0,5)
P*
4+1
= 11,125
Prognozowanie popytu
MODEL WYGŁADZANIA WYKŁADNICZEGO WEDŁUG
MODELU BROWNA
Istnieją dwie skrajności, gdy model przyjmuje inne rozwiązania:
1) � = 1 wtedy:
P*
t+1
= P
t
·�+P*
t
·(1-�)
ulega przekształceniu do postaci:
P*
t+1
= P
t
-> prognoza naiwna
2) � = 0 wtedy:
P*
t+1
= P
t
·�+P*
t
·(1-�)
ulega przekształceniu do postaci:
P*
t+1
= P*
t
-> prognoza stała
Ustalenie parametru „
�
” odbywa się metodą „prób i błędów”, przyjmując za
kryterium, np. wartość średniego błędu prognozy ex post. Parametr „
�
”
nazywany jest
parametrem wygładzania
. Jeżeli wartość parametru jest
zbliżona do wartości 1, to oznacza to, że budowana prognoza
będzie uwzględniała w wysokim stopniu błędy ex post prognoz poprzednich. I
odwrotnie: jeżeli wartość „
�
” jest bliska 0, to prognoza w bardzo małym
stopniu uwzględnia błędy poprzednich prognoz.
Prognozowanie popytu
METODY
PROGNOZOWANIA
DLA
POPYTU
O
CHARAKTERZE TRENDU
1)
Modele regresji liniowej
– należą do klasy modeli ekonometrycznych.
Modele
te przestawiają zależność różnych zjawisk w funkcji czasu. Nie wyjaśniają
kształtowania
się popytu, a jedynie obrazują jego kształtowanie się w czasie. Najbardziej
znanym modelem w tej grupie jest regresja liniowa, którą można przedstawić
wzorem:
y*(t)=m·t+b
gdzie:
y*(t) - wyznaczana funkcja
t - tzw. zmienna niezależna
m - współczynnik kierunkowy prostej, określający nachylenie prostej do osi czasu
b - wyraz wolny, decydujący o przesunięciu prostej w kierunku pionowym
Najprościej regresję liniową można wyznaczyć z wykorzystaniem programu
Excel.
Prognozowanie popytu
METODY
PROGNOZOWANIA
DLA
POPYTU
O
CHARAKTERZE TRENDU
2)
Model Holta
– nazywany dwuparametrycznym modelem wygładzania
wykładniczego, stosuje się go do wygładzania szeregów czasowych, w których
występują wahania przypadkowe i tendencja rozwojowa. Równanie modelu:
P*
k
+j
=a
k
+b
k
·j
gdzie:
P*
k+j
- prognoza popytu na okres k+1
a
k
- wygładzona wartość popytu
b
k
- przyrost trendu w okresie k
j - liczba okresów objętych prognozą
a
k
= P*
k
+α·(P
k
-P*
k
)
b
k
= b
k-1
+α·β·(P
k
-P*
k
)
α - stała wygładzania zawierająca się w przedziale <0;1>
β - stała wygładzania trendu zawierająca się w przedziale <0;1>
P
k
- popyt rzeczywisty w okresie k
P*
k
- prognoza na okres k
Prognozowanie popytu
METODY
PROGNOZOWANIA
DLA
POPYTU
O
CHARAKTERZE TRENDU
Przykład:
dokonaj prognozy popytu na podstawie modelu Holta
P*
k
+j
= a
k
+b
k
·j
Przyjmijmy, że: j=1 (prognoza na jeden okres); α = 0,5; β = 0,9
P*
2
= P
1
= 10;
a
2
= P
1
= 10; b
2
= 0
P*
3
=
P*
2
+1
= a
2
+b
2
·j =
10+0·1= 10;
a
3
= 10+0,5·(10-10) = 10; b
3
=
0+0,5·0,9·(10-10) = 0
P*
4
=
P*
3
+1
= a
3
+b
3
·j =
10+0·1= 10;
a
4
= 10+0,5·(12-10) = 11; b
4
=
0+0,5·0,9·(12-10) = 0,9
P*
5
=
P*
4
+1
= a
4
+b
4
·j =
11+0,9·1= 11,9
Okres
obserwacji
Poniedziałek
Wtorek
Środa
Czwartek
Piątek
k=1
k=2
k=3
k=4
k=5
Popyt
10
11
10
12
11
a
k
10
10
11
b
k
0
0
0,9
Prognoza
10
10
10
11,9
Prognozowanie popytu
INNE MODELE PROGNOZOWANIA
1)
Modele analogowe
– modele wykorzystujące podobieństwo matematyczne
badanego układu rzeczywistego do innego układu, zazwyczaj sztucznie
utworzonego, który może być dowolnie modyfikowany i którego reakcje na
modyfikacje podlegają bezpośrednim obserwacjom i pomiarom.
2)
Metody scenariuszowe
– metody te służą do analizy związków między
zjawiskami występującymi w otoczeniu, badaniu oddziaływania tych zjawisk
na
organizację,
czy charakteryzowaniu różnych punktów widzenia danej sytuacji.
•
scenariusze możliwych zdarzeń
•
scenariusze symulacyjne
•
scenariusze stanów otoczenia
•
scenariusze procesów w otoczeniu
3)
Modele symulacyjne
– jest to badanie interesującego nas fragmentu
rzeczywistości
za pomocą eksperymentowania na modelu. Eksperymentowanie to polega na
obliczaniu wartości zmiennych objaśnionych przy różnych dopuszczalnych
wartościach zmiennych objaśniających lub różnych wartościach parametrów.
Takie eksperymentowanie na modelu pozwala zorientować się, jaka jest
sprawność badanego modelu, a to ułatwia wnioskowanie o zachowaniu się
pewnego systemu ekonomicznego, opisywanego przez model. Symulacja
może także uwzględnić składniki losowe procesów.
Prognozowanie popytu
INNE MODELE PROGNOZOWANIA
4)
Modele heurystyczne
– prognozowanie heurystyczne to przewidywanie
nowych obrazów rzeczywistości, niekoniecznie dających opisać się za pomocą
analizy
przyszłości.
Istota prognozowania za pomocą tej metody polega na formułowaniu prognoz
przy wykorzystaniu opinii ekspertów opartych na intuicji i doświadczeniu. Do
najbardziej znanych należą:
1. „burza mózgów”,
2. badanie opinii publicznej.
5)
Modele ARIMA
– jest to w teorii najbardziej ogólna klasa modeli
prognozowania szeregów czasowych, które mogą być stacjonowane
przemianami, takimi jak różnicowanie i logowania.
Prognozowanie popytu
LITERATURA POMOCNICZA
1. R. Kacperczyk, „Transport i spedycja”. Część 1. Transport, Difin, Warszawa
2009
2. S. Krzyżaniak, P. Cyplik, „Zapasy i Magazynowanie”, Biblioteka Logistyka,
Poznań 2008
3. S. Krzyżaniak, „Podstawy zarządzania zapasami w przykładach”, Wydanie
IV, Biblioteka Logistyka, Poznań 2008
4. J. J. Coyle, E. J. Bardi, C. J. Langley Jr., „Zarządzanie logistyczne”, PWE,
Warszawa 2007,
5. Norma: PN – 85/O – 79252. Opakowania transportowe z zawartością. Znaki
i znakowanie. Wymagania podstawowe.
Prognozowanie popytu
WYŻSZA SZKOŁA LOGISTYKI
Wyższa Szkoła Logistyki jest pierwszą w Polsce uczelnią
logistyczną, utworzoną w 2001 roku z inicjatywy Instytutu Logistyki i
Magazynowania oraz Centrum Edukacji Logistycznej. Kadra uczelni
składa się z wybitnych specjalistów z zakresu logistyki i praktyków
gospodarczych. Doceniając wagę doświadczenia jakiego wymaga się
dzisiaj od absolwentów uczelni wyższych, WSL umożliwia również
odbywanie praktyk i staży w wiodących firmach logistycznych
będących
partnerami
uczelni.
Dzięki
umowom
bilateralnym
podpisanym z uczelniami z krajów europejskich studenci WSL
korzystający
z programu Erasmus wyjeżdżają na studia za granicę. W ramach
współpracy
z uczelniami z Niemiec i Wielkiej Brytanii mają także możliwość
zdobywania podwójnych dyplomów z zakresu logistyki.
Wyższa Szkoła Logistyki przejęła rolę patrona edukacyjnego dla
szkół ponadgimnazjalnych kształcących w zawodach: technik logistyk i
technik
spedytor
w
zakresie
nowoczesnego
kształcenia
dostosowanego do potrzeb rynku. Uczelnia realizuje unikatowy w skali
kraju program współpracy z ponad 200 szkołami ponadgimnazjalnymi.
Niniejsza prezentacja została opracowana w ramach projektu
"Wielkopolska musi wiedzieć" - partnerstwo szkolnictwa zawodowego i
rynku pracy kluczem do podniesienia atrakcyjności zawodów technik
logistyk i technik spedytor w województwie wielkopolskim (projekt
numer: POKL.09.02.00-30-077/09) współfinansowanego przez Unię
Europejską w ramach Europejskiego Funduszu Społecznego.