Föreläsning Prognosisering: Prognosprocess, eferfrågemodeller, prognosmodeller och prognosverkyg Avsluning Planeringssysem Fas posiion Fö 6a: Projekplanering (CPM, PERT, mm) Le : Projekplanering (CPM/ PERT, känslighesanalys) Kurssrukur Fö : Avsluning och kurssammanfaning Le 8-9: Specialfall (produkval, kopplade lager, cyklisk planering, mm) Fö : Specialfall (produkval, kopplade lager, cyklisk planering, mm) Serieillverkning Funkionell verksad (FV) Linjeillverkning Fö 8: Planering av FV (layou, MRP, Fö 0: Planering av lina (layou HP) balansering, kanban, mm) Le 5: MRP (Tablåer och pariformning) Le 7: Linjeplanering (linjebalansering och kanban) Fö 9: Planering av FV (pariformning under MRP, dealjplanering) Le 6: Dealjplanering (Sekvensering, ordersyrning) Lab 4: Lagersyrning (BP; BP, LPC) Le 4: Lagersyrning (EOQ, SL, BP/PB) Fö 7: Lagersyrning (Pariformning, säkerheslager, lagersyrning) Koninuerlig illverkning Fö 6b: Planering av koninuerlig illverkning (Process Flow Scheduling, PFS) Produk- och produkionssysem Inro Lab : SVP (planeringssraegier) Le : SVP (KOP och planeringssraegier), sam laboraionsinrodukion Fö 5b: Sälj- och verksamhesplanering (planeringssraegier) sam huvudplanering Fö 5a: Planeringssysem (hierarkisk planering och dess koppling ill processvale) Lab : Prognosisering (idsserie - dekomposiion) Le :Prognosisering (idsserie enkel exrapolaion) Fö 4: Produkionssysem (ypiska produkionssysem, dess egenskaper och val av process) Fö : Prognosisering (eferfrågemodell, prognosprocessen, prognosmeoder, prognosverkyg) Lab : ABC-analys (med ABC Tool) Fö : Produkegenskaper (produkuveckling, produksrukur, P/L-kvo, KOP, lager vs. order, ABC-klassificering, mm) Fö : Inrodukion (Produkion i Sverige, produkionsekonomiska grunder, kurspresenaion) Agenda Inledning Vad är en prognos? Varför prognosisera? Vad är en bra prognos? Är prognoser allid fel? Hisorien som bas för prognosen Prognosprocessen Formulera probleme Skaffa informaion Välj meoder Implemenera meoder Uvärdera meoder Använd prognoser
Vad är en prognos? Ju längre illbaka du kan se, deso längre framå ser du roligen. Winson Churchill If a man gives no hough abou wha is disan, he will find sorrow near a hand. Konfucius I am ineresed in he fuure, because I will spend he res of my life here. Definiion enlig APICS: C.F. Keering forecas: An esimae of fuure demand. A forecas can be consruced using quaniaive mehods, qualiaive mehods, or a combinaion of mehods, and i can be based on exrinsic (exernal) or inrinsic (inernal) facors. Various forecasing echniques aemp o predic one or more of he four componens of demand: level, rend, seasonal, and cyclical. 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 Korare sik Lång sik 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 []
S S Vad är en bra prognos? "Predicion is very difficul, especially if i's abou he fuure." Nils Bohr, Nobel laureae in Physics. Vad är en bra prognos? Karakerisisk En bra prognos skall vara lä a arbea med/använda lä a förså och a ill sig Dessuom skall en prognos vara sabil mo slumpvariaioner i eferfrågan reagera snabb vid sysemaiska förändringar kunna förusäga framida sysemaiska förändringar 0 0 0 0 0 5 0 5 Eferfrågan Glidande medelvärde (m=) Glidande medelvärde (m=5) 0 5 0 5 Eferfrågan Glidande medelvärde (m=) Glidande medelvärde (m=5) Vad är en bra prognos? Vem äger prognosen? Prognosfel för -månaders prognos hos HP Inerne Imaging and Prining Sysems (iips) före och efer ägarbye av prognosen Procenuell fel 00 80 60 40 0 0-0 -40 999 000 00 Markeing driven forecas Supply chain driven forecas jan-99 mar-99 maj-99 jul-99 sep-99 nov-99 jan-00 mar-00 maj-00 jul-00 sep-00 nov-00 jan-0 mar-0 maj-0 jul-0 sep-0 Källa: Kakouros m.fl. (00)
Exempel på dåliga (?) prognoser "I hink here is a world marke for maybe five compuers. Chairman of IBM, 94. "Compuers in he fuure may weigh no more han.5 ons. Popular Mechanics, forecasing he relenless march of science, 949. "We don' like heir sound, and guiar music is on he way ou. Decca Recording Co., rejecing he Beales, 96. Wall Sree prediced nine ou of he las five recessions. Paul A. Samuelson, Newsweek, 96. Eferfrågan/ prognos Hur kan vi vea någo om framiden? fakisk eferfrågan? prognosiserad eferfrågan Hisorisk eferfrågan fakisk eferfrågan? Idag Planeringshorison Hisorien som bas för prognosen sserier sserier kronologisk ordnade observaioner: γ = α + βx + e Med hjälp av idsserier för γ och x skaas paramerarna α och β (s.k. regressionsanalys) e är en slumperm och urycker den variaion i γ som modellen ine kan förklara. 5 0 β = x [månad]? γ [Eferfrågan] 00 0 5 0 05 00 95 α = 98 γ = 98 + x 0 4 6 8 0 4
Exempel sserier γ [Eferfrågan] x [månad] 00 05 0 0 4 5 5.... 0 γ = α + βx + e 50 40 0 0 0 00 γ = 80 + 6 x - x 90 80 0 4 6 8 0 Exempel γ [Eferfrågan] x [månad] 00 05 0 0 4 5 5 40 6 40 7 5 8 0 9 5 0 0 sserier γ = α + βx + e Regessionsanalys ger γ = 08.6 +.5x 50 40 0 0 0 00 90 Troligvis ingen bra prognos 80 0 4 6 8 0 Produkionsekonomi M. Rudberg Eferfrågemodeller Trend T Säsong S Cykel C Nivå N Slump e (error) periodid år periodid > år Dessa idsseriekomponener kan sedan illsammans ugöra den underliggande eferfrågemodellen (D). 5
Eferfrågemodeller - modellyper Addiiva modeller D=N+T+S+C+e Muliplikaiva modeller D=N T S C e Blandade modeller D=N+T S+e D=(N+T) S+e. Eferfrågemodeller: Exempel Eferfrågeserie (för de vå senase åren): Månad: 4 5 6 7 8 9 0 År -: 00 67 80 9 50 6 70 8 4 50 År -: 0 0 89 0 0 68 80 9 49 6 70 0 50 00 50 T C? e S N 00 50 00 Trend: 0 enheer/period 50 4 5 6 7 8 9 045678904 Eferfrågemodeller: Exempel Trendrensad idsserie (rend 0 enheer/period): Månad: 4 5 6 7 8 9 0 År -: 00 0 47 50 5 00 0 00 49 5 50 0 År -: 00 00 49 5 50 98 00 0 49 5 50 00 60 40 0 00 80 60 40 4 5 6 7 8 9 0 4 5 6 7 8 9 0 4 6
Eferfrågemodeller: Exempel Trendrensad idsserie (rend 0 enheer/period): Månad: 4 5 6 7 8 9 0 År -: 00 0 47 50 5 00 0 00 49 5 50 0 År -: 00 00 49 5 50 98 00 0 49 5 50 00 Högsäsong 50% 60 40 0 00 80 År År 60 40 0 0 4 5 6 7 8 9 0 Normalsäsong 00% Lågsäsong 50% Eferfrågemodeller: Exempel Trend- och säsongsrensad idsserie: Månad: 4 5 6 7 8 9 0 År -: 00 0 98 00 0 00 0 00 98 0 00 0 År -: 00 00 99 0 00 98 00 0 98 0 00 00 50 5 00 75 50 4 5 6 7 8 9 0 4 5 6 7 8 9 0 4 Medelvärde 00 s/period Eferfrågemodeller: Exempel Trend-, säsongs- och nivårensad idsserie: 0-4 5 6 7 8 9 0 4 5 6 7 8 9 0 4 - - - - Slumpen? Medelvärde 0, s/period Sandardavvikelse, s/period Korrelaionskonroll 7
Eferfrågemodeller: Felkällor Vår eferfrågeserie kan modelleras med hjälp av följande komponener: Dea gör a vi kan bygga upp en prognos enlig modellen: Eferfrågemodell, D = N S + T + e Prognos, F = N S + T Felkällor? e = D F Medelvärde 0 Prognosfel (e) Varians 0 (sandardavvikelse) Sysemaisk avvikelse (bias) Sokasisk avvikelse (slumpen) Modellfel Säkerhe (skydd) Prognosprocessen, Meodik Formulera probleme Formulera probleme Skaffa informaion Välj meod Implemenera meod Uvärdera meod Använd prognos Indaa ill planeringen. Formulera probleme Tre dimensioner Prognosperiod Vecka, månad, kvaral, Prognosinervall Uppdaering av prognos (vecka, månad, kvaral, ) Mäenhe Syck, on, kr, Aggregeringsgrad Enskild produk/ produkgrupp Enskild marknad/ grupperade marknader Prognosperiod (dag, vecka, månad, ) Produkgrupper [s] [kr] [on] Marknadsindelning speriod 8
. Formulera probleme Förhållande mellan id och informaion Aggregering (horison och period) Informaion (mängd och dealjeringsgrad) Disaggregering Eferfrågan 00 90 80 70 60 50 40 Produkgrupp A Produk A Produk A Produk A Produk A4 0 0 0 40 0 4 5 6 7 8 9 0 Period S 0 0 0 0 0 40 50 Veckoprognos Månadsmedelprognos. Skaffa informaion Regisrera daa Regisrera daa i de dimensioner (marknad, produkgrupp, idsperiod, enhe, ec.) som skall prognosiseras Regisrera fakisk eferfrågan (snarare än försäljning, fakurering, produkion, ec.) Regisrera exraordinära händelser Bedömning. Välj meoder Prognosmodeller Prognosmodeller Saisik Kvaliaiva Kvaniaiva Inuiiva Kausala sserie Delphimeoden Regressionsanalys Säljkårsuppskaning Enkel exrapolering Experulåanden Marknadsundersökning Ekonomeriska modeller Ledande indikaorer Dekomposiion Hisorisk analogi Expersysem Kursens fokus 9
. Välj meoder 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 Ofa kan e bra anagande vara a rensa basera på svängningsid, allså förs cykel (C), följ av rend (T), säsong (S), och sluligen nivå (N). Välj meoder Dekomposiion Om eferfrågemodellen har byggs upp korrek, och all rensning gjors felfri åersående ska då e sig som brus (slumpermen) Bygg prognosen med hjälp av dessa idsseriekomponener (i omvänd ordning), exrapolerade för den kommande prognosperioden. Välj meoder Enkel exrapolering Konsana modeller (D = N och e) Glidande medelvärde D + D +... + D N+ F+ = = Di N N i= N+ Exponeniell ujämning U = α D + ( + α) U F + = U 0 + 7 + 8 = 5 8 7 8 0 7 + 8 + 8 = 7.7 U0 =, α = 0. o U- innehåller informaion om hisorien o Uppdaera med senase D och hisorien U Hur mycke liar vi på senase D? U = 0. 0 + 0.8 =.6 U = 0. 7 + 0.8.6 =.68 U = 0. 8 + 0.8.68 =.744 F4 = U =.774 U 4 = 0. 8 + 0.8.774 = 4.69 F5 = U = 4 4.69 0
Trendmodeller Trendmodeller (D = N, T och e) Exponeniell ujämning med rend U = α D + ( α )( U + T ) T = β( U U ) + ( β) T F = U + + T Trendprojekion o Se kursboken U =, T =., α = 0., β = 0. 0 0 U = 0. 0 + 0.8( +.) =.5 T = 0.(0 ) + 0.9. = 0.79 U = 0. 7 + 0.8(.5 + 0.79) = 4.0 T = 0.(4.0.5) + 0.9 0.79 = 0.86 U = 0. 8 + 0.8(4.0 + 0.86) = 5.5 T = 0.(5.5 4.0) + 0.9 0.86 = 0.9 F4 = U + T = 5.5 + 0.9 = 6.4 Enkel exrapolering, fors. Kombinerad rend- och säsongsmodell (D = N, T, S och e) Exponeniell ujämning med rend och säsong D = ( a+ b) c + ε där a = nivå b = renden per period c = säsongindex ε = slump D U = α + ( α)( U + T ) S N T = β( U U ) + ( β) T D S = γ + ( γ) S N U F, τ = ( U + τt) S + N+ τ 4. Implemenera meoder Vilken yp av sysemsöd behövs? Affärssysem Specialiserade prognosverkyg Egenuvecklade verkyg Kalkylbladsprogram Exempelvis Excel
5. Uvärdera meoder Prognosfel (e) Varför mäa prognosfel? För a vea när prognosmeoden ine längre ger en godagbar förusägelse ( bias ) För a kunna försäkra sig mo konsekvenser av felakig prognos o ex i form av säkerheslager Prognosfele, e, för period besäms som: e = D F där D = fakisk eferfrågan i period F = prognosiserad eferfrågan i period 5. Uvärdera meoder Medelabsolufel En av del vanligase meoderna för a mäa prognosprecision är medelabsolufele, MAD MAD är lä a beräkna och kan uppdaeras periodisk, enlig: MAD = n n n e = MAD = α e + ( α) MAD Vid anagande om e normalfördela prognosfel gäller följande förhållande: σ, 5 MAD 5. Uvärdera meoder Prognosuppföljning För a auomaisk konrollera prognosen mo eferfrågedaa används så kallade Trackningsysem Finns i olika varianer vanligase varianerna konrollerar o exremvärden och bias (sysemaisk avvikelse). Trackingsignal: (exremvärde) TSD = e MAD ei Trackingsignal: CFE i= n TS = = (bias) MAD MAD Se kursboken, sid. 68-7 för yerligare informaion och andra yper av racking-signaler! CFE (ackumulera prognosfel) är e må på bias
Konroll av bias,5 5. Uvärdera meoder Prognosuppföljning: Exempel Tracking signal (TS) 0,5 0-0,5 - -,5-6 6 Anal observaioner Uanför konrollgräns Godkän konrollområde ±,5 MAD ±, σ, vilke innebär ca 77% av N-fördelningsarean inom konrollgränsen. ( σ =,5 MAD) Konrollgräns k, 4 Konrollgräns (sd.dev),6,4 Sannolikheen för a en observaion uanför konrollgränsen beror på slumpen,5% Sannolikhe 89,0% 98,4% 99,9% 6. Använda prognoser Eferfrågeplanering Eferfrågeplanering Prognosisering Kvaniaiva prognoser (saisik) Kvaliaiva prognoser Prognosprocess baserad på samverkan och konsensus Simulering och Wha-if -analyser Beräkning av säkerheslager Resulerar i indaa ill planeringen på lång sik medellång sik kor sik lång sik medellång sik medellång sik Källa: Sadler & Kilger (00) 6. Använda prognoser Användning på olika nivåer Kor sik Medellång sik Lång sik Horison dag månader månader ill år Mins år Syfe Objek Beslusområde Operaiv syrning av illverkning och bemanning Produker, modeller, ariklar Tillverkning, inköp Effekiv allokering av resurser Produkgrupper nedbruna ill produk, enskilda produker Huvudplanering, inköpsplanering, disribuionsplanering Planera resursanskaffning Toal försäljning, produkgrupper Kapaciesplanering, anläggningsplanering, processval, sälj- och verksamhesplanering
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 Programvara för prognosisering Forecasing Sofware in Pracice: Use, Saisfacion, and Performance, Inerfaces, sep-ok 00, av Sanders och Manrod. En empirisk undersökning av användande av prognosverkyg i 40 amerikanska föreag. 50 45 40 5 0 % 5 0 5 0 5 0 Kalkylprogram (spreadshees) Inern uvecklad programvara Kommersiell illgänglig programvara Exern uvecklad programvara Ingen programvara Sammanfaning A änka på Prognoser är vanligvis beingade med en viss osäkerhe ( fel ) Därför måse syseme vara robus och reagera på prognosfel (bias) Ju längre prognoshorison, deso mindre säker prognos Genom a kora ledider (leverans och produkion), minskas behove av långsikiga prognoser (läare a reagera på förändringar) Aggregerade prognoser är mer illförliliga Dea gäller såväl produk-, marknads-, som idsaggregering En prognos skall aldrig användas uesluande om känd informaion finns illgänglig Hisoriska daa innehåller ej informaion om framida kampanjer, produkinrodukioner, konkurreners agerande, ec En bra prognos bör vara mer än en ensam siffra Man bör också skaa e förväna fel (slumpen) i prognosen (jämför medelvärde, μ, och sandardavvikelse, σ) 4