Upravljanje procesima rada

Upravljanje procesima rada Modul 1 Predviđanje

PREDVIĐANJE 1. modul - PREDVIĐANJE PRODAJE • Teorijske osnove • Vrste metoda predviđanja • Postupak predviđanja • Izdvajanje podataka o ponašanju parametra u prethodnim periodima • Izbor modela predviđanja • Predviđanje vrednosti parametra • Prilagođavanje modela predviđanja • Kontrola kvaliteta postupaka predviđanja

PREDVIĐANJE PREDVIĐANJE - skup postupaka čiji je osnovni cilj utvrđivanje strukture i količine proizvoda za dati period! ULOGA POSTUPKA PREDVIĐANJA: ostvarivanje povišenog stepena izvesnosti realizacije projektovanih veličina promena stanja - Ulaz: podaci koje pribavljaju funkcije MARKETINGA i RAZVOJA - Izlaz: projektovane vrednosti u vidu OSNOVNIH PODLOGA

Metode KVALITATIVNE (metode procene) koriste se kad nedostaju validni podaci iz prošlosti vrste: DELFI, BRAINSTORMING, metoda scenarija,teorija igara, metode subjektivne procene , istraživanje tržišta od posebnog značaja može biti subjektivna procena menadžera i prodavaca u preduzeću zahtevaju mnogo ljudskog rada i interakcije (izvor konflikata!) skupe za realizaciju i koriste se isključivo kod dugoročnih odluka ( npr planiranje kapaciteta proizvodnje, izbor lokacije)

Metode KVANTITATIVNE:baziraju se na konkretnim statističkim podacima 1. Uzročne metode: - koriste se kad postoje relevatni podaci iz prošlosti - one utvrđuju hipotetičku zavisnost izmedju faktora koji se predviđa i nekog drugog (internog/eksternog) faktora - najpopularnija metoda je linearna regresija (grafički prikazuje vezu između zavisne i nezavisne promenjive) - koriste ste uglavnom za srednjeročno planiranje potrebnih kapaciteta PRIMER – na prodaju kosačice za travu mogu uticati faktori poput konkurentskih cena, budžeta za reklamu itd. Može se izračunati sa koliko procenata svaki od ovih faktora utiče na našu prodaju.

Metode 2.Metodevremenskih serija: Vremenska serija se zasniva na nizu podataka iz istih vremenskih peroida(mesečni podaci, nedeljni, kvartalni, godišnji). Predviđanje putem metode vremenskih serija podrazumeva da se buduće vrednosti predviđaju isključivo na osnovu vrednosti iz prošlosti, dok se sve ostale promenljive zanemaruju bez obzira na to koliko su važne. Trend prestavlja postepeno opadanje ili rast vrednosti i čini ga srednje vrednosti promenjivih koje čine vremensku seriju i uslovljavaju model predviđanja. Vremenske serije industrijskih proizvoda ukazuje da su to najčešće procesi sa konstantnim, linearnim i eksponencijalnim trendom. Sezonalnost predstavlja ponavljanje vrednosti nakon određenog broja dana, nedelja, meseci itd. Primer za sezonalnost može biti prodaja piva koja je najveća tokom letnjih meseci. Ciklusi su vrednosti koje se pojavljuju svakih nekoliko godina. Obično su vezani za poslovni ciklus i od velike su važnosti za kratkoročnu poslovnu analizu i planiranje. Slučajne varijacijepredstavljaju “ispade” podataka koji se mogu pojaviti usled neuobičajenih situacija

Algoritam 1. korak – izdvajanje podataka o ponašanju parametra u prethodnim periodima 2. korak – izbor modela predviđanja -Ŷ,σ 3. korak – predviđanje vrednosti parametra – npr. Ŷ=200 za 2007. 4. korak – prilagođavanje modela predviđanja: a) metodom proseka iz K-vremenskih serija b) metodom eksponencijalnog prilagođavanja c) metodom eksponencijalnog prilagođavanja sa sezonskim varijacijama 5. korak - kontrola rezultata predviđanja

1. Korak - Izdvajanje podataka o ponašanju parametra u prethodnim periodima a) Određivanje jediničnog vremenskog perioda posmatranja (JVPP) najčešće: mesec ili nedelja - najbolje da bude jednak vremenskom periodu operativnog plana (VPOP) b) Određivanje dužine perioda posmatranja (DPP) min DPP = 12 JVPP c) Izdvajanja podataka o vrednostima posmatranog parametra - ovi podaci se nazivaju VREMENSKA SERIJA! Za seminarski formirati dve odvojene: za posmatrane godine i posmatrani mesec po godinama

1. Korak - Izdvajanje podataka o ponašanju parametra u prethodnim periodima - stabilna tražnja / sezonska tražnja / sezonski proizvod

2. korak – izbor modela predviđanja • Postupak određivanja trenda (srednje vrednosti promenjivih) naziva se REGRESIONA ANALIZA • Prethodno je potrebno eliminisati ekstremi odstupanja. • Trend uslovljava i model predviđanja koji će se koristiti. • zasniva se na metodi NAJMANJIH KVADRATA (Gauss-ova 3. teorema) • za osnovu ima ideju da se minimiziraju kvadrati odstojanja između posmatrane tačke i linije regresije (TRENDA pojave).

2. korak – izbor modela predviđanja Primer : ako smo prodali 50 mobilnih telefona svakog prethodnog meseca istu prodaju očekujemo i za sledeći mesec • srednje vrednosti parametara se ne menjaju u vremenu... • koristi se model sa konstantnim trendom! • Y(t) = a + e(t) • Y(t) – srednja vrednost parametra (potrebe q) • a – srednja vrednost • e(t) – slučajna greška

2. korak – izbor modela predviđanja • srednja vrednost se menja linearno u vremenu (raste ili opada) • koristi se model sa linearnim trendom! • Y(t) = a + b * t+ e(t) • Y(t) – srednja vrednost parametra (potrebe q) • a – konstanta koja određuje početnu vrednost • b – konstanta koja određuje prirast u periodu t • t – vremenski period • e(t) – slučajna greška

2. korak – izbor modela predviđanja - srednja vrednost se menja eksponencijalno u vremenu koristi se model sa eksponencijalnim trendom! Y(t) = a * bt Y(t) – srednja vrednost parametra (potrebe q) t – vremenski period

2. korak – izbor modela predviđanja • za ocenu pogodnosti modela, koristi sesrednje kvadratno odstupanje (standardna devijacija) u obliku: • Gausovateorema 1.- srednja vrednost statističkog skupa jednaka je aritmetičkoj sredini vrednosti obeležja. • predpostavljeni model se prihvata • predpostavljeni model se odbacuje

2. korak – izbor modela predviđanja odstupanje odstupanje odstupanje količina odstupanje odstupanje odstupanje odstupanje vreme

PRIMER 1. - NOSAČ SKIJA Predvideti prodaju za mesec novembar

1. korak • zadatak - određivanje JVPP • JVPP= mesec dana • 2. zadatak – određivanje DPP • DPP= 13 meseci • 3. zadatak – izdvajanje podataka o vrednostima posmatranih parametara

1. korak

1. korak - ako vremenska serija sadrži neki od ekstremuma, važno je utvditi : 1.) da li je to slučaj? 2. ) da li se na njega može uticati ? - ako je slučaj, treba ga eliminisati, da ne bi došlo do velikih odstupanja prilikom predviđanja!

2. korak - prema datom prikazu, možese predpostaviti linearni trend potražnje (Y = a+bt)

2. korak

3. korak 13 meseci

4. Korak – prilagođavanje trenda a) metodom proseka iz K-vremenskih serija - prilagođavanje modela stvarnom stanju Y(t) = a + b*t + e(t)a – konstanta koja određuje početnu veličinu trenda b – konstanta koja određuje veličinu prirasta trenda u vremenu na osnovu podataka i K prethodnih perioda, ostvaruje se promenom veličine konstanti datog modela: Y(T+q) = Y(T) + b(T) * q tj.Y(T+q) = 2M(T) – M(T)(2) + 2q(K-1) * ( M(T) – M(T)(2) ) M(T) – pokretna sredina prvog reda M(T)(2) – pokretna sredina drugog reda

4. Korak – prilagođavanje trenda b) metodom eksponencijalnog prilagođavanja • Eksponencijalnim prilagođavanjem se vrši predviđanje vrednosti posmatranog parametra, za bilo koji period, korišćenjem proseka svih prethodnih perioda Y(T+q) = Y(T) + b(T) * q tj. Y(T+q) = (2 + α) * S(T) – (1 + α) * S(T)(2) α – konstanta prilagođavanja S(T) – koeficijent prilagođavanja I reda S(T)(2) – koeficijent prilagođavanja II reda

4. Korak – prilagođavanje trenda c) metodom eksponencijalnog prilagođavanja sa sezonskim varijacijama - ako se u posmatranoj vremenskoj seriji uoče sezonska odstupanja, a serija ima linearni trend, jednačina se koriguje na sledeći način: Y(t) = ( a + b * t)*c a – konstanta koja određuje početnu vrednost b – konstanta koja određuje prirast u periodu t c – sezonski faktor

4. Korak – metod pokretnih sredina K=5 Srednja vrednost

4. Korak – metod pokretnih sredina K=5 Broj perioda predviđanja Y(T+q) = 2M(T) – M(T)(2) + 2q/(K-1) * ( M(T) – M(T)(2) ) Broj pokretnih sredina

4. Korak - Eksponencijalno prilagođavanje ili gde je: S(T) – koeficijent prilagođavanja prvog reda i izračunava se: S(T)(2) – koeficijent prilagođavanja drugog reda i izračunava se: α - konstanta prilagođavanja Početne vrednosti koeficijenata prilagođavanja se određuju iz : Vrednosti za a(0) i b(0) se određuju primenom proste linearne regresije na podatke iz prethodnih vremenskih perioda.

Analiza

Upravljanje procesima rada