Temat: Prognozowanie zapasów. 8.11.09
Przewidywanie - rozumiemy wnioskowanie o zdarzeniach nieznanych w przyszłości na podstawie zdarzeń znanych w przeszłości.
Prognozowanie będziemy rozumieć jako racjonalne, naukowe przewidywanie przyszłych zdarzeń.
Klasyfikacja prognoz:
- ilościowe
- jakościowe
Prognoza ilościowa jest wyrażona liczbą. Może być punktowa lub przedziałowa. Jeżeli mówimy o prognozach ilościowych punktowych to może być w przyszłym roku, zwiększamy sprzedaż o 13%.
Prognoza ilościowa przedziałowa np. w przyszłym roku cena na dane dobro będzie się wahała od 3 zł do 4 zł lub nasza sprzedaż wzrośnie od 40% do 45%.
Prognoza ilościowa jest wyrażona w sposób opisowy np. przyszłym roku cena naszego produktu wzrośnie.
Horyzont czasowy prognozy (kryterium czasu):
- prognozy krótkookresowe w których to zachodzą tylko zmiany ilościowe
- prognozy średniookresowe, przedział czasu, zmiany ilościowe i nieznacznie jakościowe
- prognozy długookresowe, zmiany ilościowe i jakościowe.
Kryterium prognoz dotyczące podstawy osób (prognostyków) które przewidują:
- podstawy aktywne - występuje wówczas jak taki prognostyk skupia się na zmianach ilościowych i jakościowych biorąc pod uwagę dane historyczne, zmiany w dochodach ludności i zjawiska na rynku,
- postawa pasywna to skupienie się wyłącznie na zmianach ilościowych (będzie tak jak dotychczas).
Punktem wyjścia prognozowania jest szereg czasowy. Szereg czasowy jest to zestawienie wartości zmiennych cechy badanej według kryterium czasu, gdzie badana jest wartość cechy w kolejnej jednostce czasu.
Chronologiczne uszeregowanie wartości popytu w przyjętych jednostkach czasu.
W szeregu czasowym wyróżniamy dwie składowe: systematyczną, która jest efektem oddziaływań różnych czynników na zmienną prognozowaną oraz składową przypadkową oznaczającą wahania losowe, których nie jesteśmy w stanie przewidzieć. Składowa systematyczna powinna zostać jak najdokładniej prognozowana, natomiast składowa przypadkowa jak najdokładniej zmierzona. Składowa systematyczna może wystąpić w kilku postaciach:
a) jako stały poziom prognozowanej zmiennej - gdzie wartość średnia zmiennej nie ulega większym zmianom z okresu na okres,
b) trend określony jest trwała zmianą, wzrostem lub spadkiem wartości zmiennej prognozowanej w czasie,
c) jako składowa okresowa występuje w postaci wahań sezonowych lub wahań cyklicznych.
Metody prognozowania
Modele ekonometryczne
Metody heurystyczne
Metody analogowe
Metody scenariuszowe
Symulacja
Modele ARMA, ARIMA
Model Wintersa
Modele wskaźników sezonowości
Modele analityczne
Model Holta
Model Browna
Modele średniej arytmetycznej
Krótkookresowe średniookresowe długookresowe
We wszystkich opisach będziemy używać takich oznaczeń:
P*t prognoza popytu na okres t
Pt rzeczywisty popyt zarejestrowany w okresie t
Model naiwny
W odniesieniu do popytu można go przedstawić następująco, prognoza popytu na dany okres jest równa popytowi rzeczywistemu zaobserwowanemu w okresie poprzednim
P*k+1=Pk
Przykład:
P*79= P78=7
Modele średnie arytmetycznej:
- zwykłą średnią arytmetyczną
- średnią arytmetyczną ruchomą
- średnią arytmetyczną ruchomą ważoną.
Zwykła średnia arytmetyczna (PSA). Do obliczania ta metodą prognozy P*k+1 na okres „k+1” wykorzystuje się wszystkie dostępne wcześniejsze wartości popytu (na okresy od 1 do k).
PSA = P*k+1 = P1+P2+P3+……..+Pk / k
Średnia arytmetyczna ruchoma PSAR
PSAR=P*k+1= Pk-(n-1)+Pk-(n-2)+………+Pk-1+Pk / n
Przykład:
Bierzemy pod uwagę średnią 10-okresową.
Dzień |
64 |
65 |
66 |
67 |
68 |
69 |
70 |
71 |
72 |
73 |
74 |
75 |
76 |
77 |
78 |
79 |
Popyt |
7 |
7 |
8 |
7 |
6 |
10 |
8 |
7 |
8 |
8 |
6 |
6 |
9 |
5 |
7 |
|
P*74 |
(7+7+8+7+6+10+8+7+8+8)/10=7,6 |
7,6 |
|
|
|
|
|
|||||||||
P*75 |
|
(7+8+7+6+10+8+7+8+8+6)/10=7,5 |
7,5 |
|
|
|
|
|||||||||
P*76 |
|
|
(8+7+6+10+8+7+8+8+6+6)/10=7,4 |
7,4 |
|
|
|
|||||||||
P*77 |
|
|
|
(7+6+10+8+7+8+8+6+6+9)/10=7,5 |
7,5 |
|
|
|||||||||
P*78 |
|
|
|
|
(6+10+8+7+8+8+6+6+9+5)/10=7,3 |
7,3 |
|
|||||||||
P*79 |
|
|
|
|
|
(10+8+7+8+8+6+6+9+5+7)/10=7,4 |
7,4 |
Średnia ruchoma ważona (PRW)
PRW=P*k+1 = Pk-(n-1)W1+Pk-(n-2)W2+……..+Pk-1Wn-1+PkWn/ W1+W2+…..+Wn-1+Wn
Przykład:
Spróbujmy teraz dokonać prognozowania w oparciu o 10-okresowa średnią ważoną o wagach równych kolejnym liczbom naturalnym (1, 2, 3,…., 9, 10).
Dzień |
64 |
65 |
66 |
67 |
68 |
69 |
70 |
71 |
72 |
73 |
74 |
75 |
76 |
77 |
78 |
79 |
Popyt |
7 |
7 |
8 |
7 |
6 |
10 |
8 |
7 |
8 |
8 |
6 |
6 |
9 |
5 |
7 |
|
P*74 |
( |
7,76 |
|
|
|
|
|
|||||||||
P*75 |
|
(, |
7,47 |
|
|
|
|
|||||||||
P*76 |
|
|
(, |
7,2 |
|
|
|
|||||||||
P*77 |
|
|
|
(, |
7,491 |
|
|
|||||||||
P*78 |
|
|
|
|
(, |
7.04 |
|
|||||||||
P*79 |
|
|
|
|
|
(, |
6,9818 |