Föreläsning 2. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller

Transkript

1 Föreläsning 2 Prognosisering: Prognosprocess, eferfrågemodeller, prognosmodeller

2 Kurssrukur Innehåll Föreläsning Lek1on Labora1on Inroduk*on, produk*onsekonomiska grunder, produk*onssysem, ABC- klassificering Fö 1 Prognos*sering Fö 2 Le 1 La 1 Sälj- och verksamhesplanering Fö 3 Le 2 La 2 Projekplanering, fas posi*on Fö 4 Le 3 Lagersyrning Fö 5 Le 4 La 3 Planering av funk*onell verksad, Fö 6 Le 5 layou, MRP och HP Planering av funk*onell verksad, Fö 7 Le 6 dealjplanering Gäs$öreläsning AsraZeneca Fö 8 Planering av lina, kanban, Fö 9 Le 7 linjebalansering Specialfall; produkval, kopplade lager Fö 10 Le 8 cyklisk planering Le 9

3 Varför prognosisera? Öka kunskap om eferfrågan och försäljning Inom finans och ekonomiavdelningen budgeplanering Inom marknadsavdelningen planering av nya produker Inom produkion processval, kapaciesplanering maerialplanering, lagersyrning Ökad lönsamhe

4 Varför prognosisera? P/L-kvo Produkionsledid Leveransledid Planering baserad på spekulaion (prognos) Planering baserad på kundorder Kund Produkion iniierad Kundorder erhållen Kundorder levererad KOP Kundorderpunk [Tid]

5 Hur kan vi vea någo om Eferfrågan/ prognos framiden? fakisk eferfrågan? prognosiserad eferfrågan Hisorisk eferfrågan fakisk eferfrågan? Idag Planeringshorison Tid

6 Förhållande mellan id och informaion Ef erf rågan Produkgrupp A Produk A1 Produk A2 Produk A3 Produk A4 Period 40 S Tid Veckoprognos Månadsmedelprognos

7 Prognosmodeller Bedömning Prognosmodeller Saisik Kvaliaiva Kvaniaiva Inuiiva Kausala Tidsserie Delphimeoden Säljkårsuppskaning Regressionsanalys Enkel exrapolering Experulåanden Marknadsundersökning Ekonomeriska modeller Ledande indikaorer Dekomposiion Hisorisk analogi Expersysem Kursens fokus

8 Hisorien som bas för prognosen Tidsserier Tidsserier kronologisk ordnade observaioner: γ = α + β + e Med hjälp av idsserier för γ och skaas paramerarna α och β (s.k. regressionsanalys) e är en slumperm och urycker den variaion i γ som modellen ine kan förklara β = 2 [månad] 1? γ [Eferfrågan] α = 98 γ =

9 Tidsserier Exempel γ [Eferfrågan] [månad] γ = α + β + e Regessionsanalys ger γ =108,6 + 2, Troligvis ingen bra prognos

10 Tidsseriekomponener Trend T Säsong S Cykel C Nivå N Slump e (error) Tid periodid 1 år Tid periodid > 1 år Tid Tid Tid Dessa idsseriekomponener kan sedan illsammans ugöra den underliggande eferfrågemodellen (D).

11 Eferfrågemodeller - modellyper Addiiva modeller D = N + S + T + C + e (demand = nivå + säsong + rend + cykel + slump) Muliplikaiva modeller D=N S T C e Blandade modeller D=N+S T+e D=(N+S) T+e D = N S+T + e

12 Regisrera daa Regisrera daa i de dimensioner (marknad, produkgrupp, idsperiod, enhe, ec.) som skall prognosiseras Regisrera exraordinära händelser

13 Dekomposiion Sara med a ploa idsserien Rensa förs daa för effeker av kända, icke repeiiva händelser, ex leveransförseningar, produkionssopp, ec. Dra slusaser uifrån diagramme om vilka idsseriekomponener som ingår i eferfrågemodellen. Ansä eferfrågemodell. Rensa därefer idsserien från dessa komponener i lämplig ordning Lämplig ordning är beroende av hur eferfrågemodellen byggs I kursen kommer vi huvudsakligen a ia på modeller där vi förs rensar bor renden (T), sedan säsongen (S), och sluligen nivån (N).

14 Enkel exrapolering Meoder Konsana modeller (D = N och e) Glidande medelvärde = 15 3 F + 1 D + D D 1 1 N+ 1 = = N N i= N+ 1 D i = S 10 S Tid Eferfrågan Glidande medelvärde (m=3) Glidande medelvärde (m=5) Tid Eferfrågan Glidande m edelvärde (m=3) Glidande m edelvärde (m=5)

15 Enkel exrapolering Meoder Konsana modeller (D = N och e) Exponeniell ujämning o U innehåller informaion om hisorien o Uppdaera med senase D och hisorien U Hur mycke liar vi på senase D? (α ) U = αd + ( 1 α) U 1 F = + 1 U

16 Trendmeoder Trendmodeller (D = N, T och e) Exponeniell ujämning med rend U = αd + (1 α)( U + T ) 1 1 T = β( U U ) + (1 β) T F = + U + T α och ß är ujämningskonsaner för exponeniell ujämnad medeleferfrågan sam renden

17 Trend- och säsongsmeoder Kombinerad rend- och säsongsmeoder (D = N, T, S och e) Exponeniell ujämning med rend och säsong D = ( a + b) c + ε där a b c nivå renden per period = säsongindex ε = slump = = D U = α + (1 α)( U + T ) 1 1 S N T = β( U U ) + (1 β) T S 1 1 D = γ + (1 γ) S U N

18 Prognosfel (e) Varför mäa prognosfel? Prognosfele, e, för period besäms som: e = D F där D = fakisk eferfrågan i period F = prognosiserad eferfrågan i period

19 Medelabsolufel En av del vanligase meoderna för a mäa prognosprecision är medelabsolufele, MAD MAD är lä a beräkna och kan uppdaeras periodisk, enlig: MAD = 1 n n e n = 1 MAD = α e + (1 α) MAD 1 Vid anagande om e normalfördela prognosfel gäller följande förhållande: σ 1, 25 MAD

20 Övriga fel Man kan också mäa medelkvadrafele, MSE MSE = 1 N N = 1 2 e eller medelfele, ME ME = 1 N N = 1 e

21 Prognosuppföljning För a auomaisk konrollera prognosen mo eferfrågedaa används så kallade Trackningsysem Finns i olika varianer Trackingsignal: (exremvärde) TSD = e MAD 1 Se kursboken, sid för yerligare informaion och andra yper av racking-signaler!

22 Prognosprocessen, Meodik Formulera probleme Formulera probleme Skaffa informaion Välj meod Implemenera meod Uvärdera meod Använd prognos Indaa ill planeringen

23 Sammanfaning Prognosprocessen KUND- ORDER LAGER Hisorisk eferfrågan Jusering av modellen och dess paramerar Kvaliaiv prognos Maemaisk modell Kvaniaiv prognos KUND- ORDER LAGER Fakisk eferfrågan Åerkoppling (feedback) Slugilig prognos Beräkning av prognosfel

24 A änka på Prognoser är vanligvis beingade med en viss osäkerhe ( fel ) Ju längre prognoshorison, deso mindre säker prognos Aggregerade prognoser är mer illförliliga En prognos skall aldrig användas uesluande om känd informaion finns illgänglig En bra prognos bör vara mer än en ensam siffra