Föreläsning 2. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller

Relevanta dokument
Föreläsning 3. Kursstruktur. Agenda. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg

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

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 9. Analys av Tidsserier (LLL kap 18) Tidsserie data

Föreläsning 8. Kap 7,1 7,2

Föreläsning 7 Kap G71 Statistik B

bättre säljprognoser med hjälp av matematiska prognosmodeller!

Föreläsning 5. Kursstruktur. Agenda Planering och styrning

PRODUKTIONSEKONOMI för I, Ii

FREDAGEN DEN 21 AUGUSTI 2015, KL Ansvarig lärare: Helene Lidestam, tfn Salarna besöks ca kl 15.30

TPPE13 PRODUKTIONSEKONOMI för I, Ii

Ambulanslogistik - prognostisering av ambulansuppdrag

Tidsserieanalys. Vad karaktäriserar data? Exempel:

Perspektiv på produktionsekonomi - en introduktion till ämnet

Föreläsning 8 Kap G71 Statistik B

Lektion 2 Sälj- & verksamhetsplanering (SVP) Rev HL

Exempeltenta 3 SKRIV KLART OCH TYDLIGT! LYCKA TILL!

TPPE13 PRODUKTIONSEKONOMI för I,Ii TORSDAGEN DEN 20 DECEMBER 2012, KL Ansvarig lärare: Helene Lidestam, tfn Salarna besöks 9.

Föreläsning 5. Lagerstyrning

n Ekonomiska kommentarer

Lektion 4 Lagerstyrning (LS) Rev NM

Modeller och projektioner för dödlighetsintensitet

Föreläsning 4. Fast position Projektplanering (CPM och PERT)

Lektion 2 Sälj- & verksamhetsplanering (SVP) Rev MR

FÖRDJUPNINGS-PM. Nr Räntekostnaders bidrag till KPI-inflationen. Av Marcus Widén

Förord: Sammanfattning:

Uppgift 2 (max 5p) Beskriv orderklyvning och överlappning och skillnader mellan dessa. Härled de formler som ingår i respektive metod.

Föreläsning 5. Lagerstyrning

Om antal anpassningsbara parametrar i Murry Salbys ekvation

Korttidsprediktering av restider med Holt-Winters metod

Växelkursprognoser för 2000-talet

Föreläsning 6. Planering av funktionell verkstad (del 1): Layoutaspekter, huvudplanering och materialbehovsplanering (MRP)

Inflation: Ger kointegration bättre prognoser?

Lektion 2 Sälj- & verksamhetsplanering (SVP) Rev MR

Prognoser av ekonomiska tidsserier med säsongsmönster

F11. Kvantitativa prognostekniker

PRODUKTIONSEKONOMI för I, Ii

Konsumtion, försiktighetssparande och arbetslöshetsrisker

Laboration D158. Sekvenskretsar. Namn: Datum: Kurs:

Föreläsning 4. Fast position Projektplanering (CPM och PERT)

Informationsteknologi

Volatilitetsprediktion för S&P 500 -en utvärdering av prediktionsförmågan för historisk konditionell och optionsbaserad volatilitet.

Skattning av respirationshastighet (R) och syreöverföring (K LA ) i en aktivslamprocess Projektförslag

Sveriges bruttonationalprodukt Årsdata. En kraftig trend.

Kursens innehåll. Ekonomin på kort sikt: IS-LM modellen. Varumarknaden, penningmarknaden

DIGITALTEKNIK. Laboration D171. Grindar och vippor

Svensk arbetslöshetsdata: Hjälper barometerdata att prognostisera Sveriges arbetslöshet

Timmar, kapital och teknologi vad betyder mest? Bilaga till Långtidsutredningen SOU 2008:14

Fastbasindex--Kedjeindex. Index av de slag vi hitintills tagit upp kallas fastbasindex. Viktbestämningar utgår från

TISDAGEN DEN 20 AUGUSTI 2013, KL Ansvarig lärare: Helene Lidestam, tfn Salarna besöks ca kl 9

Om exponentialfunktioner och logaritmer

Personlig assistans en billig och effektiv form av valfrihet, egenmakt och integritet

Realtidsuppdaterad fristation

Uppgift 1 (max 5p) Uppgift 2 (max 5p) Exempeltenta nr 6

Laboration D182. ELEKTRONIK Digitalteknik. Sekvenskretsar. UMEÅ UNIVERSITET Tillämpad fysik och elektronik Digitalteknik Ola Ågren v 4.

732G71 Statistik B. Föreläsning 9. Bertil Wegmann. December 1, IDA, Linköpings universitet

Tjänsteprisindex för detektiv- och bevakningstjänster; säkerhetstjänster

Pass Througheffekten i svenska importpriser

Säsongrensning av Nationalräkenskaperna -Översikt- Sven Öhlén

TENTAMEN Datum: 12 mars 07. Kurs: MATEMATIK OCH MATEMATISK STATISTIK 6H3000, 6L3000, 6A2111 TEN 2 (Matematisk statistik )

2 Laboration 2. Positionsmätning

Det prediktiva värdet hos den implicerade volatiliteten

Inflation och relativa prisförändringar i den svenska ekonomin

Pensionsåldern och individens konsumtion och sparande

Betalningsbalansen. Andra kvartalet 2012

KONTROLLSKRIVNING 3. Kurs: HF1012 Matematisk statistik Lärare: Armin Halilovic

Tentamen TEN1, HF1012, 16 aug Matematisk statistik Kurskod HF1012 Skrivtid: 8:15-12:15 Lärare och examinator : Armin Halilovic

2003:11. Säsongrensning av Nationalräkenskaperna Översikt

Tidsserier, forts från F16 F17. Tidsserier Säsongrensning

Lektion 3 Projektplanering (PP) Fast position Projektplanering. Uppgift PP1.1. Uppgift PP1.2. Uppgift PP2.3. Nivå 1. Nivå 2

Finansiell statistik

Planering av flygplatser

Ansvarig lärare: Helene Lidestam, tfn Salarna besöks ca kl Kursadministratör: Azra Mujkic, tfn 1104,

Inflation och penningmängd

Betalningsbalansen. Tredje kvartalet 2012

Taylor- respektive McCallumregeln för Sverige

732G71 Statistik B. Föreläsning 8. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23

Hur simuleras Differential-Algebraiska Ekvationer?

En flashestimator för den privata konsumtionen i Sverige med hjälpvariablerna HIP och detaljhandeln

Påverkansfaktorer på nybilsförsäljning

Hedgefonder och aktiefonder - En studie av riskexponering och market-timing på den svenska marknaden

Regressions- och Tidsserieanalys - F7

Regelstyrd penningpolitik i realtid

732G71 Statistik B. Föreläsning 7. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29

Föreläsning 2. Produkten och dess egenskaper: Produktionssystem, lager- och kundordertillverkning

Konsumentprisindex för kläder och skor

Optimal prissäkringsstrategi i ett råvaruintensivt företag Kan det ge förbättrad lönsamhet?

System, Insignal & Utsignal

System, Insignal & Utsignal

Kan förekomsten av en riskpremie förklara avvikelsen från öppen ränteparitet?

Kurs: HF1012 Matematisk statistik Lärare: Armin Halilovic

Skillnaden mellan KPI och KPIX

Betalningsbalansen. Fjärde kvartalet 2012

Tjänsteprisindex för varulagring och magasinering

Dags för stambyte i KPI? - Nuvarande metod för egnahem i KPI

Volatilitetsmodeller - En utvärdering av prestation enligt Model Confidence Set

Vad är den naturliga räntan?

BNP-prognoser och mål för inflationsprognoser

Innehållsförteckning. Sammanfattning 3. Inledning Allmänt om tidsserier Glidande medelvärde Enkel exponentiell utjämning 15

Föreläsning 5. Fast position Projektplanering (CPM och PERT)

Transkript:

Föreläsning 2 Prognosisering: Prognosprocess, eferfrågemodeller, prognosmodeller

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

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

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]

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

Förhållande mellan id och informaion Ef erf rågan 100 90 80 70 60 50 40 30 20 10 0 1 2 3 4 5 6 7 8 9 10 Produkgrupp A Produk A1 Produk A2 Produk A3 Produk A4 Period 40 S 20 0 10 20 30 40 50 Tid Veckoprognos Månadsmedelprognos

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

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. 125 120 β = 2 [månad] 1? γ [Eferfrågan] 100 115 110 105 100 α = 98 γ = 98 + 2 11 120 95 0 2 4 6 8 10 12

Tidsserier Exempel γ [Eferfrågan] [månad] 100 1 105 2 110 3 120 4 135 5 140 6 140 7 135 8 130 9 125 10 120 11 γ = α + β + e Regessionsanalys ger γ =108,6 + 2, 5 150 140 130 120 110 100 90 Troligvis ingen bra prognos 80 0 2 4 6 8 10 12

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).

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

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

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).

Enkel exrapolering Meoder Konsana modeller (D = N och e) Glidande medelvärde 10 + 17 + 18 = 15 3 F + 1 D + D +... + D 1 1 N+ 1 = = N N i= N+ 1 D i 10 17 18 18 20 20 17 + 18 + 18 = 17.7 3 S 10 S 10 0 5 10 15 Tid Eferfrågan Glidande medelvärde (m=3) Glidande medelvärde (m=5) 0 5 10 15 Tid Eferfrågan Glidande m edelvärde (m=3) Glidande m edelvärde (m=5)

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

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 1 1 1 F = + U + T α och ß är ujämningskonsaner för exponeniell ujämnad medeleferfrågan sam renden

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

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

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

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

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. 125-128 för yerligare informaion och andra yper av racking-signaler!

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

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

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