doc. dr. sc. Martina Briš Alić

1. PREDVIĐANJE POTRAŽNJE doc. dr. sc. Martina Briš Alić

2. Što je predviđanje? • Svakogdanamenadžeridonose odluke bez obzira što ne znaju što će se dogoditi u budućnosti: • naručujuzalihebezznanjakakvaćebitiprodaja, • kupujunovuopremuuprkos neizvjesnostipotražnjezaproizvodom, • investiraju sredstva u nove objekte bez znanja o budućoj dobiti poduzeća • Izrada dobrih prognoza budućnosti svrha je predviđanja i glavni input za planiranje • Dobre prognoze su ključni dio efikasnih proizvodnih i uslužnih operacija. • Predviđanje je umjetnost, ali i znanost o predviđanju budućih događaja.

3. Predviđanjemožebiti: • primjena POVIJESNIH PODATAKA i njihovo projektiranje u budućnost koristeći neki matematički model, • SUBJEKTIVNA procjena ili INTUITIVNA pretpostavka, • KOMBINACIJA metoda. • Nema univerzalnog prognostičkog modela koji bi vrijedio za sve. • ono što najbolje funkcionira u jednoj industriji, u jednim okolnostima, može napraviti potpuni kaos u drugoj industriji • Postoje OGRANIČENJA u vezi sa očekivanjima od prognoza: • one su rijetko, ili nikada perfektne; • one su skupe i vremenski zahtjevne. • Niti jedno ozbiljno poduzeće ne može poslovati po principu “što bude”, a onda se izvlačiti iz situacije EFEKTIVNO PLANIRANJE (i kratkoročno i dugoročno) ovisi o predviđanju potražnje za proizvodima i/ili uslugama s kojima određeno poduzeće opskrbljuje tržište.

4. Predviđanja, a tako kasnije i planovi, KATEGORIZIRAJU se prema VREMENSKOM HORIZONTU za koji se vrši prognoza. Općenito postoje 3 kategorije:

5. ZAJEDNIČKE KARAKTERISTIKE METODA PROGNOZIRANJA:

6. KORACI U PROCESU PROGNOZIRANJA POTRAŽNJE:

7. Pristupi predviđanju • Postoje dva osnovna pristupa predviđanju: • KVALITATIVNI • KVANTITATIVNI U praksi, kombinacija oba pristupa obično je najefektivnija.

8. PREGLED KVALITATIVNIH METODA

9. PREGLED KVANTITATIVNIH METODA

10. METODE VREMENSKIH SERIJA • Metode vremenskih serija zasnivaju se na nizu podataka koji su podjednako razmaknuti u vremenu – dnevni, tjedni, mjesečni i sl. podaci • Predviđanje vremenske serije podataka pretpostavlja da se buduće vrijednosti prognoziraju • isključivo na povijesnim podacima • te da drugi promjenjivi, bez obzira koliko potencijalno važni podaci • mogu biti zanemareni • Rastavljanjem povijesnih podataka moguće je uočiti četiri glavne komponente vremenskih serija:

11. SEZONSKE OSCILACIJE – određeni uzorci koji se ponavljaju nakon nekog perioda CIKLIČNO PONAŠANJE – obično se primjećuje svakih nekoliko godina NASUMIČNI FAKTOR – kako i samo ime kaže je nasumičan i ne može se predvidjeti koliki će biti, ali se uključuje u prognostički model TREND – postupni rast ili pad potražnje u vremenu

12. NAIVNI PRISTUP • Najjednostavnija metoda budući da pretpostavlja da će potražnja u narednom periodu biti jednaka potražnji u upravo proteklom periodu PRIMJER:Ako je prodaja XY proizvoda u prošlom mjesecu iznosila 73 jedince – za sljedeći mjesec prognozira se da će se prodati 73 jedinice proizvoda XY. Ako se ostvarila prodaja od 97 jedinica proizvoda XY umjesto 73, za naredni mjesec predviđamo prodaju u visini od 97 proizvoda XY. gdje je: • Metoda ima smisla samo ako nema dovoljno podataka i predstavlja osnovu za prognozu ako nema drugih načina

13. POMIČNI PROSJEK • Metoda koja koristi srednju vrijednost podataka za nekoliko zadnjih perioda kako bi prognozirala budući period • Korisna je ako je moguće pretpostaviti da će potražnja na tržištu ostati prilično stabilna tijekom vremena – koristi se kada je trend mali ili ga uopće nema. PRIMJER: Tromjesečni pomični prosjek računa se zbrajanjem potražnje za prethodna 3 mjeseca i dijeljenjem sa brojem perioda koji se razmatra – u ovom slučaju 3. Sa svakim novim mjesecem, najnoviji mjesečni podaci se dodaju sumi podataka za prethodna 2 mjeseca, a podaci za najstariji mjesec otpadaju – uvijek u obzir dolazi n najnovijih podataka. gdje je: • Navedenim načinom izglađuje se NASUMIČNA KOMPONENTA predviđanja – izravnavaju se kratkotrajne neregularnosti u seriji podataka.

14. PRIMJER: • Sljedeći podaci daju potražnju za nekim dobrom (u količinskim jedinicama) koje treba biti u skladištu u razdoblju od 24 mjeseca:

15. Na temelju podataka iz primjera ilustiran je model pomičnog prosjeka – TROMJESEČNI pomični prosjek : Prognoza pomičnog prosjeka b Potražnja 46 56 54 Mjesec 1 2 3 43 57 56 67 62 50 56 47 56 (46+56+54)/3=52 (56+54+43)/3=51 (54+43+57)/3=51,33 (43+57+56)/3=52 (57+56+67)/3=60 (56+67+62)/3=61,67 (67+62+50)/3=59,67 (62+50+56)/3=56 (50+56+47)/3=51 4 5 6 7 8 9 10 11 12

16. Prognoze potražnje za sve promatrane mjesece moguće je vidjeti u sljedećoj tablici: • Na temelju gornjih podataka izračunajte prognozu potražnje za 25. mjesec?

17. Pomoću programa POM – QM for Windows izračunata je prognoza potražnje za 25. mjesec:

18. Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela pomičnog prosjeka za promatrani primjer:

19. EKSPONENCIJALNO IZJEDNAČAVANJE • Jedostavna metoda koja zahtjeva vrlo malo podataka – potreban je samo podatak iz prethodnog perioda, a budući da je osjetljiva na promjene u podacima ujedno je i točnija metoda. • Osnovna formula za eksponencijalno izjednačavanje još uvijek je vrlo jednostavna i glasi: ili matematički: gdje je: ako se preuredi, dobiva se: • Odabir vrijednosti konstante izjednačavanja najvažniji je zadatak u traženju “realne” prognoze. U praksi se izabire interval između 0,1 i 0,3 – u ekstremnom slučaju kada se stavi da je α = 1, dobiva se rješenje od naivne prognoze.

20. Na temelju podataka iz promatranog primjera, uz α = 0,1 te uz prognoziranu vijednost za 24. mjesec u iznosu od 57,63 jedinica, potrebno je prognozirati potražnju za 25. mjesec pomoću EKSPONENCIJALNOG IZJEDNAČAVANJA

21. Pomoću programa POM – QM for Windows izračunata je prognoza potražnje za 25. mjesec pomoću eksponencijalnog izjednačavanja:

22. Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela eksponencijalnog izjednačavanja za promatrani primjer:

23. UZROČNE (KAUZALNE) METODE PREDVIĐANJA • Razvijaju tzv. MODEL UZROKA I POSLJEDICA između potražnje i ostalih varijabli. • Npr. potražnja za sladoledom može se povezati sa populacijom, srednjom (prosječnom) temperaturom i vremenom. Podaci se mogu prikupiti po tim varijablama, a analiza izvoditi tako da utvrdi valjanost predloženog modela. • Najpoznatija kauzalna metoda je REGRESIJA, a najjednostavniji model regresije je LINEARNI TREND. • U svrhu proračuna TRENDA koristi se tzv. METODA NAJMANJIH KVADRATA, odnosno proračunavaju se parametri a i b takvi da suma odstupanja od te crte bude najmanja.

24. Metoda najmanjih kvadrata daje pravu liniju koja minimizira sumu kvadrata vertikalnih odstupanja od linije do svake stvarne točke promatranja. • Linija najmanjih kvadrata opisuje se u obliku njenog y-odsječka – a = visina na kojoj linija presjeca y-os i njenog koeficijenta nagiba b.

25. Jednadžbe za izračunavanje vrijednosti a i b za bilo koju liniju najmanjih kvadrata: • Linija najmanjih kvadrata izrazi se kao: gdje je:

26. Pomoću programa POM – QM for Windows unešena je potražnja za dobrom po mjesecima što je potrebno za izračunavanje jednadžbe za prognozu buduće potražnje pomoću modela regresije – linearnog trenda:

27. Pomoću programa POM – QM for Windows izračunato je rješenje problema pomoću modela regresije – linearnog trenda :

28. Pomoću programa POM – QM for Windows izračunato je grafičko rješenje modela regresije – linearnog trenda za promatrani primjer: