Prognose av framtidig etterspørsel SCM 07: Demand Forecasting in a Supply Chain Prognose av framtidig etterspørsel Bestemme kortsiktig produksjon ved push Bestemme langsiktig kapasitet (push og pull) Viktig for mange funksjoner Produksjon, logistikk, markedsføring, økonomi, personal Bruk felles prognoser for alle funksjoner Modne produkter med stabil etterspørsel Lett å lage prognose, feil gir små konsekvenser Nye produkter og produkter med sesong-variasjoner i tilførsel og etterspørsel Vanskelig å lage prognose, feil medfører større konsekvenser BUS340 - SCM

Egenskaper ved prognoser Prognoser er alltid feil Angi prognosefeil i tillegg til forventet verdi Langtidsprognoser er mer usikre enn korttidsprognoser Kortere ledetider medfører mindre feil Aggregerte prognoser er relativt mer sikre enn oppdelte prognoser Bruk aggregering og postponement Det er større variasjoner og større usikkerhet oppover i forsyningskjeden

Prognosemetoder Kvalitative - subjektive Kausale prognosemetoder Langtidsprognoser, manglende data Kausale prognosemetoder Etterspørselen avhenger av andre faktorer i omgivelsene, for eksempel vær eller rentenivå Simulering Simulering av kundenes valg og dermed etterspørselen av ulike produkter Tidsserieanalyse Framtidig etterspørsel avhenger av tidligere etterspørsel

Komponenter i prognosemodellene Systematiske komponenter (SK) Nivå: Generelt nivå for følgende perioder Trend: Økning eller reduksjon fra periode til periode Sesongfaktor: Korrigering i forhold til hvilken periode en er i Tilfeldig komponent, variasjoner Prognosemodellen bør ikke blande den sammen med de systematiske komponentene Prognosefeil: Differanse mellom prognose og aktuell etterspørsel for en gitt periode

Generell arbeidsmåte Forstå formålet med prognoser Støtte beslutninger som tas i logistikkjeden Integrer planlegging og prognoser Kapasitet, produksjon, markedsføring, innkjøp Kan planene gjennomføres? Finn viktige faktorer som påvirker etterspørsel Etterspørsel: Trend, sesongsvingninger, kampanjer, komplementaritet/substitusjon, endring i ledetid Leveransesiden: Ledetid hos aktuelle leverandører Produktet: Vareutvalg, komplementaritet og substitusjon

Generell arbeidsmåte II Identifiser kundesegmentene Servicekrav, volumer, leveringsfrekvenser, etterspørselsfølsomhet, sesongvariasjon Velg passende prognoseteknikk Kan bruke separate teknikker for hver dimensjon (geografisk, produktgrupper, kundegrupper) Bestem prognoseteknikkens ytelse og måleenhet for feil Nøyaktighet Tidsnøyaktighet Behov for ekstra tiltak?

Prognosemetoder for tidsserier Statiske metoder Verdiene for systematiske komponenter, SK, (nivå, trend og sesongfaktor) blir beregnet kun én gang Adaptive metoder Verdiene for SK blir oppdatert ved nye data Modelltyper Multiplikativ modell SK = nivå × trend × sesongfaktor Additiv modell SK = nivå + trend + sesongfaktor Blandet modell SK = (nivå + trend) × sesongfaktor

Variabler L Nivå (level) T Trend St Sesongfaktor for periode t Dt Aktuell etterspørsel (demand) i periode t Ft Prognose (forecast) av etterspørsel i periode t

Statisk prognosemodell Blandet modell: BEREGNING: Fjern sesongvirkningen fra data for et tidspunkt ved å ta gjennomsnittsverdien i en periodelengde (f.eks. år) omkring dette tidspunktet La disse nye verdiene være en funksjon av tiden. Finn L og T ved regresjon Bestem sesongfaktorene som gjennomsnitts-forholdet mellom aktuell etterspørsel og regresjons-modellens etterspørsel for de ulike sesongene

Adaptive modeller - prinsipper SCM 07: Demand Forecasting in a Supply Chain Adaptive modeller - prinsipper Bestem startverdier på parametrene Lt, Tt og St+i Lag prognose for neste periode, evt. flere perioder Bestem prognosefeilen (differansen mellom prognose og observert verdi) når nye data foreligger Oppdater verdiene på Lt, Tt og St+i ved å ta hensyn til de siste dataene (evt. de siste prognosefeilene) BUS340 - SCM

Glidende gjennomsnitt (adaptiv) Prognoseverdien er gjennomsnittet av aktuell etterspørsel i de siste N periodene 8 dataverdier for prognose 1: 8 dataverdier for prognose 2:

Enkel eksponensiell utglatting (adaptiv) Beregn nivå ved start, f.eks ved formelen Prognose for neste periode(r) Oppdatering av nivå, utglattingskonstant a (0<a<1)

Enkel eksponensiell utglatting - prinsipp mengde Dt+1 Lt+1 Lt Ft+1 t t+1 t+2 t+3 tid

Vektlegging av eldre data ved eksponensiell utglatting Dt-3 Dt-2 Dt-1 Dt Dt+1 Ft+2 Lt+1 a*Dt+1 a (1-a) *Dt a (1-a)2 *Dt-1 a (1-a)3 *Dt-2 Bidrag tid t-3 t-2 t-1 t t+1 t+2

Holts modell: Trendkorrigert eksponensiell utglatting (adaptiv) Startnivå på L0 og T0 beregnes Prognose Oppdatering nivå, utglattingskonstant a Oppdatering trend, utglattingskonstant b (0<b<1)

Holts modell (nivå og trend) - prinsipp Dt+1 mengde Ny Ft+2 Tt+1 Lt+1 Ft+2 Ft+1 Tt Lt tid t t+1 t+2

Winters modell: Trend og sesongkorrigert eksponensiell utglatting (adaptiv) Startnivå på L0, T0 og de ulike S0+i beregnes Prognose Oppdatering nivå, utglattingskonstant a Oppdatering trend, utglattingskonstant b Oppdatering sesongfaktor, utglattingskonstant g (0<g<1)

Prognosefeil I Prognosefeil Middelkvadratfeil Middel absolutt avvik s = MADn  1,25 MADn (når feilene er normalfordelt)

Prognosefeil II Middel absolutt prosentavvik Bias bør svinge Bias omkring 0 Bias TS bør ligge innenfor ± 6 Tracking signal

Prognoser i praksis Samarbeid om prognoser Internt i bedriften Eksternt med andre i kjeden Ulike ledd i kjeden har behov for ulike data Fjerne samarbeidspartnere bør få mer aggregerte data Salg og etterspørsel er to forskjellige ting Korriger for priskampanjer, reklamekampanjer, konkurrentenes aktiviteter og etterspørsel som en ikke klarer å dekke