Prognostisering av efterfrågan

Transkript

1 Examensarbete i Logistik Prognostisering av efterfrågan - En fallstudie på Getinge Disinfection AB Författare: David Evaldsson Jakob Hahrs Handledare: Peter Berling Examinator: Helena Forslund Termin: VT15 Nivå: Examensarbete, 30hp Kurskod: 4FE05E

2 Förord Författarna ska villigt erkänna att en lång och slitsam period är över i och med färdigställandet av denna studie. Det har varit långa dagar och många problem som vi tagit oss igenom. Processen har dock varit väldigt givande där författarna erhållit nya kunskaper och erfarenheter som kommer vara värdefulla i arbetslivet. Studien skulle inte varit möjlig att genomföra utan hjälp från vissa personer som vi önskar att tacka. Först och främst vill vi tacka Getinge Disinfection AB som ställt upp som fallföretag. Utan företaget hade studien inte tillkommit. Framförallt vill vi tacka våra kontaktpersoner på Getinge som har ställt upp i alla lägen och varit oerhört hjälpsamma. Personerna i fråga är Andreas Schroff, Jenny Strand och Christer Mårdh. Stort tack till er! Vidare vill vi tacka vår handledare på Linnéuniversitetet, Peter Berling, som under resans gång fungerat som ett värdefullt bollplank samt bidragit med konstruktiv kritik och goda råd. Vi riktar även ett tack till våra opponenter samt examinator Helena Forslund som även dem har gett konstruktiv kritik och infallsvinklar till studien som vi annars hade missat. Växjö, 25/ David Evaldsson Jakob Hahrs i

3 Sammanfattning Examensarbete i logistik för Civilekonomprogrammet, 4FE05E, 30hp, vt-15 Författare: David Evaldsson och Jakob Hahrs Handledare: Peter Berling Examinator: Helena Forslund Titel: Prognostisering av efterfrågan en fallstudie på Getinge Disinfection AB Bakgrund: För företag är logistikverksamheten ett område som är av stor betydelse för lönsamheten. Lönsamheten förbättras genom att öka antingen vinstmarginalen eller kapitalomsättningshastigheten, där det senare kan erhållas genom att minska lagernivåerna. Lager leder till ett antal kostnader, bland annat kapitalbindning. En viktig faktor inom lagerstyrningen är prognoser. Företag använder prognoser för att uppskatta produkternas framtida efterfråga i syfte att planera sin verksamhet. Då prognoser sällan stämmer mot verkligt utfall uppstår en osäkerhet. I lagerstyrningen täcks osäkerheten upp genom användning av säkerhetslager, som baseras på prognosmodellers avvikelser samt efterfrågevariationen. Därmed kan en förbättring av prognosarbetet minska kapitalbindningen, eftersom säkerhetslagernivån kan sänkas vid en reducering av osäkerheten. Syfte: Som ett led i fallföretagets eget arbete mot minskad kapitalbindning i säkerhetslagret är syftet med studien att testa vilka prognosavvikelser olika prognosmodeller ger för Getinges komponenter i produktfamilj 46. Vidare är syftet att analysera vad som ligger till grund för prognosmodellernas utfall utifrån komponenternas olika efterfrågestrukturer. Metod: Studien är en kvantitativ fallstudie på företaget Getinge Disinfection AB i Växjö. Det vetenskapliga synsättet positivism har tillämpats för att testa teori samt att på ett objektiv och generellt sett skapa möjlighet att svara på studiens forskningsfrågor. Data som har använts i studien är av både primär (intervjuer av personal på Getinge) och sekundär karaktär (data från Getinges affärssystem samt teori från vedertagna databaser). Etiska överväganden och kvalitetskriterier har genomgående under arbetet tillämpas för att stärka studiens resultat och slutsatser. Slutsats: Studiens resultat visar vilka prognosavvikelser de utvalda prognosmodellerna genererar för komponenterna i Getinges produktfamilj 46. Författarna konstaterar att exponentiell utjämning är den prognosmodell som ger lägst prognosavvikelser gentemot verklig efterfråga. Anledningen beror på prognosmodellens utformning där närliggande och färskare information viktas högre än äldre data. Vidare visar studiens resultat att komponenternas efterfrågestruktur påverkar prognosmodellernas avvikelser. Komponenter med hög efterfrågad kvantitet, hög efterfrågefrekvens samt låg variation i efterfrågan bidrar till minskade prognosavvikelser. Detta gör att författarna kan bekräfta befintlig teori rörande hur produkters efterfrågestruktur påverkar prognosmodellers träffsäkerhet. Nyckelord: Prognoser, prognosmodeller, prognosutvärdering, efterfrågestruktur, komponenter. ii

4 Innehållsförteckning 1 Inledningskapitel Företagsbeskrivning Getinge Group Getinge Disinfection AB Bakgrund Problemdiskussion Forskningsfrågor Syfte Begränsningar Förkortningar Disposition 10 2 Metod Vetenskapligt synsätt Vetenskapligt angreppssätt Forskningsstrategi Undersökningsdesign Datainsamling Urval Etiska överväganden Kvalitetskriterier Reliabilitet och validitet Replikerbarhet Sammanställning av metodkapitel 19 3 Teoretisk referensram Prognoser Objektiva prognosmodeller Glidande medelvärde Exponentiell utjämning Prognosutvärdering Prognosfel Medelprognosfel MAD MSE MAPE Efterfrågestrukturer Kategorisering utifrån efterfrågestruktur Sammanställning av teorikapitel 35 4 Empiri Getinges prognosarbete Getinges produktfamilj Efterfrågehistorik för produktfamilj iii

5 4.4 Beskrivning av komponenterna 38 5 Empiribearbetning Sortering, kategorisering och urval Prognostester Prognosutvärdering 45 6 Analys Utgångspunkter Tidshorisont Utvärderingsmetod Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i Getinges produktfamilj 46? Analys av resultat Känslighetsanalys Hur påverkar komponenternas efterfrågestrukturer prognosmodellernas avvikelser? Kategorisering Grupp A Grupp B Grupp C Grupp D 73 7 Slutsatser Resultat Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i Getinges produktfamilj 46? Hur påverkar komponenternas efterfrågestrukturer prognosmodellernas avvikelser? Studiens bidrag och samhälleliga aspekter Egna reflektioner och kritik till eget arbete Förslag till framtida forskning 84 Referenser I Bilaga I - Intervjuguider V Bilaga II Data från Excel VI iv

6 Tabellförteckning Tabell 1. Intervjupersoner, egenkonstruerad Tabell 2. Sammanställning av metodkapitel, egenkonstruerad Tabell 3. Beräkning av medelprognosfel, egenkonstruerad baserad på Jonsson & Mattsson (2011) Tabell 4. Sammanställning av teorikapitel, egenkonstruerad Tabell 5. Val av tidshorisont, egenkonstruerad Tabell 6. Studiens utvärderingsmetoder Tabell 7. Gemensamt n vid glidande medelvärde, egenkonstruerad Tabell 8. Individuella n vid glidande medelvärde, egenkonstruerad Tabell 9. Gemensamt alfa vid exponentiell utjämning, egenkonstruerad Tabell 10. Individuellt alfa vid exponentiell utjämning, egenkonstruerad Tabell 11. Känslighetsanalys vid gemensamt optimala parametrar, egenkonstruerad Tabell 12. Studiens kategorisering, egenkonstruerad Tabell 13. Efterfråga för Grupp A, egenkonstruerad Tabell 14. Glidande medelvärde för Grupp A, egenkonstruerad Tabell 15. Exponentiell utjämning för Grupp A, egenkonstruerad Tabell 16. Efterfråga för Grupp B, egenkonstruerad Tabell 17. Glidande medelvärde för Grupp B, egenkonstruerad Tabell 18. Exponentiell utjämning för Grupp B, egenkonstruerad Tabell 19. Efterfråga för Grupp C, egenkonstruerad Tabell 20. Glidande medelvärde för Grupp C, egenkonstruerad Tabell 21. Exponentiell utjämning för Grupp C, egenkonstruerad Tabell 22. Efterfråga för Grupp D, egenkonstruerad Tabell 23. Glidande medelvärde för Grupp D, egenkonstruerad Tabell 24. Exponentiell utjämning för Grupp D, egenkonstruerad Tabell 25. Resultat Frågeställning 1, egenkonstruerad Tabell 26. Sammanfattning av gruppernas resultat, egenkonstruerad Tabell 27. Gruppernas totala efterfråga och genomsnittliga variationsindex, egenkonstruerad Figurförteckning Figur 1. Samband mellan prognosarbete och kapitalbindning, egenkonstruerad... 6 Figur 2. Uppsatsens disposition, egenkonstruerad Figur 3 Slumpmässiga och systematiska fel, egenkonstruerad baserad på Mattsson (2003) Figur 4. Wilson s kategoriseringsmatris (Syntetos et al., 2005) Figur 5. Eaves kategoriseringsmatris (Syntetos et al., 2005) Figur 6. ABC-XYZ matris, egenkonstruerad baserad på Scholz-Reiter at al., Figur 7. Karta över 46-familjen, egenkonstruerad Figur 8. Efterfråga per månad för Grupp A, egenkonstruerad Figur 9. Efterfråga per månad för Grupp B, egenkonstruerad Figur 10. Efterfråga per månad för Grupp C, egenkonstruerad Figur 11. Efterfrågan per månad för Grupp D, egenkonstruerad v

7 Bildförteckning Bild 1. Exempel på produkter i 46-familjen, hämtad från LabWrench... 3 Bild 2. Underlag för slumpmässigt stratifierat urval Bild 3. Efterfrågedata för Grupp A Bild 4. Efterfrågedata för Grupp B Bild 5. Efterfrågedata för Grupp C Bild 6. Efterfrågedata för Grupp D Bild 7. Ursprunglig data Bild 8. Data efter Pivot-tabell Bild 9. Rullningslist för EU och GM Bild 10. GM-funktionen Bild 11. EU-funktionen Bild 12. Prognosfel och medelprognosfel Bild 13. MAD Bild 14. MAPE Bild 15. Simulerat ingångsvärde för A1 och A vi

8 1 Inledningskapitel Inledningskapitlet börjar med en beskrivning av fallföretaget, för att gå vidare till en teoretisk bakgrundsbeskrivning samt en efterföljande problemdiskussion där den empiriska och teoretiska problematiken sammanflätas. Diskussionen mynnar ut i studiens forskningsfrågor, syfte och begränsningar. 1.1 Företagsbeskrivning Getinge Group Getinge Group är ett globalt företag som är verksamt i över 40 olika länder och har totalt cirka anställda. Företaget grundades 1904 i den svenska staden Getinge och tillverkade till en början olika verktyg lämpade för jordbruk hade företaget bytt inriktning till medicinsk teknologi och tillverkade främst sterilisatorer för medicinsk utrustning. Getinge Group växte och etablerade sig på den globala marknaden där företaget 2013 omsatte cirka 22 miljarder. (Getinge Group, 2015; Getinge Disinfection AB, 2013) Getinge Groups affärsidé är att erbjuda varor, tjänster och kunskap för en effektivare vård, där erbjudande även ska bidra till en ökad kvalitet och säkerhet inom vården. Organisationen är uppdelad i tre områden; Medical Systems, Extended Care samt Infection Control, som alla arbetar mot Getinge Groups affärsidé. Medical Systems riktar sig mot sjukhusmarknaden med produkter som berör kirurgiska områden, hjärtoch intensivvård. Extended Care erbjuder produkter och tjänster riktade till sjukhus och äldrevården, bland annat lösningar för att förebygga olyckor och skador vid orörlighet. Området erbjuder även ergonomiska produkter för att underlätta lyft, förflyttning och hygien. Det tredje området inom Getinge Group, Infection Control, erbjuder ett brett sortiment av desinfektions- och steriliseringsprodukter lämpade för sjukhus, kliniker och forskningsindustrin. Produktsortimentet syftar till att säkerställa ett säkert, ergonomiskt och ekonomiskt flöde av steriliserat gods. (Getinge Group, 2015) 1

9 1.1.2 Getinge Disinfection AB Getinge Disinfection AB (Framöver benämnt Getinge) i Växjö är en del av Getinge Group som tillhör området Infection Control. Tillverkningen i Växjö har sitt ursprung under namnet Växjö Plåt & Smide AB som grundades Efter ett antal namnbyten och uppköp hamnade företaget till slut under Getinge AB:s ägo och 1995 inriktades produktionen mot desinfektion. År 1996 ändrades sedan namnet till dagens Getinge Disinfection AB. Från 1990-talet har Getinge ständigt ökat sin omsättning från cirka 100 miljoner till dagens cirka 700 miljoner. (Getinge Group, 2015) Under de senaste åren har företaget dock upplevt viss stagnation gällande omsättningen (Schroff, Logistics Expert, Getinge). I Växjö uppnår antalet anställda till omkring 220 stycken, där drygt 90 personer är tjänstemän. (Getinge Disinfection AB, 2013) I januari 2015 meddelade Getinge att de flyttar delar av produktionen till Polen, vilket innebär att 46 anställda har blivit varslade om uppsägning (Aktiespararna, 2015). Getinge agerar på en global marknad där 23 % säljs till Nordamerika, 34 % till Asien, 31 % till EU samt 12 % till Norden. Vad gäller marknadsandelar i världen står diskdesinfektorerna för 25 % respektive 40 % för spoldesinfektorerna. Förutom själva produkten tillhandahålls även tillbehör i form av lastutrustning, kabinetter, indikatorer, processmedel samt automatisering. (Getinge Disinfection AB, 2013) Med tanke på vilken marknad Getinges kunder agerar är kvalité en nyckelfråga för att tillgodose omvärldens och kundernas krav. Företaget arbetar kontinuerligt med att förbättra såväl den inre som den yttre miljö, där Getinge uppfyller en rad certifikat såsom ISO och EC. Getinge strävar mot att ytterligare öka produktprogrammet med nya avancerade produkter genom en aggressiv produktutveckling, säkerställa globala säljkanaler samt upprätthålla en effektiv tillverkningsprocess. (Getinge Disinfection AB, 2013) Produktkatalog Getinge tillverkar maskiner av olika storlekar vars syfte är rengöring och desinfektion av kirurgiska instrument inom sjukvården. Getinges produktionsenhet i Växjö genomgår, som tidigare nämnt, för tillfället en omorganisation där delar av produktsortimentet flyttas till en ny produktionsenhet belägen i Polen. Den produkttyp som fortsatt kommer tillverkas i Växjö är diskdesinfektorerna, som på ett övergripande plan 2

10 består av elva produktfamiljer. Inom varje produktfamilj har kunderna fyra till fem olika standardvarianter att välja på. Utöver standardvarianterna har kunden möjlighet till olika tillval på produkterna, till exempel doseringspumpar, vilken typ av eluttag, vattentrycksövervakning och olika typer av vattenintag. När kunden bestämt vilka tillval de vill ha skapas en konfiguration. Konfigurationen är alltså den produkt med olika tillval som levereras till kunden. En viktig produktfamilj för Getinge är 46-serien som är en volymprodukt. Maskinerna i 46-familjen tillhör de mindre i sortimentet och består av ca fysiska komponenter, som antingen köps in eller tillverkas av företaget. (Strand, Production Planner, Getinge) Bild 1. Exempel på produkter i 46-familjen, hämtad från LabWrench 3

11 1.2 Bakgrund Enligt Björnland, Persson och Virum (2003) är logistikverksamheten ett område som är av stor betydelse för företagets lönsamhet. Ett företag som syftar till att öka sin räntabilitet på totalt kapital kan antingen öka vinstmarginalen eller öka kapitalomsättningshastigheten. Kapitalomsättningshastigheten berättar vilken genomsnittlig omsättningshastighet företaget har på tillgångarna, såsom kundfordringar och varulager. (Greve, 2003) Ett högt resursutnyttjande kan minska behovet av bland annat material i förädlingsprocessen. Givet att utflödet förblir på samma nivå bidrar minskade resurser till en ökad lönsamhet för företaget, då kapitalomsättningshastigheten ökar genom att minska lagerhållningen. (Lumsden, 2012) Lager leder till ett antal olika kostnader, främst i form av lokalutrymme och hantering men även genom att det binder upp kapital (Lumsden, 2012) Mätningar av kapitalbindningen är viktiga för att kunna analysera ett företags logistikprestationer. Kapitalbindning kan mätas i antingen absoluta tal (lagervärde i kronor), omsättningshastighet eller genomsnittlig liggtid, där låg omsättningshastighet och långa genomloppstider bidrar till en ökad kapitalbindning. När tillgångar investeras binds kapital upp vilket påverkar ett företags kassaflöde och betalningsförmåga. Dessutom uppkommer en kostnad i form av alternativ avkastning, det vill säga den avkastningen det uppbundna kapitalet hade kunnat generera om det investerats i något annat. (Jonsson & Mattsson, 2011) Enligt Greve (2003) finns det olika motiv till att företag binder kapital i lager, bland annat ett säkerhetsmotiv där lager fungerar som ett skydd mot oväntade händelser såsom variationer i framtida efterfrågan. Nahmias (2009) menar att prognoser är antaganden om framtida händelser och är något som förekommer konstant i våra liv. Prognoser skapas av tidigare erfarenheter, vilka kunskaper som vi besitter och vilken information som finns tillgänglig. På samma sätt fungerar prognostisering av efterfrågan hos företag. Företag använder prognoser för att bilda sig en uppfattning om hur framtiden kommer att se ut för att kunna planera verksamheten därefter. Chhaochhria och Graves (2013) utvecklar resonemanget genom att tillägga att prognoser ligger till grund för hur företag planerar exempelvis materialinköp, produktion och lagerdimensionering. 4

12 Prognoser delas in i subjektiva och objektiva prognosmodeller (Nahmias, 2009). I subjektiva prognosmodeller görs antagande om framtiden som baseras på samlad kunskap och bedömningar av kvalificerade personer med expertiskunskap inom området (Makridakis, Wheelwright & Hyndman, 1998), exempelvis säljkåren, företagsledningen eller via kundundersökningar (Nahmias, 2013). Objektiva prognosmodeller, å andra sidan, baseras strikt på historisk information och data som finns tillgänglig. Data som används måste transformeras till siffror för att objektiva prognosmodeller ska kunna användas. (Nahmias, 2013) Det sista villkoret som måste uppfyllas för objektiva mätningar är ett antagande om att vissa historiska mönster även kommer ske i framtiden (Makridakis et al., 1998). Chhaochhria och Graves (2013) menar att tillverkande företag planerar sin produktion efter prognoser om kunders framtida efterfråga. Samtidigt menar de att prognosmodellerna bör vara dynamiska då nya ordrar kan tillkomma, befintliga ordrar kan ändras samt att ledtider från leverantörer kan skifta. Detta gör att företag bör använda adekvata prognosmodeller för att öka möjligheten till en bra planering. Då prognoser sällan stämmer överens med det verkliga utfallet finns det alltid motiv till att kontrollera prognosmodellerna och beräkna dess avvikelser. En förlorad kontroll kan få negativa konsekvenser för materialstyrningen. Dessutom kan de beräknade prognosavvikelserna vara ett värdefullt underlag vid dimensionering av säkerhetslager. (Jonsson & Mattsson, 2011) Vid utvärdering av prognosmodeller har det traditionellt varit populärt att använda måtten mean absolute deviation (MAD) och mean squared error (MSE). Båda måtten grundar sig i differensen mellan den prognostiserade efterfrågan och den verkliga efterfrågan för en given tidsperiod. Motiven för att använda MAD och MSE är att få fram de genomsnittliga avvikelserna för prognosmodellerna. Ytterligare ett mått som används frekvent är mean absolute percentage error (MAPE), vilket visar prognosmodellernas procentuella avvikelser. (Nahmias, 2009) För att minska ledtiderna tvingas tillverkade företag att köpa och producera produkter mot prognoser innan en verklig efterfråga har uppstått (Persona, Battini, Manzini & Pareschi, 2007). Övergripande beskriver Mattsson (2011) att oavsett hur prognoserna är utformade och vilken prognosmodell som används uppstår en osäkerhet vilket även måste tas hänsyn till vid lagerstyrning. Som skydd mot osäkerheten använder företag säkerhetslager som baseras på avvikelserna för prognosmodellerna eller efterfråge- 5

13 variationerna. Uppskattningar och beräkningar av avvikelserna eller variationerna är därmed av stor betydelse, då överskattade avvikelser bidrar till överdimensionerade säkerhetslager och medföljande hög kapitalbindning. Som illustreras i Figur 1 är därmed ett förbättrat prognosarbete ett verktyg för att erhålla en minskad kapitalbindning. Förbättrade prognoser Minskade prognosavvikelser Minskad osäkerhet Minskat säkerhetslager Minskad kapitalbindning Figur 1. Samband mellan prognosarbete och kapitalbindning, egenkonstruerad 6

14 1.3 Problemdiskussion Getinge har under de senaste åren haft en nedåtgående lönsamhet vilket tvingat koncernen till att göra förändringar, däribland flytta vissa delar av produktionen till ett låglöneland för att göra kostnadsbesparingar (Aktiespararna, 2015). För att öka lönsamheten krävs ett kontinuerligt arbete mot minskade kostnader och en ökad likviditet (Greve, 2003; Lumsden, 2012). Getinge vill öka lönsamheten, där de ser ett förbättringsområde i lagerstyrningen. Företaget upplever i dagsläget en hög kapitalbindning vilket bottnar i en rad olika faktorer, bland annat i prognosarbetet och lagerdimensioneringen. Felaktiga prognoser bidrar till att Getinges affärssystem vill beställa hem mer komponenter än vad som behövs vilket bygger upp onödigt höga lagernivåer som binder kapital. (Schroff, Logistics Expert, Getinge) Prognostisering är en av de största utmaningarna inom supply chain management (Beutel & Minner, 2012). Som många forskare påpekar är det väldigt sällan prognoser slår in (Nahmias, 2009; Makridakis et al., 1998). En anledning till det, som Nahmias (2009) påpekar, är osäkerheten. Det går inte att se in i framtiden vilket gör att prognosmodeller byggs på antingen uppskattningar eller historisk data. Makridakis et al., (1998) menar att antagande görs om att historiska händelser kommer att upprepa sig, vilket inte alltid stämmer. Som skydd mot felaktiga prognoser fyller säkerhetslager en viktig funktion. Säkerhetslagrets storlek beror bland annat på osäkerheten i efterfrågan, efterföljande prognosavvikelser samt önskad servicenivå. (Beutel & Minner, 2012) Om den prognostiserade efterfrågan inte stämmer och ingen hänsyn tas till variationerna i efterfrågan eller prognoserna kommer företaget att lagerhålla antingen för höga eller låga nivåer (Mattsson, 2011). Vid dimensionering av säkerhetslager litar Getinge på egna bedömningar och tidigare erfarenheter, snarare än på matematiska och statistiska uträkningar. För fallföretaget har effekten av felaktiga prognoser blivit att lagernivåerna konsekvent varit för höga (Schroff, Logistics Expert, Getinge) Mattsson (2013) lyfter fram den negativa aspekten av höga lagernivåer, det vill säga kapitalbindning, och menar att det vid dimensionering av säkerhetslager är nödvändigt att frambringa ett gynnsamt förhållande mellan kapitalbindning och önskad servicenivå. 7

15 Getinges inköpare och produktionsplanerare arbetar i stor utsträckning mot prognoser där företagets affärssystem sätter prognoser och signalerar när nya komponenter behöver införskaffas. Trots affärssystemets signaler har personalen befogenheter att individuellt anpassa prognoserna efter eget bevåg. Fallföretaget har dock inget uttalat arbete rörande uppföljning av prognosernas träffsäkerhet och utfall. De mäter med andra ord inte prognosavvikelserna. (Strand, Production Planner, Getinge) Smith och Mentzer (2010) menar att prognoser i praktiken sällan är tillräckligt integrerade i de processer och beslut som de syftar att stödja, utan att det ofta krävs inflytande från ledning och individer vid beslutsfattning. Författarna hävdar att få studier visar hur subjektiva influenser påverkar prognosmodellerna och i förlängningen planerings- och beslutsprocesser. Enligt Björnland et al. (2003) är dock simpla, objektiva prognosmodeller ofta nog så tillfredsställande som mer komplicerade modeller med subjektiva inslag. Även Tiacci och Saetta (2009) poängterar att det finns ett tydligt samband mellan lagerdimensionering och företags prognosarbete. Mattsson (2011 1,s. 1) konstaterar: säkerhetslagren ökar vid ökande skillnad mellan prognos och verklig efterfrågan. Syntetos, Boylan och Croston (2005) menar dessutom att det inte är säkert att en specifik prognosmodell ger det bästa utfallet för alla produkter eller komponenter hos ett företag. En modell som fungerar bra för en produkt med en viss typ av mönster, frekvens eller storlek på efterfrågan kan fungera undermåligt för en produkt med en annan typ av efterfrågestruktur. Det kan därför hjälpa företag att gruppera sina produkter och komponenter och analysera vilken prognosmodell som lämpar sig bäst för de olika grupperna beroende på produkternas efterfrågestukturer. Baserat på ovan förda resonemang, ämnar studien att besvara följande forskningsfrågor. 8

16 1.4 Forskningsfrågor - Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i Getinges produktfamilj 46? - Hur påverkar komponenternas efterfrågestukturer prognosmodellernas avvikelser? 1.5 Syfte Som ett led i fallföretagets eget arbete mot minskad kapitalbindning i säkerhetslagret är syftet med studien att testa vilka prognosavvikelser olika prognosmodeller ger för Getinges komponenter i produktfamilj 46. Vidare är syftet att analysera vad som ligger till grund för prognosmodellernas utfall utifrån komponenternas olika efterfrågestrukturer. 1.6 Begränsningar Getinge Group AB är ett globalt företag med aktiviteter i flertalet länder. Uppsatsen kommer endast beröra Getinge Disinfection AB enhet i Växjö då det inom tidsramen för uppsatsen är orealistiskt att inkludera fler enheter. Komponenterna som utgör produkterna i 46-familjen är av inköps- och tillverkningskaraktär. Eftersom tillverkningskomponenterna förädlas av Getinge och består olika delar och material har det i samråd med fallföretaget bestämts att det skulle vara för tidskrävande att ta fram relevant data för den sortens komponenter. Studien är därmed begränsad till inköpskomponenterna, som utan förädling av Getinge monteras på slutprodukten. Gällande de prognosmodeller som testas är studien begränsad till ett urval av objektiva prognosmodeller av tidsseriekaraktär. 9

17 1.7 Förkortningar Getinge - Getinge Disinfection AB GM Glidande medelvärde EU Exponentiell utjämning MPF- Medelprognosfel MAD - Mean absolute deviation MSE - Mean squared error MAPE - Mean absolute percentage error PAP Procentuell absolut prognosavvikelse 1.8 Disposition Inledning Metod Företagsbeskrivning och bakgrund till problem Problemdiskussion, syfte och frågeställningar Ställningstagande och tillvägagångssätt för studien Teori Empiri Teorier kopplade till forskningsfrågorna Företagets nuvarande situation samt produktfamilj 46 Beskrivning av företagsdata Bearbetning Analys Slutsats Beskrvning av tillvägagångssätt för kategorisering, utförande av tester och utvärdering Presentation och analys av resultat Teori och empiri ställs mot varandra Svar på frågeställningar Studiens bidrag och samhälleliga aspekter Egna reflektioner och kritik till egna studien Förslag till framtida forskning Figur 2. Uppsatsens disposition, egenkonstruerad 10

18 2 Metod Kapitlet avser att beskriva studiens tillvägagångssätt. Inom varje metodområde beskrivs valda synsätt och begrepp utifrån teorin, följt av en argumentation varför valen inom respektive område är lämpade för studien. 2.1 Vetenskapligt synsätt Positivism kan beskrivas som en kunskapsteoretisk uppfattning, en epistemologi, om vad som är eller ska vara en accepterbar kunskap. Positivismen använder sig av naturvetenskapliga metoder för att skapa kunskap, speciellt inom positivistisk epistemologi där det förespråkas att forskningen bottnar i perspektiv, principer och metoder av naturvetenskaplig härkomst. Viktiga kriterier inom positivismen är att vetenskapen och tolkning av resultat ska genomföras objektiv samt att riktig kunskap bör kunna bekräftas genom mänskliga sinnen. (Bryman & Bell, 2010) Eftersom studiens syfte är att testa ett urval av prognosmodeller och se hur komponenternas efterfrågestrukturer påverkar avvikelserna mellan prognosmodellernas utfall och verklig efterfråga anser författarna att synsättet är positivistiskt. Matematiska modeller, som anses vara naturvetenskapliga ligger till grund för studien. Bedömningen av prognosmodellerna och de genererade resultaten har varit av objektiv karaktär. 2.2 Vetenskapligt angreppssätt Det vetenskapliga angreppssättet deduktion innebär att forskningen tar sin grund i teoriinläsning för att sedan samla in empirisk data som testar teorin. Insamlingen av teori görs för att forskaren ska skapa sig en grund att stå på för att sedan utveckla hypoteser vilka testas empiriskt för att antingen accepteras eller förkastas. Processens gång gör att angreppssättet deduktion inte genererar ny teori, utan endast är teoriprövande samt att empirinsamlingen styrs i riktning att använd data är i enlighet med hypoteserna. (Bryman & Bell, 2010; Jacobsen, 2002) Fisher (2010) menar att de slutsatser som dras utifrån deduktion följer ett logiskt tillvägagångssätt där den teoretiska grunden gör att tidigare observationer och erfarenheter inte har någon påverkan för analys och slutsatser. 11

19 Studiens val av deduktivt angreppssätt grundar sig i upplägget, där författarna började med att läsa in teori för att sedan ta fram forskningsfrågor (hypoteser) som testas empiriskt. Tanken med studien var inte att generera ny teori utan att istället pröva befintlig teori. Slutsatserna som studien kommer fram till har sitt ursprung i en tydlig ordningsföljd där teorin låg till grund för empiriinsamlingen som testades mot teorin och som sedan analyserades utan påverkan av författarnas tidigare erfarenheter. 2.3 Forskningsstrategi Kvantitativ forskningsstrategi kännetecknas av siffror och statiska processer. Syftet med den kvantitativa strategin är att ta fram objektiv data för analys. Forskaren ska inte vara involverad i förhållandet som studeras, utan förhållandet ska pågå utan att forskaren närvarar eller att den har belyst vad det är som undersöks. (Denscombe, 2005) Kvantitativ forskning fokuserar till stor del på att beskriva samband för fenomen eller jämföra förhållanden för ett givet undersökningssyfte. Genom den kvantitativa forskningsstrategins fokus på beskrivande används med fördel siffror för att konkretisera ämnet som undersöks. (Bryman & Bell, 2010) Studiens forskningsstrategi har varit av kvantitativ karaktär. Då båda forskningsfrågorna är av matematiskt format, har data som samlades in och analyserats bestått av siffror. Empiriinsamlingen har även varit styrd mot studiens inriktning för att författarna skulle ha möjlighet att svara på forskningsfrågorna, som baserades på befintlig teori. Författarnas tidigare erfarenheter har inte påverkat analysen, utan analysen har varit objektiv. 2.4 Undersökningsdesign Enligt Bryman och Bell (2010) beskrivs en fallstudie som en detaljerad studie av exempelvis en specifik person, plats, organisation eller händelse. En fallstudie kan bestå av både kvalitativa och kvantitativa metoder och benämns som ideografisk, det vill säga att forskaren vill belysa ett fall som är valt på förhand. Denscombe (1998) menar att det studerade fallet oftast är befintligt och skapas inte för forskningens syfte. Undersökningen av det enskilda fallet har som mål att generera resultat som även går att applicera i mer generella mått. Yin (2014) nämner en specifik sorts fallstudie som common case vilket innebär att studiens syfte är att undersöka omständigheterna kring 12

20 en vanligt förekommen situation eller händelse. Motivet för att använda den här typen av fallstudie är att studera verkligheten i relation till ett teoretiskt problem. Då studien har baserats på empirisk data från ett företag är fallstudie en lämplig undersökningsdesign. Typen common case passar väl in på studiens då syftet med studien är att undersöka ett problem som företaget måste hantera kontinuerligt. Getinge är ett tillverkande företag vilket gör att studiens resultat kan generaliseras då liknande företag kan antas uppleva liknande problem. Problemet som ligger till grund för studien är befintligt och har inte skapats för detta ändamål. 2.5 Datainsamling Data som används vid studier kan delas in i antingen primär eller sekundär data. Primärdata är information som samlats in specifikt för studien. Insamling av sådana data kan ske genom bland annat intervjuer. (Eriksson & Wiedersheim-Paul, 2006) Enligt Bryman & Bell (2010) är vanligt förekommande intervjuformer strukturerade, semistrukturerade och ostrukturerade intervjuer. Den sistnämnda varianten ger intervjupersonen utrymme att tala fritt och är lämpad för att skapa en djupare förståelse. Strukturerade intervjuer används med fördel vid kvantitativa studier. Sekundärdata är data som ursprungligen samlats in till andra syften och kan komma att behöva bearbetas för att vara användbar i andra studier. Sekundärdata kan delas in i tre olika typer: dokument, sammanställningar och enkäter. (Eriksson & Wiedersheim-Paul, 2006) Vanliga sätt att erhålla sekundärdata är via databaser, tidningar, dokument och Internet (Bryman & Bell, 2010) I den här studien användes primärdata initialt i form av ostrukturerade intervjuer för att erhålla förståelse kring det berörda företaget och dess problem. Vid de senare stadierna tillämpades intervjuer av mer strukturerad karaktär i syfte att tillskansa mer specifik data. Totalt har tre personer med olika roller på Getinge intervjuats vid ett antal olika tillfällen (Se Tabell 1 nedan). Utöver intervjuer har även information tillskansats via kontinuerlig mailkontakt. 13

21 Intervjuperson Roll i företaget Intervjutillfälle Andreas Schroff Logistics Expert 22/ / Jenny Strand Production Planner 20/ / / Christer Mårdh IT, inriktning mot affärssystemet (Movex M3) 20/ / Tabell 1. Intervjupersoner, egenkonstruerad Sekundärdata utgör en betydande del av den insamlade datan, både när det gäller teori och empiri. Vetenskapliga artiklar har inhämtats från vedertagna databaser som OneSearch, Business Source Premier och Google Schoolar. Typiska sökord som användes vid teorisökning och insamling var; forecasting, forecasting error, inventory control, safety stock och demand attributes. Information och data ämnad för empirikapitlet har hämtats från företagets affärssystem samt från andra dokument med information om komponenterna. 2.6 Urval Det finns en rad olika urvalsstrategier för studier med en kvantitativ ansats. En av dem är stratifierat slumpmässigt urval, vilket är ett sannolikhetsurval. Urvalet innebär att populationen delas upp i stratum, även kallat undergrupper, för att sedan välja ett urval från dessa stratum. Urvalsstrategin ser till att alla undergrupper i populationen blir representerade i urvalet. Urvalet från varje stratum kan antingen vara proportionellt eller icke proportionellt. Ett proportionellt urval innebär att det är i linje med stratumets proportion till hela populationen, där större stratum har ett större urval. Föreligger inte detta förhållande mellan storleken på urval, stratum och population benämns det som icke proportionellt. (Bryman & Bell, 2010) Vid icke-sannolikhetsurval väljs urvalet manuellt och utan systematiska metoder. En metod inom kategorin är kvoturval som innebär att populationen delas upp i kategorier. Urvalet vid kvoturval görs inte slumpmässigt, utan väljs utifrån forskarens tycke. Inom samma kategori återfinns även metoden bekvämlighetsurval som kännetecknas av att ett 14

22 lämpligt urval väljs utifrån vad som finns till hands. Fördelar med ickesannolikhetsurval är flexibiliteten samt minskad tidsutgång. Nackdelarna beskrivs som risken att urvalet inte blir representativt och att det finns gränser för vad som kan generaliseras. (Bryman & Bell, 2010) För att göra ett lämpligt urval bland fallföretagets komponenter att testa i de olika prognosmodellerna delades populationen upp i olika undergrupper. Detta gjordes genom att använda företagets nuvarande uppdelning av produktfamiljer. Efter diskussioner med kontaktpersonerna på Getinge används komponenter i produktfamilj 46 som underlag för testerna av prognosmodeller. Inköpskomponenter från fyra olika konfigurationer kommer att användas som urval, där konfigurationerna har både hög och låg efterfråga. Inom komponenturvalet finns det komponenter som används i flera olika produktvarianter. För att få en representativ datamängd används försäljningsstatistik från hela produktfamilj 46 snarare än försäljningsdata enbart rörande de utvalda konfigurationerna. Inom undergruppen, Getinges produktfamilj 46, gjordes sedan ett slumpmässigt stratifierat urval där stratumen baseras på komponenternas variationsindex (standardavvikelse dividerat med medelefterfrågan). Målet var att gruppera komponenter efter deras efterfrågestruktur i syfte att identifiera prognosavvikelserna i olika situationer och analysera vilka faktorer som ligger bakom resultatet. Detta bidrar till en ökad generaliserbarhet för studien, då den inte är begränsad till en viss produktegenskap vilket medför att fler organisationer än fallföretaget kan dra nytta av studiens resultat samt att fallföretaget kan applicera resultatet på övriga produktfamiljer. Urvalet av prognosmodeller som studien avser att undersöka var av typen bekvämlighetsurval. Författarna valde, efter diskussion med handledaren, ut lämpliga prognosmodeller som är vanligt förekommande i litteraturen. 2.7 Etiska överväganden Under flera olika skeden av en undersökning aktualiseras etiska frågor att ta hänsyn till. Det är av stor vikt att dessa inte åsidosätts. Frågorna berör bland annat hur de studerade individerna bör behandlas och vilka aktiviteter dessa bör engagera sig i. Reglerna gällande etik berör vanligtvis frivillighet, integritet, konfidentialitet samt anonymitet. 15

23 Nedan förklaras de principer som vanligen berör svenska studier. (Bryman & Bell, 2010) Informationskravet - Forskarna ska tydligt förklara studiens syfte och informera berörda personer om vad och hur olika element i studien framskrider. (Bryman & Bell, 2010) Den här studien respekterar informationskravet då företaget och de anställda som varit involverade i processen informerats om undersökningsområdet och syftet med deras medverkan samt hur empirisk data användes. Samtyckeskravet - Involverade personer ska aktivt accepterat att medverka i studien utan påtryckningar från forskarna. (Bryman & Bell, 2010) Efter att författarna initialt tagit kontakt och undersökt intresset från fallföretagets sida om att ingå i studien och sedermera träffades för att diskutera studiens syfte, ingicks ett ömsesidigt samarbete. Konfidentialitets- och anonymitetskravet - Personer och företag ska informeras om att de får vara anonyma vid önskan. Uppgifter rörande personlig information eller specifika uppgifter om ett företag ska inte spridas utanför studiens område. Ett liknade krav är nyttjandekravet vilket innebär att insamlad information endast berör den aktuella studien och inte kommer att användas i andra sammanhang. (Bryman & Bell, 2010) Studiens författare har informerat berörda parter om deras möjlighet till konfidentialitet samt att empirisk data har kodats för att inte obehöriga personer ska ta del av informationen. Informationen kommer inte heller att användas i andra sammanhang än för studiens ändamål. Falska förespeglingar - Principen innebär att upphovsmännen till en studie är transparenta och öppna om undersökningen, i syfte att minimera risken att vilseleda eller till och med ge undersökningspersoner falsk information om undersökningen. (Bryman & Bell, 2010) Författarna har under studiens gång varit öppna och haft en dialog med fallföretaget om vad som undersökts och hur insamlat material använts. Mailkorrespondens samt kontinuerliga möten med fallföretaget har bidragit till en hög transparens. 16

24 2.8 Kvalitetskriterier Reliabilitet och validitet Bryman och Bell (2010) menar att reliabilitet och validitet är två mått på hur begrepp ska bedömas. Reliabilitet mäter hur pålitliga och följdriktiga begreppen som används i en studie är. Reliabilitet har olika betydelser beroende på vilket urval som används och tre faktorer påverkar studiens reliabilitet. Den första faktorn är stabilitet och betyder att urvalet ska vara konstant över en tidsperiod för att inte slumpmässiga faktorer ska påverka resultatet. Den andra faktorn är intern reliabilitet och mäter korrelationen mellan svar på olika indikatorer. Exempelvis vid intervjuer eller enkäter kan olika frågor indikera samma mått. Respondentens svar på de frågorna ska då vara likartade för att vara pålitliga. Den sista faktorn är interbedömarreliabilitet och syftar till kategorisering av information. Om det finns multipla observatörer ökar risken att informationen tolkas och kategoriseras olika vilket minskar reliabiliteten. Validitet i sin tur, är ett mått som mäter hur väl begreppen som används i studien verkligen speglar det som undersöks. (Bryman & Bell, 2010) Robson (2002) menar att hot mot validitet kan uppstå i form av att deltagarna finner negativa eller positiva effekter av medverkandet och på så sätt bidrar med felaktig information. Ett annat hot kan var tidsaspekten, då externa faktorer påverkar studiens syfte. Studien har nått reliabilitet genom att användning av faktorn stabilitet. Den empiriska data som analyserats har inte på något sätt ändrats över tid. Det är faktisk data hämtat från fallföretagets (Getinges) affärssystem vilket stärker studiens reliabilitet. Studien har även redovisat vilka personer som författarna har varit i kontakt med samt bifogat intervjuguider för att externa personer ska få möjlighet att verifiera använd data. Genom studiens arbetsgång har opponenter, handledare och examinatorn granskat arbetet samt de olika begreppen som använts vilket har gjort att både reliabiliteten och validiteten stärkts. Författarna har varit medvetna att fallföretaget, under studiens gång, genomgår strategiska och operativa omstruktureringar. Företaget flyttade delar av produktionen till ett låglöneland, dock påverkar det inte studien då syftet är avgränsat till företagets nuvarande operation i Växjö. I och med att det kommer vara fortsatt produktion i 17

25 företagets lokaler i Växjö har företaget fortfarande ett behov att arbeta med prognoser och prognosutvärdering Replikerbarhet Kriteriet replikerbarhet är snarlikt reliabilitet och innebär att andra forskare ska ha möjlighet att genomföra en äldre studie i syfte att testa studiens resultat. Anledningen kan bero på olika saker men meningen är att undersöka om studiens resultat verkligen är korrekt. För att ha möjlighet att testa trovärdigheten på en studie krävs det att tillvägagångssättet är noggrant beskrivet. Utöver beskrivandet nås replikerbarhet inom kvantitativ forskning genom att forskaren i fråga håller sig objektiv i förhållande till vad som undersöks. För att andra forskare ska ha möjlighet att replikera en specifik undersökning kan inte forskaren blanda in personliga värderingar och åsikter, det blir i sådana fall omöjligt att reprisera undersökningen och nå samma resultat. (Bryman & Bell, 2010) Valen som har gjorts i studien har motiverats för att stärka replikerbarheten och förståelsen för arbetens syfte. Författarna har även metodiskt förklarat studiens tillvägagångssätt och de val som föranledde studiens slutsatser, som vilka skapades av analyser genom objektiva metoder och information. Den empiriska data som studien använt har inhämtats från Getinges affärssystem, vilket enligt lagstiftning inte får manipuleras. 18

26 2.9 Sammanställning av metodkapitel Metodavsnitt Vetenskapligt synsätt Vetenskapligt angreppssätt Forskningsstrategi Undersökningsdesign Datainsamling Urval Etiska överväganden Kvalitetskriterier Studiens val Positivism Deduktion Kvantitativ Fallstudie av typen common case Primärdata: Semi-strukturerade intervjuer Sekundär data: Företagets datasystem samt databaser Stratifierat slumpmässigt urval Bekvämlighetsurval Samtycke, konfidentialitet Reliabilitet, validitet och replikerbarhet Tabell 2. Sammanställning av metodkapitel, egenkonstruerad 19

27 3 Teoretisk referensram Kapitlet avser att presentera den teoretiska referensram som ligger till grund för att besvara studiens frågeställningar. Inledningsvis finns en beskrivning av prognoser i allmänhet samt en presentation av de prognosmodeller och beräkningar av prognosavvikelser som studien ämnar använda. Slutligen teorier kopplade till efterfrågestrukturer, såsom variation, trend och kategorisering. 3.1 Prognoser För att genomföra nödvändiga förändringar samt att balansera tillgång och efterfrågan av företagets komponenter krävs det information om framtida behov. Det kan röra sig om att införskaffa råmaterial eller öka företagets kapacitet exempelvis vid en ökning av efterfrågan. Den konkreta informationen om framtida efterfrågan, det vill säga befintliga kundorder, sträcker sig inte tillräckligt långt fram i tiden för att hinna göra större förändringar i verksamheten. Den framtida efterfrågan behöver därmed uppskattas och detta görs via prognostisering. Eftersom det i stor utsträckning handlar om att uppskatta efterfrågan benämns de som efterfrågeprognoser. Efterfrågeprognoser syftar till att underlätta de taktiska och operativa besluten, där storleken på efterfrågan har stor betydelse för såväl produktionen som styrningen av materialflöden. Exempel på andra områden där prognostisering av efterfrågan påverkar taktiska och operativa beslut är kapacitet i personal och maskiner, kvantitetsunderlag till avropsavtal med leverantörer, fastställande av orderkvantitet samt beslut gällande lager. (Jonsson & Mattsson, 2011) Kännetecken Nahmias (2013) talar om att prognoser kännetecknas av att de vanligtvis inte stämmer jämfört mot det verkliga utfallet. Även om uppskattningarna sällan stämmer behandlas ofta en fastställd prognos som sann information, vilket medför att modifikationer av bland annat produktionsschema och resursårgång kan behöva genomföras i efterhand. Där kan robusta planerings- och affärssystem vara till hjälp och reagera på oväntade prognosavvikelser. En bra prognosmodell, även ifall den är fel, tar hänsyn till de förutspådda prognosavvikelserna och uppskattar hur stora avvikelserna kommer att bli för att ytterligare underlätta planeringen. 20

28 Ytterligare kännetecken för prognoser är att aggregerade prognoser är mer precisa. Resonemanget härstammar från statistiken som visar att den genomsnittliga avvikelsen för en population är mindre än för en enskild observation. Situationen är liknande när det gäller prognoser där efterfrågeavvikelserna generellt sett är mindre (procentuellt) för en hel produktlinje jämfört med den avvikelse på efterfrågan som prognostiserats för en individuell produkt. (Nahmias, 2013) I linje med det tillägger Mattsson (2013) att det, på komponentnivå, finns ett samband mellan en hög efterfrågefrekvens och en hög årlig efterfråga vilket genererar låga variationer i efterfrågan. Därmed är komponenter med hög efterfråga lättare att prognostisera än om en situation med låg efterfråga förefaller. Precisionen på prognosmodellerna påverkas även av tidshorisonten, där prognostisering av efterfrågan om två år är svårare att förutspå än nästkommande månads förbrukning (Nahmias, 2013). Tidshorisont Beroende på prognosens syfte används olika tidshorisonter. Nahmias (2013) delar upp tidshorisonten i tre dimensioner, vilka är kort, mellan och lång. Prognoser med kort tidshorisont mäts i dagar eller veckor och används för att planera den dagliga verksamheten, såsom kortsiktig försäljning, skiftscheman och resursbehov. På mellannivån är tidshorisonten vecko- eller månadsvis där prognostiseringen typsikt avser bland annat efterfrågan för produktfamiljer samt personal- och resursbehov. Ross (2004) adderar att planer gällande lageranskaffning är vanliga beslut för nivån. Rego och Mesquita (2015) beskriver skillnaden mellan vecko- och månadsprognoser och menar att ett tidsomfång om en månad är att föredra. Detta grundar sig i att det kan uppstå missvisande säsongseffekter på veckovis data, då det vanligen förekommer försäljningsmål som trycker upp efterfrågan i slutet på varje månad. Prognostisering av månadsdata rensar bort den effekten. I den sista dimensionen, lång sikt, kan prognoserna mätas ända upp till årsbasis och fungerar som underlag för beslutsfattande gällande långsiktigt försäljningsmönster, tillväxttrender, ändringar av eller inom faciliteten, teknologiskt utveckling, kapacitet etc. (Ross, 2004; Nahmias, 2013) 21

29 3.2 Objektiva prognosmodeller Objektiva prognosmodeller är modeller som baseras på beräkningar och analyser av data (Nahmias, 2013). Jonsson och Mattsson (2011) benämner dessa som beräkningsmetoder där utgångspunkten ligger i tidsserier av efterfrågehistorik såsom försäljning eller förbrukning. De objektiva prognosmodellerna kan antingen vara betingade eller icke-betingade, där betingade modeller inkluderar andra förklaringsvariabler än vad som ska prognostiseras. Exempelvis hur en reklamkampanj påverkar efterfrågan på en produkt. Icke-betingade modeller, även kallade tidsserier, kräver endast information om tidigare värden på det som ska prognostiseras (Nahmias, 2013). Björnland et al. (2003) menar att beräkningsmetoderna, trots sin simpla struktur, ofta tillfredsställer kraven på att reducera osäkerheten om den framtida efterfrågan. Mer komplicerade prognosmodeller är sällan värda den merkostnaden de genererar då förbättringarna endast är marginella Glidande medelvärde Glidande medelvärde (GM) är en simpel men populär modell att använda vid prognostisering av stationära tidsserier (Nahmias, 2013). Modellen är en vidareutveckling på enkelt medelvärde som innebär att medelvärdet av föregående och nuvarande periods efterfråga blir prognosen för nästa period (Ross, 2004). Vid GM beräknas medelefterfrågan istället utifrån ett visst antal perioder (n är justerbart) av historisk efterfrågedata, vilket blir prognosen för efterföljande period. Modellen kallas GM på grund av att det äldsta efterfrågevärdet hela tiden byts ut mot den senaste periodens faktiska efterfråga, därmed beräknas medelvärdet successivt period för period. (Nahmias, 2013; Mattsson, n d 1 ) Till skillnad från den förenklade varianten enkelt medelvärde tar GM på ett bättre sätt hänsyn till olika variationer i efterfrågan, då fler tidsperioder kan inkluderas. Å andra sidan riktas viss kritik till modellen, exempelvis att den kräver stora mängder av lagrad information som dessutom gör det svårare att identifiera trender och säsongsvariationer i efterfrågan. Även det faktum att samtliga perioder har lika stor vikt i medelvärdesberäkningen, oavsett tidsmässig placering, nämns som en nackdel. (Nahmias, 2013; Ross, 2004) Den prognostiserade efterfrågan för nästkommande period med modellen GM beräknas enligt följande: (Nahmias, 2013; Mattsson, n d 1 ) 22

30 där P(t+1) = Prognostiserad efterfråga för nästkommande period E(t) = verklig efterfrågan under period t n = antalet perioder i medelvärdesberäkningen Bestämma antal tidsperioder (n) Att bestämma tidshorisont är en kritisk faktor vid prognostisering. Beroende på antalet perioder som tas i beaktning förekommer olika särdrag relaterat till vilken modell som används. (Ross, 2004) För prognosmodellen GM har fastställandet av antalet perioder som inkluderas i medelvärdesberäkningen en avgörande betydelse för utfallet. För att uppnå stabila prognoser som inte överreagerar på slumpmässiga variationer i efterfrågan väljs ett högt n, det vill säga många perioder inkluderas. Om prognoserna däremot snabbt ska reagera på systematiska förändringar av efterfrågan används med fördel få perioder i beräkningen. (Nahmias, 2013) Hur många perioder som ska inkluderas har även att göra med periodlängderna. Om längre perioder används, till exempel månadsvis istället för veckovis, kan färre antal tas med i beräkningen. (Jonsson & Mattsson, 2011) Exponentiell utjämning Vid prognostisering av stationära tidsserier är exponentiell utjämning (EU) en annan populär modell. Till skillnad från GM, som ger alla perioder oavsett tidsmässig placering samma inflytande på prognosen, ges olika perioder olika viktfördelningar vid EU och påverkar därmed prognosen mer eller mindre. (Nahmias, 2013) Jonsson och Mattsson (2011) förklarar det som att färskare efterfrågevärden generellt sett har ett högre informationsvärde och därför borde ha ett större inflytande på prognosen än äldre efterfrågeinformation. Ross (2004) menar att det möjliggör återspegling av verkliga efterfrågemönster, såsom trender och säsongsvariation. En annan fördel är att prognosmodellen endast kräver minimalt med utrymme för sparad data. Förutom verkligt utfall av historisk efterfråga tas även tidigare prognoser hänsyn till vid EU, där prognosen för nästa period är det viktade genomsnittet av den senaste 23

31 prognosen samt det verkliga utfallet av efterfrågan. Ekvationen skrivs enligt följande (Nahmias, 2013): där P(t+1) = prognostiserad efterfrågan för nästkommande period E(t) = verklig efterfrågan under period t α = utjämningskonstanten Bestämma utjämningskonstanten (α) Hur viktfördelningen slås ut på tidsperioderna, det vill säga vilka perioder som har störst inverkar på prognosen, bestäms genom utjämningskonstanten (alfa-värdet). Storleken på utjämningskonstanten är nyckeln för hur väl prognoserna vid EU kommer att stämma. (Ross, 2004) Ifall utjämningskonstanten är 0,5 beskrivs förhållandet som att den senaste observationen får vikten 0,5, den näst senaste får 0,25, den efter det får 0,125 och så vidare. Sambandet ger alltså en avtagande vikt för historisk efterfrågedata. (Mattsson, n d 2 ) Enligt Jonsson och Mattsson (2011) måste storleken på alfa vara mellan 0 och 1 för att beräkningen ska fungera, där vanliga värden ofta återfinns mellan 0,1 och 0,3. På samma sätt som inkluderat antal perioder vid GM påverkar resultatet har utjämningskonstanten en avgörande roll för resultatet vid EU. Sambandet visar att ett stort alfa-värde lägger större vikt vid närliggande data, därmed reagerar prognoserna snabbare på förändringar vilket resulterar i större variationer mellan perioderna. Tvärtom ger ett lågt alfa-värde en jämnare viktfördelning mellan de historiska perioderna vilket bidrar till stabilare prognoser som långsamt anpassas till förändringar i efterfrågan. (Nahmias, 2013) Vid avgörandet av storleken på utjämningskonstanten finns följande tumregel: lågt alfa-värde för väldigt slumpmässiga tidsserier, högt alfavärde för väldigt jämna tidsserier (Ross, 2004) Ross (2004) talar om att EU är adaptiv där målet med att välja det alfa-värde som genererar högst precision för prognosmodellen, det vill säga lägst avvikelser. För att erhålla ett lämpligt alfa-värde kan simuleringsberäkningar via datorprogram användas, 24

32 då ett manuellt tillvägagångssätt för att hitta det värde med lägst avvikelse är tidskrävande. 3.3 Prognosutvärdering Då prognoser alltid är mer eller mindre fel är det viktigt att ha fortlöpande kontroller som säkerställer att felmarginalerna håller sig inom rimliga nivåer. I synnerhet för automatiska prognosmodeller som vid förlorad kontroll kan skapa negativa konsekvenser för materialstyrningen. En vital del i prognosutvärdering är prognosmätning, där kontinuerlig mätning av prognosavvikelser bör finnas med i arbete med prognoser. (Jonsson & Mattsson, 2011) För att reducera den osäkerhet som kommer med prognoser bör den alltid anges med en felangivelse, vilken baseras på historiska avvikelser mellan prognosmodellernas utfall och verklig efterfråga. Felangivelsen är viktig för att utvärdera vilken relevans som finns i den uppskattade prognosen. Felangivelsen mäts ofta som standardavvikelse och baseras på prognosavvikelsen för flera perioder, vilket också har en stor inverkar vid beräkning av säkerhetslager. (Björnland et al., 2003) Som kontrollfunktion kan prognosutvärdering förklara varför efterfrågan under en period inte blev som förväntat (Björnland et al., 2003). Utvärdering och mätning av prognosavvikelse syftar även till att identifiera såväl enstaka slumpmässiga avvikelser som systematiska och återkommande avvikelser (Jonsson & Mattsson, 2011). Slumpmässiga och systematiska avvikelser Enligt Mattsson (2003) förekommer variationer i efterfrågan för enskilda komponenter från period till period i samtliga verksamheter. Det skapas naturligt då det slumpvis uppstår behov från exempelvis kunderna och det är i princip omöjligt att förutspå. Skillnader mellan uppskattad efterfrågan och det verkliga utfallet för en enskild period bör därför inte betraktas som prognosavvikelse eller användas i uppföljningssyfte då det naturligt uppstår variationer. Prognosmodeller kan inte användas för att minska dessa variationer, utan det är exempelvis mindre orderkvantiteter och kortare planeringshorisont som är åtgärder mot det. Ur prognoshänsyn är det däremot viktigt att särskilja de prognosavvikelser som har med slumpmässiga variationer att göra ifrån de som 25

33 härstammar från systematiska avvikelser. I figur 3 visas skillnaden mellan de två situationerna. Figur 3 Slumpmässiga och systematiska fel, egenkonstruerad baserad på Mattsson (2003) Vad gäller uppföljning och utvärdering av prognosmodeller är det av större intresse att identifiera de systematiska avvikelserna än de slumpmässiga variationerna. I figuren ovan visas två situationer där prognosen är på samma nivå men efterfrågan ser olika ut. För prognos 1 förefaller större prognosavvikelser, det vill säga skillnad mellan prognos och verklig efterfråga, för de enskilda perioderna än för prognos 2. Om istället hänsyn tas till ett antal perioder är medelvärdet för efterfrågan närmre för prognos 1 än för prognos 2, som systematiskt är för hög. Därmed är prognos 2 mer felaktig, trots att den första prognosen visar på större avvikelser för enskilda perioder. Resonemanget belyser det nödvändiga med att utvärdera prognosmodeller över tid för att identifiera och justera systematiska avvikelser vilket ökar prognoskvaliteten. (Mattsson, 2003) Prognosfel Prognosfelen mäts för en given period och förklaras övergripande som skillnaden mellan prognosvärdet för perioden och det verkliga utfallet för samma period. (Nahmias, 2013) där PFt = Prognosfelen i en period Pt = Prognosvärde för perioden Et = Verkligt utfall i perioden 26

34 Utöver att mäta prognosfel för en period, finns det andra mått som mäter prognosernas genomsnittliga avvikelser. Måtten som används utvärderar prognosmodellerna över flera tidsperioder och visar då hur prognosmodellerna i genomsnitt fungerar. (Jonsson & Mattsson, 2011) Medelprognosfel Jonsson och Mattsson (2011) beskriver medelprognosfel som ett mått som indikerar hur prognosfelen kontinuerligt ligger till i förhållande till den verkliga efterfrågan. Till skillnad från mått som MAD och MAPE (beskrivs nedan), som enbart visar de absoluta avvikelserna, visar medelprognosfelet om prognoserna systematiskt ligger över eller under verklig efterfråga. Genom att använda medelprognosfel kan företag kontrollera och justera sina prognosmodeller utifrån den riktningen medelprognosfelet visar. Jonsson och Mattsson (2011) menar att optimalt fungerade prognosmodeller uppvisar ett medelprognosfel på noll, det vill säga att prognosmodellen lika många gånger ger för höga prognoser som för låga prognoser. Tabell 3 illustrerar medelprognosfel. Period Efterfråga Prognos Prognosfel Medelprognosfel = 1,83 (11/6) Tabell 3. Beräkning av medelprognosfel, egenkonstruerad baserad på Jonsson & Mattsson (2011) MAD Mean Absolute Deviation (MAD) står för den absoluta genomsnittliga avvikelsen från efterfrågan och mäter prognosavvikelser för det antal tidsperioder som undersöks. MAD tar ingen hänsyn till vilken sida om den verkliga efterfrågan felet hamnar på. Med andra ord, om prognosen hamnar högre eller lägre än efterfrågan. (Jonsson & Matsson, 2011) Nahmias (2009) menar vidare att MAD är populärt att använda då standardavvikelsen för prognosavvikelsen, under normalfördelad efterfråga, kan kalkyleras genom att multiplicera MAD med 1,25. Mattsson (n d 2 ) använder följande funktion för att räkna ut MAD: 27

35 där E(t) = verklig efterfrågan för period t P(t) = prognostiserad efterfråga för period t n = antal tidsperioder MSE Mean Squared Error (MSE) är en annan populär metod som används för att mäta prognosavvikelser (Nahmias, 2009). MSE liknar MAD till stor del då den inte tar hänsyn om prognosen hamnar över eller under verklig efterfråga. Skillnaden ligger i värderingen av prognosavvikelser. Genom att MSE mäter kvadratroten ur prognosavvikelsen får de större prognosavvikelserna en relativ större påverkan på den totala prognosavvikelsen. (Mattsson, n d 3 ) där E(t) = verklig efterfrågan för period t P(t) = prognostiserad efterfråga för period t n = antal tidsperioder MAPE Mean Absolute Percentage Error (MAPE) mäter prognosavvikelser ur en relativ procentuell synvinkel (Nahmias, 2009). MAPE visar hur mycket prognosmodellen, i procent, genomsnitt avviker vilket gör att avvikelserna kan jämföras med andra prognosmodeller både inom företaget och hos andra företag. (Mattsson, n d 4 ) Precis som de föregående måtten tar inte heller MAPE hänsyn till vilken sida om den verkliga efterfrågan prognosen hamnar, utan visar enbart den absoluta avvikelsen. (Mattson, n d 5 ) 28

36 där PAP(t) = procentuell absolut prognosavvikelse för period t n = antal tidsperioder E(t) = verklig efterfrågan för period t P(t)= prognostiserad efterfråga för period t 3.4 Efterfrågestrukturer En vital del i prognosarbetet är att bestämma vilken prognosmodell som ger bäst träffbild för företagets olika produkter och artiklar, då det inte är givet att en prognosmodell ger samma utfall för alla produkter. Genom att använda den prognosmodell som ger de säkraste uppskattningarna av den framtida efterfrågan för en given produktgrupp kan företaget arbeta effektivt i sin planering, både gällande inköp och lagerplanering. (Quintana & Leung, 2007; Chhaochhria & Graves, 2013) Eaves och Kingsman (2004) menar att de prognosmodeller som vanligtvis används för artiklar med jämn och kontinuerlig efterfråga inte är lika precisa om de används på artiklar som har en större variation i sina efterfrågemönster. Efterfrågemönster Då prognosmodeller av karaktären tidsserier bygger på historisk data bör företag känna till vilken typ av mönster som produkterna efterfrågas efter. Om inte företagen besitter den kunskapen kommer prognoserna för produkterna få en större avvikelse gentemot den verkliga efterfrågan och företaget får då hantera de medföljande konsekvenserna. De konsekvenserna kan innebära att prognosmodellerna visar för hög eller för låg efterfråga och företaget hamnar i en situation med antigen för hög kapitalbindning eller med bristkostnader. Tanken med att hitta efterfrågemönster är att företag ska kunna justerar sina framtida prognoser baserat på historisk efterfråga (Nahmias, 2013). Det finns i huvudsak tre varianter av efterfrågemönster; slumpmässiga variationer, trendförändring samt säsongsvariation. (Jonsson & Mattsson, 2011) 29

37 Slumpmässiga variationer definieras som variationer runt en överlag stabil efterfråga (Jonsson & Mattsson, 2011). Efterfrågan varierar utan möjlighet att lokalisera något sorts mönster runt en genomsnittlig efterfråga som kan ses som horisontell (Nahmias, 2013). Trendförändring är konstanta efterfrågeförändringar över flera perioder (Jonsson & Mattsson, 2011). Nahmias (2013) menar att en trendförändring visas genom en stabil tillväxt eller nedåtgång. Vidare menar Nahmias (2013) att det finns två sorters trender där den mest frekventa sorten kallas linjär trend där kurvan är rät. Den andra sorten kallas icke linjär trend, där kurvan kan vara antigen exponentiell eller av kvadratiskt karaktär. Säsongsvariationer är förändringar i efterfrågan beroende på vilken tid på året det är (Jonsson & Mattsson, 2011). Nahmias (2013) beskriver säsongsvariationer där efterfrågemönstret repeterar sig självt vid givna tidsperioder. Säsongsvariationer kan upprepas varje dag, vecka eller månad, men syftar oftast till upprepning under givna tidsperioder varje år. Förutom variationer och mönster i efterfrågan som härstammar från slutkundernas konsumtion menar Mattsson (2007) att vissa efterfrågevariationer skapas av företagen själva. Det vill säga att rutiner och beteenden inom företaget gör att den totala variationen blir högre än vad den naturliga grundvariationen är för en produkt. Ett beteende som bidrar till självgenererade efterfrågevariationer är periodisering. Vanligen arbetar företag mot uppsatta mål för givna perioder, exempelvis försäljningsmål per månad eller kvartal, vilket tenderar att öka volymerna i slutet av varje period i strävan att nå målsättningarna. Vid denna situation skapas variationer även ifall en jämn efterfråga från slutkunderna föreligger. Kampanjer, orderstorlekar och leveransproblem är andra företagsmässiga faktorer som kan generera variationer i efterfrågan. Frekvens För högfrekventa produkter med kort liggtid på lager handlar det om att anpassa parametrarna i prognosmodellerna för att nå en bra träffbild, exempelvis bestämma antal tidsperioder för glidande medelvärde eller utjämningskonstanten i exponentiell utjämning (Snyder et al. 2012). Då lågfrekventa artiklar oftast är svårare att 30

38 prognostisera, behöver företag skydda sig mot bristkostnader som kan komma att uppstå om de inte har artikel hemma. Ett vanligt alternativ är att använda ett större lager för lågfrekventa artiklarna, dock medkommer extra kostnader i form av kapitalbindning som i många fall inte är optimalt. (Quintana & Leung, 2007) Sporadisk efterfråga För produkter med mindre tydligt efterfrågemönster menar vissa forskare att hänsyn även måste tas till tiden mellan efterfrågetillfällena (Snyder et al., 2012). Efterfrågehistoriken för komponenter med sporadisk efterfråga skiljer sig från traditionella tidsserier då det förekommer perioder helt utan efterfråga (Kourentzes, 2014). Även om artiklarna med varierat efterfrågemönster i sig inte nödvändigtvis har ett högt finansiellt värde, menar Snyder et al. (2012) att det inte är ovanligt att den sammanlagda mängden av de artiklarna representerar en stor andel av företagets kapitalbindning på lagret Kategorisering utifrån efterfrågestruktur En del i valet av vilken prognosmodell som ska användas kan bestå i att analysera produkterna eller komponenter (inom teorin ofta benämnt som artiklar) utifrån deras efterfrågestruktur för att sedermera kategorisera och gruppera dem. När kategoriseringen har genomförts kan företaget utvärdera olika prognosmodeller för att bestämma vilken modell som ger det bästa utfallet för de olika grupperna. (Syntetos et al., 2005) Syntetos et al. (2005) hänvisar till två modeller rörande kategorisering av artiklar utifrån efterfrågestrukturer och menar att dem är de enda modellerna som framkommer inom den akademiska litteraturen för artikelgruppering. Gemensamt för de båda modellerna är att de utgår ifrån variationer i artiklars efterfrågemönster. Den första modellen, Wilson s kategoriseringsmatris, utgår från längden mellan efterfrågeperioderna (L) som multipliceras med frekvensen på produktens efterfrågetillfällen (λ). För att ta fram hur ofta artikeln efterfrågas, används siffran 1 som täljare och λ*l som nämnare. 1/(λ*L) visar hur lång tid det är mellan gångerna som artikeln efterfrågas. Vidare används CV 2 (x), vilket visar den kvadrerade variationen i efterfrågekvantiteten för artikeln. CV 2 (x) divideras med λ*l för att ta fram variationen i efterfrågan vid varje efterfråge- 31

39 tillfälle. Uträkningarna görs för varje enskild artikel och de framkomna talen sammanstrålar sedan i matrisen och på så sätt hamnar artikeln i en grupp. Gränsvärdena för grupperna i matrisen bestäms av en ledningsgrupp eller den ansvariga personalen, de är alltså inte teoretiskt förankrade utan bestäms av inblandade personer. Variation i efterfrågad kvantitet per efterfrågetillfälle CV 2 (x)/λl A B C D1 Tid mellan efterfrågetillfällen 1/ λl D2 Figur 4. Wilson s kategoriseringsmatris (Syntetos et al., 2005) Wilson s matris syftar till stor del på att gruppera artiklar med mindre jämn efterfråga för att på så sätt hitta den prognosmodell som passar bäst för de olika grupperna. Eaves och Kingsman (2004) framför kritik gentemot Wilson s matris och menar att den inte tydligt nog distanserade artiklar med jämn och kontinuerlig efterfråga från resterande artiklar, utan i för stor utsträckning fokuserar på att särskilja artiklarna med varierat efterfrågemönster sinsemellan. Eaves och Kingsman (2004) modifierar Wilson s matris och utgår istället från de separata varianserna i efterfrågefrekvensen, efterfrågekvantiteten respektive den genomsnittliga ledtiden för påfyllnaden. För de olika faktorerna fastställs det om variansen är hög eller låg utefter bestämda gränsvärden. Gränsvärdena för de tre faktorerna är den lägsta kvartilen för efterfrågefrekvensen, och 32

40 medianen för de två resterande. Baserat på artiklarnas utfall i de tre faktorerna grupperar sedan Eaves och Kingsman in artiklarna i fem grupper, som visas i figur 5. Variation i efterfrågad kvantitet Variation i efterfrågefrekvens A B C D1 Variation i ledtiden D2 Figur 5. Eaves kategoriseringsmatris (Syntetos et al., 2005) ABC-XYZ analys Scholz-Reiter, Heger, Meinecke och Bergmann (2012) diskuterar indelning av företags artiklar utifrån en ABC-XYZ analys. Analysen sker genom att en nio-fältare skapas (Se figur 6). Författarna menar att analysen är indelad i tre separata sekvenser där den första delen är en klassisk ABC-analys som går ut på att dela in ett företags artiklar utifrån deras individuella inverkan på den aggregerade omsättningen. Författarnas ABC-analys utgår ifrån Pareto-principen, vilken innebär att 20 % av företagets artiklar står för 80 % av företagets omsättning. A: 0-80 procent av den aggregerade omsättningen B: procent av den aggregerade omsättningen C: procent av den aggregerade omsättningen 33

41 När sedan första delen är avklarad, inleds den andra sekvensen i analysen vilken är att gruppera artiklarna efter deras variationsindex, en så kallad XYZ-analys. Scholz-Reiter et al. (2012) tog fram variationsindexet genom att standardavvikelsen dividerades med medelefterfrågan för den senaste tolvmånadersperioden. Mattsson (n d 6 ) diskuterar samma typ av grupperingen och menar att grupperingen är användbara både i prognosoch lagerstyrningsavseende. Scholz-Reiter et al. (2012) och Mattsson (n d 6 ) har satt gränsvärdena för grupperna enligt följande: X = variationsindex <0,5 Y= variationsindex mellan 0,5 och 1 Z= variationsindex >1 Scholz-Reiter et al. (2012) menar vidare att variationsindex är ett mått för stabiliteten i artiklarnas efterfråga. Både Scholz-Reiter et al. (2012) och Mattsson (n d 6 ) menar att X- artiklar är av stabil efterfrågestruktur, Y-artiklarna har inslag av fluktuationer i efterfråga medan Z-artiklarna kännetecknas av oregelbunden efterfråga. Mattsson (n d 6 ) menar vidare att det lättare att prognostisera X-artiklar och de svåraste att prognostisera är Z-artiklarna. Den avslutande delen i ABC-XYZ analysen är att placera artiklarna i rätt ruta baserat på resultaten i de två första delarna (Scholz-Reiter et al., 2012). Variationsindex Z AZ BZ CZ Y AY BY CY X AX BX CX A B C Figur 6. ABC-XYZ matris, egenkonstruerad baserad på Scholz-Reiter at al., 2012 Aggregerad omsättning 34

42 3.5 Sammanställning av teorikapitel Teoriavsnitt Termer Beskrivning Prognoser Kännetecken Uppskattningar om framtida händelser baserat på tidigare erfarenheter. Stämmer sällan. Lättare att prognostisera komponenter med hög efterfråga Tidshorisont Kort veckovis Medel månadsvis Lång årsvis Objektiva prognoser Glidande medelvärde (GM) Exponentiell utjämning (EU) Prognos baserat på medelvärdet av tidigare perioder (n). Fastställandet av n avgörande faktor. Prognos baserat på senaste perioden samt senaste prognosvärdet. Fastställande av α avgörande faktor Prognosutvärdering Prognosfel Avvikelse mellan prognos och verklig efterfråga Medelprognosfel Genomsnittlig prognosavvikelse för flera perioder MAD Genomsnittlig absolut prognosavvikelse för flera perioder MSE Genomsnittlig kvadrerad prognosavvikelse MAPE Genomsnittlig absolut procentuell prognosavvikelse Efterfrågestrukturer Efterfrågemönster Slumpmässig, trender och säsongsvariationer. Självgenererade variationer Frekvens Skillnader mellan hög och låg frekvens. Sporadisk efterfråga Kategorisering Wilson och Eaves matriser utifrån efterfrågestrukturer. ABC-XYZ analys baserat på omsättning och variationsindex Tabell 4. Sammanställning av teorikapitel, egenkonstruerad 35

43 4 Empiri Empirikapitlet tar avstamp i en beskrivning av Getinges nuvarande prognosarbete samt en redogörelse om deras produktfamilj 46. Vidare presenteras den empiriska data som varit till grund för studien för att sedan avslutas med en beskrivning av komponenterna och tillhörande grupper som prognostesterna avser att utföras på. 4.1 Getinges prognosarbete Getinges prognosarbete börjar med att en övergripande budget sätts av Getinge Groups säljbolag för nästkommande kalenderår (budgeten gäller alltid för januari till december). Budgeten skapas utifrån mål för vad säljbolagen ska sälja för det kommande kalenderåret. Budgeten förmedlas till Getinges produktionsplanering i Växjö som i sin tur fördelar budgetsiffrorna statistisk/procentuellt på företagets olika produktfamiljer och sedermera ner till de olika produktvarianterna inom familjerna för att kunna planera och prognostisera förbrukningen av produktkomponenter för nästkommande tolv månader (rullande). Statistiken som används är historiskt baserad, det vill säga hur försäljningen har sett ut de föregående åren, både generellt sett till efterfrågan över ett helt år men även baserat på historisk data från samma kvartal som är aktuellt. Efter att planeraren gjort om budgeten till konkreta kvantitetsprognoser för produkterna kontrollerar affärssystemet vilka komponenter som behövs för varje produkt och prognoser görs för komponentförbrukning. (Schroff, Logistics Expert, Getinge; Strand, Production Planner, Getinge) Säljbolagets övergripande budget för olika produktfamiljer gäller för ett helt år, men bryts ner och justeras varje kvartal beroende på efterfrågeutfall, trender och liknande. I affärssystemet används tolv månaders rullande efterfrågan, där prognoserna efterhand byts ut mot verkliga kundorders. Hur långt fram i tiden detta görs beror på ledtiden. Affärssystemet signaler för att lägga en ny order kan antingen bekräftas eller förkastas av inköparna. Personalen kan alltså välja att släcka eller reducera affärssystemets prognoser ifall situationen kräver det. (Schroff, Logistics Expert, Getinge; Strand, Production Planner, Getinge) Getinges prognosarbete skiljer sig inte mellan olika typer av produkter eller komponenter, alla behandlas på samma sätt. Förutom att personalen justerar och 36

44 släcker prognoser utförs ingen uppföljning av prognosarbetet. Det vill säga prognosfel och andra avvikelser varken mäts eller analyseras. (Schroff, Logistics Expert, Getinge; Strand, Production Planner, Getinge) 4.2 Getinges produktfamilj 46 Getinge producerar diskdesinfektorer där kunderna har elva produktfamiljer att välja mellan. En produktfamilj som går under diskdesinfektorer är 46-serien. Produktfamilj 46 kännetecknas av stora kammare med små yttermått. Detta minskar risken för överlastade maskiner vilket leder till bättre rengöringsresultat. Möjligheten till kundanpassad konfiguration gör dessutom att diskkapaciteten alltid kan optimeras. 46- serien har snabba process- och torktider, vilket även det bidrar till en hög kapacitet och ett högt godsflöde. (Getinge Group, 2015) Produktfamiljen är till storleken en av de mindre bland Getinges diskdesinfektorer och slutprodukten består av cirka 300 till 400 komponenter. Komponenterna är antingen av inköps- eller tillverkningskaraktär, där de inköpta komponenterna inte behöver någon vidare förädling av företaget innan de monteras på slutprodukten. (Strand, Production Planner, Getinge) Schroff (Logistics Expert, Getinge) menar att 46-familjens efterfråga varierar över året men att det inte förekommer någon naturlig trend eller säsongsvariation. Viss del av variationerna tvingas fram av företaget, exempelvis på grund av ökad aktivitet innan månadsslut och kvartalsrapporter. Produktfamiljer (totalt 11 st) 46- familjen Produktvarianter T Konfigurationer (slutprodukt) Tillval Tillval Tillval Tillval Tillval Figur 7. Karta över 46-familjen, egenkonstruerad 37

45 4.3 Efterfrågehistorik för produktfamilj 46 Datan som prognostesterna avser att genomföras på är hämtad ur Getinges affärssystem och har ett omfång om 24 månader, från januari 2012 till december Anledningen till att 2014 uteslöts var att Getinge under perioden bytte affärssystem och att integrera de två versionerna hade varit väldigt tidskrävande. Bild 2 visar ett utkast av det empiriska underlaget som innan det slumpmässiga stratifierade urvalet bestod av 130 inköpskomponenter. Bild 2. Underlag för slumpmässigt stratifierat urval 4.4 Beskrivning av komponenterna Komponenterna som testades är uppdelade i fyra grupper. Uppdelningen baseras på komponenternas variansindex (mer information om tillvägagångssätt i kapitel 5), där komponenterna i grupp A har lägst variationsindex. Således är komponenterna i grupp D de som har högst variationsindex. Grupp A Komponenterna i Grupp A har ett variationsindex mellan 0,182 och 0,361. Sammanlagt under tvåårsperioden har de utvalda A-komponenterna en efterfråga på stycken där fördelningen mellan åren är jämn, för 2012 och för Den totala medelefterfrågan för komponenterna under tidsperioden är 6236 enheter. Komponenternas individuella efterfråga och medelefterfråga framgår i Bild 3. 38

46 Bild 3. Efterfrågedata för Grupp A Grupp B Komponenterna i Grupp B har ett variationsindex mellan 0,375 och 0,488. Sammanlagt under tvåårsperioden har B-komponenterna en efterfråga på enheter. Den totala medelefterfrågan för komponenterna i gruppen under samma period ligger på styck. Efterfrågan för Grupp B är jämnt fördelad mellan åren och ligger på 9961 under 2012 och för år Komponenternas individuella efterfråga och medelefterfråga framgår i Bild 4. Bild 4. Efterfrågedata för Grupp B Grupp C Variationsindex för komponenterna i Grupp C är 0,502 som lägst och 0,705 som högst. Den sammanlagda efterfrågan för Grupp C, under en tvåårsperiod, är styck fördelat på under 2012 och styck under Komponenterna efterfrågas i genomsnitt 772 gånger under tvåårsperioden. Komponenternas individuella efterfråga och medelefterfråga för varje period framgår i Bild 5. 39

47 Bild 5. Efterfrågedata för Grupp C Grupp D Grupp D är den grupp med högst variationsindex, mellan 0,725 och 1,291. Den totala efterfrågan för gruppen är under tvåårsperioden Varje komponent efterfrågas i genomsnitt 764 gånger under samma period. Efterfrågan är fördelad på under 2012 och under De enskilda komponenternas totala och genomsnittliga efterfråga framgår i Bild 6. Bild 6. Efterfrågedata för Grupp D 40

48 5 Empiribearbetning Empirin är hämtad från Getinges affärssystem och har transformerats till en Excel-fil. Allt arbete med data har uteslutande gjorts i programmet Microsoft Office Excel. Avsnittet beskriver hur empirin har bearbetats för att vara användbar samt hur kategorisering och urval genomförts. Slutligen en beskrivning av tillvägagångssättet för utförandet av prognostester och prognosutvärdering. 5.1 Sortering, kategorisering och urval Empirin, en Excel-fil bestående av historisk data för komponenterna i fyra olika konfigurationer av 46-produkter, behövde bearbetas och sorteras för att vara användbar. Ursprungligen var komponenterna och tillhörande information staplade under varandra, där den månadsvisa inköpta, sålda och använda kvantiteten låg radvis. Det gulmarkerade fältet visar samma information på årsbasis. Detta illustreras i bild 7. Bild 7. Ursprunglig data För att få artikelnummer vertikalt och tillhörande månadsvisa efterfråga horisontellt användes en Pivot-tabell, där artikelnummer placerades i Radetiketten, perioden i Kolumnetiketten och summan av använd kvantitet i området Värde (Se bild 8). 41

49 Bild 8. Data efter Pivot-tabell Efter Pivotuppdelningen gjordes en manuell rensning ibland komponenterna. Exempelvis identifierades komponenter där det endast fanns en efterfråga i slutet av tidsserien eller endast i början av densamma. Dessa eliminerades eftersom det fanns för få perioder med efterfråga att utföra testerna på. Det fanns även olika komponenter som hade identisk månadsvis efterfråga, vilka har rensats bort för att undvika dubbletter. Detta i syfte att säkerställa att olika efterfrågemönster inkluderas i urvalet. Då Getinge stänger ner verksamheten stora delar av juli och december på grund av semestertider är det en minimal eller obefintlig efterfråga på komponenterna under dessa månader. Eftersom det inte kan klassas som en säsongsmässig efterfrågevariation har de berörda månaderna eliminerats från tidsserierna. Att inkludera dem i testerna hade givit en missvisande bild av prognosmodellernas precision. För att få en bild över de kvarvarande komponenternas efterfråga beräknades medelefterfrågan och standardavvikelsen för tidsserien. Utifrån medelefterfrågan och standardavvikelsen beräknades även ett variationsindex, vilket är ett mått som möjliggör jämförelse mellan olika komponenters efterfrågevariationer. Baserat på variationsindex sorterades komponenterna från lägst till högst samt att individuella variationsindex sattes i relation till populationens totala dito, det vill säga hur stor del en enskild komponents variationsindex som bidrog till den sammanlagda variationen för populationen. Därefter beräknades även komponenternas ackumulerade variansindex för att ha möjlighet att efter storleksordning se olika gruppers ackumulerade variationsindex gentemot urvalets totala variationsindex. Utifrån det ackumulerade variationsindexet kunde komponenterna grupperas efter deras efterfrågevariation. Gränsvärden sattes vid 25 %, 50 % och 75 %, vilket gav fyra 42

50 grupper där grupp A (0-25 % av ackumulerat variationsindex) består av de komponenterna med lägst variation och grupp D ( %) innehåller komponenterna med högst variation. I grupp D var det 16 komponenter som tillsammans stod för 25 % av den totala variationen. Resterande grupper bestod av fler komponenter då deras variation var lägre. För att erhålla samma antal komponenter (16 st.) i varje grupp genomfördes således ett slumpmässigt urval. Detta gjordes via funktionen SLUMP i Excel. För att skydda informationen om Getinges produkter samt att underlätta det fortsatta arbetet kodades dem om, där exempelvis A-komponenterna tilldelades en siffra och fick kodningen A1 till A Prognostester Prognostesterna som utfördes baserades strikt på prognosmodeller hämtade från den teoretiska referensramen. Prognosmodellerna testades både för hela urvalet och gruppvis för att sedermera utvärdera deras utfall och prestation gentemot den verkliga efterfrågan för samma perioder. Gemensamt för testerna av de båda prognosmodellerna var användningen av Excel-funktionen Rullningslist (se bild 9). Funktionen användes i syfte att manuellt justera n för GM och alfa-värdet i EU för att justera prognoserna och hitta de optimala värdena för respektive prognosmodell. Bild 9. Rullningslist för EU och GM Glidande medelvärde Vid testningen av GM användes Excel-funktionen OM. OM-funktionens syfte är infoga en begränsning i formeln. Vid händelse att begränsningen inte uppfylls kommer cellen, i vilken funktionen existerar, vara blank. För den här studiens arbete, betyder det i klartext att n-värdet (antal perioder) inte får överstiga periodnumret som ska 43

51 prognostiseras. För att möjliggöra OM-funktionen användes en separat rad, som visar periodnumret, ovanför prognoserna (rad 24) som motvikt mot N-cellen (C26). Vidare användes Excel-funktionen FÖRSKJUTNING som ett verktyg för att beräkna prognoserna. Funktionen innebär att cellen med förra periodens efterfråga används som startcell (H4). Beroende på antal n som ska ingå i beräkningen, förskjuts och inkluderas antal historiska efterfrågeperioder som ska tas med i beräkningen. I exemplet nedan är n=2 vilket innebär att kolumn G4 och H4 ingår. Summan av cellerna G4 och H4 divideras sedan med antal n (C26) och prognosen för nästa period (I26) visas. Bild 10. GM-funktionen Exponentiell utjämning Vid testerna av EU behövdes, till skillnad från GM, inte några specifika Excelfunktioner användas. Som bild 11 visar användes den teoretiskt bekräftade beräkningarna av EU. Enbart tre separata celler krävdes för uträkningarna av EUprognoserna; alfa-värdet (C25), föregående periods efterfråga (H4) samt föregående periods prognos (H25). För att EU ska fungera krävs det att prognosen för föregående period finns tillgänglig. Konsekvensen blev att författarna fick ta fram ett ingångsvärde i prognosen. Det gjordes genom att ta medelefterfrågan för januari till maj för varje enskild komponent (H25). Efter att den första EU-prognosen gjorts, användes det senaste prognosvärdet för de resterande prognosuträkningarna. 44

52 Bild 11. EU-funktionen 5.3 Prognosutvärdering Efter simuleringen av GM och EU utvärderades prognosmodellernas utfall. Författarna började med att ta fram prognosfelen för de enskilda komponenterna och för varje period. För GM användes återigen OM-funktionen. Anledningen till det var att säkerställa att antal perioder (n) som inkluderas i beräkningen inte överskred periodnumret för vilken prognosen var ämnad för. För EU subtraherades den verkliga efterfrågan från prognosen för samma period. När sedan prognosfelen för varje period var framtagna, summerades dem och dividerades med antalet tidsperioder för att få fram medelprognosfelet. Bild 12. Prognosfel och medelprognosfel 45

53 Vidare beräknades de absoluta prognosavvikelserna i ett led för att beräkna MAD. För GM användes återigen OM-funktionen av samma anledning som för prognosfelet. Både för GM och EU länkades sedan cellen för det absoluta prognosfelet för en given period till tabellen med prognosfelet för samma period. Excel-funktionen ABS användes för att säkerställa att prognosfelen blev absoluta tal. Därefter summerades de totala absoluta prognosfelen för att sedermera divideras med antal perioder. Resultatet blev då MAD för varje komponents prognos (se bild 13). Bild 13. MAD För att kunna använda utvärderingsmåttet MAPE beräknades den procentuella absoluta prognosavvikelsen (PAP) för varje tidsperiod, det vill säga det absoluta prognosfelet dividerat med den verkliga efterfrågan för samma period. För GM användes OMfunktionen likt tidigare beskrivning. MAPE för varje artikel räknades ut genom att dividera summan av periodernas PAP med antalet perioder. Bild 14. MAPE 46

54 Då några komponenter saknade efterfråga under vissa perioder i tidsserien var det omöjligt att beräkna den procentuella absoluta prognosavvikelsen (division med noll) som är nödvändig för att kunna beräkna MAPE. För perioderna utan efterfråga krävdes en egendefinierad version av den procentuella absoluta prognosavvikelsen (de blåa cellerna i bilaga II). Denna skapades genom att summera övriga perioders PAP (perioderna med efterfråga) dividerat med summan av de absoluta prognosavvikelserna för samma perioder. Resultatet blev en genomsnittlig procentuell avvikelse per absolut prognosfel för komponentens tidsserie. Genomsnittsmåttet multiplicerades med den absoluta prognosavvikelsen och fungerade som ett justerat mått på PAP för perioderna utan efterfråga. Genom denna tillämpning av måttet, istället för att exempelvis använda en OMFEL-funktion och ersätta det ogiltiga värdet med ett fast tal, är utvärderingsmåttet relativt till hur stor prognosavvikelsen är. Dessutom möjliggör det att PAP ändras när parametrar i prognoserna (såsom n och alfa) justeras. 47

55 6 Analys Följande kapitel ställer den teoretiska referensramen mot framtagen empiri och är uppdelat i tre delar. Den första delen behandlar faktorer som ligger till grund för analys av uppsatsens båda forskningsfrågor. Den andra delen beaktar uppsatsens första forskningsfråga och resultatet av empiribearbetning presenteras. Den sista delen i kapitlet berör uppsatsens andra forskningsfråga, där en analys gällande kategorisering, gruppernas efterfråga och prognosmodellernas resultat framförs. Analyskapitlet ligger även till grund för uppsatsens slutsatser som presenteras i det efterföljande kapitlet. 6.1 Utgångspunkter Första avsnittet i analyskapitlet går igenom val som berör uppsatsens båda forskningsfrågor. I första delen motiveras vilken tidshorisont som uppsatsen ämnar prognostisera. Med andra ord, hur långt fram i tiden ska efterfrågan förutses? I den andra delen analyseras vilken eller vilka prognosutvärderingsmetoder som ska användas för att analysera prognosmodellernas prestation i förhållande till varandra Tidshorisont Nahmias (2013) menar att prognosernas tidshorisont kan delas upp i tre olika dimensioner, kort mellan och lång. Vad som bestämmer tidshorisonten är i vilket syfte prognoserna genomförs, där veckovisa prognoser är lämpliga för att planera den dagliga verksamheten, månadsvis tidshorisont för prognostisering av produktfamiljer och årsvisa prognoser för mer långsiktiga beslut rörande facilitet, kapacitet etc. Rego och Mesquita (2015) resonerar kring skillnaden mellan veckovisa och månadsvisa prognoser där en månadsvis tidshorisont erhåller fördelar genom att rensa bort missvisande variationer, såsom en ökad försäljning i slutet av varje månad, vilket kan uppstå vid en veckovis uppdelning. Även Mattsson (2007) beskriver fenomenet och använder termen periodisering som skapar självgenererade variationer i efterfrågan på grund av företaget vill nå uppsatta mål för exempelvis månaden eller kvartalet. I empirikapitlet framgår det att den data som ligger till grund för prognostesterna löper över två år och är uppdelad på 24 perioder. Eftersom studien avser prognostisering av Getinges produktfamilj 46 samt att det förekommer variationer som uppstår på grund av 48

56 en ökad aktivitet innan månadssluten (Schroff, Logistics Expert, Getinge) anser författarna, utifrån teorin, att en månadsvis tidshorisont är mest lämpad. Val av tidshorisont Månadsvisa prognoser Tabell 5. Val av tidshorisont, egenkonstruerad Motiv Prognostiseringen avser en produktfamilj. Förekomst av självgenererade efterfrågevariationer Utvärderingsmetod Jonsson och Mattsson (2011) menar att en vital del i företags prognosarbete är kontinuerlig uppföljning och utvärdering av prognosernas prestation. Prognoser stämmer, som tidigare nämnt, sällan överens med verkligt utfall (Nahmias, 2013; Makridakis et al., 1998) och Björnland et al. (2003) menar att prognosutvärdering fungerar som en kontrollfunktion i syfte att lokalisera varför prognosen och verkligheten inte är överensstämmande. Mattsson (2003) poängterar dock att utvärdering av enskilda perioders prognosavvikelse är intetsägande då det uppstår naturliga variationer i efterfrågan som exempelvis tillkommer efter ändringar i kunder behov. Mattsson (2003) fortsätter med att belysa att det därför är viktigt att utvärdera prognoser över tid och får stöd av Björnland et al. (2003) som menar att prognosavvikelser ska räknas över flera perioder. Det är därav viktigt att välja en adekvat utvärderingsmetod som inkluderar flertalet perioder. Medelprognosfel Vid utvärdering av prognosmodeller används enligt teorin mått som prognosfel, medelprognosfel, MAD, MSE och MAPE (Nahmias, 2013; Jonsson & Mattsson 2011; Mattsson, n d 2 ). Ett verktyg vars funktion är att utvärdera prognosmodellers löpande utfall är medelprognosfel. Genom att mäta medelprognosfelet kan företag se om prognosmodellerna, systematiskt, ligger över eller under den verkliga efterfrågan och utefter det justera parametrarna i prognosmodellerna för att höja träffsäkerheten. (Jonsson & Mattsson, 2013) Under empiribearbetningen har hänsyn tagits till komponenternas individuella medelprognosfel. För att hitta optimala värden för variablerna n för GM respektive alfa-värde för EU har medelprognosfelet reflekterats över. Beroende på en ökning eller minskning av variablerna har även medelprognosfelet 49

57 ändrats positivt eller negativt. Genom att följa effekten av variabeljusteringarna på medelprognosfelet har anpassning kunnat ske av variabeln beroende på åt vilket håll medelprognosfelet flyttats. Metoden användes initialt fungerade som en indikator gällande systematiska avvikelser. För att kunna jämföra måttets utfall mellan olika komponenter sattes det även i relation till den verkliga efterfrågan, vilket benämns som relativt medelprognosfel. MAD och MSE Enligt Nahmias (2013) är det främst MAD och MSE som är praktiskt populärt att använda vid prognosutvärdering. MAD är ett mått som visar den absoluta prognosavvikelsen vilket även MSE gör, dock skapas de absoluta talen i MSE genom att prognosavvikelsen kvadreras. Skillnaden mellan de två måtten är att stora prognosavvikelser betonas och får ett större utslag vid utvärdering vid användning av MSE jämfört med MAD (Nahmias, 2013). Både MAD och MSE visar den genomsnittliga absoluta prognosavvikelsen för en given tidsperiod vilket gör de båda måtten jämbördiga i det avseendet. Författarna finner att MSE blir irrelevant att använda vid utvärderingen av prognosmodeller då måttet inte är fördelaktigt vid jämförelse samt kan vara svårt att analysera och tolka på grund av de stora värdena som måttet tillhandahåller. MAD å andra sidan visar tydligare hur prognosmodellerna presterat i relation till komponenternas individuella efterfråga, vilket gör måttet mer användbart. Då MAD inte är ett relativt mått kommer det dock inte till användning i prognosutvärderingen, men är likväl ett mått som är relevant att visualisera i empiribearbetningen. Speciellt med tanke på att de absoluta prognosavvikelserna, som ligger till grund för MAD och MSE, används för att beräkna den procentuella absoluta prognosavvikelsen som är nödvändig för att ta fram MAPE. MAPE Då uppsatsens syfte är att undersöka hur olika prognosmodeller fungerar är det viktigt att säkerställa att lämplig utvärderingsmetod används. Om fel metod tillämpas blir jämförelser intetsägande och slutsatserna som dras ifrån resultatet blir antingen missvisande eller direkt felaktiga. Enligt Mattsson (n d 1 ) är MAPE en utvärderingsmetod som möjliggör jämförelse mellan prognosmodeller eftersom beräkningen visar den genomsnittliga relativa procentuella prognosavvikelsen. Likt MAD uttrycks siffrorna i absoluta tal, men MAPE särskiljer sig genom att vara ett relativt mått och är 50

58 därför ett mått att med fördel använda vid jämförande studier. I linje med Mattssons (n d 1 ) hänvisning kommer den avgörande faktorn i utvärderingen angående prognosmodellernas utfall vara MAPE. Egendefinierat PAP Som är beskrivit i föregående kapitel, Empiribearbetning, har ett egendefinierat PAPvärde använts för en komponent i Grupp C och för nio komponenter i Grupp D. Anledningen var att få fram ett MAPE-värde för samtliga produkter. En begränsning som finns i beräkning av MAPE är att det krävs ett PAP för varje period. PAP tas fram genom att dividera den absoluta prognosavvikelsen med den verkliga efterfrågan för samma period (Mattsson, n d 5 ). Då komponenten i Grupp C respektive komponenterna i Grupp D inte hade efterfråga i samtliga perioder skapades behovet att använda ett egendefinierat PAP-värde för att i längden ha möjlighet att ta fram MAPE för dessa komponenter. Tillvägagångssättet för framtagningen av det egendefinierade PAP-värdet är beskrivet i kapitel 5.3. Författarna är medvetna att lösningen inte är teoretiskt optimal då det egendefinierade PAP-värdet gör att MAPE för de berörda komponenterna inte ger en helt rättvis bild av prognosmodellernas prestation. Vissa prognosavvikelser får ett större relativt viktat PAP, medan andra får ett relativt mindre viktat värde. Dock menar författarna att det i så pass stor utsträckning ger ett rättvist MAPE-värde för berörda komponenter att det är motiverat att använda lösningen. Om inte det egendefinierade PAP-värdet använts som ersättning för de perioderna utan verklig efterfråga hade inte det varit möjligt att jämföra de olika prognosmodellernas utfall, framförallt på gruppnivå. Dessutom är MAPE ett relativt mått vilket även det egendefinierade PAP-värdet är. De egendefinierade PAP:en är skapade endast i relation till berörda komponenters teoretiska framtagna PAP och påverkas därmed direkt av ändringar i prognosmodellers parametrar. Författarna menar att de justerade MAPE-värdena fyller funktionen som jämförelsemått och därmed fungerar som ett adekvat prognosutvärderingsverktyg. Utvärderingsmetod Inflytande på resultat Motiv Medelprognosfel Liten Indikator gällande systematiska avvikelser MAD och MSE Ingen Ej relativa mått MAPE Stor Relativt mått, möjliggör jämförelser Tabell 6. Studiens utvärderingsmetoder 51

59 6.2 Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i Getinges produktfamilj 46? Följande avsnitt avser att presentera och analysera resultatet för den första forskningsfrågan. Prognosmodellerna har testats med både gemensamma och individuella optimala parametrar (n och alfa). Varje del inleds med en tabell där optimala parametervärden och genererade prognosavvikelserna illustreras, vilken sedan den efterföljande analysen utgår ifrån. Avsnittet avslutas med en känslighetsanalys av prognosmodellerna Analys av resultat Gemensamt n vid glidande medelvärde GM Gemensamt n MPF Rel. MPF MAPE Hela urvalet ,18% 53% Tabell 7. Gemensamt n vid glidande medelvärde, egenkonstruerad Enligt Ross (2004) är fastställandet av antal perioder som tas med i beräkningen avgörande för utfallet av modellen GM. Nahmias (2013) menar vidare att ett högt n, det vill säga många perioder inkluderade i beräkningen, motverkar att prognoserna överreagerar på slumpmässiga variationer. Om färre perioder inkluderas (lågt n) blir prognosen mer följsam vid systematiska förändringar av efterfrågan. I resultatet för hela urvalet framgår det att det optimala n-värdet är 2 vilket indikerar att tidsserierna övergripande är relativt jämna. Å andra sidan resonerar Jonsson och Mattsson (2011) att antalet perioder som används även påverkas av längden på perioderna, där färre perioder inkluderas vid större intervaller för perioderna. I studien används månadsvisa intervaller, vilket får anses vara av större karaktär. Därmed kan antagandet om att 2 är ett lågt n-värde diskuteras. Medelprognosfelet, vilket fungerar som en indikator på om prognoserna ligger systematiskt för hög eller lågt (Jonsson & Mattsson, 2011), visar och är i relation till den totala efterfrågan ( ) -0,18 %. Då låga värden på n i GM är synonymt med att vara följsamt vid systematiska förändringar i efterfrågan (Nahmias, 2013) och erhållet relativt medelprognosfel är lågt (-0,18 %), får det optimala n-värdet på 2 anses vara ett lågt n-värde. 52

60 Det för urvalet gemensamma n-värde som genererar den minsta genomsnittliga avvikelsen mot verklig efterfråga är alltså 2. Som utvärderingsmått har MAPE använts (se Utvärderingsmetod) och med två perioder inkluderade i prognosmodellen blir det erhållna genomsnittliga måttet 53 %. Individuella n vid glidande medelvärde GM Individuellt n Ø n MPF Rel. MPF MAPE Hela urvalet 2, ,13% 46% Tabell 8. Individuella n vid glidande medelvärde, egenkonstruerad Syntetos et al. (2005) menar att en prognosmodell som fungerar väl för en viss typ av produkter eller komponenter kan vara begränsad för andra produkter där exempelvis efterfrågestrukturen är annorlunda. I empirikapitlet (4.4) framgår det att det är en spridning av variationsindex mellan lägsta värdet på 0,18 till högsta värdet på 1,29. Med tanke på Nahmias (2013) resonemang angående olika n-värdens utfall på resultatet beroende på efterfrågans struktur är det troligt att ett, för samtliga komponenter i urvalet, gemensamt n inte genererar de minsta avvikelserna mellan prognos och verklig efterfrågan. Av den anledningen har samtliga komponenter i urvalet testats för att få fram de individuella optimala n-värden för varje komponent. I resultatet påvisas, i enlighet med Syntetos et al. (2005) och Nahmias (2013) resonemang ovan, att prognosavvikelserna är mindre när n-värden sätts individuellt än när ett gemensamt värde används. MAPE sjunker från 53 % till 46 % och det relativa medelprognosfelet visar -0,13 % jämfört mot -0,18 %. Genomsnittet av de individuellt optimala n-värden är 2,38, det vill säga något högre än det gemensamma optimala värdet på 2. Detta förklaras av att komponenterna med högt variationsindex generellt sett har ett högt optimalt n-värde vilket trycker upp genomsnittet. 53

61 Gemensamt alfa vid exponentiell utjämning EU Gemensamt α MPF Rel. MPF MAPE Hela urvalet 0, ,32% 52% Tabell 9. Gemensamt alfa vid exponentiell utjämning, egenkonstruerad För EU är fastställandet av alfa-värdet avgörande för hur prognosmodellen kommer att fungera. EU är i den synpunkten adaptiv där det gäller att välja den utjämningskonstant (α) som ger minst avvikelse mellan prognos och verklig efterfråga. (Ross, 2004) När det gäller ett gemensant alfa-värde för urvalet av Getinges komponenter i produktfamilj 46 är det ett värde på 0,27 som ger de lägsta avvikelserna mellan prognosen och den verkliga efterfrågan. Det erhållna MAPE är 52 % medan medelprognosfelet är -466, som i relation till den totala efterfrågan är -0,32 %. Till skillnad från motsvarande situation för GM, det vill säga gemensamt optimalt n för hela urvalet, visar alltså EU ett bättre MAPE med cirka en procentenhet. Å andra sidan är medelprognosfelet i relation till totala efterfrågan längre ifrån nollvärdet för EU än för GM. Nahmias (2013) beskriver att utjämningskonstanten för EU har liknande funktion som antal tidsperioder för GM, där ett högt alfa-värde på samma sätt som ett lågt n-värde lägger större vikt på närliggande data och reagerar snabbare på förändringar i efterfrågan. Ett lågt alfa-värde ger, på samma sätt som ett högt n-värde, mer stabila prognoser som långsamt anpassar sig till efterfrågeförändringar. Ross (2004) sammanfattar resonemanget med att ett lågt alfa-värde bör väljas vid väldigt slumpmässiga tidsserier och en hög utjämningskonstant med fördel används vid jämna efterfrågeserier. Då det optimala gemensamma n-värdet vid GM var relativt lågt (2) är det anmärkningsvärt att det optimala gemensamma alfa-värdet är 0,27. Eftersom värdet måste vara mellan 0 och 1 för att modellen ska fungera (Jonsson & Mattsson, 2011), får 0,27 anses som förhållandevis lågt. Det låga alfa-värdet kan även förklara det högre medelprognosfelet som EU visar jämfört med GM, i enlighet med Nahmias (2013) resonemang gällande alfa och n. Å andra sidan menar Jonsson och Mattsson (2011) att utjämningskonstanten vanligtvis återfinns mellan 0,1 och 0,3. I det perspektivet är det optimala gemensamma alfa-värdet 54

62 på 0,27 av en högre karaktär och det teoretiska sambandet som föreligger mellan de båda prognosmodellerna stämmer överens. Individuellt alfa vid exponentiell utjämning EU Individuellt α Ø α MPF Rel. MPF MAPE Hela urvalet 0, ,32% 42% Tabell 10. Individuellt alfa vid exponentiell utjämning, egenkonstruerad Resonemanget gällande komponenternas optimala individuella n för GM som baseras på Syntetos et al. (2005) samt Nahmias (2013) är relevant även för EU. Då storleken av optimal utjämningskonstant beror på efterfrågans struktur är det naturligt att individuellt satta alfa för samtliga komponenter kommer generera mindre avvikelser mot verklig efterfråga än vad en gemensam utjämningskonstant gör. Speciellt med tanke på att urvalets variationsindex har stor spridning. Utvärderingen av prognostesterna bekräftar tesen, där MAPE för komponenternas individuellt optimala alfa-värde är 42 % till skillnad från 52 % som det optimalt gemensamma värdet (0,27) genererar. När de individuellt optimala utjämningskonstanterna används för hela urvalet är medelvärdet för komponenternas alfa-värden 0,48. Med andra ord är medelvärdet högre än det gemensamma optimala alfa-värdet på 0,27, vilket är en ökning på 43 %. För hela urvalet visar prognostesterna att EU med individuellt satta alfa-värden för varje komponent ger den lägsta prognosavvikelsen mätt i MAPE. Att MAPE blir lägre med individuellt alfa jämfört med ett gemensamt är som beskrivet tidigare helt naturligt och situationen är samma även för GM (individuella kontra gemensamt n). Däremot att EU ger mindre avvikelser (42 %) än GM (46 %) för hela urvalet var på förhand inte lika självklart. Vid jämförelse mellan de båda metoderna framgår det att GM lägger lika stor vikt på alla inkluderade perioder där sedan medelvärdet bildar prognosen, vilket enligt Ross (2004) och Nahmias (2013) är en nackdel. EU ger istället olika vikter för olika perioder, där exempelvis den senaste informationen väger tyngre i prognosberäkningen (Nahmias 2013). Jonsson och Mattsson (2011) menar att nyare data har ett större informationsvärde och borde ha större inflytande på prognosen. Resonemanget kan vara förklaringen till att EU erhållit mindre avvikelser än GM i testet. När färskare 55

63 information får större vikt i beräkningen följer prognosen på ett bättre sätt variationer i efterfrågan. Ross (2004) menar att EU möjliggör återspegling av verkliga efterfrågemönster. Då det i urvalet förekommer en betydande andel komponenter med högt variationsindex (Grupp C och D som beskrivs i kapitel 4.4) kan resultatet, som visar att EU ger lägst MAPE, förklaras av teorin Känslighetsanalys GM EU n MAPE α MAPE 1 59% 0,01 56% 2 53% 0,2 52% 3 54% 0,4 52% 4 55% 0,6 53% 5 56% 0,8 55% 6 56% 1 59% Tabell 11. Känslighetsanalys vid gemensamt optimala parametrar, egenkonstruerad Tabellen ovan visar hur känsliga prognosmodellerna är för användning av icke optimala n- respektive alfa-värden. Känslighetsanalysen gäller för hela urvalet vid tillämpning av gemensamma parametrar (n och alfa). Som tidigare nämnt erhåller GM, vid användning av ett gemensamt värde på n, lägst MAPE när n är satt till 2 (53%). Om det gemensamma värdet sänks till 1 blir MAPE 59%, vilket är det högsta av alla n-värden. Det motsatta, det vill säga att n-värdet höjs jämfört med det optimala (2), gör att MAPE höjs ju högre n-värdet blir. Det högsta tillåtna n-värdet, 6, ger ett MAPE på 56%. För EU är det högsta värdet på alfa (1) som även genererar det högsta värdet på MAPE, vilket är 59 % jämfört med det lägsta på 52 % som erhålls vid ett gemensamt alfa-värde mellan 0,2 och 0,4. I föregående avsnitt framgick att det 0,27 är det alfa-värde som ger det absolut lägsta värdet på MAPE. Om alfa-värdet höjs upp till 0,6 börjar MAPE öka, dock endast med en procentenhet upp till 53 %. Vid 0,8 ökar avvikelserna med ytterligare två procentenheter till 55%. Vid en sänkning från de värdena som ger lägst MAPE (0,2 till 0,4) till ett alfa på 0,01 blir ökningen i MAPE större, då det ökar fyra procentenheter till 56 %. 56

64 Ross (2004) och Nahmias (2013) menar att n- och alfa-värdet har en avgörande roll för hur väl modellerna fungerar. Tabell 11 visar att antalet tidperioder och storleken på alfavärdet har inverkan på prognosmodellernas precision. Gemensamt för prognosmodellerna, vilket skiljer sig något från vad Ross och Nahmias hävdar, är att det är en relativt liten skillnad mellan det högsta och lägsta värdet på MAPE. För GM är skillnaden sex procentenheter och motsvarande för EU är sju procentenheter. Det högsta MAPE för GM finner vi med det lägsta n-värdet, medan det högsta MAPE genereras av det högsta alfa-värdet för EU. Det är i linje med teorin med tanke på sambandet mellan n och alfa som Nahmias (2013) beskriver. Även att EU har en något större spridning mellan högsta och lägsta värdet på MAPE har modellen fler värden som ligger nära det lägst möjliga, eftersom 0,2 till 0,4 ger ungefär samma precision. En ökning av alfavärdet till 0,6 ger dessutom endast en ökning i MAPE med en procentenhet. Sammanfattningsvis har alltså EU en större skillnad mellan bästa och sämsta MAPEvärde beroende på vilket alfa-värde som används, däremot erhåller EU ett större utbud av alfa-värden där MAPE återfinns på samma eller liknande nivå som det optimala värdet. För GM är det därmed av större vikt att rätt n-värde används, då MAPE stiger om både ett högre och ett lägre värde än två används. Resonemanget säger att det, ifall optimalt värde på parametrarna är okänt, är större chans att erhålla ett bättre värde på MAPE vid användning av EU snarare än GM. 57

65 6.3 Hur påverkar komponenternas efterfrågestrukturer prognosmodellernas avvikelser? I följande avsnitt återfinns analyser som berör studiens andra forskningsfråga. Inledningsvis analyseras studiens kategorisering av komponenterna, efterföljt av gruppvisa presentationer och analyser av resultatet. För varje grupp diskuteras deras efterfrågestruktur samt båda prognosmodellernas utfall Kategorisering Prognoser är en stor del i ett företags planeringsarbete (Quintana & Leung, 2007; Chhaochhria & Graves, 2013) där Jonsson och Mattsson (2013) menar att efterfrågeprognoser har en stödjande funktion för både operativa och taktiska beslut. Ett välkänt problem är dock att prognoser ytterst sällan stämmer överens med det verkliga utfallet (Nahmias, 2013) och med det som bas blir valet av prognosmodell en vital del i företags arbete. Björnland et al. (2003) poängterar att enkelhet är att föredra gällande prognosarbete då merkostnader för mer avancerade prognosmodeller sällan ger en påtaglig avkastning. Med detta sagt är det inte givet att företag ska använda samma prognosmodell för alla deras produkter. Quintana och Leung (2007) samt Chhaochhria och Graves (2013) menar att företag bör kategorisera sina artiklar utifrån de kriterier som passar in på deras egna produkter för att hitta den bäst lämpade prognosmodellen för de olika produkterna. Detta i ett led för att underlätta företagets planeringsarbete. Författarna har under insamlingen av teori grundligt sökt efter teoretiskt förankrade modeller gällande kategorisering av produkter baserat efterfrågestrukturer. Det som framkommit är tre modeller; Wilson s kategoriseringsmatris, Eaves kategoriseringsmatris samt ABC-XYZ klassificering. Samtliga modeller syftar till att dela in företags produkter efter variationer i efterfrågestrukturer, såsom efterfrågad kvantitet och efterfrågefrekvens. Dock skiljer sig de olika modellerna på några punkter. Parametrarna i Wilson s matris är variationen i efterfrågefrekvensen samt i ledtiden det tar för ett företag att få hem produkten (Syntetos et al., 2005; Eaves & Kingsman, 2004). Eaves matris utgår från samma parametrar men tar även hänsyn till variationen i efterfrågefrekvens (Eaves & Kingsman, 2004). Fördelar med båda matriserna är att då ledtiden tas i beaktande kan företag se vilken tidshorisont prognosen ska ha. Beroende på om produkten har en lång eller kort hemtagningstid kan prognoserna anpassas så att 58

66 de täcker ledtiden. Efterfrågefrekvensen är även den fördelaktig att inkludera då företaget får en bild över hur ofta produkten efterfrågas. Dock hävdar Eaves och Kingsman (2004) att Wilsons matris i för stor utsträckning fokuserar på artiklar med varierat efterfrågemönster vilket gör att artiklar med jämn efterfråga bortses ifrån. Då det är relevant och utav stor vikt att, förutom att jämföra grupper med annorlunda efterfrågestrukturer, även undersöka hur olika prognosmodeller presterar för grupper med jämn efterfråga är det svårt att motivera en kategorisering där den senare gruppen utesluts. Eaves kategoriseringsmatris utgår ifrån Wilson s men är modifierad för att förhindra ovan nämnda problem och är därmed mer motiverad att använda. Orsaken till att Eaves matris inte användes fullt ut vid kategoriseringen av Getinges komponenter var parametern variationen i ledtiden för påfyllnad. Parametern ingår även i Wilsons kategoriseringsmatris. Getinge har data över ledtiden för deras komponenter att nå företagets enhet i Växjö efter lagd beställning. De har dock ingen statistik på i vilken omfattning ledtiden verkligen efterlevs. Om uppgifter gällande avvikelser från ledtider funnits är Eaves kategoriseringsmatris ett verktyg som i större utsträckning haft möjlighet att tillämpats i studien. Den tredje kategoriseringen som studien övervägde var en så kallad ABC-XYZ klassificering där produkterna kategoriseras efter individuell påverkan på företagets totala omsättning (ABC) samt efterfrågevariationen (XYZ). En ABC-analys kan ses som ett värderingsverktyg där produkter analyseras och kategoriseras utifrån de intäkter som de medför (Scholz-Reiter et al., 2012; Mattsson, n d 6 ). För företag är det självklart bra att skapa sig en bild över vilka produkter som generar högst kassatillflöde, men ur en prognossynvinkel bidrar inte värdet av intäkterna något direkt värde. Det som kan reflekteras över är high end -produkterna (motsvarande AX) och i större utsträckning fokusera på deras prognoser i syfte att erhålla en hög tillgänglighet. Å andra sidan finns det andra verktyg för att säkerställa produkternas tillgänglighet, exempelvis med hjälp av ett högre säkerhetslager för aktuella produkter som dock medför högre kapitalbindning. 59

67 XYZ-analysen beräknas genom ett så kallat variationsindex där standardavvikelsen på efterfrågan divideras med medelefterfrågan för en given tidsperiod och är ett mått över stabiliteten i efterfrågan. (Scholz-Reiter et al., 2012: Mattsson, n d 6 ) Mattsson (n d 6 ) menar vidare att kategorisering efter en XYZ är användbart vid prognosarbete. Då uppsatsen andra frågeställning syftar till att undersöka hur Getinges komponenter efterfrågestruktur påverkar antal avvikelser mellan olika prognosmodeller och verklig efterfråga gjordes valet att kategorisering företagets komponenter efter en modifierad XYZ-analys. Variationsindexet togs fram på samma sätt som Scholz-Reiter et al. (2005) och Mattsson (n d 6 ) påvisar. Genom att ha variationsindex som vattendelare delades komponenterna in i fyra grupper snarare än de tre grupper som Scholz-Reiter et al. (2005) och Mattsson (n d 6 ) förordar när de presenterar XYZ-analysen. Valet av fyra grupper grundar sig i en ökad möjlighet att jämföra prognosmodellernas utfall för gruppen med lägst variationsindex respektive den grupp med högst variationsindex. Genom en indelning i fyra grupper minskar gapet på värdet mellan högsta och lägsta variationsindexet inom respektive grupp vilket skapar en ökad möjlighet att distanserar komponenternas efterfrågestruktur sinsemellan. Tabell 12 visar indelningen och gränssnitten. Grupp A B C D Var. Index (ack %) Tabell 12. Studiens kategorisering, egenkonstruerad 60

68 6.3.2 Grupp A Analys av gruppens efterfrågestruktur Kod Totalt Medel Std. Avv. Var. index Kod Totalt Medel Std. Avv. Var. index A ,182 A ,287 A ,203 A ,305 A ,217 A ,326 A ,225 A ,329 A ,236 A ,345 A ,243 A ,347 A ,246 A ,361 A ,284 A ,361 Tabell 13. Efterfråga för Grupp A, egenkonstruerad Tot ,281 Som tabell 13 visar består Grupp A av de komponenterna i urvalet med lägst variationsindex. Komponenten med lägst variationsindex i gruppen är A1 med ett index på 0,182 medan A16 besitter högst index med 0,361. Deras låga variationsindex indikerar att variationer i efterfrågan är av slumpmässiga karaktärer där det inte går att urskilja varken säsongsvariationer eller trendförändringar. Slumpmässiga variationer definieras av Jonsson och Mattsson (2011) som variationer runt en annars stabil efterfråga vilket stämmer överens med Grupp A:s efterfrågemönster, se figur 8. Efterfrågefrekvensen för komponenterna i Grupp A är konstant, i den bemärkelsen att komponenterna efterfrågas varje tidsperiod. Snyder et al. (2005) resonerar kring högfrekventa artiklar, där dem menar att justeringar av parametrarna i den tillämpade prognosmodellen bör vara i fokus snarare än att försöka hitta andra prognosmodeller. Snyder et al. (2005) resonemang bör då innebära att parametrarna i GM respektive EU kan justeras så att de båda prognosmodellerna får mer eller mindre samma prognosavvikelser. 61

69 jan-12 feb-12 mar-12 apr-12 maj-12 jun-12 jul-12 aug-12 sep-12 okt-12 nov-12 dec-12 jan-13 feb-13 mar-13 apr-13 maj-13 jun-13 jul-13 aug-13 sep-13 okt-13 nov Figur 8. Efterfråga per månad för Grupp A, egenkonstruerad Den totala efterfrågade kvantiteten av komponenterna i Grupp A är enheter för undersökt tidsserie fördelat på enheter år 2012 och under Varje komponent i gruppen efterfrågas i genomsnitt gånger under tidsserien med en genomsnittlig efterfråga av varje komponent på 312 för varje period. Detta gör Grupp A till den grupp med högst antal efterfrågade enheter. Enligt Quintana och Leung (2007) är artiklar med låg efterfrågefrekvens de artiklar som uppvisar högst prognosavvikelser gentemot verklig efterfråga. Nahmias (2013) och Mattsson (2013) fortsätter med att påpeka att det generellt sett kan påvisas att högfrekventa artiklar i de flesta fall har en hög efterfråga (stora kvantiteter) samt uppvisar lägre relativa efterfrågevariationer. Resonemanget, menar studiens författare, innebär att artiklar med hög frekvens, stora efterfrågade kvantiteter och låga relativa efterfrågevariationer bör uppvisa lägre prognosavvikelser. Resultat vid glidande medelvärde Kod Opt. n MPF Rel. MPF MAPE Kod Opt. n MPF Rel. MPF MAPE A ,06% 14,9% A ,04% 21,0% A ,10% 13,8% A ,14% 21,3% A ,13% 10,3% A ,01% 20,0% A ,02% 14,7% A ,15% 22,4% A ,07% 13,5% A ,15% 24,6% A ,18% 11,7% A ,19% 22,9% A ,01% 17,1% A ,14% 26,1% A ,47% 12,3% A ,00% 28,3% Tot. 1, ,05% 18,4% Tabell 14. Glidande medelvärde för Grupp A, egenkonstruerad 62

70 Prognosutvärderingen av GM för komponenterna i Grupp A bekräftar studiens ovan förda resonemang. Komponenterna i Grupp A besitter en jämn efterfråga med stora efterfrågade volymer samt påvisar lägst genomsnittligt MAPE (18,4%) av samtliga grupper. Det går det även internt inom Grupp A att påvisa skillnader i GM-modellens träffbild då komponenterna A1 till A8, med variationsindex mellan 0,182 till 0,284, uppvisar lägre MAPE än komponenterna A9 till A16 med variationsindex mellan 0,287 till 0,361. A1 till A8 har ett genomsnittligt MAPE på 13,5% medan komponenterna A9 till A16 har ett genomsnittligt MAPE på 23,5%. Även detta stämmer överens med resonemang angående relationen mellan efterfrågefrekvens, efterfrågekvantitet och prognosavvikelser (Nahmias, 2013; Quintana & Leungs, 2007; Mattsson, 2013). Det genomsnittliga medelprognosfelet för komponenterna i Grupp A är -48, -0,05 % i en relativ synvinkel, vilket är acceptabelt baserat på den stora efterfrågan på komponenterna. Det inte går att påvisa några systematiska avvikelser. Även komponenterna i Grupp A:s individuella medelprognosfel är låga, vilket även de relativa medelprognosfelen visar. Jonsson och Mattsson (2011) menar att optimalt fungerande prognosmodeller har ett medelprognosfel på noll. Dock kan påståendet diskuteras. Exempelvis uppvisar komponent A16 det lägsta medelprognosfelet men har samtidigt det högsta MAPE-värdet i Grupp A. Vid optimalt fungerande prognosmodeller bör även MAPE-värdet vara lågt. För komponent A16 är fallet ej så och när den totalt prognostiserade efterfrågan (4 178) för komponenten ligger cirka enheter ifrån den verkliga efterfrågan (6 151) vill författarna poängtera att måttet medelprognosfel bör användas varsamt. Måttet bör fungera som en indikator vid höga medelprognosfel, vilket även Jonsson och Mattsson (2011) instämmer i. Ett lågt n-värde är enligt Nahmias (2013) fördelaktigt att använda när det finns en önskan att prognoserna ska reagera på slumpmässiga variationer i efterfrågan. För komponenterna i Grupp A är det genomsnittliga n-värdet 1,6 perioder, vilket är lägst för samtliga grupperna. Med tanke på komponenternas stabila efterfråga (lågt variationsindex) finner författarna att n-värdet på 1,6 är rimligt. Det genomsnittliga n- värdet för komponenterna i Grupp A ligger även nära det gemensamt optimal n-värdet på två (2). Det är dessutom fastslaget att variationen i efterfrågan är av slumpmässig karaktär och då efterfrågan är stabil finns det ingen risk att det låga n-värdet gör att 63

71 prognosen överreagerar på variationerna vilket hade genererat högre avvikelser. Resonemanget gör att teorin kan bekräftas. Resultat vid exponentiell utjämning Kod Opt. α MPF Rel. MPF MAPE Kod Opt. α MPF Rel. MPF MAPE A1 0, ,23% 12,8% A ,04% 21,0% A2 0, ,10% 14,0% A10 0, ,10% 21,8% A3 0, ,07% 10,7% A ,01% 20,0% A4 0, ,06% 13,8% A12 0, ,05% 23,6% A5 0, ,03% 14,7% A ,15% 24,6% A6 0, ,26% 11,0% A14 0, ,05% 23,7% A7 0, ,09% 16,6% A15 0, ,16% 26,1% A8 0, ,44% 14,0% A16 0, ,19% 31,3% Tot 0, ,14% 18,7% Tabell 15. Exponentiell utjämning för Grupp A, egenkonstruerad Även testerna av EU för Grupp A:s komponenter är överensstämmande med Quintana och Leung (2007), Mattsson (2013) och Nahmias (2013) resonemang rörande efterfrågefrekvensens, -variations och -kvantitetens inverkan på prognosavvikelser. Resultatet för EU är i det närmsta identiskt med GM-modellens utfall. Det här är helt i linje med Snyder et al. (2005) tankar om att justeringar av parametrarna i prognosmodeller bör vara tillräckligt för att uppvisa låga prognosavvikelser för högfrekventa artiklar. Nahmias (2013) menar att ett högt alfa-värde i EU-modellen lägger större vikt på närliggande perioder och gör att modellen snabbt reagerar på slumpmässiga variationer i efterfrågan. Grupp A:s genomsnittliga alfa-värde ligger på 0,69 vilket får betecknas som högt då Jonsson och Mattsson (2011) menar att alfa-värdet oftast hamnar i intervallet 0,1 till 0,3. Det är även det högsta alfa-värdet bland samtliga grupper. För komponenterna i Grupp A är efterfrågan stabil med slumpmässiga variationer vilket gör alfa-värdet rimligt likt resonemanget angående det låga n-värde i GM-modellen. Det genomsnittliga medelprognosfelet i Grupp A är -143, det relativa medelprognos felet på -0,14 % samt ett genomsnittligt MAPE på 18,7% vilket är det lägsta värdet bland grupperna för EU. Värdena är något högre än GM-modellens värden för Grupp A, men författarna menar skillnaderna är försumbara. Den största skillnaden finns i medelprognosfelet, dock är värdet för EU fortfarande lågt med tanke på den höga efterfrågade kvantiteten för Grupp A. Sammantaget gör det att studien anser att det 64

72 genomsnittliga medelprognosfelet är acceptabelt och att inga systematiska avvikelser kan påvisas. Komponenterna A1 och A16 går emot strömmen vad gäller optimalt alfa-värde baserat på deras efterfrågestruktur. I jämförelse med resterande komponenter i Grupp A, som ligger i närheten av det genomsnittligt alfa-värdet 0,69, har dessa två komponenter ett individuellt alfa-värde på 0,01. En bidragande orsak tror författarna vara det simulerade ingångsvärdet (juni 2012) i EU-prognosen som är den genomsnittliga efterfrågan perioder januari till maj. Det är en kraftig ökning i komponenternas verkliga efterfrågan för period juni 2012 som sedan sjunker under efterföljande period augusti 2012 och framåt. När sedan efterfrågan för augusti 2012 prognostiseras, viktar EU-modellen prognosen för juni 2012 högre än den verkliga efterfrågan för samma period (lågt alfavärde) eftersom prognosen är närmre den verkliga efterfrågan för augusti 2012 än den verkliga efterfrågan för juni 2012 (Se bild 15) Om prognostestet utförs över en längre tid än 14 perioder hade ingångsvärdet fått en mindre betydelse och ett högre alfa-värde hade troligtvis gett mindre prognosavvikelser Bild 15. Simulerat ingångsvärde för A1 och A16 65