doc. dr. sc. Martina Briš Alić

Παρουσίαση με θέμα: "doc. dr. sc. Martina Briš Alić"— Μεταγράφημα παρουσίασης:

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

2 Što 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, kupuju novu opremu uprkos neizvjesnosti potražnje za proizvodom, 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 Predviđanje može biti:
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: KRATKOROČNE PROGNOZE razdoblje od maksimalno godinu dana – najčešće su kraće od 3 mjeseca planiranje nabavke materijala vremensko planiranje poslova planiranje zapošljavanja pridruživanje poslova planiranje razine proizvodnje SREDNJOROČNE PROGNOZE razdoblje od 3 mjeseca do 3 godine plan prodaje i marketinških aktivnosti planiranje proizvodnje i budžeta financijski planovi analiza različitih operativnih planova DUGOROČNE PROGNOZE razdoblje od više od 3 godine unaprijed razvoj novog proizvoda kapitalne investicije otvaranje ili proširenje lokacije istraživanje i razvoj

5 ZAJEDNIČKE KARAKTERISTIKE METODA PROGNOZIRANJA:
Pretpostavljaju da će isti uzročni sustav koji je postojao u prošlosti postojati i u budućnosti. Zbog toga poduzeća često rade pogrešku da jednom kada implementiraju prognostički sustav više ne prate greške prognoze – što je krivo budući da se prognoze moraju stalno provjeravati. Većina prognostičkih metoda uključuje pretpostavku STABILNOSTI SUSTAVA Aktualni rezultati obično se razlikuju od predviđenih vrijednosti. Budući da nije moguće predvidjeti precizno koliko će često jedan veliki broj srodnih čimbenika ometati varijable o kojima se radi, kao i postojanje slučajnosti spriječava savršenu prognozu. Uvijek treba ostaviti prostora za greške. Prognoze su RIJETKO PERFEKTNE Greške prognoze između proizvoda unutar grupe obično imaju poništavajući učinak. Prilike za grupiranje proizvoda mogu se pojaviti ako se dijelovi ili sirovine koriste za više proizvoda ili ako usluge traži veći broj nezavisnih izvora. Prognoza za GRUPU PROIZVODA točnija je nego za POJEDINI PROIZVOD Kratkoročna prognoza se suočava sa manje neizvjesnosti od dugoročne pa se zbog toga smatra i točnijom. TOČNOST prognoze se SMANJUJE kako se POVEĆAVA VREMENSKO RAZDOBLJE na koje se prognoza odnosi

6 KORACI U PROCESU PROGNOZIRANJA POTRAŽNJE:
Upućuje na razinu potrebnih pojedinosti u prognozi, količini izvora (radna snaga, kompjutersko vrijeme, novac) koji se mogu pravdati te na razinu potrebne točnosti. Odrediti SVRHU prognoze (je li to prodaja, proizvodnja ili sl.) te kada će biti potrebna Potrebno je uzeti u obzir da točnost opada što se vremensko razdoblje produžuje. Ustanoviti VREMENSKO RAZDOBLJE koje prognoza mora pokriti Izabrati METODU PROGNOZIRANJA Identificirati svaku pretpostavku koja je vezana uz pripremu i korištenje prognoze. PRIKUPITI i ANALIZIRATI prikladne podatke te PRIPREMITI PROGNOZU Ako ne, PREISPITATI metodu, pretpostavke, točnost podataka, itd.; MODIFICIRATI ako je potrebne te PRIPREMITI NOVU VERZIJU PROGNOZE. PROMATRATI PROGNOZU kako bi se vidjelo da li se odvija na zadovoljavajući način.

7 KVANTITATIVNI PRISTUP
Pristupi predviđanju Postoje dva osnovna pristupa predviđanju: KVALITATIVNI KVANTITATIVNI KVALITATIVNI PRISTUP Nedostatak podataka Oslanjanje na intuiciju, emocije, iskustvo prognostičara Koriste se obične za predviđanje novih proizvoda, tehnologija KVANTITATIVNI PRISTUP Postojanje povijesnih podataka Koriste matematičke modele Koriste se kada je situacija “stabilna” U praksi, kombinacija oba pristupa obično je najefektivnija.

8 PREGLED KVALITATIVNIH METODA
Oslanja se na mišljenje kupaca ili potencijalnih novih kupaca o njihovoj budućoj kupovini Koristi se za prognoziranje potražnje, pogotovo za novim proizvodima Obično budu optimističnije nego što kasnije potvrdi prodaja Trgovački putnici daju procjene prodaja sljedećeg prognostičkog perioda→ smatra da su oni najbliže kupcu pa time imaju i najtočnije informacije Zbog kompenzacijskog sustava koji je uobičajen kod prodajnog osoblja zna često doći do namjernog iskrivljavanja podataka kako bi se postigle kompenzacijske kvote Uključuje grupu stručnjaka koji ne moraju biti iz jednog poduzeća Stručnjaci ne komuniciraju međusobno, već jedna osoba skuplja njihova mišljenja Mišljenja koja se znatno razlikuju šalju se u drugi krug te se postupak nastavlja dok se ne dobije relativno stabilna prognoza Uključuje grupu starijih vrhovnih menadžera Kombiniraju menadžersko iskustvo i kvantitativne prognoze Donose ZAJEDNIČKO mišljenje, tj. mora se postići KONSENZUS MIŠLJENJE STRUČNJAKA DELPHI METODA ISTRAŽIVANJE TRŽIŠTA PROGNOZA PRODAJE

9 MODELI VREMENSKIH SERIJA
PREGLED KVANTITATIVNIH METODA MODELI VREMENSKIH SERIJA Baziraju se na pretpostavci da je budućnost funkcija prošlosti Gledaju što se događalo u jednom periodu vremena te koriste seriju podataka iz prošlosti da bi prognozirali budućnost NAIVNA METODA POMIČNI PROSJECI EKSPONENCIJALNO IZJEDNAČAVANJE Npr. ako se želi vidjeti kakva će biti potražnja za sladoledom u ljeti godine, potrebno je uzeti podatke od ljeta i godine i predviditi potražnju za sladoledom u godini ASOCIJATIVNI MODELI Modeli koji određuju vezu između dva parametra REGRESIJA Npr. na temelju podataka o izdacima za marketing i temperaturi okoline moguće je prognozirati kakva će biti potražnja za sladoledom

10 KOMPONENTE VREMENSKIH SERIJA
METODE VREMENSKIH SERIJA TREND SEZONSKE OSCILACIJE CIKLUSI NASUMIČNI FAKTOR KOMPONENTE 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 CIKLIČNO PONAŠANJE – obično se primjećuje svakih nekoliko godina
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: Mjesec Potražnja 1 46 13 54 2 56 14 42 3 15 64 4 43 16 60 5 57 17 70 6 18 66 7 67 19 8 62 20 55 9 50 21 52 10 22 11 47 23 12 24 72

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

16 Prognoze potražnje za sve promatrane mjesece moguće je vidjeti u sljedećoj tablici:
Potražnja Pomični prosjek 1 46 - 13 54 53 2 56 14 42 52,33 3 15 64 50,67 4 43 52 16 60 53,33 5 57 51 17 70 55,33 6 51,33 18 66 64,67 7 67 19 65,33 8 62 20 55 64,33 9 50 61,17 21 59,33 10 59,17 22 54,67 11 47 23 56,33 12 24 72 61,33 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 Linija najmanjih kvadrata izrazi se kao:
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: