Prognozowanie popytu

Prognozowanie popytu jest znane jako proces dokonywania przyszłych szacunków w odniesieniu do popytu ze strony klientów w określonym okresie. Ogólnie rzecz biorąc, prognozowanie popytu uwzględnia dane historyczne i inne informacje analityczne w celu uzyskania najdokładniejszych prognoz. Mówiąc dokładniej, metody prognozowania popytu obejmują wykorzystanie analizy predykcyjnej danych historycznych w celu zrozumienia i przewidywania popytu ze strony klientów w celu zrozumienia kluczowych warunków ekonomicznych i pomocy w podejmowaniu kluczowych decyzji dotyczących dostaw w celu optymalizacji rentowności biznesu . Metody prognozowania popytu dzielą się na dwie główne kategorie: metody jakościowe i ilościowe. Metody jakościowe opierają się na opiniach ekspertów i informacjach zebranych w terenie. Jest używany głównie w sytuacjach, gdy dostępnych jest niewiele danych do analizy. Na przykład, gdy firma lub produkt jest nowo wprowadzany na rynek. Jednak metody ilościowe wykorzystują dane i narzędzia analityczne do tworzenia prognoz. Prognozowanie popytu może być wykorzystywane w planowaniu produkcji, zarządzaniu zapasami, a czasami w ocenie przyszłego zapotrzebowania na moce lub przy podejmowaniu decyzji o wejściu na nowy rynek .

Znaczenie prognozowania popytu dla biznesu

Prognozowanie popytu odgrywa ważną rolę dla przedsiębiorstw z różnych branż, szczególnie w ograniczaniu ryzyka w działalności biznesowej. Wiadomo jednak, że jest to wyzwanie, przed którym stoją firmy ze względu na zawiłości analizy, w szczególności analizy ilościowej. Jednak zrozumienie potrzeb klientów jest nieodzowną częścią każdej branży, dzięki czemu biznesplany mogą być wdrażane efektywniej i lepiej odpowiadać na potrzeby rynku. Jeśli firmy zaczną opanowywać koncepcję prognozowania popytu, może to przynieść kilka korzyści. Obejmują one między innymi redukcję odpadów, bardziej optymalną alokację zasobów i potencjalnie radykalny wzrost sprzedaży i przychodów.

Bardziej szczegółowo, niektóre z powodów, dla których firmy potrzebują prognozowania popytu, obejmują:

1. Osiąganie celów — większość odnoszących sukcesy organizacji będzie miała z góry określone trajektorie wzrostu i długoterminowe plany, aby zapewnić optymalne funkcjonowanie firmy. Rozumiejąc przyszłe rynki popytu, firmy mogą proaktywnie zapewnić, że ich cele realizacji są zgodne z trendami rozwoju branży.
2. Decyzje biznesowe — w odniesieniu do realizacji celów, dzięki dogłębnemu zrozumieniu przyszłego popytu w branży, kierownictwo i kluczowi członkowie zarządu mogą podejmować strategiczne decyzje biznesowe, które mogą zapewnić wyższą rentowność i rozwój firmy. Decyzje te są na ogół związane z koncepcjami wydajności, ukierunkowania na rynek, surowców i zrozumienia kierunku kontraktu z dostawcą.
3. Wzrost — dzięki dokładnemu zrozumieniu przyszłych prognoz firmy mogą ocenić potrzebę ekspansji w ramach czasowych, które pozwolą im to zrobić w sposób efektywny kosztowo.
4. Zarządzanie kapitałem ludzkim — biorąc pod uwagę, że prognozy popytu zazwyczaj ujawniają informacje dotyczące rozwoju technologii i produkcji, firmy mogą odnieść korzyści z planowania szkoleń dla pracowników, aby upewnić się, że personel jest dobrze przygotowany do nowych trendów technologicznych. Pomoże to w zapewnieniu optymalnego działania organizacji.
5. Planowanie finansowe — zrozumienie prognoz popytu ma kluczowe znaczenie dla efektywnego budżetowania przyszłych operacji. Silna prognoza popytu pomoże ujawnić potencjalne przyszłe koszty i przychody.

Metody prognozowania popytu

Do prognozowania popytu wykorzystuje się różne analizy statystyczne i ekonometryczne. Prognozowanie popytu można podzielić na proces siedmioetapowy, siedem etapów opisano jako:

Etap 1: Sformułowanie teorii lub hipotezy

Pierwszym krokiem do prognozowania popytu jest określenie zestawu celów lub informacji w celu uzyskania różnych strategii biznesowych (znajdź dziennik). Cele te opierają się na zestawie hipotez, które zwykle wywodzą się z teorii ekonomii lub wcześniejszych badań empirycznych. Na przykład kierownik może chcieć dowiedzieć się, jaka byłaby optymalna cena i wielkość produkcji dla nowego produktu, w oparciu o wpływ elastyczności popytu na sprzedaż firmy w przeszłości.

Etap 2: Specyfikacja modelu

Istnieje wiele różnych modeli ekonometrycznych, które różnią się w zależności od analizy, którą menedżerowie chcą przeprowadzić. To, jaki model zostanie wybrany do prognozowania popytu, zależy od wielu różnych aspektów, takich jak rodzaj pozyskanych danych, liczba obserwacji itp. Na tym etapie ważne jest zdefiniowanie rodzaju zmiennych, które zostaną wykorzystane do prognozowania popytu. Analiza regresji jest główną statystyczną metodą prognozowania. Istnieje wiele różnych rodzajów analizy regresji, ale zasadniczo zapewniają one analizę wpływu jednej lub wielu zmiennych na mierzoną zmienną zależną. Przykładem modelu prognozowania popytu jest model regresji prognozowania popytu M. Roodmana (1986) służący do pomiaru wpływu sezonowości na mierzony punkt danych. Model został oparty na modelu regresji liniowej i służy do pomiaru trendów liniowych w oparciu o cykle sezonowe i ich wpływ na popyt, tj. sezonowy popyt na produkt oparty na sprzedaży latem i zimą.

Model regresji liniowej jest opisany jako:

${\ Displaystyle Y_ {i} = \ beta _ {0} + \ beta _ {1} X_ {i} + e}$

gdzie $}$ zmienną zależną, jest punktem przecięcia, jest ${\ Displaystyle X_ {i}}$ nachylenia, $\ Displaystyle$$}$ jest zmienną niezależną, a e jest wyrazem błędu.

Model prognozowania popytu M.Roodmana opiera się na regresji liniowej i jest opisany jako:

${\ Displaystyle \ lambda _ {q} = \ {t \ środkowy t = 1, \ kropki, n {\text{ i }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q}$

${\ Displaystyle \ lambda _ {q}}$ jest zdefiniowany jako zbiór wszystkich t - indeksów dla kwartału q . Proces generujący dane dla wszystkich okresów t przypadających na kwartał q jest określony wzorem:

${\ Displaystyle Y_ {t} = (\ beta + \ tau \ razy t) \ razy \ sigma _ {q} + e}$

• ${\ displaystyle Y_ {t}}$ = punkt odniesienia dla okresu
• β = popyt bazowy na początku horyzontu szeregów czasowych
• τ = trend liniowy na kwartał
• ${\ Displaystyle \ sigma _ {q}}$ = multiplikatywny czynnik sezonowy dla kwartału
• e = składnik zakłócający

Etap 3: Gromadzenie danych

Po określeniu typu modelu w etapie 2 należy określić dane oraz sposób ich zbierania. Najpierw należy określić model, aby określić zmienne, które należy zebrać. I odwrotnie, decydując się na pożądany model prognostyczny, należy wziąć pod uwagę dostępne dane lub metody zbierania danych w celu sformułowania prawidłowego modelu. Dane szeregów czasowych i dane przekrojowe to różne metody gromadzenia, które można zastosować. Dane szeregów czasowych oparte są na historycznych obserwacjach przeprowadzonych sekwencyjnie w czasie. Te obserwacje są wykorzystywane do uzyskiwania odpowiednich statystyk, cech i wglądu w dane. Punktami danych, które mogą być gromadzone przy użyciu szeregów czasowych, mogą być sprzedaż, ceny, koszty produkcji i odpowiadające im przedziały czasowe, tj. tygodniowy, miesięczny, kwartalny, roczny lub dowolny inny regularny przedział czasu. Dane przekrojowe odnoszą się do danych zebranych na temat jednego podmiotu w różnych okresach czasu. Dane przekrojowe wykorzystywane w prognozowaniu popytu zwykle przedstawiają punkt danych zebrany od osoby, firmy, branży lub obszaru. Na przykład sprzedaż firmy A w pierwszym kwartale. Ten typ danych obejmuje różne punkty danych, które dały końcowy punkt danych. Podzbiór punktów danych może nie być obserwowalny lub niemożliwy do określenia, ale może być praktyczną metodą dodawania precyzji do modelu prognozy popytu. Źródła danych można znaleźć w aktach firmy, agencjach komercyjnych lub prywatnych lub oficjalnych źródłach.

Etap 4: Oszacowanie parametrów

Po uzyskaniu modelu i danych należy obliczyć wartości w celu określenia wpływu zmiennych niezależnych na zmienną zależną. Wykorzystując model regresji liniowej jako przykład szacowania parametrów, podejmuje się następujące kroki:

Wzór na regresję liniową:

${\ Displaystyle Y_ {i} = \ beta _ {0} + \ beta _ {1} X_ {i} + e}$

Pierwszym krokiem jest znalezienie linii, która minimalizuje sumę kwadratów różnicy między obserwowanymi wartościami zmiennej zależnej a dopasowanymi wartościami z linii. Jest to wyrażone jako ${\ Displaystyle {\ kapelusz {Y}} _ {i} = \ beta _ {0} + \ beta _ {1} {X_ {i}}$ } Σ ${\ Displaystyle \ Sigma (Y_ {i} - {\ kapelusz {Y_ {i}}}) ^ {2}}$ Y $\ Displaystyle {\ kapelusz {Y_{i}}}=\beta _{0}}$ dopasowana wartość z linii regresji.

${\ displaystyle \ beta _ {0}}$ i ${\ displaystyle \ beta _ {1}}$ również muszą być reprezentowane, aby dokładnie przeciąć punkt przecięcia i nachylenie linii. Metoda określania i ${\ Displaystyle \ beta _ {1}}$$polega$ na użyciu różniczkowania częściowego zarówno w odniesieniu do ${\ displaystyle \ beta _ {0}}, jak i β β {\ displaystyle \ beta$ {0} ${\ displaystyle \ beta _ {1}}$ ustawiając oba wyrażenia na zero i rozwiązując je jednocześnie. Sposób pomijania tych zmiennych opisano poniżej:

${\ Displaystyle {\ rozpocząć {wyrównane} \ beta _ {1} & = {\frac {n\Sigma XY-\Sigma X\Sigma y}{n\Sigma X^{2}-(\Sigma X)^{2}}}\\\beta _{0}&={\frac {\Sigma Y}{n}}-{\frac {\beta _{1}\Sigma X}{n}}\end{wyrównane}}}$

Etap 5: Sprawdzenie dokładności modelu

Obliczanie dokładności prognozy popytu to proces określania trafności prognoz dotyczących popytu klientów na produkt. Zrozumienie i przewidywanie zapotrzebowania klientów jest niezbędne dla producentów i dystrybutorów, aby uniknąć wyczerpania zapasów i utrzymać odpowiedni poziom zapasów. Chociaż prognozy nigdy nie są idealne, są one niezbędne, aby przygotować się na rzeczywisty popyt. Aby utrzymać zoptymalizowane zapasy i efektywny łańcuch dostaw, niezbędne są dokładne prognozy popytu.

Obliczanie dokładności prognoz łańcucha dostaw

Dokładność prognozy w łańcuchu dostaw jest zwykle mierzona za pomocą średniego bezwzględnego błędu procentowego lub MAPE. Statystycznie MAPE definiuje się jako średnią błędów procentowych.

Jednak większość praktyków definiuje i używa MAPE jako średniego bezwzględnego odchylenia podzielonego przez średnią sprzedaż, która jest po prostu MAPE ważonym wolumenem, określanym również jako stosunek MAD/średnia. Jest to to samo, co podzielenie sumy bezwzględnych odchyleń przez całkowitą sprzedaż wszystkich produktów. To obliczenie $.$ , gdzie A jest rzeczywistą wartością, a prognozą , jest również znany jako WAPE, ważony bezwzględny błąd procentowy

Inną interesującą opcją jest ważona ${\ Displaystyle {\ tekst {MAPE}} = {\ Frac {\ suma (w \ cdot | AF |)} {\sum (w\cdot A)}}}$ . Zaletą tej miary jest to, że może ona ważyć błędy, dzięki czemu można określić sposób ważenia dla odpowiedniej firmy, ex brutto lub ABC. Jedynym problemem jest to, że dla produktów sezonowych stworzysz niezdefiniowany wynik, gdy sprzedaż = 0 i to nie jest symetryczne, co oznacza, że ​​​​możesz być znacznie bardziej niedokładny, jeśli sprzedaż jest wyższa niż w przypadku, gdy jest niższa niż prognoza. Więc sMAPE jest również używany do korygowania tego, jest znany jako symetryczny średni bezwzględny błąd procentowy.

Wreszcie, w przypadku nieregularnych wzorców popytu żadne z powyższych nie jest naprawdę przydatne. Możesz więc uznać MASE (średni bezwzględny błąd skalowany) za dobry KPI do wykorzystania w takich sytuacjach, problem polega na tym, że nie jest on tak intuicyjny jak te wspomniane wcześniej. Innym miernikiem, który należy wziąć pod uwagę, zwłaszcza w przypadku nieciągłych lub nieregularnych wzorców popytu, jest SPEC (Koszty błędu prognozy zorientowane na utrzymywanie zapasów). Ideą tego miernika jest porównanie przewidywanego popytu z rzeczywistym popytem poprzez obliczenie teoretycznych kosztów poniesionych w horyzoncie prognozy. Zakłada ona, że ​​prognozowany popyt wyższy niż rzeczywisty pociąga za sobą koszty utrzymywania zapasów, podczas gdy przewidywany popyt niższy niż rzeczywisty skutkuje kosztami alternatywnymi. SPEC uwzględnia przesunięcia czasowe (przewidywanie przed lub po rzeczywistym popycie) lub aspekty związane z kosztami i umożliwia porównywanie prognoz popytu również w oparciu o aspekty biznesowe.

Obliczanie błędu prognozy

Błąd prognozy należy obliczyć na podstawie rzeczywistej sprzedaży. Istnieje kilka metod obliczania błędu prognozy, a mianowicie średni błąd procentowy , główny błąd średniokwadratowy , sygnał śledzenia i błąd prognozy .

Etap 6: Testowanie hipotez

Po ustaleniu modelu, model jest używany do testowania teorii lub hipotezy postawionej w pierwszym etapie. Wyniki powinny opisywać, co próbuje się osiągnąć i określić, czy teoria lub hipoteza jest prawdziwa, czy fałszywa. W odniesieniu do przykładu podanego w pierwszym etapie model powinien pokazywać zależność między elastycznością popytu rynku a jej korelacją z dotychczasową sprzedażą firmy. Powinno to umożliwić menedżerom podejmowanie świadomych decyzji dotyczących optymalnej ceny i wielkości produkcji nowego produktu.

Etap 7: Prognozowanie

Ostatnim krokiem jest następnie prognozowanie popytu na podstawie utworzonego zestawu danych i modelu. W celu prognozowania popytu wykorzystuje się oszacowania wybranej zmiennej, aby zobaczyć, jaki ma ona wpływ na popyt. Jeśli chodzi o oszacowanie wybranej zmiennej, można zastosować model regresji lub zastosować zarówno oceny jakościowe, jak i ilościowe. Przykładami ocen jakościowych i ilościowych są:

Ocena jakościowa

• Niewspomagany wyrok
• Rynek prognoz
• Technika delphi
• Teoria gry
• Bootstrapping osądowy
• Symulowana interakcja
• Badanie intencji i oczekiwań
• jury metody wykonawczej

Ocena ilościowa

• Symulacja zdarzeń dyskretnych
• Ekstrapolacja
• Grupowa metoda przetwarzania danych (GMDH)
• Prognozowanie klasy referencyjnej
• Analogie ilościowe
• Prognozowanie oparte na regułach
• Sieci neuronowe
• Eksploracja danych
• Wspólna analiza
• Modele przyczynowe
• Segmentacja
• Modele wygładzania wykładniczego
• Modele Boxa-Jenkinsa
• Modele hybrydowe

Inni

Inne obejmują:

1. 

   średnia ruchoma
   Metody projekcji szeregów czasowych
   
   • Metoda średniej ruchomej
   • Metoda wygładzania wykładniczego
   • Metody prognozowania trendów
2. 

   główny wskaźnik
   Metody przyczynowe
   • Metoda proporcji łańcucha
   • Metoda poziomu zużycia
   • Metoda końcowego użycia
   • Metoda wskaźnika wiodącego

Zobacz też

• Podaż i popyt
• Łańcuch popytu
• Modelowanie popytu
• Elastyczność popytu
• Inwentarz § Zasada proporcjonalności inwentarza
• Prognozowanie klasy referencyjnej
• Prognozy konsensusu
• Skłonność do optymizmu
• Budżet produkcji

Bibliografia

• Milgate, Murray (marzec 2008). „Towary i towary”. W Steven N. Durlauf i Lawrence E. Blume. The New Palgrave Dictionary of Economics (wyd. 2). Palgrave'a Macmillana. s. 546–48. doi : 10.1057/9780230226203.0657 . Źródło 24.03.2010 .
• Montani, Guido (1987). "Niedostatek". W Eatwell, J. Millgate, M., Newman, P. The New Palgrave. Słownik ekonomii 4. Palgrave, Houndsmill. s. 253–54.