Forecasting

1. Forecasting Menu • Indledning • Kvantitative metoder • Moving average • Weighted moving average • Exponential smoothing • Lineær regression • Trends og sæsonudsving • Kausale metoder • Mål for nøjagtighed af forecasts

2. Hvorfor lave forecast? • Vurdere kapacitetskrav på lang sigt • Udvikle budgetter, mandskabsplanlægning, etc. • Planlæg produktion og/eller ordre på materialer • Opnå enighed indenfor virksomheden på tværs af supply chain partnere • Forecast omkring udbud-efterspørgsel-priser

3. Karakteristika ved Forecasts • Næsten altid fejlagtig i et eller andet omfang • Mere nøjagtigt for grupper af produkter • Mere nøjagtig for kortere tidsperioder • Er ikke substitut for kalkuleret efterspørgsel.

4. Kvantitative Metoder Anvendes når situationen er “stabil” og historiske data er tilrådighed Eksisterende produkter Aktuel/Eksisterende teknologi Brug af matematiske /statisktiske teknikker ******************************* F.eks., forecasting salg af et velkendt produkt Kvalitative Metoder anvendes når situationen er uklar/uvis og kun lidt data er tilrådighed Nyt produkt Ny teknologi Involverer intuition, erfaring ***************************** F.eks., forecasting salg til et nyt marked Forskellige Forecasting Approaches

5. Forecasting metoder

6. Kvalitativ Forecasting • Forbruger surveys (stikprøver) • Build-up forecasts • The life cycle analogy method • Panel consensus • Delphi metode

7. Kvantitativ forecasting:Overskrifter • Basale tidsserie modeller • Lineær regression • For tidsserier eller kausal modellering • Måling af forecast præcision

8. PeriodeEfteresp. 1 12 2 15 3 11 4 9 5 10 6 8 7 14 8 12 Tidsserie-modeller Hvilke antagelser må vi lave for at kunne bruge disse data til forecast?

9. Tidsserie-komponenter, her kun Efterspørgsel .. . stokastiske udsving Tid

10. Tids-serie med … Efterspørgsel . . . stokastiske udsving og trend Tid

11. Tids-serie med. . . Efterspørgsel . . . stokastiske udsving, trend og sæsonvariation May May May May

12. Et vigtigt potentiale bag tidsserie-modeller er,.. .. at de tillader os at skelne mellem stokastiske fluktuationer og ”sande” ændringer i de underliggende efterspørgsels-mønstre.

13. PeriodeEftersp. 1 12 2 15 3 11 4 9 5 10 6 8 7 14 8 12 Moving Average Modeller,MA(3), forecast af D8  3-periode moving average forecast for periode 8: = (14 + 8 + 10) / 3 = 10.67

14. Weighted Moving Averages Forecast for periode 8 = [(0.5 14) + (0.3 8) + (0.2 10)] / (0.5 + 0.3 + 0.1) = 11.4 Hvad er fordelene her Skal vægtene summe til et eller andet? Kan vi anvende forskellige vægte? Sammenlign med et simpelt 3-periode moving average.

15. Tabel af forecasts og efterspørgselsværdier. . .

16. . . . og den tilhørende graf. Bemærk, hvordan forecastet udglatter variationerne

17. Exponentiel Udglatning (1) • Vejet gennemsnits model • Behøver kun tre “tal” for at danne Ft+1 : Ft = Forecast for den aktuelle periode t Dt = Efterspørgsel for den aktuelle period t a= Vægt mellem 0 og 1

18. Exponentiel Udglatning (2) Formel Ft+1 =a ×Dt + (1 – a) × Ft = Ft + a(Dt – Ft) • Hvor kommer det aktuelle forecast fra? • Hvad sker der hvis a nærmer sig 0 eller 1? • Hvor kommer det allerførste forecast fra? Sammenvægtning af i) sidste periodes aktuelle efterspørgsel, og ii) sidste periodes forecastede efterspørgsel

19. Exponentiel Udglatning Forecast med a = 0.3 F2 = 0.3×12 + 0.7×11 = 3.6 + 7.7 = 11.3 F3 = 0.3×15 + 0.7×11.3 = 12.41

20. Grafen med exponentiel udglatning

21. Effekter af a

22. Simpellineær regression • tidsserie ELLER kausal model • Antag en lineær sammenhæng: y = a + b(x) y x

23. Definitioner Y = a + b(X) Y = prediktionsvariabel (f.eks., eftersp.) X = predictor-variabel “X” kan være en periodeangivelse eller en anden type af variabel

24. Bestemmelse af a og b:

25. Eksempel:Brug af regression i tidsserie analyse Søjle Summer

26. Resultat:Forecast = 10 + 98×periode

30. Sæsonvariation Kvartal Periode Eftersp Vinter 02 1 80 Forår 2 240 Sommer 3 300 Efterår 4 440 Vinter 03 5 400 Forår 6 720 Sommer 7 700 Efterår 8 880

31. Hvad bemærker man her?

32. Regressionen fanger trenden, men ikke sæsonvariationen

33. En simpel 4 step procedure til sæsonkorrigereing • For hver af efterspøgselsværdierne i tidsserien, beregn det korresponderende forecast, ved at anvende en af forecast modellerne (f.eks. regression) i en ujusteret version. • For hver efterspørgselsværdi, beregn forholdet Eftersp./Forecast. • Hvis ratiet <= 1, så har modellen overforecasted • Hvis ratiet > 1, så har modellen underforecasted; • Hvis tidsserien dækker flere år, så beregn den gennemsnitlige værdi af ratierne Eftersp./Forecast for hver af året måneder eller årets kvartaler, og anvend disse 4 gennemsnit som SÆSONINDEKS (ellers brug værdierne af ratierne fra step 2) • Multiplicer de ikke justerede forecast fra step 1 med sæson-indeksene for at få justerede forecast værdier.

34. Beregn Sæsonindeks: Vinter-kvartal (Faktisk Eftersp./ Forecast) for vinter-kvartal: Vinter ‘02: (80 / 90) = 0.89 Vinter ‘03: (400 / 524.3) = 0.76 Gennemsnit af disse to = 0.83 Fortolkning!

35. Sæsonkorrigeret forecast model For Vinter-kvartal [ –18.57 + 108.57×periode ] × 0.83 Eller mere generelt: [ –18.57 + 108.57 × periode ] ×Sæson-indeks

36. Sæsonkorrigeret forecasts

37. Kausal Modeller Tidsserier antager, at efterspøgsel er en funktion af tid. Dette er ikke altid sandt. 1. Pounds of BBQ eaten at party. 2. Dollars spent on drought relief. 3. Lumber sales. Lineær regression kan anvendes i sådanne situationer til at beskrive sådanne sammenhænge.

38. Måling af præcision af Forecasts Hvordan ved vi: • om en forecast model er den “bedste”? • om en forecast model stadig “duer nu”? • hvilke typer af fejl en specifik forecast model forventes at lave? • Vi behøver et mål for præcision af forecasts.

39. Måling af præcision af Forecasts Fejl = Faktisk eftersp. – forecast eller Et = Dt–Ft

40. Mean Forecast Error (MFE) For n tidsperioder, hvor vi har faktisk efterspørgsel og forecast værdier:

41. Mean Absolute Deviation (MAD) For n tidsperioder, hvor vi har faktisk efterspørgsel og forecast værdier: Hvad er forskellen på MFE og MAD?

42. Example Hvad er MFE?=2/6 ? Hvad er MAD?=14/6 ? Fortolkning.

43. MFE og MAD: Lav MFE og MAD: Forecast fejl er små og unbiased

44. MFE og MAD: Lav MFE, men høj MAD: I gennemsnit rammer pilen i centrum (so much for averages!)

45. MFE og MAD: Høj MFE og MAD: Forecasts er upræcise og biased