Efterfrågeprognoser. En jämförelse av prognosmodeller med avseende på FMCG-marknaden

Transkript

1 Efterfrågeprognoser En jämförelse av prognosmodeller med avseende på FMCG-marknaden My concern is with the future since I plan to spend the rest of my life there - C. F. Kettering Författare: Jonathan Mokhtar Marcus Larsson Martin Westman Handledare: Roger Stokkedal Examinator: Åsa Gustavsson Termin: VT14 Ämne: Logistik Nivå: Kandidat Kurskod: 2FE02E

2 Abstract Title: Efterfrågeprognoser En jämförelse av prognosmodeller med avseende på FMCGmarknaden, Demand forecasting A comparison of forecasting methods regarding the FMCG-market Tutor: Roger Stokkedal Examinator: Åsa Gustavsson An organization must manage its resource consumption and material flows in order to satisfy the demand of its products as efficiently as possible. Managing of the aforementioned requires a balance between the organizations resources (such as the capability of distribution and production) and the market demand. According to Gardner (1990), an estimation of future demand is a necessity for maintaining the balance. An instrument that is used frequently to estimate future demand is demand forecasting. The demand forecasting practice has been thoroughly studied and a plethora of academic contributions exist on the topic. However, a best practice demand forecasting method does not exist for every kind of product. The purpose of this paper is to identify which time series forecasting method that will result in the lowest error rate on fast moving consumer goods. The methods are based on sales data of 18 articles from the company Coca-Cola Enterprises Sverige AB which predominantly sells soft drinks. The majority of the theoretical framework is time series models presented by the authors Stig-Arne Mattsson, Patrik Jonsson and Steven Nahmias. The paper identifies Exponential smoothing with individual input variables as the forecasting method with the lowest error rate. The method gave the lowest possible error rate on over 55 percent of the articles. In addition, the combined error rate of the articles using Exponential smoothing with individual input variables gave the lowest overall error. Keywords: Fast Moving Consumer Goods, FMCG, objective forecasting method, Time series, demand forecasting I

3 Förord Vi vill främst tacka Coca-Cola Enterprises Sverige AB och Paulina Engerberg för välkomnandet av ett samarbete och deras bidrag av information under arbetets gång. Utan informationen hade uppsatsen inte varit möjlig att genomföra. Vi vill även tacka vår handledare Roger Stokkedal som inspirerade oss att skriva vår kandidatuppsats om prognostisering. Vi har även uppskattat expertisen samt åsikterna vi erhållit vid våra möten. Ett tack riktas också till examinatorn Åsa Gustavsson för åsikterna och idéerna som vi fått ta del av på samtliga seminarium. Oppositionsgrupperna ger vi en eloge för kontinuerliga förbättringsförslag och synpunkter på uppsatsen under arbetets gång. Sist men inte minst vill vi tacka samtliga författare och forskare som gjort ett bidrag inom ämnet prognostisering. Växjö Jonathan Mokhtar Marcus Larsson Martin Westman II

4 Innehåll 1 Inledning Bakgrund Fast Moving Consumer Goods Coca-Cola Enterprises Sverige AB Problemdiskussion Problemformulering Syfte Begränsningar Förkortningar Disposition Metod Vetenskapligt synsätt - Positivism Vetenskapligt angreppssätt - Deduktion Forskningsmetod - Kvantitativ Datainsamling Författarnas teoretiska datainsamling Författarnas empiriska datainsamling Undersökningsdesign Urval Relation till fallföretaget Replikerbarhet Generaliserbarhet Forskningsetiska övervägande Sammanfattning av metodval Arbetsgång och Gantt-schema Teori Fast Moving Consumer Goods Prognoser Objektiv prognos Tidsserieanalys Prognosfel Efterfrågevariationer i försörjningskedjor Empiri Databearbetningsverktyg III

5 5.1 Kodning Kontroller för justering Problemlösaren Beräkning av trend Analys Val av prognosmodell Val av prognosfelsmodell Efterfrågemönster Glidande medelvärde med gemensamt N Optimala N för individuella artiklar med Glidande medelvärde Exponentiell utjämning med gemensamt α Optimala α för individuella artiklar vid Exponentiell utjämning Quintanas filter Dubbelt glidande medelvärde med gemensamt N Optimala N för individuella artiklar vid Dubbelt glidande medelvärde Dubbel exponentiell utjämning med gemensamt α och β Optimala α respektive β för individuella artiklar vid Dubbel exponentiell utjämning Slutsats Resultat Egna reflektioner Kritik till eget arbete Förslag till vidare forskning Källförteckning Böcker Artiklar Elektroniska källor Bilaga 1...USB-lagringsenhet IV

6 Figurförteckning Figur 1: Disposition... 5 Figur 2: Sammanfattning metodval (Egen illustration) Figur 3: Gantt-schema (Egen illustration) Figur 4: Teori (Egen illustration) Figur 5: Sammanfattning FMCG (Marknadsföring: teori, strategi och praktik, Kotler, Armstrong & Parment 2013, s. 274) Figur 6: Förstärkning av variationen i efterfråga (Effektivisering av materialflöden i Supply Chains, s.29) Figur 7: Utdrag ur original-excel-fil från Coca-Cola Enterprises Sverige AB (se bifogad fil) Figur 8: Kodning av data (Egen illustration) Figur 9: Kontroller för N (Egen illustration) Figur 10: Justering av N-värden, N=3 (Egen illustration) Figur 11: Justering av N-värden, N=5 (Egen illustration) Figur 12: Problemlösaren Figur 13: Trendberäkning för DGM (Egen illustration) Figur 14: Analys (Egen illustration) Figur 15: Sammanfattning av prognosmodeller (Egen illustration) Figur 16: Val av prognosfelsmodell (Egen illustration) Figur 17: Försäljning på 52 veckor (Egen illustration) Figur 18: Variationskoefficient på artiklarna (Egen illustration) Figur 19: Mått på PAMPF, GM med gemensamma inmatningsvariabler (Egen illustration) Figur 20: GM (8), Artikel XII (Egen illustration) Figur 21: GM (8), Artikel IV (Egen illustration) Figur 22: Optimala N vid Glidande medelvärde (Egen illustration) Figur 23: Optimalt N för Artikel VIII med GM (Egen illustration) Figur 24: Optimalt N för Artikel IV med GM (Egen illustration) Figur 25: Mått på PAMPF, EU med gemensamma inmatningsvariabler (Egen illustration) Figur 26: EU (0,2). Artikel IX (Egen illustration) Figur 27: Optimala alfa vid Exponentiell utjämning (Egen illustration) Figur 28: Optimalt α för Artikel XII med EU (Egen illustration) Figur 29: Optimalt α för Artikel IV med EU (Egen illustration) Figur 30: Mått på PAMPF, DGM med gemensamma inmatningsvariabler (Egen illustration) Figur 31: Optimala N vid Dubbelt glidande medelvärde (Egen illustration) Figur 32: Optimalt N för Artikel VIII med DGM (Egen illustration) Figur 33: Optimalt N för Artikel IV med DGM (Egen illustration) Figur 34: Optimala alfa vid Dubbel exponentiell utjämning (Egen illustration) Figur 35: Optimalt α och β för Artikel XII med DEU (Egen illustration) Figur 36: Optimalt α och β för Artikel I med DEU (Egen illustration) Figur 37: Sammanfattning prognosmodeller (Egen illustration) V

7 Formelförteckning Formel 1: Glidande medelvärde Formel 2: Additiv trend Formel 3: Trenden i dubbelt glidande medelvärde Formel 4: Dubbelt glidande medelvärde Formel 5: Exponentiell utjämning Formel 6: Trend i dubbel exponentiell utjämning Formel 7: Dubbel exponentiell utjämning Formel 8: Quintanas filter Formel 9: Förklarad Quintanas filter Formel 10: Trippel exponentiell utjämning Formel 11: S(t) i trippel exponentiell utjämning Formel 12: Multiplikator i trippel exponentiell utjämning Formel 13: Medelprognosfel Formel 14: Absolut medelprognosfel Formel 15: Medelkvadrerat prognosfel Formel 16: Procentuellt medelprognosfel Formel 17: Procentuellt absolut medelprognosfel VI

8 1 Inledning Kapitlet inleds med en bakgrundsbeskrivning av ämnet logistik och dess koppling till prognostisering. Vidare beskrivs kortfattat produktkategorin FMCG och fallföretaget Coca- Cola Enterprises Sverige AB. Problemdiskussionen beskriver problem som finns med prognostisering och mynnar sedan ut i en problemformulering samt uppsatsens syfte och begränsningar. 1.1 Bakgrund Enligt Jonsson och Mattsson (2012) syftar logistiken till att styra resursförbrukning och materialflöden så att efterfrågan på företagets produkter kan tillfredsställas så effektivt som möjligt. För att kunna göra detta krävs en balans mellan företagets tillgångar och marknadens efterfrågan. Med företagets tillgångar avses till exempel distributions- och produktionskapaciteten och tillgången på material. För att kunna styra balansen effektivt krävs således att företaget förstår den framtida efterfrågan till en rimlig nivå (Jonsson och Mattson, 2012). Gardner (1990) menar att en förståelse av framtida efterfrågan är en förutsättning för att kunna styra en sådan balans effektivt. Enligt Jonsson och Mattsson (2012) finns två sorters processer vid administrationen av efterfrågan, kundorderprocesser och prognosprocesser. Kundorderprocessen behandlar den kända delen av efterfrågan och prognosprocessen den okända efterfrågan som måste uppskattas. Med kundorderprocess avses den del av efterfrågan som motsvaras av de ordrar som företaget fått in från kunder. Den delen av efterfrågan är känd för företaget och behöver inte beräknas. Med prognosprocessen avses den del av efterfrågan som ännu inte uppstått. Denna del är okänd och måste uppskattas. Enligt Gardner (1990) leder fel i sådana uppskattningar till skillnader i företags tilltänkta och faktiska servicegrad. För att undvika dessa problem använder sig företag av prognoser som ett verktyg för att förutsäga den okända delen av efterfrågan. Nahmias (2013) menar att all planering i företag är baserad på prognoser, vare sig det handlar om försäljning av befintliga och framtida produkter, behov av råmaterial eller internationella politiska beslut som kan påverka framtiden. Enligt Jonsson och Matsson (2012) kan företag med hjälp av efterfrågeprognoser anpassa inköp, produktion och lager efter det behov som finns. Genom att anpassa produktion och lager kan företag minska sin kapitalbindning, sänka kostnader samt få högre servicegrad och 1

9 därmed förbättra sin lönsamhet (Jonsson & Mattson, 2012; Fildes & Goodwin, 2007). Enligt Zotteri (2007) är det främst företag som strävar efter att reducera kostnader, då i form av lagerreducering, som är i störst behov av prognoser, medan företag som har större fokus på kvalitet och säkerhet inte har lika stort behov. Både inom forskning och praktik är prognoser på efterfrågan ett vanligt förekommande ämne (Zotteri, 2007). Winklhofer (1996) menar att prognostisering är en väsentlig del av ett företags beslutsfattande och bidrar till att minska osäkerheten. Prognoser are important inputs into almost all decisions affecting the future of the organization (McLaughlin, 1979, s. 17). Enligt Winklhofer (1996) är en anledning till att prognostisering fått ökad betydelse den ökande komplexiteten hos företag, exempelvis förändringar inom teknologin, vilket medför ökad komplexitet i de beslut som måste tas. En annan anledning kan vara att prognosmodellerna utvecklas och det leder till att förståelse och användarvänlighet ökar. Nahmias (2013) håller med om att osäkerhet är en anledning till att använda sig av prognostisering. Eftersom företag i förhand inte kan förutsäga hur framtida efterfrågan ser ut används prognoser som ett verktyg för att uppskatta den. 1.2 Fast Moving Consumer Goods Produkter delas ofta upp i olika produktkategorier beroende på deras egenskaper och varaktighet. Tre vanliga kategorier en produkt kan delas in i är tjänst, kapitalvara och konsumtionsvara. En produkt som går under benämningen fast-moving consumer goods (hädanefter kallat FMCG) klassas som en konsumtionsvara. FMCGs är främst dagligvaruprodukter som drycker och matvaror. Från ett slutkundsperspektiv karaktäriseras en FMCG av att införskaffas frekvent till ett lågt pris samtidigt som det är ett lågt engagemang att införskaffa produkten. Ett exempel är att en slutkund sällan har i syfte att endast införskaffa en hygienartikel vid ett inköpstillfälle, det är snarare en produkt som införskaffas samtidigt som andra lågvärdiga produkter. Ur ett företagsperspektiv karaktäriseras en FMCG av stora volymer, låga marginaler, omfattande distributionsnätverk samt hög lageromsättning (Majumdar, 2006). 1.3 Coca-Cola Enterprises Sverige AB Coca-Cola Enterprises Sverige AB är ett dotterbolag till Coca-Cola Enterprises som i sin tur ägs av moderbolaget Coca-Cola Enterprises Inc. Coca-Cola Enterprises Sverige AB har 756 anställda med en omsättning på 2.9 miljarder kronor och en försäljningsvolym på ca 383,4 2

10 miljoner liter dryck. Företaget tillverkar, distribuerar, marknadsför och säljer internationellt kända varumärken i Sverige. Coca-Cola Enterprises Sverige AB har sitt huvudkontor och produktion i Jordbro. Produktionsanläggningen räknas som en av de modernaste i Europa och producerar dagligen ca 1 miljon liter dryck. Försäljning av varumärkena sker till företagskunder som agerar inom exempelvis dagligvaruhandeln och hotell- och restaurangbranschen. Företaget erbjuder även uthyrning och försäljning av dryckesautomater. Coca-Cola Enterprises Sverige AB är marknadsledande i Sverige på läsksegmentet och utgör över 50 % av marknaden. Den största delen av försäljningen som sker är av drycken Coca- Cola, men andra dryckeskategorier som juice och energidrycker växer i efterfrågan (Coca- Cola Enterprises Sweden AB). 1.4 Problemdiskussion Trots att prognostisering är en viktig del av ett företags beslutsfattande och har fått en ökad betydelse med åren (Winklhofer, 1996) finns det problematik med prognostisering. En felaktig prognos skapar obalans mellan företagets tillgångar och efterfrågan. I prognostiseringsarbetet i företag finns det möjlighet till kostnadsreducering i flera delar av företaget då efterfrågeprognoser är en integrerad del av planeringsarbetet. Enligt Nahmias (2013) är en efterfrågeprognos nästan alltid fel, men ju mer prognosen liknar verkligheten, desto större kostnadsreduceringar kan möjliggöras. Prognoser kan vidare räknas som ett viktigt verktyg i konkurrensen mellan företag då bättre prognoser möjliggör samma utbud med en högre kunderservice. Konsekvenser av mindre träffsäkra prognoser är sämre kundservice samt högre kostnader för företaget (Fildes & Goodwin, 2007). I producerande företag ökar dessutom kostnader i produktionen då resurser används på ett ineffektivt sätt (Diamantopoulus, 1999). En prognos måste ta hänsyn till kunders behov vid givna tidpunkter och platser. Eftersom det är svårt att fullt ut förstå kunders behovsmönster kan olika modeller användas, både subjektiva och objektiva (Martin, 2008). Enligt Martin (2008) har prognostisering blivit en mer komplicerad uppgift för företag eftersom de strävar efter att tillfredsställa allt större marknader med kulturella skillnader. I studier av olika prognosmodeller som används råder ingen konsensus om vilken modell som skapar bäst resultat (Zotteri, 2007). Detta beror på att de olika prognosmodeller som finns kommer ge olika resultat beroende på vilken situation och i vilken bransch de används inom. 3

11 Uppsatsen behandlar FMCG-marknaden och med hjälp av data från Coca-Cola Enterprises Sverige AB undersöks vilken prognosmodell som genererar minst avvikelser mot det verkliga utfallet. 1.5 Problemformulering Vilken prognosmodell ger minst avvikelse på efterfrågan i FMCG-marknaden? 1.6 Syfte Syftet med uppsatsen är att identifiera vilken prognosmodell som ger minst avvikelse mot verkliga utfallet på artiklar inom FMCG-marknaden. 1.7 Begränsningar Författarna använder sig av objektiva prognosmodeller. Samtliga prognosmodeller är av tidsseriekaraktär. 1.8 Förkortningar DEU - Dubbel Exponentiell Utjämning DGM - Dubbelt Glidande Medelvärde EU - Exponentiell Utjämning FMCG - Fast Moving Consumer Goods GM - Glidande Medelvärde KMPF - Kvadrerat Medelprognosfel MAD - Mean Absolute Deviation (Absolut medelprognosfel) MPF - Medelprognosfel PAMPF - Procentuellt Absolut Medelprognosfel PMPF - Procentuellt Medelprognosfel QF - Quintanas Filter SEM - Säsongsberäkning med Enkelt Medelvärde TEU - Trippel Exponentiell Utjämning 4

12 1.9 Disposition Vetenskapligt synsätt Vetenskapligt angrepssätt Problemformulering Vilken prognosmodell ger minst avvikelse på efterfrågan i FMCG-marknaden? Positivism Metod Forskningsmetod Datainsamling Undersökningsdesign Deduktion Kvantitativ Primärdata Fallstudie Teori Studie av tidigare skrivna akademiska texter gällande prognoser och FMCG. Teorin bildar ramar för hur författarna analyserar empirin och hur de olika modellerna ska användas för försäljningsdatan. Sekundärdata Empiri Redogörelse av insamlat material som är föremål för undersökningen. Detta material består av försäljningsdata och intervju. Prognoser Objektiva modeller Tidsserier GM DGM EU DEU QF SME TEU Mätning av prognosfel Försäljningsdata från Coca-Cola Enterprises Sverige AB MPF MAD KMPF PMPF PAMPF Figur 1: Disposition Databearbetningsverktyg Empirin bearbetas enligt teorin i ett datorprogram. Analys Empiri jämförs mot teorin av författarna. Försäljningsdatan prognostiseras enligt prognosmodeller och utfallen värderas enligt prognosfelsberäkningar. Empiri Teori Slutsats Problemformuleringen besvaras med stöd utifrån teori, empiri och analys. Vilken prognosmodell ger minst avvikelse på efterfrågan i FMCG-marknaden? Resultat 5

13 2 Metod Kapitlet börjar med en beskrivning av de metodval som gjorts i uppsatsen. Vidare beskrivs tillvägagångssätt för insamling av teoretisk och empirisk data. Kapitlet avslutas med forskningsetiska överväganden och ett Gantt-schema. 2.1 Vetenskapligt synsätt - Positivism Författarna tillämpar ett positivistiskt synsätt i uppsatsen. Bryman och Bell (2005) menar att positivism kan beskrivas som en epistemologi, vilket innebär en kunskapsteoretisk uppfattning om vad som kan vara eller betraktas som accepterbar kunskap. Inom positivism skapas kunskap genom naturvetenskapliga metoder. Inom den hermeneutiska epistemologin är det centrala i forskning tolkning och förståelse. Sökandet efter en absolut sanning förekommer inte i samma utsträckning inom hermeneutiken som inom positivismen. En positivistisk epistemologi förespråkar att forskning ska ta ansats i naturvetenskapliga perspektiv, principer och metoder. Det kan vara svårt att exakt motivera vad som ryms inom positivismen, men Bryman och Bell (2005) menar att de flesta forskare är överens om följande kriterier: Riktig kunskap kan bara bekräftas via de mänskliga sinnena. Vetenskapen ska vara objektiv, det vill säga fri från subjektiva värderingar. Teorin ska generera hypoteser som kan prövas. Motivering till positivism som synsätt Eftersom uppsatsen syftar till att finna den, av ett visst urval, prognosmodell som ger minst avvikelse menar författarna att den bör kategoriseras som positivistisk. En objektiv bedömningen av vilken modell som ger minst avvikelse kommer ske. Matematiska beräkningar ligger till grund för de modeller som används och dessa kan betraktas som naturvetenskapliga. Vid val av vilken prognosmodell som är mest lämplig för ett företag kan viss tolkning och subjektivitet bli relevant, men i grunden kommer det avgöras av matematiska beräkningar. 2.2 Vetenskapligt angreppssätt - Deduktion Denna uppsats kommer anta ett deduktivt angreppssätt. Inom samhällsvetenskaperna är detta det vanligaste sättet att relatera teori till praktik. Oftast följer en deduktiv uppsats en linjär 6

14 process. Deduktion innebär att forskning sker med utgångspunkt i befintliga teorier som sedan ska leda fram till ett resultat genom en hypotes eller problemformulering. I en induktiv uppsats utgår forskaren från insamlad empirisk data och drar generaliserbara slutsatser för att sedan skapa ny teori (Bryman och Bell, 2005). I början av en deduktiv forskningsprocess gör forskaren en sammanställning av teorier för att sedan formulera en hypotes eller problemformulering. Därefter sker empirisk datainsamling på området. Det empiriska materialet analyseras sedan i förhållande till de teorier som använts, vilket leder fram till ett resultat och ställning tas till den hypotes eller problemställning som uppsatsen utgått från. Det finns dock exempel på när deduktiv forskning inte följer en linjär process. Anledningar till detta kan vara: Det har uppkommit ny teori eller nya resultat inom det område som forskningen behandlar. Hur relevant den insamlade empiriska datan är i förhållande till teorin kan visa sig först efter att insamlingen är gjord. Den insamlade datan är inte alltid kompatibel med den ursprungliga hypotesen eller problemformuleringen. I slutet av en deduktiv forskningsprocess ingår ofta en induktion eftersom de resultat som genereras blir till ny teori på området. Om den hypotes som formulerats accepteras av tidigare teori innebär det att den tidigare teorin styrks. Om hypotesen inte överensstämmer med tidigare teori kommer den tidigare teorin ifrågasättas (Bryman och Bell, 2005). Motivering till deduktion som angreppssätt Eftersom författarna i denna uppsats vill tillämpa befintliga prognosmodeller på insamlad data kan den beskrivas som deduktiv. Arbetsgången är linjär eftersom författarna först sammanställer metod och olika prognosmodeller, för att sedan jämföra och analysera modellerna genom tillämpning på den empiriska data som samlats in. De olika prognosmodeller som finns i litteraturen idag är anpassade efter olika typer av efterfrågan. Författarna söker svar på vilken modell som ger minst avvikelse för FMCG-produkter. Denna uppsats kommer bli ett bidrag till redan befintlig teori på området eftersom slutsatsen blir till ny teori. Dock ligger tyngdpunkten i uppsatsen på att utgå från redan befintlig teori, varför deduktion kan beskriva angreppssättet. 7

15 2.3 Forskningsmetod - Kvantitativ Inom forskning görs ofta skillnad mellan kvantitativ och kvalitativ metod. Termerna används för att beskriva på vilket sätt forskning utförs. Denscombe (2005) menar att en tydlig gränsdragning mellan de två kan vara svår att göra. Dels för att forskning sällan helt uteslutande bygger på det ena eller andra tillvägagångssättet utan snarare inslag från båda, dels är gränsdragningen väldigt förenklad i teorin då förutsättningarna för de båda ofta överlappar varandra. Denscombe (2005) menar vidare att skillnaden mellan ett kvantitativt och kvalitativt tillvägagångssätt främst beskrivs av hur data behandlas. Skillnaden görs i ett antal antaganden som kan beskrivas på följande sätt: I kvantitativ forskning uppfattas ofta siffror som den viktigaste analysenheten, till skillnad från kvalitativ forskning där det istället är ord eller bilder. Kvantitativ forskning syftar ofta till att beskriva samband eller jämförelser, till skillnad från kvalitativ forskning som handlar om att skapa förståelse för mer komplexa företeelser, exempelvis beteendemönster hos människor. I kvantitativ forskning finns ofta ett specifikt fokus, medan ett mer holistiskt perspektiv brukar tillämpas inom kvalitativ forskning. I kvantitativ forskning frigörs en viss del eller faktor från en helhet för att studera den. I kvantitativ forskning strävar forskaren efter att stå så opartisk som möjligt i förhållande till det som studeras, medan en kvalitativ forskare ofta integreras med det som studeras. Meningen med kvantitativ forskning är att få fram objektiv data, vilket är lättare om forskaren distanserar sig från forskningsobjektet. Det som studeras är inte beroende av forskaren utan existerar oavsett forskarens närvaro. Motivering till kvantitativ metod Uppsatsen utgår från de kvantitativa antaganden som nämns ovan. Det viktigaste i analysen utgörs av siffror och mätbara variabler. Olika prognosmodeller används och jämförs med varandra. Författarna väljer att frigöra en del av prognosfunktionen från övriga delar i fallföretaget och undersöker enbart de numeriska faktorer som funktionen påverkas av. Hänsyn kunde också tagits till andra funktioner i företaget som exempelvis marknadsavdelningen och väga in dess åsikter. I uppsatsen är den data som samlats in objektiv och manipuleras inte av att den används i matematiska analyser. 8

16 2.4 Datainsamling Datan som samlas in under en forskningsprocess kan vara antingen primärdata eller sekundärdata. Primärdata samlas in genom exempelvis enkäter, intervjuer och observationer för en eller flera forskares egna syften. Datan samlas in för att besvara den egna frågeställningen eller problemformuleringen. Sekundärdata är data som samlats in i ett annat syfte, men kan användas i andra forskares arbeten (Bryman och Bell, 2005) Författarnas teoretiska datainsamling Den teoretiska data som samlats in kommer från vetenskapliga artiklar och litteratur i ämnet. För att hitta relevanta artiklar och litteratur har sökmotorn OneSearch använts med sökorden forecast*, prognos*, FMCG och forecasting error. En annan källa till teori är tidigare uppsatser på ämnet prognostisering. Vid urval av vilka prognosmodeller författarna valt att använda sig av, och begränsa sig till, utgick de ifrån vetenskapliga artiklar och litteratur som hittats. De modeller som författarna funnit mest frekventa och relevanta är de som använts Författarnas empiriska datainsamling Den empiriska data som samlats in är delvis sekundärdata och innefattar försäljningsstatistik från Coca-Cola Enterprises Sverige AB. Av sekundärdatan utförs en sekundäranalys. Den andra delen av data är primärdata som samlats in med hjälp av intervjuer. Intervjuerna som utförs är semi-strukturerade Sekundäranalys Insamling av data i form av exempelvis enkäter och observationer är tidskrävande och under långa perioder kostsamma (Bryman och Bell, 2005). Det kan även vara svårt att samla in viss information utan att vara delaktig i en organisation. Då kan det vara lämpligt att använda sig av andra forskares och företags datainsamling, rapporter och forskning. Om andra forskares och organisationers information kan användas som data i uppsatsen kan forskaren spara både tid och resurser på att använda sig av den. När detta är möjligt kan en sekundäranalys bli aktuell. I en sekundäranalys används data som inte samlats in av forskaren. Datan har även haft ett annat syfte än att användas till området som forskaren tänkt använda den till. Det finns flera fördelar med en sekundäranalys utöver att det kan spara tid och resurser. 9

17 Exempel på några fördelar som Bryman och Bell (2005) beskriver är: Data av hög kvalitet: Data som kan användas i sekundäranalyser har ofta en hög kvalitet. Vad som menas med hög kvalitet är till exempel noggranna urvalsprocedurer, urvalen täcker stora områden, ofta nationella samt att datan behandlats av rutinerade och kunniga forskare. Mer tid till analysen av data: Eftersom insamling av data tar tid, och att detta till stor del elimineras i en sekundäranalys, frigörs tid som kan läggas på analysen av datan. Mer omfattande förpliktelser för företagsekonomer: En stor del av resultat som härstammar från företagsekonomiska studier är underutnyttjade och inte färdiganalyserade. Detta eftersom forskare kan fokusera på att datan som samlats in ska analyseras utifrån deras frågeställning. Att göra den insamlade datan tillgänglig för andra forskare gör att datan kan utnyttjas i högre grad. Även fast sekundäranalyser har stora fördelar har den också begränsningar. Forskare bör vara medveten om begränsningarna i arbetet med en sekundäranalys. Exempel på begränsningar som Bryman och Bell (2005) beskriver är: Inte bekant med materialet: Det tar tid att förstå data. Har en annan forskare eller organisation samlat in datan kan det saknas kännedom om strukturen på den, hur den kodats och vilka variabler som använts. Tid kan därför behöva läggas på att lära känna materialet. Ingen kontroll på datamängdens kvalitet: Eftersom datainsamlingens primära syfte var till något annat, och ofta kan antas ha en tillräckligt god kvalitet, så finns det en risk att datan inte täcker alla de behov som kan uppstå för en forskare som gör en sekundäranalys. Alla datamängder har dessvärre inte den nödvändiga kvaliteten och vid behandling av mindre kända datainsamlingar kan en kontroll av kvaliteten behövas. Denna kontroll kan göras genom att pröva datainsamlingens validitet och reliabilitet. 10

18 Datan som används i denna uppsats härstammar från företaget Coca-Cola Enterprises Sverige AB. Datan är ett utdrag ur företagets affärssystem och datainsamlingen har skett automatiskt. På grund av Coca-Cola Enterprises Sverige AB har inte bara tillgång till information direkt ur affärssystemet sparat tid och resurser, utan även gjort uppsatsen möjlig och genomförbar då informationen inte hade kunnat samlas in på något annat realistiskt sätt. Datans roll i företaget är att visa den totala försäljningsvolymen för år 2013, vecka för vecka, och kan jämföras med tidigare år. Författarna avser använda datan för att identifiera den prognosmodell som genererar minst avvikelse mot verklig efterfrågan. Datan har samlats in av företaget och räknas följaktligen som sekundärdata i uppsatsen Intervjuer En betydelsefull och vanligt förekommande företeelse för datainsamling i både kvalitativ och kvantitativ forskning är intervjuer. Det finns olika sorters intervjuer, som till exempel strukturerade eller öppna intervjuer. Under en strukturerad intervju diskuteras ett ämne utifrån redan existerande frågor. I en öppen intervju tillåts respondenten prata öppet om en specifik händelse (Bryman och Bell, 2005). Det finns fördelar med en strukturerad intervju. För att nämna en är det enklare att analysera svar utifrån standardiserade frågor. När frågor utformas till en strukturerad intervju måste tanke läggas på problemformuleringen då det är problemformuleringen som ska besvaras (Bryman och Bell, 2005). Det är av betydelse att beskriva undersökningens syfte för respondenten för att ge en anledning till varför den bör delta i undersökningen. Exempel på information som ska förklaras till respondenten innan intervjun är: Vem intervjuaren är och intervjuarens roll i undersökningen Vilka eller vem står för forskningen, exempelvis universitet eller organisation Undersökningens syfte och vilken information som undersökningen kommer samla in Det finns fler exempel på information som ska ges ut, och mycket av informationen är relaterad till forskningsetiska överväganden som nämns under rubrik 2.9. Exempel som belyser denna punkt är undersökningens syfte, förklara att deltagande är frivilligt, erbjuda respondenten anonymitet och att svaren inte kommer kunna identifieras på individnivå. 11

19 Intervjudelen i uppsatsen kommer bygga på semi-strukturerade intervjuer. En semistrukturerad intervju karaktäriseras av att intervjuaren har större utrymme att ställa följdfrågor till respondenten på svar som är viktiga och centrala för besvarande av problemformuleringen. Frågorna i en semi-strukturerad intervju brukar vara allmänt uttryckta vilket ger respondenten större utrymme för personlig tolkning. 2.5 Undersökningsdesign Enligt Denscombe (1998) kännetecknas en fallstudie av att den endast inriktar sig på ett enda fall. Målsättningen med en fallstudie är att genom undersökning av ett enskilt fall säga något om det generella. Fallet som studeras är oftast en redan befintlig företeelse, och skapas inte i forskningens syfte. Fallet existerar innan forskningen påbörjas och förmodligen också efter det att forskningsprojektet avslutats. En fördel med fallstudiedesign är dess obundenhet till en specifik forskningsmetod. Tvärtom är fallstudiedesignen förenlig med flera olika forskningsmetoder. Vid val av fall för fallstudien är en vanlig motivering att forskningsobjektet ska vara typiskt i sin kategori. Detta för att resultatet av studien ska kunna användas i andra fall. Om fallet liknar andra fall inom kategorin ökar chansen att resultatet kan generaliseras till hela kategorin (Denscombe, 1998). Uppsatsen har endast en empirisk informationskälla och kan betecknas som en fallstudie. Författarna menar att fallet Coca-Cola Enterprises Sverige AB är en tillräckligt stor aktör för att kunna räknas som ett typiskt fall. Följaktligen bör chansen att generalisera resultaten öka. 2.6 Urval Författarna påbörjade processen att hitta ett fallföretag genom brainstorming av företag med varor inom FMCG-marknaden. Därefter gjordes sökningar på webbtjänsten LinkedIn på anställda vid dessa företag. Sökord som användes var "forecast*", "logistik*" och "prognos*" i syfte att finna anställda med kompetensen att förstå vad som ämnades utföras med uppsatsen. Sedan kontaktades företagens växelenheter för att bli kopplade till de på förhand utvalda anställda. De kontaktpersoner som tackade nej till att vara fallföretag tillfrågades om de visste något annat företag samt kontaktpersoner inom FMCG-branschen som skulle kunna vara relevant för uppsatsens ämne. Dessa nya kontaktpersoner kontaktades på samma sätt. 12

20 Det företag som tackade ja till att delta som fallföretag var Coca-Cola Enterprises Sverige AB där Paulina Engerberg blev kontaktperson. Engerberg är anställd som forecast manager hos företaget. Efter första kontakten genom telefon skedde kontakten genom e-post. Engerberg tillhandahöll försäljningsdata från Coca-Cola Enterprises Sverige AB för 2013 för 18 artiklar. Coca-Cola Enterprises Sveriges ABs varor karaktäriseras av de drag som FMCG-varor har, det vill säga konsumtionsvaror med låg marginal samt hög lageromsättningshastighet. 2.7 Relation till fallföretaget. Författarna anser sig vara del av Coca-Colas slutkunder eftersom de regelbundet köper företagets varor. Det kan ses som att författarna har en subjektivt positiv bild av företaget. Personliga relationer saknas med anställda på Coca-Cola Enterprises Sverige AB. 2.8 Replikerbarhet Som nämnts tidigare vill forskare med positivistiskt synsätt ofta tillämpa naturvetenskapliga metoder. Inom naturvetenskapen vill forskare minimera risken för att deras egna åsikter och värderingar styr forskningsresultaten. Det är eftersträvansvärt att skapa slutsatser som ger en neutral bild av verkligheten, och därför undviks metoder som skapar skevheter och bristande objektivitet. För att i efterhand kunna kontrollera om ett forskningsresultat är trovärdigt och hållbart, och därmed ger en neutral bild av verkligheten, vill forskare kunna replikera en forskningsprocess för att se om samma resultat uppnås igen. Om samma resultat inte kan uppnås finns det risk att forskningen utförts på ett sätt som inte kan räknas som hållbart (Bryman & Bell, 2005). Eftersom ett positivistiskt synsätt tillämpas i uppsatsen strävar författarna efter de ideal som nämns i stycket ovan. Författarna vill att resultatet som skapas är objektivt för att kunna räknas som hållbart. Den data som används kommer inte förändras med tiden och kan betraktas som konstant. Författarna strävar efter att samma undersökning ska kunna göras igen för att styrka resultatet i efterhand. Av denna anledning motiveras de val som görs under uppsatsens gång detaljerat. 13

21 2.9 Generaliserbarhet Att generalisera innebär att dra slutsatser kring en grupps eller kategoris beskaffenhet med utgångspunkt i forskning som gjorts på ett urval ur gruppen eller kategorin. Inom samhällsvetenskaperna använder sig forskare av generaliseringar för att kunna generera teorier på specifika områden. För att möjliggöra generalisering ska urvalet antingen vara representativt för den kategori som forskaren vill skapa kunskap om eller ha särskilda egenskaper som är signifikanta för en analys av kategorin (Denscombe, 2005). Kategorin som undersöks i uppsatsen är produkter med egenskaper som ryms under begreppet FMCG. För att kunna dra slutsatser kring produkttypen kommer ett urval ur denna kategori undersökas. Urvalet består av 18 artiklar ur Coca-Cola Enterprises Sverige ABs sortiment. Eftersom företaget är en stor aktör på marknaden för FMCG-produkter menar författarna att generalisering utifrån de slutsatser som dras i uppsatsen är möjlig. De produkter som undersöks är av typisk FMCG-karaktär. Produkternas kategoritypiska egenskaper gör det därför möjligt att dra slutsatser som är trovärdiga Forskningsetiska övervägande Inom företagsekonomisk forskning finns etiska frågeställningar som bör beaktas under ett forskningsprojekt. De etiska frågeställningarna behandlar områden som integritet, konfidentialitet och frivillighet för personer inblandade i forskningen. Frågeställningarna ger alltså en ram för hur deltagare i undersökningar bör behandlas under forskningens gång men även vilket förhållningssätt forskaren bör ha till sin forskning. Exempel på principer som följs i svensk forskning är informationskravet, samtyckeskravet, konfidentialitets- och anonymitetskravet, nyttjandekravet samt falska förespeglingar (Bryman och Bell, 2005): Informationskravet betyder att personer som deltagit i undersökningen ska bli informerade om undersökningens syfte. De ska även få information om undersökningens moment. Samtyckeskravet innebär att försökspersoner ska veta att deras medverkan i en undersökning är frivillig och att de kan avbryta medverkan om de vill. Ifall minderåriga deltar bör godkännande från vårdnadshavare finnas. 14

22 Konfidentialitets- och anonymitetskravet innebär att alla uppgifter om inblandade personer i undersökningen ska behandlas med konfidentialitet. Exempel på uppgifter om inblandade personer är personnummer, vilket inte ska kunna nå ut till obehöriga. Nyttjandekravet kan ses som en fortsättning på konfidentialitets- och anonymitetskravet och säger att uppgifterna som samlas in från berörda personer endast får användas för forskningens ändamål. Falska förespeglingar innebär att forskaren inte får ge deltagarna i undersökningen vilseledande eller falsk information om undersökningen. Då etiska frågeställningar är en del av företagsekonomisk forskning har åtanke lagts på att anpassa uppsatsen efter de etiska principerna. Vid intervjuer kommer sekretess gälla rörande vem som intervjuas. De som intervjuas får grundlig information om uppsatsens ämne. Berörda personer av uppsatsen kommer få ta del av slutversionen. Det är även viktigt att de berörda personerna inte känner sig misstolkade eller förda bakom ljuset om uppsatsens syfte. Vidare är det av vikt att identifiera möjlig skada som uppsatsen kan ha på berörda personer och företag (Bryman och Bell, 2005). Författarna menar att den största risk som en deltagare kan utsättas för i uppsatsen är anställningstryggheten. Eftersom kontaktpersonen på Coca-Cola Enterprises Sverige AB fått klartecken från sin chef att få vara delaktig i uppsatsen tyder detta på att kontaktpersonen inte gör något som företaget anser vara fel. En annan risk är möjlig skada för berörda företag. Författarna har fått tillgång till 52 veckors försäljningsdata från år 2013 av Coca-Cola Enterprises Sverige AB för 18 artiklar ur företagets sortiment. För att försäkra Coca-Cola Enterprises Sverige AB om deras säkerhet kodades försäljningsdatan så att inga produktnamn var identifierbara. Detta var en godtagbar lösning för företaget och författarna fick tillgång till försäljningsdata. 15

23 2.11 Sammanfattning av metodval Nedan sammanfattas de metodval som gjorts. Vetenskapligt synsätt Vetenskapligt angreppsätt Forskningsmetod Empirisk datainsamling Teoretisk datainsamling Positivism Deduktion Kvantitativ Primärdata Sekundärdata Undersökningsdesign Artiklar, litteratur Semistrukturerade intervjuer Dataanalys Fallstudie Figur 2: Sammanfattning metodval (Egen illustration) 2.12 Arbetsgång och Gantt-schema Här följer en redogörelse av arbetsgången enligt ett Gantt-schema där detaljnivån är per vecka. I schemat beskrivs vilken prioritet de olika momenten har, hög eller medel. Detta är för att bättre beskriva vad som ska ligga till fokus när det finns mer än ett arbetsmoment under samma vecka. Vecka Sysselsättning 1 Val av ämne Inledningskapitel Empirisk datainsamling Metod Teori Bearbeta empiri Analys Resultat och slutsats 1 1 Inlämning av PM, seminarium Figur 3: Gantt-schema (Egen illustration) 1. Val av det ämnesområde som uppsatsen ska orientera sig inom. 2. Här skrivs inledningskapitlet med tonvikt på uppsatsens frågeformulering som sker utifrån tidigare ämnesval. 3. Här sker sökning av fallföretag samt kontakt av dessa. Insamling av data från fallföretaget rörande deras försäljning. 4. Under dessa veckor skrivs metodavsnittet som beskriver hur författarna ska gå tillväga i uppsatsen. Prioritet Hög 1 Medel 2 5. Samla in relevant teoretisk data för uppsatsens ämne. Till detta hör information om FMCG och prognosmodeller som är tillämpbara för denna produkttyp. Insamling sker 16

24 också av tillämpbara mått på avvikelser. Valet av modeller motiveras i teorikapitlet med teoretisk förankring. 6. Sammanställning och granskning av empiriskt material. De prognosmodeller samt avvikelsemått som finns i teorin bearbetas i datorprogrammet Excel. Med hjälp av den försäljningsstatistik som erhållits används prognosmodellerna för att i efterhand göra prognoser över år Analys av resultat från prognosmodellerna. Jämförelse sker av prognosmodellerna med hjälp av de avvikelsemått som samlats in. 8. Här presenteras uppsatsens resultat som besvarar frågeställningen. 17

25 Glidande Medelvärde Dubbelt Glidande Medelvärde Säsongsberäkning med Enkelt Medelvärde Exponentiell Utjämning Dubbel Exponentiell Utjämning Trippel Exponentiell Utjämning Quintanas Filter Medelprognosfel Absolut medelprognosfel Medelkvadrerat prognosfel Procentuellt medel-prognosfel Procentuellt absolut medelprognosfel 3. Teori Inledningsvis beskrivs produktkategorin FMCG och dess egenskaper. Kapitlet riktar sedan in sig på objektiva prognoser inom ramen tidsserieanalys. Ett flertal modeller som räknas dit samt hur dessa kan tillämpas nämns. Vidare diskuteras prognosfel och vilka olika modeller som vanligtvis används för att mäta dessa. Teori FMCG Objektiva prognosmodeller Prognoser Prognosfel Efterfrågevariationer i försörjningkedjor Tidsserier GM DGM SEM EU DEU TEU QF MPF MAD KMPF PMPF PAMPF Figur 4: Teori (Egen illustration) 3.1 Fast Moving Consumer Goods En produkt definieras som:...anything that can be offered to a market for attention, acquisition, use or consumption that might satisfy a want or need (Kotler, Armstrong & Parment, 2011, s. 271). Eftersom definitionen av vad som klassificeras som en produkt är bred kan en indelning av produkter göras. Produkter delas främst in i kategorier beroende på hur slutkunden förvärvar och förhåller sig till produkten, vilket även påverkar hur produkten marknadsförs och säljs (Kotler, Armstrong & Parment, 2013). Uppsatsen behandlar produktkategorin Fast Moving Consumer Goods, hädanefter kallat FMCG. FMCG har enligt Majumdar (2004) karaktäriserande drag för både slutkunder och företag. Från slutkunders synvinkel karaktäriseras en FMCG på följande sätt: Frekventa inköp: Slutkunden inhandlar produkten ofta. Produkten lagras inte i stora kvantiteter utan inhandlas när den behövs. Ett exempel på en sådan produkt är mjölk, som inhandlas frekvent och vars tillgänglighet gör att den inte behöver köpas i stora partier åt gången. 18

26 Lågt engagemang: Inhandlandet av en FMCG sker i stort sett alltid med ett lågt engagemang från slutkunden. Vid köp av ett mjölkpaket läggs lågt fokus på varumärke. Om olika varumärken av samma produkt existerar, och det prefererade varumärket inte är tillgängligt kan slutkunden tänka sig ett annat alternativ. En annan faktor som gör beslutet enklare för slutkunden är att en FMCG ofta har kraftig konkurrens och därför en stor variation av varumärken. Detta leder till fler valmöjligheter för slutkunden. Det finns undantag från regeln om lågt engagemang. Vissa FMCG, som exempelvis tobaks- och hygienartiklar, som besitter andra egenskaper av FMCG, har slutkonsumenters lojalitet där andra märken inte accepteras. Om en slutkund vänjer sig med ett specifikt schampo kan det vara svårt att ändra köpvanan. Lågt pris: En FMCG tenderar att vara lågt prissatt. En produkt kan emellertid upplevas som högt prissatt av slutkunden när den jämförs med andra FMCG. En relativ prisskillnad existerar därför inom FMCG-marknaden. Ur ett företagsperspektiv och även ur marknadsföringssyfte är karaktärsdragen enligt Majumdar (2004) följande: Stora volymer: FMCG-marknaden karaktäriseras av stora volymer. Ett exempel på detta är att en slutkund införskaffar två eller tre förpackningar i månaden, men detsamma gäller för andra slutkunder i området. För att tillfredsställa efterfrågan massproduceras artiklarna. För att en FMCG ska nå marknaden måste det garanteras stora försäljningsvolymer för distributören och det producenten. Låga marginaler: En FMCG förlitar sig på att säljas i stora volymer. Eftersom konkurrensnivån på FMCG-marknaden är intensiv kännetecknas artiklarna av låga marginaler. Det är inte ovanligt att artikeln säljs för ett pris som är nära dess produktionskostnad, vilket påverkar marginalerna som erbjuds till distributörerna. Omfattande distributionsnätverk: Omfattande distributionsnätverk är en nödvändighet för en FMCG. Anledningen härstammar från det faktum att slutkunden, i majoriteten 19

27 av fallen, inte fokuserar på varumärket. För att producerande och distribuerade företag ska garanteras försäljningsvolym behöver produkten nå hela marknaden. Hög lageromsättning: En FMCG tenderar att ha hög lageromsättning. Den höga lageromsättningen är en konsekvens av att produkten inhandlas frekvent av slutkunder. Figur 5: Sammanfattning FMCG (Marknadsföring: teori, strategi och praktik, Kotler, Armstrong & Parment 2013, s. 274) Eftersom FMCG-marknaden har egenskaper i form av massproducering och låga marginaler finns det särskilda tillväxtstrategier för tillverkande företag. Majumdar (2004) nämner exempelvis att företaget ska övervaka och förstå slutkundernas köpbeteende. 3.2 Prognoser Prognostisering är ett verktyg för att möjliggöra planering för produktion och materialflöden. För att prognostisering ska vara genomförbar behövs både information och bedömningar om exempelvis hur verksamheten kommer utvecklas i framtiden. Informationen och bedömningarna av verksamhetens utveckling används inte bara för framtida planering utan även för aktiva beslut i nutid. Det aktiva valet av att ett företag introducerar en ny produkt på en marknad kommer påverka företagets kapitalbindning, leveransförmåga och försäljningsförmåga under en längre tid (Jonsson & Mattsson, 2003). 20

28 Prognostisering i denna uppsats berör efterfrågan, vilket är en extern faktor som företag inte är fullt kapabla att kontrollera. Företag har dock möjlighet att påverka efterfrågan genom att kontrollera pris och rikta marknadsföringen (Jonsson & Mattsson, 2003). Företag kan använda prognoser för att underlätta taktiska, operativa och strategiska beslut. Vid prognostisering av efterfrågan är det främst operativa och taktiska beslut som kommer påverkas. Detta kan förklaras av att efterfrågan på en produkt eller produktgrupp är den avgörande faktorn för styrning av produktion samt materialflöden. Prognosen har effekt på resursanvändning och resursanskaffning för företag och påverkar således taktiska och operativa beslut (Jonsson & Mattsson, 2003) Objektiv prognos En objektiv prognos baseras på data från bland annat tidigare observationer från det fenomen som det ämnas skapas en prognos för. En sådan prognos kan även baseras på data som har påverkan på fenomenet. Subjektiva influenser har ingen påverkan på en objektiv prognos utfall (Nahmias, 2013) Tidsserieanalys En tidsserieanalys skapas enbart med hjälp av tidigare observationer. Syftet är att hitta ett mönster av tidigare observationer för att skapa en modell för framtida utfall. Enligt Nahmias (2013) finns olika typer av mönster: Trend: Innebär att observationerna följer ett samband som är tilltagande eller avtagande. En linjär trend visas som en grafiskt linjär funktion och ett icke-linjärt samband visas som en grafisk exponentiell funktion. Säsong: Innebär att de tidigare observationerna ses som ett mönster. Detta mönster är knytet till faktiska perioder som exempelvis att observationerna är mer förekommande på eftermiddagen än förmiddagen eller att de är mindre förekommande på hösten än på våren. 21

29 Cykel: Liknar säsonger. Skillnaden är att det inte finns några faktiska perioder som kan identifieras som fasta. Detta innebär att det inte går att beräkna i förhand när en cykel börjar eller slutar. Slumpmässighet: Innebär att observationerna inte uppvisar något samband Prognoser med glidande medelvärde En vanligt förekommande grupp av prognosmodeller är glidande medelvärden. Dessa modeller utgår ifrån N antal observationer från tidigare perioder, med inbördes jämna mellanrum, och väger samman dessa till en prognos för en kommande period (Nahmias, 2013). Glidande medelvärdesmodeller passar i första hand för prognostisering med kort tidshorisont (Mattsson, 2010). De tidigare observationer som används i modellerna uppdateras löpande i takt med varje ny period som undersöks. För varje ny observation kommer den äldsta observationen från förra periodens prognos att falla bort från beräkningen. Antalet observationer som tas med i beräkningen är konstant (Ali, 2012). De modeller som tas upp nedan är Glidande medelvärde och Dubbelt glidande medelvärde Glidande medelvärde Glidande medelvärde (GM) är den enklaste modellen i gruppen Glidande medelvärden. I modellen vägs alla tidigare observationer likvärdigt, det vill säga alla observationer påverkar den framtida prognosen lika mycket. Prognostisering kan ske med olika lång framförhållning, där minsta möjliga framförhållning är perioden innan. GM kan beskrivas på följande sätt (Nahmias, 2013): Formel 1: Glidande medelvärde där = Prognos = Given period = Antal tidigare perioder = Verkligt utfall 22

30 Vid användning av GM måste N bestämmas av användaren. För att tydliggöra vilket N som används kan detta nämnas i anslutning till modellnamnet vid användning, exempelvis GM(3). Valet av storlek på N påverkar utfallet av prognosen. Om GM(1) används, det vill säga N=1, kommer prognosen för kommande period att vara ett genomsnitt av en gången periods observation, vilket betyder att den kommer att vara exakt lika med den senaste periodens observation. Om GM(100) används kommer prognosen att vara ett genomsnitt av 100 gångna perioders observationer, och därmed röra sig mjukare. Ju mjukare mönster som önskas på prognosen, desto större N är nödvändigt (Makridakis, 1998). Mattsson (2010) beskriver det som att ett mindre N ger högre följsamhet vid systematiska variationer i observationerna, medan ett större N kommer ge en mer stabil prognos som inte överreagerar på variationer. Mattson (2010) anser att N=18 är lämplig för slumpmässig efterfrågan med stora och måttliga variationer. Ett problem med denna modell är att den inte hanterar trend eller säsongsvariationer (Makridakis, 1998). Om exempelvis en uppåtgående trend infinner sig kommer prognosen hela tiden släpa efter tidigare observationer, och bilda ett konstant glapp. Ju större N som används desto större blir skillnaden mellan prognos och observation (Nahmias, 2013). Även om GM anses vara väldigt enkel, menar Nahmias (2013) att den är vanligt förekommande, vilket även tidigare studier (Armstrong, 1984) och senare studier (Ali, 2012) på området visar. Ali (2012) menar att det beror på den enkla användningen, nivån av tillfredsställelse och att den är välkänd bland användare av prognosmodeller Dubbelt glidande medelvärde Pindyck & Rubinfeld (1998) samt Makridakis (1998) har framfört kritik mot GM för att den inte tar hänsyn till trender i en tillräcklig utsträckning. Enligt Mattsson (2010) kan detta problem motverkas genom trendkorrigeringar. En av dessa modeller är Dubbelt glidande medelvärde (DGM). Genom trendkorrigeringar kan skillnader mellan prognos och faktiska utfall minskas vid förekomst av en uppåt- eller nedåtgående trend. 23

31 Förenklat kan en additiv trend beskrivas som skillnaden mellan två på varandra följande prognoser: där: = Trend = Prognos = Given period Formel 2: Additiv trend Mattsson (2010) menar vidare att denna beräkning påverkas för starkt av slumpmässiga variationer i observationerna. Därför bör glidande medelvärde användas för att beräkna trender. En beräkning av detta slag kan beskrivas på följande sätt: där: = Trend = Given period = antal perioder i medelvärdesberäkningen Formel 3: Trenden i dubbelt glidande medelvärde För att kunna använda trendkorrigering tillsammans med glidande medelvärde krävs två tillägg utöver grundprognosen, det vill säga utöver GM. Med det ena tillägget kompenseras det glapp som uppstår vid användning av GM och beräknas som. Om beräkningen avser en period längre fram än den närmast följande behövs det andra tillägget. Det beräknas som antalet perioder gånger prognostiserad trend per period. Med båda tilläggen inräknade ser DGM ut på följande sätt: 24

32 Formel 4: Dubbelt glidande medelvärde där: = Prognos = Given period = Grundprognos GM = Trend, beräknad enligt stycket ovan = Antal beräkningsperioder innefattade i G = Antal perioder in i framtiden som prognosen avser Förutsättningar för Glidande medelvärden En grundläggande förutsättning för att använda sig av modeller med glidande medelvärden är att data för historiska observationer finns tillgänglig för minst det antal perioder som ansetts lämpliga, det vill säga storleken på N. Om prognostisering ska göras för nya artiklar eller artiklar där det saknas historisk data måste manuella bedömningar göras fram till en tidpunkt då data samlats in (Mattsson, 2010) Exponentiell utjämning = Prognos = Given period = Utjämningskonstanten = Verkligt utfall Formel 5: Exponentiell utjämning Exponentiell utjämning (EU) är en av de mest använda tidsseriemodellerna. Modellen utgörs av den senaste prognosen samt den senaste utfallet och dessa vägs sedan samman för att bilda en prognos för nästa period. Hur dessa vägs, vad som har största inverkan för prognosen, avgörs genom en utjämningskonstant (Mattsson 2010). 25

33 I en undersökning av Ali (2012) beskrivs Exponentiell Utjämning som en vanligt använd modell. Enligt Nahmias (2013) är anledningen att EU är simpel att implementera och att den inte driver några stora kostnader. Armstrong (1984) menar att skillnaden mellan EU och mer komplexa modeller är hårfin och att skillnaden i resultaten är försumbara Utjämningskonstant Utjämningskonstantens storlek avgör i vilken utsträckning tidigare utfall påverkar prognosen. Detta avgör hur responsiv prognosen är med avseende av förändringar i efterfrågan. Utjämningskonstanten är mellan 0 och 1. Ett högt värde innebär att det senaste utfallet får en hög vägning och ett lågt värde innebär att den senaste prognosen får en hög vägning. I och med att tidigare prognoser återanvänds genom denna modell så beskriver utjämningskonstanten även hur stor betydelse tidigare prognoser har i uträkningen. Om beräkningen har en utjämningskonstant som är 0,5 så kommer det senaste utfallet ges 50 % vägning, det näst senaste ges 25 % och det efterkommande ges 12,5 % vägning i samma modell. På detta sätt tas alla tidigare utfall med i modellen men med en exponentiellt sjunkande betydelse (Mattsson, 2010). Genom att utföra simuleringsstudie kan lämpligt α-värde beräknas utifrån vilket α-värde som uppnår lägst prognosfel utifrån den empiriska datan. Med fördel kan dessa uträkningar ske genom datorprogram som Excel då det är mycket tidskrävande att räkna för hand. Mattsson menar att utjämningskonstanten vanligast ligger mellan 0,05 och 0,3 (Mattsson 2010) Dubbel exponentiell utjämning På samma sätt som trendkorrigeringar kan motverka problemen med trender i GM kan även korrigeringar av EU göra att hänsyn tas till trender. En modell med sådana korrigeringar kallas Dubbel exponentiell utjämning (DEU). Bland forskare och i litteraturen går den också under namnet Holt s method (Mattsson, 2010). För att undvika problemet med att slumpmässiga variationer påverkar beräkningen av trender alltför mycket föreslår Mattsson (2010) att en exponentiell utjämning ska användas. Denna beräkning av trender kan beskrivas på följande sätt: 26

34 Formel 6: Trend i dubbel exponentiell utjämning där: = Prognos = Given period = Trend = Utjämningskonstant, β-värdet får inte vara högre än α-värdet i Formel 7 Mattsson (2010) beskriver det som att två tillägg är relevanta för DEU, utöver grundprognosen (EU). Det ena tillägget ska minska det glapp som kan uppstå vid användning av EU om en tilltagande eller avtagande trend existerar. Det beräknas som. Det andra tillägget ska ta hänsyn till hur många perioder in i framtiden prognosen avser och beräknas som antalet perioder gånger prognostiserad trend per period. Med båda tilläggen inräknade ser DEU ut på följande sätt: Formel 7: Dubbel exponentiell utjämning där: = Prognos = Given period = Utjämningskonstanten = Grundprognos EU = Trend beräknad enligt stycket ovan = Antal perioder in i framtiden som prognosen avser Angående trender Att trendkorrigeringar är optimala för en linjärt föränderlig efterfrågan går att bevisa matematiskt. Trots detta menar Mattsson (2010) att verktyget ska användas med försiktighet, eftersom verklig efterfrågan i princip aldrig är linjär och variationer kan påverka beräkningarna på ett sätt som är svårt att kontrollera. Detta ska särskilt tas i beaktning om: 27

35 prognosen avser flera perioder in i framtiden, eftersom ett fel i prognosen då skulle påverka flera perioder. efterfrågan på avsedd artikel har stora variationer, eftersom trendberäkningen då tenderar att bli missvisande Quintanas filter Quintana & Leung (2007) anser att ett val av utjämningskonstant som enbart baseras på personlig erfarenhet eller personligt omdöme kan resultera i bristfälliga prognoser. Som nämnts tidigare kommer ett högre α resultera i att mer vikt läggs vid den senaste observationen och vice versa. Mattsson (2010) anser att ett värde mellan 0,05 och 0,3 är vanligt förekommande. Quintana & Leung (2007) menar att högre värden kan användas vid korta tidsperioder om förväntade förändringar i utfallen infinner sig. Istället för att förlita sig på personlig erfarenhet på området föreslår Quintana & Leung (2007) en variant av ett Kalmanfilter, där värdet på α räknas ut med hjälp av redan kända faktorer. Värdet på α uppdateras löpande istället för att sättas som ett konstant värde. I en studie av Quintana & Leung (2007) används denna modell i tolv olika fall, och i samtliga tolv nås ett lägre prognosfel (KMPF) i jämförelse med ett konstant värde på α. I tre tidigare, av varandra oberoende, studier har det bevisats att Kalmanfilter har bidragit med förbättringar i prognoser. För tydligare koppling till dessa studier hänvisas till Quintana & Leung (2007). Modellen kan beskrivas på följande sätt: där: = Beräknad utjämningskonstant = Standardavvikelsen = Given period Formel 8: Quintanas filter 28

36 För att beräkna utjämningskonstanten för en prognos för nästkommande period med hjälp av en sådan modell ser beräkningen ut så här, med förklarande innebörd av standardavvikelse: Formel 9: Förklarad Quintanas filter där: = Verkligt utfall = Maximalt antal gångna perioder = Standardavvikelsen = Given period Under resten av denna uppsats kommer denna modell benämnas Quintanas filter (QF) Prognosmodeller för säsongsbetonad data Säsongsbetonad data kan beskrivas som en följd av säsonger med liknande mönster, där varje säsong består av ett visst antal perioder (N). För att kunna använda sig av modeller för sån data måste säsonger därför kunna identifieras (Nahmias, 2013). Vid förekomst av säsongsbetonad data kan modeller som glidande medelvärden och exponentiell utjämning behöva korrigeras. Detta för att prognosen ska få bättre följsamhet när efterfrågan regelbundet ökar och minskar. Om hänsyn inte tas till detta kan skillnaden som uppstår mellan verkligt och prognostiserat utfall bli större än nödvändigt (Mattsson, 2010). Två modeller som tar hänsyn till säsonger är Enkelt medelvärde (Mattsson, 2010) och Trippel exponentiell utjämning (Nahmias, 2013) Säsongsberäkning med Enkelt medelvärde (SEM) Modellen kräver data motsvarande minst två säsonger och tar inte hänsyn till trend. Modellen är simpelt uppbyggd och beräknas genom följande tillvägagångssätt (Nahmias, 2013): 1. Beräkna medelvärdet av all tillgänglig data. 2. Dividera utfallet i varje period med det beräknade medelvärdet. Detta resulterar i kvotvärden för varje period. 29

37 3. Beräkna medelvärdet av kvotvärdena för alla perioder som motsvarar samma förhållande i säsongen, exempelvis första perioden i varje säsong. Detta resulterar i multiplikatorer för varje period. 4. Multiplicera det beräknade medelvärdet av all tillgänglig data med de beräknade multiplikatorerna. Genom denna beräkning görs prognosen Trippel exponentiell utjämning Den andra modellen som är avsedd för säsongsbetonad data är Trippel exponentiell utjämning (TEU), som även kallas Winter s method. Fördelen med TEU, i jämförelse med den tidigare nämnda, är att den uppdateras efterhand som ny data blir tillgänglig. Den tar hänsyn till både trend och säsongsbetoning, och har sammanlagt tre utjämningsfaktorer. Ett vanligt tillvägagångssätt för modeller avsedda för säsongsbetonad data är att ge multiplikatorer de olika perioderna i respektive säsong, där. En multiplikator räknas ut som en proportion till en, i varje säsong, given periods medelvärde. Med det menas att om till exempel = 1.6 så betyder det att period 1 i varje säsong har 60 % högre värde än medelvärdet under säsongen (Nahmias, 2013). I stort liknar modellen DEU men har tillägg i form av multiplikatorer för säsongsvariationer, och kan beskrivas på följande sätt (Nahmias, 2013): till Formel 10: Trippel exponentiell utjämning där: = Prognos = Grundprognos enligt beräkning nedan = Trend, beräknad på samma sätt som i DEU = Multiplikator avsedd för enligt beräkning nedan 30

38 Grundprognos kan beräknas enligt följande: Formel 11: i trippel exponentiell utjämning där: = Utjämningskonstant = Verkligt utfall = Trend = Given period = Multiplikator avsedd för enligt beräkning nedan = Antal perioder i säsongen Multiplikatorn kan beräknas enligt följande: där: = Utjämningskonstant = Verkligt utfall = Grundprognos enligt beräkning ovan = Antal perioder i säsongen Formel 12: Multiplikator i trippel exponentiell utjämning Prognosfel En prognos är näst intill alltid felaktig då det är en bedömning av framtiden. För att företag ska kunna arbeta med prognoser krävs det enligt Jonsson och Mattsson (2003) en viss acceptans mot felaktiga prognoser. Jonsson och Mattsson (2003) nämner några vanliga faktorer som leder till låg prognoskvalitet: Bristfälliga prognosmodeller: Prognosmodellerna som används är inte tillräckligt effektiva. Innefattar både automatiserade prognossystem samt rutiner vid manuell prognostisering. 31

39 Bristfälliga prognosunderlag: Prognosberäkningen bygger på data som inte ger en rättvis bild av verkligheten, ett exempel på ett sådant fall är om ett företag fått en stor och avvikande engångsorder som sedan tillåts vara en del av datan som räknar ut framtida utfall. Orealistiska förväntningar: Planering som utarbetas med utgångspunkt i prognoser ska inte utgå från att prognosen är exakt. Skulle för höga förväntningar existera kan det resultera i att prognosverksamheten tappar trovärdighet och får en låg acceptansnivå. På sikt kan detta leda till att prognospersonalen inte får motivation att prestera och att prognoserna blir mer felaktiga samt mindre använda. Motstridiga intressen: Samtidigt som prognosavdelningen vill uppnå hög prognosprecision så vill andra avdelningar, exempelvis försäljningsavdelningen, ge en optimistisk bild av företagets försäljning Avvägningar för prognosmodeller Då prognoser näst intill alltid är felaktiga enligt både Nahmias (2013) och Jonsson & Mattsson (2003) är det viktigt att minska prognosfelen. Det kan emellertid vara svårt att minska prognosfelen och enligt Jonsson & Mattsson (2003) måste en avvägning ske mellan arbetsinsatsen och kostnaden av att minska prognosfelen med hur viktig prognosprecisionen är. Kostnaden för en förbättrad prognos ska inte överstiga värdet av en förbättrad prognosprecision. Enligt Jonsson och Mattsson (2003) kräver högre precisionsnivå på en prognos i regel att mer arbetstid läggs på prognosen och en konsekvens av detta är ofta att prognosen tar längre tid att skapa. När prognoserna tar längre tid att skapa kommer prognoserna bygga på äldre data än om kravet på precision inte hade varit hög. Ju äldre historisk data en prognos bygger på desto mer riskerar det att påverka prognosprecisionen negativt. Även på denna punkt måste det enligt Jonsson och Mattsson (2003) göra en avvägning mellan tiden det tar att skapa en prognos med kravet på prognosprecision Systematiskt prognosfel En prognos anses alltid vara fel och att prognostisering handlar om att minska graden av fel i prognoserna. Därför finns det modeller som används för att jämföra i vilken grad som 32

40 prognosen är felaktig. Vid produktion är detta värdefull information då buffertar inom lager kan byggas för att hantera prognostiseringsfelen. Samtidigt eftersträvas det att dessa buffertar inte är för stora då de binder kapital. Mattsson (2010) menar att det är lämpligt att beräkning av prognosfel sker löpande, gärna samtidigt som prognostiseringarna görs. Nedan presenteras ett antal mått för prognosfel som kan användas för både individuella artiklar och artikelgrupper. Enskilda variationer anser Mattsson (2010) inte vara ett bra sätt att mäta prognoskvaliteten då det inte går att göra prognos för en enskild period. Det är mer relevant att mäta över flera perioder. Då framkommer det systematiska felet och de beskriver hur hög prognoskvaliteten är. Prognoskvaliteten mäts genom prognosfelens medelvärde under ett flertal perioder. Det kan ske genom vanliga medelvärdesmodeller eller genom exponentiella utjämningsmodeller. Prognoskvaliteten beskrivs antigen som ett absolutvärde eller relativt värde. Dessa modeller för prognosfel kan användas för enskilda artiklar eller för artikelgrupper (Mattson, 2010) Medelprognosfel (MPF) = Verkligt utfall = Prognostiserat utfall = Antal perioder som ingår i beräkningen = Given period Formel 13: Medelprognosfel Genom att väga medelvärdet från samtliga prognosfel under flera perioder fås värdet för medelprognosfelet. En för hög prognostisering i ena perioden kombinerat med en för låg prognostisering i en annan period kan leda till att prognosfel döljs då medelprognosfelets värde kan bli 0. Beräkningen beskriver hur mycket det varierar kring det verkliga utfallet (Mattsson 2010). 33

41 Absolut medelprognosfel (MAD (Mean Absolute Deviation)) Detta är ett spridningsmått som inte gör någon skillnad på negativa eller positiva avvikelser. Det visar medelvariationen kring det verkliga utfallet. Måttet beräknas efter följande formel (Mattsson 2010): = Verkligt utfall = Prognostiserat utfall = Antal perioder som ingår i beräkningen = Given period Formel 14: Absolut medelprognosfel Medelkvadrerat prognosfel (KMPF) I likhet med föregående mått mäter KMPF variationen av prognosfelen runt det verkliga utfallet. Eftersom prognosfelen kvadreras innebär det att större prognosfel får relativt större inverkan än små prognosfel. Detta mått kan vara användbart när stora prognosfel innebär stora kostnader för företaget. Modellen räknas ut enligt följande (Mattsson, 2010): Formel 15: Medelkvadrerat prognosfel = Verkligt utfall = Prognostiserat utfall = Antal perioder som ingår i medelvärdesberäkningen = Given period Procentuellt medelprognosfel Med denna metod mäts medelvärdet av prognosfelen under ett antal perioder. Måttet visar hur mycket prognoserna i genomsnitt varierar från verkligt utfall och det görs ingen skillnad på om det är negativa eller positiva prognosfel. Genom att sätta differensen mellan det verkliga utfallet och prognosen och sedan dividera med det verkliga utfallet så ses prognosfelet i relation till det verkliga utfallet. Detta gör att prognosmodellens prognosfel blir jämförbara med varandra (Mattsson, 2010). 34

42 Formel 16: Procentuellt medelprognosfel = Verkligt utfall = Prognostiserat utfall = Antal perioder som ingår i medelvärdesberäkningen = Procentuellt prognosfel i period = Given period Procentuellt absolut medelprognosfel Detta är ett spridningsmått som inte gör någon skillnad på om det är negativa eller positiva avvikelser. Det visar medelvariationen kring det verkliga utfallet. I modellen sätts differensen mellan verkligt utfall och prognos och divideras med verkligt utfall. Prognosfelet ställs i relation till det verkliga utfallet. Detta gör att prognosmodellens prognosfel blir jämförbara med varandra (Mattsson, 2010). Formel 17: Procentuellt absolut medelprognosfel = Verkligt utfall = Prognostiserat utfall = Antal perioder som ingår i medelvärdesberäkningen = Procentuellt absolut prognosfel i period = Given period Vilket T ska väljas vid prognosfelsmätning Valet av prognosmodell avgörs av vilken ledtid som föreligger mellan att beslut fattas och att utfallet sker. Det är den prognosen som är innan att beslut har fattats som ska väljas. Att välja en senare prognos saknar betydelse om exempelvis varor för produktion redan är beställda. Denna prognos har ingen påverkan för skillnaden mellan utfall och prognos. Detta ställer krav på att prognoser sparas för att vid rätt tillfälle jämföras med det verkliga utfallet. Ju längre en 35

43 prognos är från vad den avser att prognostisera, desto mindre tillförlitlig är den, menar Mattsson (2010). 3.3 Efterfrågevariationer i försörjningskedjor Enligt Mattsson (2012) är kortsiktiga variationer i efterfrågan på produkter på slutkundsmarknaden vanligtvis ringa, bortsett från säsongsmässiga svängningar. Den kortsiktiga variationen i efterfråga brukar emellertid vara avsevärt större för företag längre upp i försörjningskedjan som agerar med större avstånd till slutkund. Fenomenet kan tydligt identifieras i hierarkiska distributionssystem, vilket är ett distributionssystem som består av central-, region- och lokallager. Fenomenet kallas enligt Mattsson (2012) Bullwhip-effekten och innebär att variationer i efterfrågan förstärks ju längre upp i försörjningskedjan företaget befinner sig, och att förstärkningen beror på ett samspel av slumpeffekter och stora orderkvantiteter. De slumpmässiga variationerna blir större ju större orderkvantiteterna är. Figur 6: Förstärkning av variationen i efterfråga (Effektivisering av materialflöden i Supply Chains, s.29) Förstärkningen av variationen påverkas även av andra bidragande faktorer som exempelvis etablerade metoder för styrning av materialflöden mellan leverantör och kund. Mattsson (2012) nämner som exempel att ett företag beräknar ny ekonomisk orderkvantitet när företaget identifierat en ökning av efterfrågan. Den ekonomiska orderkvantiteten kommer inte endast agera mot efterfrågeökningen utan även mot lagrets storlek. 36

44 4 Empiri I kapitlet beskrivs relevant empiri som tillsammans med teorin ämnar besvara problemformuleringen. Coca-Cola Enterprises Sverige AB försäljningsdata Coca-Cola Enterprises Sverige AB tillverkar, distribuerar och marknadsför sitt egna sortiment som består av varumärken som till exempel Coca-Cola, Fanta och Sprite. Företaget omsätter 2.9 miljarder svenska kronor och har 756 stycken anställda. Den största delen av försäljningen är läsk, och mer specifikt av märket Coca-Cola. Företaget är marknadsledande inom det svenska läsksegmentet och har en marknadsandel på över 50 %. Försäljningsdatan som erhållits innefattar 18 artiklar från Coca-Cola Enterprises Sverige AB. Datan motsvarar 52 veckors försäljningsstatistik från år De 18 artiklarna är uppdelade i varumärken, 1 till 8, och förpackningsgrupper, A till G. Ett varumärke kan till exempel vara Fanta Lemon och med förpackningsgrupp menas en typ av förpackning, exempelvis 1,5 litersflaska. Artiklarna är även kodade för att skydda Coca-Cola Enterprises Sverige AB. Figuren nedan är ett utdrag ur Excel-dokumentet som Coca-Cola Enterprises Sverige AB bidrog med till uppsatsen. Utdraget visar försäljning för artiklarna på 10 veckor ( ). Figur 7: Utdrag ur original-excel-fil från Coca-Cola Enterprises Sverige AB (se bifogad fil) 37

45 5. Databearbetningsverktyg Författarna beskriver databearbetningsverktyget och exempel på hur detta har använts för att besvara problemformuleringen. Beskrivningen ska underlätta förståelsen av de verktyg som använts för läsaren. 5.1 Kodning För att göra analyser av de olika prognosmodellerna som valdes ut användes datorprogrammet Excel 2013 som verktyg. När datan erhölls var artiklarna kodade av sekretesskäl. Namnet på samtliga artiklar var XX. För vidare bearbetning av datan samt att kunna skilja på de olika artiklarna var det därför nödvändigt att ge dem nya namn. Eftersom arabiska siffror redan använts för kodning av varumärken och latinska bokstäver använts för kodning av förpackningsgrupper valdes romerska siffror för artiklarna, från I till och med XVIII. Figur 8: Kodning av data (Egen illustration) 5.2 Kontroller för justering Vid beräkning av GM, EU, DGM och DEU finns justerbara värden N, α och β. I syfte att förenkla manuell justering av N-värden infogades Excels egna formulärkontroller av typen rullningslist. Rullningslistkontrollerna var kopplade till de celler som styrde aktuellt N-värde. Genom dessa rullningslistkontroller kunde olika variabler, exempelvis N-värden, enkelt varieras samt jämföras mot varandra. 38

46 Figur 9: Kontroller för N (Egen illustration) För beräkning av GM och DGM kan N-värdena justeras för att ta med fler eller färre perioder i beräkningarna. Genom ett förskjutnings -villkor knytet till den variabel som var knyten till rullningslistskontrollen var det möjligt att förändra antalet perioder som användes i glidande medelvärdesberäkningarna. Figur 10: Justering av N-värden, N=3 (Egen illustration) I exemplet ovan är N=3 och medelvärdet av tre tidigare perioder beräknas till

47 I exemplet nedan är N=5 och medelvärdet av fem tidigare perioder beräknas till 96. Figur 11: Justering av N-värden, N=5 (Egen illustration) Genom att manuellt ändra N-värde var det möjligt att utvärdera vilket N-värde som gav lägst PAMPF-värde och därmed vara det optimala värdet. 5.3 Problemlösaren Vid beräkning av optimala värden på α och β har Excel-funktionen Problemlösaren använts. Detta för att en manuell jämförelse av exempelvis alla möjliga α-värden mellan 0 och 1 skulle bli alltför tidskrävande. Problemlösaren testade över 8000 olika kombinationer. Detta eftersom antal möjliga α -värden är oändliga medan möjliga antal N-värden endast är 18 stycken per artikel. Vid användning av Problemlösaren anges att ett minsta möjliga värde ska hittas för en viss cell. För denna uppsats var detta cellen som beskrev PAMPF-värdet. I problemlösaren angavs sedan begränsningar som innebar att celler, i detta fall värdet α, ej kunde passera vissa värden. I fallet för α var villkoret att cellens värde endast kunde vara inom intervallet 0 och 1. Figur 12: Problemlösaren 40

48 5.4 Beräkning av trend För ingående värden i beräkningen av trend i DGM har additiv trendberäkning använts (se stycke ). Eftersom trenden beräknas genom ett medelvärde av tidigare trender var detta nödvändigt för att utföra beräkningen. Efterhand kommer den additiva beräkningen få minskad betydelse, då den ordinarie trendberäkningen tar vid. På liknande sätt har ingående värden för trend i DEU beräknats. Figur 13: Trendberäkning för DGM (Egen illustration) 41

49 6 Analys Kapitlet inleds med att beskriva valet av prognosmodeller och vilken prognosfelsmodell som ska användas för att besvara frågeställningen. Vidare redovisas de resultat som nåtts i beräkningarna med de utvalda prognosmodellerna, först med gemensamma inmatningsvariabler och sedan med individuellt satta inmatningsvariabler. Analys Empiri Försäljningsdata från Coca-Cola Enterprises Sverige AB Prognosmodell Glidande medelvärde Exponentiell utjämning Dubbelt glidande medelvärde Dubbel exponentiell utjämning Gemensamt optimalt N Optimalt N för enskild artikel Gemensamt optimalt α Optimalt α för enskild artikel Quintanas filter Gemensamt optimalt N Optimalt N för enskild artikel Gemensamt optimalt α och β Optimalt α och β för enskild artikel Prognosfel PAMPF Slutsats = Empirins flöde genom teorin. Figur 14: Analys (Egen illustration) 42

50 6.1 Val av prognosmodell Figur 15: Sammanfattning av prognosmodeller (Egen illustration) Figur 15 visar de prognosmodeller som ämnas användas i vidare analys av datan, med två undantag. De prognosmodeller som är avsedda för säsonger har inte analyserats. Vid försök att dela upp de ingående perioderna i säsonger har inget mönster kunnat identifieras eftersom datan inte visar någon regelbundenhet i upp och nedgångar av efterfrågan. Vid de beräkningar som gjorts med prognosmodeller avsedda för säsonger har det resulterat i missvisande prognoser som bedömts som ej representerbara. Enligt Nahmias (2013) måste säsonger kunna identifieras för att kunna använda säsongsmodeller. Eftersom detta ej varit möjligt väljer författarna att inte närmare redovisa resultaten av prognoser med hänsyn till säsonger. De modeller som är bäst anpassade för datan och som vidare kommer redovisas är glidande medelvärde, exponentiell utjämning, dubbelt glidande medelvärde samt dubbel exponentiell 43

51 utjämning. Quintanas filter kommer också att användas för att testa exponentiell utjämning med ett adaptivt α-värde. 6.2 Val av prognosfelsmodell Prognosfel kan mätas i absoluta eller relativa tal. Ett absolut prognosfel kan lämpa sig till individuella produkter eller likartade produktgrupper men medför att prognosfelet blir ickejämförbart med artiklar som varierar i efterfrågan och egenskaper. Ett relativt prognosfel kan däremot jämföras med andra artiklar trots att artiklarna säljs i olika kvantiteter. Eftersom uppsatsen hanterar 18 olika artiklar kommer en relativ prognosfelsmodell underlätta jämförbarheten av resultaten. Alla prognosfelsmodeller skiljer inte på om ett prognosfel är positivt eller negativt mot verklig efterfrågan. Ett prognosfel är positivt när prognosen är större än verkligt utfall och negativ när prognosen är mindre än verkligt utfall. När en prognosfelsmodell inte skiljer på positiva eller negativa skillnader ger den enligt Mattsson (2010) ett uttryck över hur mycket prognosen varierar kring den verkliga efterfrågan (s. 268). En prognosmodell som skiljer på positiva och negativa prognosfel kan skapa en missvisande bild. Ett exempel på detta är att en periods positiva prognosfel kan kvittas ut med nästa periods negativa prognosfel. Resultatet blir att det totala prognosfelet är 0, trots att prognosfel funnits i båda perioderna. Författarna har valt att inte använda ett prognosfel som skiljer på positiva och negativa prognosfel. 44

52 Figur 16: Val av prognosfelsmodell (Egen illustration) Figur 16 visar kraven på modellerna i relation till prognosfelsmodellerna. Modellerna som överensstämmer med samtliga krav är procentuellt absolut medelprognosfel (PAMPF). PAMPF visar prognosfelen i relativa tal, vilket möjliggör en jämförelse mellan artiklar, och skiljer inte på negativa och positiva tal. Vidare kommer analysen av prognosfelen ske utifrån prognosfelsmodellen PAMPF. 45

53 6.3 Efterfrågemönster Enligt Matsson (2012) är variationerna i efterfrågan större ju längre bort från slutkund företaget befinner sig. Fenomenet kallas Bullwhip-effekten. Figur 17: Försäljning på 52 veckor (Egen illustration) En grafisk bild över försäljningsdatan indikerar kraftiga variationer i efterfrågan på flertalet artiklar. För att skapa en bredare uppfattning om hur kraftig variation det rör sig om har artiklarnas medelvärde och standardavvikelse beräknats. Eftersom artiklarna skiljer sig i kvantitet omöjliggörs en rättvis jämförelse av standardavvikelse då detta är absoluta tal. För att en jämförelse ska vara möjlig har variationskoefficienten beräknats. Variationskoefficienten är standardavvikelsen dividerat med medelvärdet uttryckt i procent och tar fram den procentuella standardavvikelsen för varje artikel. 46

54 Artikel Medelvärde Standardavvikelse Variationskoefficient I ,8% II ,8% III ,2% IV ,6% V ,1% VI ,2% VII ,5% VIII ,8% IX ,3% X ,7% XI ,5% XII ,5% XIII ,7% XIV ,0% XV ,5% XVI ,2% XVII ,3% XVIII ,4% Figur 18: Variationskoefficient på artiklarna (Egen illustration) Den lägsta procentuella standardavvikelsen är artikel XIV som har ett värde på 21,0 % medan den högsta procentuella standardavvikelsen är hos artikel IV som ligger på 76,6 %. Medelvärdet av alla standardavvikelser hamnar på 42.9 %. Utifrån dessa siffror kan konstateras att Coca-Cola Enterprises Sverige AB har kraftiga variationer i efterfrågan och enligt Mattson (2012) kan företagets position i försörjningskedjan vara en bidragande orsak. Eftersom variationerna i efterfrågan skiljer sig mellan artiklarna kommer prognosmodellerna testas med både individuella och gemensamma inmatningsvariabler. Inmatningsvariabler är till exempel utjämningskonstanterna α och β samt N-värden. Genom att testa med både individuella och gemensamma inmatningsvariabler kan klarhet skapas i vilken prognosmodell som ger minst avvikelse och ifall modellen är lämplig att användas med samma inmatningsvariabler eller om justeringar behöver göras. Variationerna i efterfrågan kan komma att påverka vilken prognosmodell som ger minst avvikelse. 6.4 Glidande medelvärde med gemensamt N Vid användning av GM måste N bestämmas, det vill säga antal tidigare perioder som tas med i beräkningen. Enligt Mattson (2010) är en riktlinje för slumpmässig efterfrågan med stora och måttliga variationer att N=18. Eftersom författarna inte har tillgång till mer än 52 veckors data och vill kunna analysera så mycket data som möjligt har en övre gräns på N satts till 18. Intervallet på de N som testas är Vid N=18 så sker ingen prognostisering förrän i vecka 19. För att kunna jämföra de olika prognosmodellerna med varandra mäts därför inga prognosfel innan vecka

55 Figur 19: Mått på PAMPF, GM med gemensamma inmatningsvariabler (Egen illustration) Vid en jämförelse av PAMPF så visar det sig att GM(8) ger lägst resultat. Ju längre ifrån N=8, desto högre PAMPF, med ett undantag. GM(5) ger lägre PAMPF än GM(6). Figur 20: GM (8), Artikel XII (Egen illustration) Figur 20 visar efterfrågan och prognos skapad för Artikel XII under 34 veckor. Jämfört med Artikel IV (se figur 21 nedan) så följer prognosen den verkliga efterfrågan relativt bra. Artikel XII har ett PAMPF på 15,9 %, vilket är det lägst uppmätta, jämfört med Artikel IV som har 77,7 %, vilket är det sämst uppmätta. Anledningen till att Artikel XII når bättre resultat är att efterfrågan rör sig med mindre variationer än Artikel IV. Eftersom Artikel IV rör sig med stora variationer hamnar prognosen i mitten och uppnår därför ett dåligt resultat. 48

56 Artikel Varumärke Artikel Förpackningsgrupp Förpackningsgrupp Varumärke Figur 21: GM (8), Artikel IV (Egen illustration) 6.5 Optimala N för individuella artiklar med Glidande medelvärde Optimalt N för enskild artikel Optimalt N för enskild artikel N PAMPF N PAMPF I A ,2% X E ,0% II B ,2% XI G ,7% III A ,3% XII C ,5% IV B ,3% XIII G ,3% IX C ,9% XIV F ,5% V C ,2% XV C ,5% VI A ,7% XVI C ,2% VII D ,6% XVII F ,0% VIII C ,1% XVIII D ,7% Figur 22: Optimala N vid Glidande medelvärde (Egen illustration) Vid en analys av vilka N-värden som är optimala för varje enskild artikel framkommer det att inget specifikt N-värde är lämpligast för samtliga produkter. Det visar sig att vid ett enda fall stämmer Mattsons (2010) tumregel om att 18 föregående perioder ska användas vid optimala N vid Glidande medelvärde. Som visas i figur 22 finns det inget värde som ger minst avvikelse. Det finns ett typvärde vilket är N=3 men det förekommer endast på tre artiklar. 49

57 Optimalt N för Artikel VIII med GM Efterfrågan Prognos Figur 23: Optimalt N för Artikel VIII med GM (Egen illustration) Figuren ovan visar artikel VIII, som uppnår lägst PAMPF-värde för Glidande medelvärde. I detta fall är N=2 vilket ger ett PAMPF-värde på 14,1 % Optimalt N för Artikel IV med GM Efterfrågan Prognos Figur 24: Optimalt N för Artikel IV med GM (Egen illustration) Figuren ovan visar artikel IV, som uppnår högst PAMPF-värde med Glidande medelvärde. I detta fall är N=4 vilket ger ett PAMPF-värde på 74,3 %. 50

58 6.6 Exponentiell utjämning med gemensamt α Vid användning av EU måste utjämningskonstanten α bestämmas som ett tal mellan 0 och 1. Ju högre α-värde desto mer vikt läggs vid den senaste observationen (Mattsson, 2010). Eftersom EU beräknas med hjälp av föregående periods prognos behövs ett ingångsvärde för att kunna starta beräkningen. Ingångsvärdet har beräknats med hjälp av GM(3). Figur 25: Mått på PAMPF, EU med gemensamma inmatningsvariabler (Egen illustration) EU(0,2) ger lägst avvikelse. I mätningen gäller i princip att ju längre ifrån 0,2 i α-värde som väljs desto större blir avvikelserna. Enligt Mattson (2010) ger ett lägre α-värde mer stabilitet i prognosen om det förekommer slumpmässiga variationer. I detta fall, med förhållandevis stora variationer, ger det därför ett bättre resultat än att låta prognosen påverkas mycket av den senaste observationen, vilket blir fallet med ett högt α-värde. Figur 26: EU (0,2). Artikel IX (Egen illustration) 51