1 / 28

doc. dr. sc. Martina Briš Alić

PREDVIĐANJE POTRAŽNJE. doc. dr. sc. Martina Briš Alić . Št o je predviđanje?. Svakog dana menadžeri donose odluke bez obzira što ne znaju što će se dogoditi u budućnosti: naručuju zalihe bez znanja kakva će biti prodaja ,

naava
Download Presentation

doc. dr. sc. Martina Briš Alić

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. PREDVIĐANJE POTRAŽNJE doc. dr. sc. Martina Briš Alić

  2. Što je predviđanje? • Svakogdanamenadžeridonose odluke bez obzira što ne znaju što će se dogoditi u budućnosti: • naručujuzalihebezznanjakakvaćebitiprodaja, • kupujunovuopremuuprkos neizvjesnostipotražnjezaproizvodom, • investiraju sredstva u nove objekte bez znanja o budućoj dobiti poduzeća • Izrada dobrih prognoza budućnosti svrha je predviđanja i glavni input za planiranje • Dobre prognoze su ključni dio efikasnih proizvodnih i uslužnih operacija. • Predviđanje je umjetnost, ali i znanost o predviđanju budućih događaja.

  3. Predviđanjemožebiti: • primjena POVIJESNIH PODATAKA i njihovo projektiranje u budućnost koristeći neki matematički model, • SUBJEKTIVNA procjena ili INTUITIVNA pretpostavka, • KOMBINACIJA metoda. • Nema univerzalnog prognostičkog modela koji bi vrijedio za sve. • ono što najbolje funkcionira u jednoj industriji, u jednim okolnostima, može napraviti potpuni kaos u drugoj industriji • Postoje OGRANIČENJA u vezi sa očekivanjima od prognoza: • one su rijetko, ili nikada perfektne; • one su skupe i vremenski zahtjevne. • Niti jedno ozbiljno poduzeće ne može poslovati po principu “što bude”, a onda se izvlačiti iz situacije EFEKTIVNO PLANIRANJE (i kratkoročno i dugoročno) ovisi o predviđanju potražnje za proizvodima i/ili uslugama s kojima određeno poduzeće opskrbljuje tržište.

  4. Predviđanja, a tako kasnije i planovi, KATEGORIZIRAJU se prema VREMENSKOM HORIZONTU za koji se vrši prognoza. Općenito postoje 3 kategorije:

  5. ZAJEDNIČKE KARAKTERISTIKE METODA PROGNOZIRANJA:

  6. KORACI U PROCESU PROGNOZIRANJA POTRAŽNJE:

  7. Pristupi predviđanju • Postoje dva osnovna pristupa predviđanju: • KVALITATIVNI • KVANTITATIVNI U praksi, kombinacija oba pristupa obično je najefektivnija.

  8. PREGLED KVALITATIVNIH METODA

  9. PREGLED KVANTITATIVNIH METODA

  10. METODE VREMENSKIH SERIJA • Metode vremenskih serija zasnivaju se na nizu podataka koji su podjednako razmaknuti u vremenu – dnevni, tjedni, mjesečni i sl. podaci • Predviđanje vremenske serije podataka pretpostavlja da se buduće vrijednosti prognoziraju • isključivo na povijesnim podacima • te da drugi promjenjivi, bez obzira koliko potencijalno važni podaci • mogu biti zanemareni • Rastavljanjem povijesnih podataka moguće je uočiti četiri glavne komponente vremenskih serija:

  11. SEZONSKE OSCILACIJE – određeni uzorci koji se ponavljaju nakon nekog perioda CIKLIČNO PONAŠANJE – obično se primjećuje svakih nekoliko godina NASUMIČNI FAKTOR – kako i samo ime kaže je nasumičan i ne može se predvidjeti koliki će biti, ali se uključuje u prognostički model TREND – postupni rast ili pad potražnje u vremenu

  12. NAIVNI PRISTUP • Najjednostavnija metoda budući da pretpostavlja da će potražnja u narednom periodu biti jednaka potražnji u upravo proteklom periodu PRIMJER:Ako je prodaja XY proizvoda u prošlom mjesecu iznosila 73 jedince – za sljedeći mjesec prognozira se da će se prodati 73 jedinice proizvoda XY. Ako se ostvarila prodaja od 97 jedinica proizvoda XY umjesto 73, za naredni mjesec predviđamo prodaju u visini od 97 proizvoda XY. gdje je: • Metoda ima smisla samo ako nema dovoljno podataka i predstavlja osnovu za prognozu ako nema drugih načina

  13. POMIČNI PROSJEK • Metoda koja koristi srednju vrijednost podataka za nekoliko zadnjih perioda kako bi prognozirala budući period • Korisna je ako je moguće pretpostaviti da će potražnja na tržištu ostati prilično stabilna tijekom vremena – koristi se kada je trend mali ili ga uopće nema. PRIMJER: Tromjesečni pomični prosjek računa se zbrajanjem potražnje za prethodna 3 mjeseca i dijeljenjem sa brojem perioda koji se razmatra – u ovom slučaju 3. Sa svakim novim mjesecem, najnoviji mjesečni podaci se dodaju sumi podataka za prethodna 2 mjeseca, a podaci za najstariji mjesec otpadaju – uvijek u obzir dolazi n najnovijih podataka. gdje je: • Navedenim načinom izglađuje se NASUMIČNA KOMPONENTA predviđanja – izravnavaju se kratkotrajne neregularnosti u seriji podataka.

  14. PRIMJER: • Sljedeći podaci daju potražnju za nekim dobrom (u količinskim jedinicama) koje treba biti u skladištu u razdoblju od 24 mjeseca:

  15. Na temelju podataka iz primjera ilustiran je model pomičnog prosjeka – TROMJESEČNI pomični prosjek : Prognoza pomičnog prosjeka b Potražnja 46 56 54 Mjesec 1 2 3 43 57 56 67 62 50 56 47 56 (46+56+54)/3=52 (56+54+43)/3=51 (54+43+57)/3=51,33 (43+57+56)/3=52 (57+56+67)/3=60 (56+67+62)/3=61,67 (67+62+50)/3=59,67 (62+50+56)/3=56 (50+56+47)/3=51 4 5 6 7 8 9 10 11 12

  16. Prognoze potražnje za sve promatrane mjesece moguće je vidjeti u sljedećoj tablici: • Na temelju gornjih podataka izračunajte prognozu potražnje za 25. mjesec?

  17. Pomoću programa POM – QM for Windows izračunata je prognoza potražnje za 25. mjesec:

  18. Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela pomičnog prosjeka za promatrani primjer:

  19. EKSPONENCIJALNO IZJEDNAČAVANJE • Jedostavna metoda koja zahtjeva vrlo malo podataka – potreban je samo podatak iz prethodnog perioda, a budući da je osjetljiva na promjene u podacima ujedno je i točnija metoda. • Osnovna formula za eksponencijalno izjednačavanje još uvijek je vrlo jednostavna i glasi: ili matematički: gdje je: ako se preuredi, dobiva se: • Odabir vrijednosti konstante izjednačavanja najvažniji je zadatak u traženju “realne” prognoze. U praksi se izabire interval između 0,1 i 0,3 – u ekstremnom slučaju kada se stavi da je α = 1, dobiva se rješenje od naivne prognoze.

  20. Na temelju podataka iz promatranog primjera, uz α = 0,1 te uz prognoziranu vijednost za 24. mjesec u iznosu od 57,63 jedinica, potrebno je prognozirati potražnju za 25. mjesec pomoću EKSPONENCIJALNOG IZJEDNAČAVANJA

  21. Pomoću programa POM – QM for Windows izračunata je prognoza potražnje za 25. mjesec pomoću eksponencijalnog izjednačavanja:

  22. Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela eksponencijalnog izjednačavanja za promatrani primjer:

  23. UZROČNE (KAUZALNE) METODE PREDVIĐANJA • Razvijaju tzv. MODEL UZROKA I POSLJEDICA između potražnje i ostalih varijabli. • Npr. potražnja za sladoledom može se povezati sa populacijom, srednjom (prosječnom) temperaturom i vremenom. Podaci se mogu prikupiti po tim varijablama, a analiza izvoditi tako da utvrdi valjanost predloženog modela. • Najpoznatija kauzalna metoda je REGRESIJA, a najjednostavniji model regresije je LINEARNI TREND. • U svrhu proračuna TRENDA koristi se tzv. METODA NAJMANJIH KVADRATA, odnosno proračunavaju se parametri a i b takvi da suma odstupanja od te crte bude najmanja.

  24. Metoda najmanjih kvadrata daje pravu liniju koja minimizira sumu kvadrata vertikalnih odstupanja od linije do svake stvarne točke promatranja. • Linija najmanjih kvadrata opisuje se u obliku njenog y-odsječka – a = visina na kojoj linija presjeca y-os i njenog koeficijenta nagiba b.

  25. Jednadžbe za izračunavanje vrijednosti a i b za bilo koju liniju najmanjih kvadrata: • Linija najmanjih kvadrata izrazi se kao: gdje je:

  26. Pomoću programa POM – QM for Windows unešena je potražnja za dobrom po mjesecima što je potrebno za izračunavanje jednadžbe za prognozu buduće potražnje pomoću modela regresije – linearnog trenda:

  27. Pomoću programa POM – QM for Windows izračunato je rješenje problema pomoću modela regresije – linearnog trenda :

  28. Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela regresije – linearnog trenda za promatrani primjer:

More Related