Föreläsning 3. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg

Transkript

1 Föreläsning 3 Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg

2 Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder, produktegenskaper, ABC klassificering Produktionssystem Fö 2 Prognostisering Fö 3 Le 1 La 1 Sälj och verksamhetsplanering Fö 4 Le 2 La 2 Projektplanering, fast position Fö 5 Le 3 Lagerstyrning Fö 6 Le 4 La 3 Planering av funktionell verkstad, Fö 7 Le 5 layout, MRP och HP Planering av funktionell verkstad, Fö 8 Le 6 detaljplanering Planering av lina, kanban, Fö 9 Le 7 linjebalansering Specialfall; produktval, kopplade lager Fö 10 Le 8 cyklisk planering Le 9

3 Mål med föreläsningen! Ge en första inblick i: Varför företagen behöver prognoser. Olika prognosmodeller. Hur man ansätter en efterfrågemodell och får fram lämpliga parametrar. Hur man gör prognoser utifrån ansatt modell. Hur man värderar hur bra modellen är.

4 Tekniker kopplade till föreläsningen Identifikation av trend, säsong och nivå. Kvantitativa prognosmetoder Glidande medelvärde Exponentiell utjämning o Med trend o Med trend och säsong Mäta prognosfel o MAD, MSE och ME o Kontrollsignal

5 Varför prognostisera? Öka kunskap om efterfrågan och försäljning Inom finans och ekonomiavdelningen budgetplanering Inom marknadsavdelningen planering av nya produkter Inom produktion processval, kapacitetsplanering materialplanering, lagerstyrning Ökad lönsamhet

6 Varför prognostisera? P/L-kvot Produktionsledtid Leveransledtid Planering baserad på spekulation (prognos) Planering baserad på kundorder Kund Produktion initierad Kundorder erhållen Kundorder levererad KOP Kundorderpunkt [Tid]

7 Vad är en bra prognos? Karakteristisk En bra prognos skall vara lätt att arbeta med/använda lätt att förstå och ta till sig Dessutom skall en prognos vara stabil mot slumpvariationer i efterfrågan reagera snabbt vid systematiska förändringar kunna förutsäga framtida systematiska förändringar

8 Hur kan vi veta något om Efterfrågan/ prognos framtiden? faktisk efterfrågan? prognostiserad efterfrågan Historisk efterfrågan faktisk efterfrågan? Idag Planeringshorisont Tid

9 Förhållandet mellan tid och information Aggregering Tid (horisont och period) Information (mängd och detaljeringsgrad) Disaggregering Efterfrågan Produktgrupp A Produkt A1 Produkt A2 Produkt A3 Produkt A4 Period 40 St Tid Veckoprognos Månadsmedelprognos

10 Prognosmodeller Bedömning Prognosmodeller Statistik Kvalitativa Kvantitativa Intuitiva Kausala Tidsserie Delphimetoden Regressionsanalys Säljkårsuppskattning Enkel extrapolering Expertutlåtanden Marknadsundersökning Ekonometriska modeller Ledande indikatorer Dekomposition Historisk analogi Expertsystem Kursens fokus

11 Historien som bas för prognosen Tidsserier Tidsserier kronologiskt ordnade observationer: t e t t Med hjälp av tidsserier för t och t skattas parametrarna och (s.k. regressionsanalys) e t är en slumpterm och uttrycker den variation i t som modellen inte kan förklara = 2 t [månad] 1? t [Efterfrågan] = 98 t = t

12 Tidsserier Exempel t [Efterfrågan] t [månad] t e t t Regessionsanalys ger 108,6 2, 5t t Troligtvis ingen bra prognos

13 Tidsseriekomponenter Trend T Säsong S Cykel C Nivå N Slump e (error) Tid periodtid 1 år Tid periodtid 1 år Tid Tid Tid Dessa tidsseriekomponenter kan sedan tillsammans utgöra den underliggande efterfrågemodellen (D).

14 Efterfrågemodeller - modelltyper Additiva modeller D = N + S + T + C + e (demand = nivå + säsong + trend + cykel + slump) Multiplikativa modeller D=N S T C e Blandade modeller D=N+S T+e D=(N+S) T+e D = N S+T + e

15 Registrera data Registrera data i de dimensioner (marknad, produktgrupp, tidsperiod, enhet, etc.) som skall prognostiseras Registrera extraordinära händelser

16 Dekomposition Starta med att plotta tidsserien Rensa först data för effekter av kända, icke repetitiva händelser, t ex leveransförseningar, produktionsstopp, etc. Dra slutsatser utifrån diagrammet om vilka tidsseriekomponenter som ingår i efterfrågemodellen. Ansätt efterfrågemodell. Rensa därefter tidsserien från dessa komponenter i lämplig ordning Lämplig ordning är beroende av hur efterfrågemodellen byggts I kursen kommer vi huvudsakligen att titta på modeller där vi först rensar bort trenden (T), sedan säsongen (S), och slutligen nivån (N).

17 Dekomposition Om efterfrågemodellen har byggts upp korrekt, och all rensning gjorts felfritt återstående ska då te sig som brus (slumptermen) Bygg prognosen med hjälp av dessa tidsseriekomponenter extrapolerade för den kommande prognosperioden

18 Enkel extrapolering Metoder Konstanta modeller (D = N och e) Glidande medelvärde F t 1 t D D... D 1 t t 1 t N 1 N N i t N 1 D i St 10 St Tid Efterfrågan Glidande medelvärde (m=3) Glidande medelvärde (m=5) Tid Efterfrågan Glidande medelvärde (m=3) Glidande medelvärde (m=5)

19 Enkel extrapolering Metoder Konstanta modeller (D = N och e) Exponentiell utjämning o o U innehåller information om historien Uppdatera med senaste D och historien U Hur mycket litar vi på senaste D? (α ) U t D t ( 1 ) Ut 1 F t 1 U t

20 Trendmetoder Trendmodeller (D = N, T och e) Exponentiell utjämning med trend U D (1 )( U T ) t t t 1 t 1 T ( U U ) (1 ) T 1 t t t 1 t 1 F U T t t t α och ß är utjämningskonstanter för exponentiellt utjämnad medelefterfrågan samt trenden

21 Trend- och säsongsmetoder Kombinerad trend- och säsongsmetoder (D = N, T, S och e) Exponentiell utjämning med trend och säsong Dt ( a bt) ct t där a nivå b trenden per period ct säsongindex slump t D U (1 )( U T ) t t t 1 t 1 St N T ( U U ) (1 ) T S t t t 1 t 1 Dt (1 ) S U t t N t

22 Prognosfel (e) Varför mäta prognosfel? För att veta när prognosmetoden inte längre ger en godtagbar förutsägelse För att kunna försäkra sig mot konsekvenser av felaktig prognos o t ex i form av säkerhetslager Prognosfelet, e, för period t bestäms som: e t D t F t där D t = faktisk efterfrågan i period t F t = prognostiserad efterfrågan i period t

23 Medelabsolutfel En av del vanligaste metoderna för att mäta prognosprecision är medelabsolutfelet, MAD MAD är lätt att beräkna och kan uppdateras periodiskt, enligt: MAD 1 n n e t n t 1 MADt et (1 ) MADt 1 Vid antagande om ett normalfördelat prognosfel gäller följande förhållande: t 1, 25 MADt

24 Övriga fel Man kan också mäta medelkvadratfelet, MSE MSE 1 N N t 1 2 e t eller medelfelet, ME ME 1 N N t 1 e t

25 Prognosuppföljning För att automatiskt kontrollera prognosen mot efterfrågedata används så kallade Trackningsystem Finns i olika varianter Trackingsignal: (extremvärde) TSD t e t MAD t 1 Se kursboken, sid för ytterligare information och andra typer av tracking-signaler!

26 Prognosuppföljning: Exempel Prognosen för period t var 550 Efterfrågan för period t blev 575 F t D t MADt 1 22 Använd k=4 TSD t ,14 4 Prognosen kan ej förkastas! Kontrollgräns k Kontrollgräns (std.dev) Sannolikhet 2 1,6 89,0% 3 2,4 98,4% 4 3,2 99,9%

27 Vilken typ av systemstöd behövs? Affärssystem Specialiserade prognosverktyg Egenutvecklade verktyg Kalkylbladsprogram Exempelvis Excel

28 Efterfrågeplanering Efterfrågeplanering Prognostisering Kvantitativa prognoser (statistik) Kvalitativa prognoser Prognosprocess baserad på samverkan och konsensus Resulterar i indata till planeringen på lång sikt medellång sikt kort sikt Simulering och What-if -analyser Beräkning av säkerhetslager lång sikt medellång sikt medellång sikt Källa: Stadtler & Kilger (2002)

29 Användning på olika nivåer Kort sikt Medellång sikt Lång sikt Horisont 1 dag 3 månader 2 månader till 2 år Minst 1 år Syfte Objekt Beslutsområde Operativ styrning av tillverkning och bemanning Produkter, modeller, artiklar Tillverkning, inköp Effektiv allokering av resurser Produktgrupper nedbrutna till produkt, enskilda produkter Huvudplanering, inköpsplanering, distributionsplanering Planera resursanskaffning Total försäljning, produktgrupper Kapacitetsplanering, anläggningsplanering, processval, sälj- och verksamhetsplanering

30 Prognosprocessen, Metodik Formulera problemet Formulera problemet Skaffa information Välj metod Implementera metod Utvärdera metod Använd prognos Indata till planeringen

31 Sammanfattning Prognosprocessen KUND- ORDER LAGER Historisk efterfrågan Justering av modellen och dess parametrar Kvalitativ prognos Matematisk modell Kvantitativ prognos KUND- ORDER LAGER Faktisk efterfrågan Återkoppling (feedback) Slutgiltig prognos Beräkning av prognosfel

32 Att tänka på Prognoser är vanligtvis betingade med en viss osäkerhet ( fel ) Ju längre prognoshorisont, desto mindre säker prognos Aggregerade prognoser är mer tillförlitliga En prognos skall aldrig användas uteslutande om känd information finns tillgänglig En bra prognos bör vara mer än en ensam siffra