Διαχείριση Εφοδιαστικής Αλυσίδας

Διαχείριση Εφοδιαστικής Αλυσίδας 3 η Διάλεξη: Μέθοδοι & Τεχνικές πρόβλεψης ζήτησης (demand forecasting) 2017 Τμήμα Μηχανικών Οικονομίας & Διοίκησης Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών

Ατζέντα Γιατί χρειαζόμαστε τη διαδικασία της πρόβλεψης; Προβλέψεις ζήτησης στην Εφοδιαστική Αλυσίδα Βασικά βήματα των προβλέψεων Βασικές κατηγορίες πρόβλεψης ζήτησης Ανάλυση τεχνικών & λυμένα παραδείγματα - Εκθετική εξομάλυνση (Exponential smoothing) - Διαχωρισμός χρονοσειράς (Time-series decomposition) Τμήμα Μηχανικών Οικονομίας & Διοίκησης 2

Τι είναι η πρόβλεψη (forecasting); Ως πρόβλεψη... ορίζεται η προσπάθεια να προσδιοριστεί εκ των προτέρων το πιο πιθανό αποτέλεσμα μιας μεταβλητής Πηγή: Ghiani et al., 2004 Τύποι προβλέψεων Οικονομικές Τεχνολογικές Ζήτησης Οικονομία Πληθωρισμός Ανεργία Πρόοδος της τεχνολογίας Ανάπτυξη νέων προϊόντων Μελλοντική ζήτηση προϊόντων και υπηρεσιών Πηγή: Heizer and Render, 2011 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 3

Η ανάγκη για πρόβλεψη της ζήτησης Απαραίτητη προϋπόθεση για τον προγραμματισμό και τον έλεγχο των δραστηριοτήτων logistics αποτελεί η ακριβής πρόβλεψη του όγκου των προϊόντων τα οποία θα διακινηθούν μέσα από το κανάλι μιας αλυσίδας εφοδιασμού Στρατηγική ώθησης (Push strategy) Εργοστάσιο Στρατηγική έλξης (Pull strategy) Εργοστάσιο Λιανέμπορος Λιανέμπορος Πελάτης Για τις διαδικασίες ώθησης οι διαχειριστές πρέπει να προγραμματίσουν τα επίπεδα παραγωγής και προμηθειών Πελάτης Για τις διαδικασίες έλξης πρέπει να προγραμματίσουν το επίπεδο που θα κατανείμουν από τη διαθέσιμη δυναμικότητα και το διαθέσιμο απόθεμα Πηγή: Βιδάλης, 2009 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 4

Επιχειρησιακές λειτουργίες για τις οποίες είναι απαραίτητες οι προβλέψεις Παραγωγή Μάρκετινγκ Χρηματοοικονομικά Ανθρώπινο δυναμικό Προγραμματισμός παραγωγής Έλεγχος αποθεμάτων Συγκεντρωτικός προγραμματισμός Προμήθεια πρώτων υλών Προωθήσεις προϊόντων Εισαγωγή νέων προϊόντων Επενδύσεις σε εργοστάσια Επενδύσεις σε εξοπλισμό Προγραμματισμός εργατικού δυναμικού Προσλήψεις Απολύσεις Και στον κλάδο των logistics Πηγή: Βιδάλης, 2009 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 5

Προβλέψεις ζήτησης στην Εφοδιαστική Αλυσίδα (ΕΑ) Οι προβλέψεις ζήτησης συμβάλουν στη βελτίωση των επιμέρους λειτουργιών της ΕΑ όπως: Διαχείριση προμηθειών Διαχείριση αποθεμάτων Μεταφορά και διανομή κ.α. Πηγή: Chopra et al., 2013 π.χ. Οι προβλέψεις ενός κέντρου αποθήκευσης και διανομής καθορίζουν Τακτικές & λειτουργικές αποφάσεις Το πλήθος και τις διαστάσεις των αποθηκευτικών συστημάτων Το πλήθος και τα ωράρια του ανθρώπινου δυναμικού Το πλήθος και το είδος των οχημάτων κ.α. Στρατηγικές αποφάσεις Το μέγεθος της εγκατάστασης Την ανάθεση της διανομής σε τρίτους (Third Part Logistics - 3PL) Νέες επενδύσεις κ.α. Τμήμα Μηχανικών Οικονομίας & Διοίκησης 6

Παραδείγματα εφαρμογής προβλέψεων ζήτησης στην επιχείρηση Τομέας Διαχείριση αποθεμάτων Διαχείριση ανθρωπίνων πόρων Διαχείριση υποδομών της επιχείρησης Παράδειγμα Υπερεκτίμηση ζήτησης αυξημένα κόστη αποθήκευσης και μειωμένο περιθώριο κέρδους Υποτίμηση ζήτησης έλλειψη αποθέματος και χαμένες πωλήσεις Πλεονάζον ανθρώπινο δυναμικό υψηλό εργατικό κόστος και κίνδυνος απολύσεων Έλλειψη ανθρώπινου δυναμικού υπερωριακά κόστη, κόστος προσλήψεων και χρόνος εκπαίδευσης Λανθασμένες εκτιμήσεις Αύξηση χρόνου και κόστους διαδικασιών Καθορισμός λειτουργικών ενεργειών Τμήμα Μηχανικών Οικονομίας & Διοίκησης 7

Βασικά βήματα των προβλέψεων Καθορισμός παραμέτρων Καθορίζεται η μεταβλητή της πρόβλεψης (π.χ. το προϊόν/ οικογένεια προϊόντος) και ο χρονικός ορίζοντας (π.χ. 3 μήνες) Επιλογή μεθόδου Οι προβλέψεις σε επίπεδο οικογένειας προϊόντος τείνουν να είναι πιο ακριβής διότι η διακύμανση της ζήτησης του εκάστοτε προϊόντος εξομαλύνεται μέσω της ομαδοποίησής του (aggregation) Συλλογή των δεδομένων Αυτή η ομαδοποίηση συχνά πραγματοποιείται και σε επίπεδο γεωγραφικών περιοχών π.χ. νησιωτική και ηπειρωτική χώρα Εφαρμογή της μεθόδου και αξιολόγηση Πηγή: Anderson et al., 2013 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 8

Μεθοδολογίες ομαδοποίησης Καθορισμός παραμέτρων Μεθοδολογίες ομαδοποίησης Επιλογή μεθόδου Συλλογή των δεδομένων Εφαρμογή της μεθόδου και αξιολόγηση bottom-up Η πρόβλεψη πραγματοποιείται για κάθε προϊόν ξεχωριστά Στη συνέχεια συναθροίζεται με τις προβλέψεις για τα υπόλοιπα προϊόντα της ίδιας οικογένειας Μπορεί να εντοπίσει με μεγαλύτερη ακρίβεια τις διακυμάνσεις της ζήτησης σε μια αγορά Απαιτεί πιο ακριβή τήρηση δεδομένων Είναι πιο δύσκολη στην εφαρμογή νέων παραγόντων Η πρόβλεψη top-down πραγματοποιείται για μια οικογένεια προϊόντων Στη συνέχεια σπάει στα επιμέρους προϊόντα Εφαρμόζεται σε περιπτώσεις όπου η ζήτηση είναι σταθερή ή μεταβάλλεται ομοιόμορφα Πηγή: Anderson et al., 2013 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 9

Βασικά βήματα των προβλέψεων Καθορισμός παραμέτρων Δέντρο απόφασης για την επιλογή μεθόδου βάση του μοτίβου της ζήτησης Σταθερή ζήτηση; Επιλογή μεθόδου Ναι Αφελής μέθοδος Απλός μέσος όρος Κινούμενος μέσος όρος Σταθμισμένος μέσος όρος Απλή εκθετική εξομάλυνση Ναι Όχι Ζήτηση με τάση; Όχι Συλλογή των δεδομένων Ζήτηση με εποχικότητα; Ζήτηση με εποχικότητα; Ναι Όχι Ναι Δείκτης εποχικότητας Εφαρμογή της μεθόδου και αξιολόγηση Δείκτης εποχικότητας Τριπλή εκθετική εξομάλυνση Δείκτης εποχικότητας Κλασσική χρονοσειρά διαχωρισμού Μοντέλα ARMA Γραμμική παλινδρόμηση Διπλή εκθετική εξομάλυνση Μοντέλα ARMA Τμήμα Μηχανικών Οικονομίας & Διοίκησης 10

Βασικά βήματα των προβλέψεων Καθορισμός παραμέτρων Συσχέτιση κόστους πρόβλεψης και κόστους ανακρίβειας για μία μεσοπρόθεσμη πρόβλεψη ζήτησης, με διαθέσιμα ιστορικά δεδομένα Επιλογή μεθόδου Αύξηση κόστους Αιτιακά και οικονομετρικά μοντέλα Βέλτιστη περιοχή Συλλογή των δεδομένων Προηγμένες μέθοδοι Απλοϊκά στατιστικά μοντέλα Εφαρμογή της μεθόδου και αξιολόγηση Κόστος μεθόδου Κόστος ανακρίβειας Αύξηση ανακρίβειας Συνολικό κόστος Πηγή: Chambers et al., 1971 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 11

Βασικά βήματα των προβλέψεων Καθορισμός παραμέτρων Επιλογή μεθόδου Ακριβής και λεπτομερής συλλογή δεδομένων π.χ Το. προϊόν και η τοποθεσία, η ημερομηνία που έγινε η συλλογή, η πραγματική ζήτηση αλλά και η ακρίβεια που είχαν τελικά τα δεδομένα αυτά σε προβλέψεις Πηγή: Gilliland, 2010 Σε πολλές περιπτώσεις τα απαραίτητα δεδομένα μπορεί να προέρχονται από πηγές εκτός της επιχείρησης Συλλογή των δεδομένων Εφαρμογή της μεθόδου και αξιολόγηση Πηγή: Heizer and Render, 2011 π.χ Η Disney,. πέρα από τα δεδομένα που συλλέγει από τους υπαλλήλους της, τους πελάτες της και άλλες επιχειρήσεις, συλλέγει και πληροφορίες για ισοτιμίες συναλλάγματος, προγράμματα σχολικών διακοπών, εκπτώσεις των αεροπορικών εταιριών κ.α. Τμήμα Μηχανικών Οικονομίας & Διοίκησης 12

Πραγματικές πωλήσεις Βασικά βήματα των προβλέψεων Οι προωθητικές ενέργειες μεταβάλλουν τις πωλήσεις και αλλοιώνουν το Καθορισμός παραμέτρων αποτέλεσμα της πρόβλεψης Προτείνεται η αντικατάσταση της ζήτησης των προωθητικών ενεργειών με την τιμή της ζήτησης που προκύπτει από την εφαρμογή του κινούμενου μέσου Επιλογή μεθόδου όρου των 4 τελευταίων περιόδων καθαρών δεδομένων (χωρίς προωθητικές ενέργειες) Οι προωθητικές ενέργειες σχεδιάζονται στο χαμηλότερο επίπεδο ομαδοποίησης, συνεπώς και η αφαίρεσή τους πρέπει να γίνεται στο ίδιο επίπεδο Συλλογή των δεδομένων 2000 Πηγή: Silver et al., 1998 1500 1000 Εφαρμογή της μεθόδου και αξιολόγηση 500 0 1 2 3 4 5 6 7 8 9 10 11 12 Χρονικές περίοδοι Πωλήσεις με προωθητικές ενέργειες Τμήμα Μηχανικών Οικονομίας & Διοίκησης 13

Μέτρα αξιολόγησης Καθορισμός παραμέτρων Τα τυχαία σφάλματα είναι αποτέλεσμα των απρόβλεπτων παραγόντων που προκαλούν την πρόβλεψη να αποκλίνει από την ακριβή ζήτηση Πηγή: Krajewski et al., 2013 Οι αναλυτές των προβλέψεων προσπαθούν να ελαχιστοποιήσουν τα Επιλογή μεθόδου σφάλματα επιλέγοντας κατάλληλα μοντέλα προβλέψεων, όμως η εξάλειψη κάθε είδους σφάλματος είναι αδύνατη Υπάρχουν διάφορες μέθοδοι για να παρακολουθηθούν τα σφάλματα πρόβλεψης με την πάροδο του χρόνου Πηγή: Krajewski et al., 2013 Συλλογή των δεδομένων Μέθοδος υπολογισμού σφάλματος Σφάλμα πρόβλεψης Εξίσωση Πλεονεκτήματα Απλό Μέση απόλυτη απόκλιση Εύκολο στη σύγκριση Εφαρμογή της μεθόδου και αξιολόγηση Μέση απόλυτη ποσοστιαία απόκλιση Μέσο τετραγωνικό σφάλμα Σύγκριση μέσω ποσοστών Μεγαλύτερη βαρύτητα στα μεγάλα σφάλματα Τμήμα Μηχανικών Οικονομίας & Διοίκησης 14

Ποιο είδος τεχνικής πρέπει να χρησιμοποιηθεί; Βασικές κατηγορίες πρόβλεψης ζήτησης Ποιοτικές ανθρώπινη εμπειρία και κρίση Ποσοτικές χρήση μαθηματικών μοντέλων Είναι υποκειμενικές Χρησιμοποιούνται όταν δεν υπάρχουν αρκετά ιστορικά δεδομένα Βασίζονται σε εκτιμήσεις ειδικών Χρησιμοποιούνται κυρίως για μακροπρόθεσμες προβλέψεις Είναι αντικειμενικές Απαιτούν ιστορικά δεδομένα για να χρησιμοποιηθούν Περιλαμβάνουν μεθόδους για κάθε πρότυπο δεδομένων και χρονικό ορίζοντα Πηγή: Russell and Taylor, 2011; Dubrin,2012 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 15

Ποιοτικές και ποσοτικές μέθοδοι πρόβλεψης ζήτησης ανάλογα με το χρονικό ορίζοντα Ποιοτικές ανθρώπινη εμπειρία και κρίση Ποσοτικές χρήση μαθηματικών μοντέλων Μακροπρόθεσμες προβλέψεις πάνω από 3 έτη Μεσοπρόθεσμες προβλέψεις μέχρι 3 έτη Βραχυπρόθεσμες προβλέψεις μέχρι 3 μήνες Χρονικός ορίζοντας Πηγή: Delaney and Whittington, 2011 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 16

Ποιοτικές και ποσοτικές μέθοδοι πρόβλεψης ζήτησης ανάλογα με τον κύκλο ζωής του προϊόντος Πωλήσεις Ωρίμανση Κάμψη Ποιοτικές ανθρώπινη εμπειρία και κρίση Ποσοτικές χρήση μαθηματικών μοντέλων Ανάπτυξη Εισαγωγή Χρονικός ορίζοντας Πηγή: Cook, 2015 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 17

Κατηγοριοποίηση ποσοτικών μεθόδων Ποσοτικές μέθοδοι Xρονοσειρές Αιτιακές Προηγμένες Σταθερής ζήτησης Με τάση Με εποχικότητα Γραμμική παλινδρόμηση Οικονομετρικά μοντέλα Νευρωνικά δίκτυα Big data analytics Προσομοίωση Πηγή: Delaney and Whittington, 2011 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 18

Βασικά χαρακτηριστικά χρονοσειρών Οι χρονοσειρές είναι μέθοδοι πρόβλεψης που χρησιμοποιούν ιστορικά δεδομένα της ζήτησης θεωρώντας ότι τα ιστορικά πρότυπα της ζήτησης θα επαναληφθούν στο μέλλον Πηγή: Stevenson, 2012 Πλεονεκτήματα Ιδανικές σε μερικές περιπτώσεις Ιδανικές όταν το βασικό μοτίβο της ζήτησης δεν διαφέρει σημαντικά μεταξύ των ετών Απλές Απλές ως προς την εφαρμογή και την ανάλυσή τους Οικονομικές Χαμηλού κόστους Σημείο εκκίνησης Αποτελούν ένα καλό σημείο εκκίνησης Μειονεκτήματα Απαιτούν ιστορικά δεδομένα Τα μοντέλα αυτά δεν μπορούν να εφαρμοστούν χωρίς διαθέσιμα ιστορικά δεδομένα Χρειάζονται ανάλυση των δεδομένων Πρέπει να αναγνωριστούν τα πρότυπα της ζήτησης για την επιλογή της βέλτιστης μεθόδου Πηγές: Mentzer and Moon, 2005, Stevenson, 2012; Chopra et al., 2013 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 19

Πρότυπα χρονοσειρών/ συνιστώσες ζήτησης Πωλήσεις Χρονικός ορίζοντας Χρονικός ορίζοντας Τυχαία Λεζάντα Τάση Πραγματικές πωλήσεις Μέσες πωλήσεις Πωλήσεις Πωλήσεις Πωλήσεις Εποχικότητα Χρονικός ορίζοντας Περιοδικότητα Χρονικός ορίζοντας Τμήμα Μηχανικών Οικονομίας & Διοίκησης 20

Μέθοδοι χρονοσειρών Exponential Smoothing (Short) (Εκθετική Εξομάλυνση) Η στάθμιση των δεδομένων μειώνεται εκθετικά σε σχέση με τον χρόνο δίνοντας μεγαλύτερη βαρύτητα (στάθμιση) στις πιο πρόσφατες παρατηρήσεις. Ενδείκνυται για βραχυπρόθεσμες προβλέψεις. Time series decomposition (Short-medium) (Διαχωρισμός χρονοσειράς) Στις μεθόδους διαχωρισμού χρονοσειρών η πρόβλεψη τιμής μιας μεταβλητής στηρίζεται σε ιστορικές τιμές της συγκεκριμένης μεταβλητής ακολουθώντας τα χαρακτηριστικά της κατά τη διάρκεια της χρονικής διάρκειας των παρατηρήσεων όπως ανοδική και καθοδική πορεία (τάση), εποχικότητα κ.α. Διαχωρίζει δηλαδή τη χρονοσειρά σύμφωνα με τα χαρακτηριστικά της μεταβλητής. Ενδείκνυται για βραχυπρόθεσμες και μεσοπρόθεσμες προβλέψεις. Τμήμα Μηχανικών Οικονομίας & Διοίκησης 21

Εκθετική εξομάλυνση (1/3) Χρήσιμη τεχνική για βραχυπρόθεσμες προβλέψεις Συναφή με την μέθοδο του κινούμενου μέσου όρου, με την διαφορά ότι οι προηγούμενες παρατηρήσεις δεν έχουν την ίδια βαρύτητα στην πρόβλεψη. Οι πιο πρόσφατες παρατηρήσεις έχουν μεγαλύτερη βαρύτητα Απαίτηση ελάχιστων δεδομένων: 1. Πραγματική τιμή της προηγούμενης περιόδου και 2. Πρόβλεψη της προηγούμενης περιόδου 3. Τιμή της σταθεράς εξομάλυνσης α (0 α 1) Η εξίσωση υπολογισμού Πρόβλεψη ζητησης= α (Πραγματική ζήτηση προηγούμενης περιόδου) + (1-α) (Πρόβλεψη ζήτησης προηγούμενης περιόδου) Τμήμα Μηχανικών Οικονομίας & Διοίκησης 22

Εκθετική εξομάλυνση (2/3) Υψηλή τιμή «α» Χαμηλή τιμή «α» Όσο υψηλότερη είναι η τιμή του «α», Όσο χαμηλότερη είναι η τιμή «α», τόσο τόσο μεγαλύτερη βαρύτητα στις πιο μεγαλύτερη είναι η βαρύτητα που πρόσφατες πωλήσεις και το μοντέλο αποδίδεται σε ιστορικά δεδομένα ανταποκρίνεται πιο γρήγορα στις αλλαγές πωλήσεων Ωστόσο, μια υψηλή τιμή «α», μπορεί να Χαμηλές τιμές «α» παρέχουν πολύ κάνει την πρόβλεψη «νευρική» τις "στατικές" προβλέψεις που δεν πρόσφατες διακυμάνσεις αγνοώντας τις επηρεάζονται σε μεγάλο βαθμό από την θεμελιώδεις αλλαγές τυχαιότητα Τυπικές τιμές για το «α» συνήθως κυμαίνονται 0.01 έως 0.3 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 23

Εκθετική εξομάλυνση (3/3) Τμήμα Μηχανικών Οικονομίας & Διοίκησης 24

Εκθετική εξομάλυνση: Λυμένο παράδειγμα Ένα κατάστημα ρούχων χρησιμοποιεί την μέθοδο του κινούμενου μέσου όρου για να προβλέψει τις πωλήσεις της επόμενης περιόδου. Λόγω της µεγάλης αύξησης της ζήτησης τον τελευταίο καιρό, αποφάσισε να χρησιμοποιήσει την μέθοδο της εκθετικής εξομάλυνσης δίνοντας μεγαλύτερη βαρύτητα στα δεδομένα της τελευταίας περιόδου. Με βάση την εμπειρία του, ο υπεύθυνος προβλέψεων αποφασίζει να επιλέξει α = 0.2. Να υπολογιστεί η ζήτηση της 3ης περιόδου με την μέθοδο της εκθετικής εξομάλυνσης. Τρίμηνα 1 2 3 4 2014 1200 700 900 1100 2015 1400 1000 F3=? Λύση F0= (1200 + 700 + 900 + 1100) / 4 = 975 F1= α Α0 + (1-α) F0 = 0.2 (1100) + 0.8 (975) = 1000 F2= α Α1 + (1-α) F1 = 0.2 (1400) + 0.8 (1000) = 1080 F3= α Α2 + (1-α) F2 = 0.2 (1000) + 0.8 (1080) = 1064 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 25

Πωλήσεις Πωλήσεις Πωλήσεις Διορθώνοντας την τάση Ο εντοπισμός ύπαρξης τάσης είναι συνήθως το πρώτο βήμα ώστε να αποφευχθούν σφάλματα κατά τον υπολογισμό μιας πρόβλεψης Η τάση είναι η προσαρμογή μιας γραμμής/ καμπύλης στα πραγματικά δεδομένα Τρεις βασικοί τύποι τάσης: Γραμμική τάση Εκθετική τάση Καμπύλη S Χρόνος Χρόνος Χρόνος Τμήμα Μηχανικών Οικονομίας & Διοίκησης 26

Διορθώνοντας την τάση στην μέθοδο της εκθετικής εξομάλυνσης Τύποι υπολογισμού της πρόβλεψης με τάση F t = S t-1 + T t-1 S t = α Α t + (1-α) (F t ) T t = β (S t S t-1 )+ (1-β)T t-1 Όπου: F t = Διορθωμένη πρόβλεψη ζήτησης με τάση για την περίοδο t S t = Αρχική πρόβλεψη ζήτησης για την περίοδο t T t = Τάση για την περίοδο t β = Σταθερά για την εξομάλυνση της τάσης Τμήμα Μηχανικών Οικονομίας & Διοίκησης 27

Εκθετική εξομάλυνση με τάση: Λυμένο παράδειγμα Με τα δεδομένα του προηγουμένου καταστήματος ρούχων συνυπολογίζοντας την τάση, να υπολογιστεί η ζήτηση της 3ης περιόδου. Θεωρούμε ότι η αρχική πρόβλεψη ζήτησης είναι ο μέσος όρος των πωλήσεων του προηγούμενου έτους, β=0.3 και η T 0 =0 (no trend). Τρίμηνα 1 2 3 4 2014 1200 700 900 1100 2015 1400 1000 F3=? Τυπολόγιο F t = S t-1 + T t-1 S t = α (Α t ) + (1-α) (F t ) T t = β (S t S t-1 ) + (1-β)T t-1 Λύση Παραδοχή: S0= (1200 + 700 + 900 + 1100) / 4 = 975, T0=0 και συνεπώς, F1 =(975+0) =975 1η περίοδο 2η περίοδο 3η περίοδο S1= 0.2 (1400) + 0.8 (975) = 1060 S2= 0.2 (1000) + 0.8 (1085.5) = 1068.4 T1= 0.3 (1060-975) + 0.7 (0) = 25.5 T2= 0.3 (1068.4-1060) + 0.7 (25.5) = 20.37 F1= 975 + 0 =975 F2 = 1060 + 25.5 = 1085.5 F3 = 1088.77 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 28

Διορθώνοντας την τάση και την εποχικότητα Πριν από την εφαρμογή εποχικότητας στη διαδικασία πρόβλεψης: Πρέπει να υπάρχει μια γνωστή αιτία για τις περιοδικές κορυφές και κοιλάδες και θα πρέπει να παρατηρούνται την ίδια περίοδο κάθε χρόνου Η εποχική διακύμανση πρέπει να είναι μεγαλύτερη από ό, τι οι τυχαίες διακυμάνσεις Τύποι υπολογισμού της πρόβλεψης με τάση και εποχικότητα F t = (S t-1 + T t-1 ) I t-l S t = α (Α t / I t-l ) + (1-α) (S t-1 + T t-1 ) T t = β (S t S t-1 ) + (1-β)T t-1 I t = γ (Α t /S t ) + (1-γ) I t-l Όπου: F t = Διορθωμένη πρόβλεψη ζήτησης με τάση και εποχικότητα για την περίοδο t L = Χρονική περίοδος για μία πλήρη σεζόν I t = Δείκτης εποχικότητας για την περίοδο t γ = Σταθερά για την εξομάλυνση της εποχικότητας Τμήμα Μηχανικών Οικονομίας & Διοίκησης 29

Κλασική χρονοσειρά διαχωρισμού Οι κλασσικές χρονοσειρές διαχωρισμού στηρίζονται στο μοτίβο των ιστορικών πωλήσεων που μπορούν να διαχωριστούν σε 4 κατηγορίες: Τάση (τάση) αντιπροσωπεύει τη συστηματική μεταβολή των πωλήσεων με την πάροδο του χρόνου που προκαλούνται από πολλούς παράγοντες όπως από αλλαγές στην απόδοση μάρκετινγκ της επιχείρησης Εποχικό στοιχείο/ εποχικότητα αναφέρεται στις παρατηρήσεις που επαναλαμβάνονται μετά από ορισμένο αριθμό περιόδων (π.χ. ημέρες, εμδομάδες, μήνες, τρίμηνα) Κυκλικό στοιχείο αντιπροσωπεύει την επαναληπτικότητα των παρατηρήσεων αλλά χωρίς σταθερή περιοδικότητα και διάρκεια (π.χ. περίοδοι οικονομικής ύφεσης) Εναλλαγή υπολοίπου είναι εκείνο το τμήμα των συνολικών πωλήσεων που είναι δεν σχετίζεται με τάση, εποχικότητα ή κυκλικές συνιστώσες Τμήμα Μηχανικών Οικονομίας & Διοίκησης 30

Κλασική χρονοσειρά διαχωρισμού με τάση και εποχικότητα Απλή γραμμική παλινδρόμηση Για την εύρεση της καταλληλότερης ευθείας (προσδιορισμός των συντελεστών α και β) εφαρμογή της μεθόδου ελαχίστων τετραγώνων Τμήμα Μηχανικών Οικονομίας & Διοίκησης 31

Μέθοδος της απλής γραμμική παλινδρόμησης Για την εύρεση της ευθείας Τ=α+b t αρκεί να υπολογιστούν οι τιμές των α και b. Παρακάτω ακολουθεί ένας άλλος τρόπος διατύπωσης των προηγούμενων εξισώσεων για τον υπολογισμό του α και του b. N N a = 1 N D t b I N t t=1 t=1 N N N N D t t D t t b = t=1 N t=1 N t=1 2 N t 2 t t=1 t=1 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 32

Κλασική χρονοσειρά διαχωρισμού Λυμένο παράδειγμα (1/2) Μία επιχείρηση παραγωγής και διανομής σοκολάτας χρησιμοποιεί την μέθοδο της κλασικής χρονοσειράς διαχωρισμού για την πρόβλεψη της ζήτησης έτσι ώστε να καθορίσει αποτελεσματικά τα επίπεδα παραγωγής και να οργανώσει τις διαδικασίες logistics της επιχείρησης. Η εν λόγω επιχείρηση καταγράφει τις ετήσιες πωλήσεις ανά 5 χρονικές περιόδους όπου η κάθε μία χαρακτηρίζεται από διαφορετικής έντασης μάρκετιγκ και συνεπώς διαφορετικά επίπεδα πωλήσεων. Στον πίνακα παρουσιάζονται οι πραγματικές πωλήσεις της Dt Summer 9458 Trans-season 11542 Fall 14489 Holiday 15754 Spring 17269 Summer 11514 Trans-season 12623 Fall 16086 Holiday 18098 Spring 21030 Summer 12788 Trans-season 16072 Fall Holiday? επιχείρησης. Η επιχείρηση επιθυμεί την πρόβλεψη ζήτησης για 2 περιόδους μπροστά από την τρέχουσα (Fall και Holiday) θεωρώντας ότι η τάση είναι γραμμική. Τμήμα Μηχανικών Οικονομίας & Διοίκησης 33

Κλασική χρονοσειρά διαχωρισμού Λυμένο παράδειγμα (2/2) Λύση t Dt Dt t b a T(t) Ι(t) F(t) Summer 1 9458 9458 1 12053 0.78 Trans-season 2 11542 23084 4 12539 0.92 Fall 3 14489 43467 9 13025 1.11 Holiday 4 15754 63016 16 13512 1.17 Spring 5 17269 86345 25 13998 1.23 Summer 6 11514 69084 36 14484 0.79 11365 Trans-season 7 12623 88361 49 14970 0.84 13779 Fall 8 16086 128688 64 15456 1.04 17193 Holiday 9 18098 162882 81 15942 1.14 18588 Spring 10 21030 210300 100 16428 1.28 20268 Summer 11 12788 140668 121 16915 0.76 13446 Trans-season 12 16072 192864 144 17401 0.92 14673 Fall 13 17887 18616 Holiday 14 18373 20857 Total 78 176723 1218217 650 486 11567 Τμήμα Μηχανικών Οικονομίας & Διοίκησης 34