PRÉVISIONS Facteur saisonnier - le pourcentage de la demande trimestrielle moyenne qui se produit au cours de chaque trimestre. On prévoit que les prévisions annuelles pour la 4e année seront de 400 unités. La moyenne des prévisions par trimestre est de 4004 100 unités. Prévisions trimestrielles avg. Prévision du facteur saisonnier. Les méthodes de prévision causale sont basées sur une relation connue ou perçue entre le facteur à prévoir et d'autres facteurs externes ou internes 1. régression: l'équation mathématique relie une variable dépendante à une ou plusieurs variables indépendantes qui sont censées influencer la variable dépendante 3. modèles économétriques: système d'équations de régression interdépendantes qui décrivent un secteur d'activité économique. 3. modèles d'entrées-sorties: décrit les flux d'un secteur de l'économie à l'autre et prédit ainsi les intrants nécessaires pour produire des produits dans un autre secteur. Modélisation de simulation MESURER LES ERREURS DE PREVISION Il y a deux aspects des erreurs de prévision à se préoccuper: Bias et précision Bias Une prévision est biaisée si elle erre plus dans un sens que dans l'autre La méthode tend à sous-prévisions ou sur-prévisions. Précision - L'exactitude des prévisions se réfère à la distance entre les prévisions et la demande réelle, ignorant la direction de cette erreur. Exemple: Pour six périodes, les prévisions et la demande réelle ont été suivies Le tableau suivant donne la demande réelle D t et la demande prévue F t pour six périodes: somme cumulée des erreurs de prévision (CFE) -20 écart absolu moyen (MAD) 170 6 28,33 moyen carré Erreur (MPE) 5150 6 858.33 écart-type des erreurs de prévision 5150 6 29.30 erreur moyenne absolue de pourcentage (MAPE) 83.4 6 13.9 Quelle information donne chaque prévision a tendance à surestimer l'erreur moyenne de la demande par prévision était de 28,33 unités ou 13,9 de La répartition réelle de l'échantillonnage des erreurs de prévision a un écart-type de 29,3 unités. CRITÈRES DE SÉLECTION D'UNE MÉTHODE DE PRÉVISION Objectifs: 1. Maximiser la précision et 2. Minimiser les règles de biais pour choisir une méthode de prévision de la série temporelle. Sélectionnez la méthode qui donne le plus petit biais, mesurée par l'erreur de prévision cumulée (CFE) ou donne le plus petit écart absolu moyen (MAD) ou donne le plus petit signal de suivi ou supporte les croyances de gestion sur le modèle sous-jacent de la demande ou d'autres. Il semble évident qu'une certaine mesure de la précision et du biais doit être utilisée ensemble. Comment Qu'en est-il du nombre de périodes à échantillonner si la demande est intrinsèquement stable, des valeurs faibles et des valeurs plus élevées de N sont suggérées si la demande est intrinsèquement instable, des valeurs élevées de et des valeurs inférieures de N sont suggérées PRÉVISION DE FOCUS Une approche de la prévision qui développe les prévisions par diverses techniques, puis choisit la prévision qui a été produite par le quotbestquot de ces techniques, où quotbestquot est déterminé par une certaine mesure de l'erreur de prévision. PRÉVISION DE FOCUS: EXEMPLE Pour les six premiers mois de l'année, la demande pour un article de détail a été de 15, 14, 15, 17, 19 et 18 unités. Un détaillant utilise un système de prévision de focalisation basé sur deux techniques de prévision: une moyenne mobile à deux périodes et un modèle de lissage exponentiel ajusté à la tendance avec 0,1 et 0,1. Avec le modèle exponentiel, la prévision pour janvier était de 15 et la moyenne tendancielle à la fin décembre était de 1. Le détaillant utilise l'écart moyen absolu (MAD) pour les trois derniers mois comme critère pour choisir quel modèle sera utilisé pour prévoir Pour le mois suivant. une. Quelles seront les prévisions pour juillet et quel modèle sera utilisé b. Voulez-vous répondre à la partie a. Être différente si la demande de mai avait été 14 au lieu de 19 Méthodes de séries chronologiques Les méthodes de séries temporelles sont des techniques statistiques qui utilisent des données historiques accumulées sur une période de temps. Les méthodes de séries chronologiques supposent que ce qui s'est passé dans le passé continuera à se produire à l'avenir. Comme le suggère le nom des séries chronologiques, ces méthodes relient la prévision à un seul facteur - temps. Ils incluent la moyenne mobile, le lissage exponentiel et la ligne de tendance linéaire et ils sont parmi les méthodes les plus populaires pour la prévision à courte portée parmi les entreprises de services et de fabrication. Ces méthodes supposent que des tendances historiques identifiables ou des tendances de la demande au fil du temps se reproduiront. Moyenne mobile Une prévision de séries chronologiques peut être aussi simple que d'utiliser la demande dans la période en cours pour prédire la demande au cours de la période suivante. C'est ce qu'on appelle parfois une prévision naïve ou intuitive. 4 Par exemple, si la demande est de 100 unités cette semaine, la prévision pour les prochaines semaines demande est de 100 unités si la demande se révèle être de 90 unités à la place, puis la demande des semaines suivantes est de 90 unités, et ainsi de suite. Ce type de méthode de prévision ne prend pas en compte le comportement historique de la demande, il ne dépend que de la demande dans la période courante. Il réagit directement aux mouvements normaux et aléatoires de la demande. La méthode de la moyenne mobile simple utilise plusieurs valeurs de demande au cours du passé récent pour élaborer une prévision. Cela tend à amortir, ou à lisser, les augmentations et les baisses aléatoires d'une prévision qui n'utilise qu'une seule période. La moyenne mobile simple est utile pour la prévision de la demande qui est stable et ne montre pas de comportement prononcé de la demande, comme une tendance ou un schéma saisonnier. Les moyennes mobiles sont calculées pour des périodes spécifiques, telles que trois mois ou cinq mois, selon la mesure dans laquelle le prévisionniste désire lisser les données de la demande. Plus la période de la moyenne mobile est longue, plus elle sera lisse. La formule pour calculer la moyenne mobile simple est de calculer une moyenne mobile simple La société de fournitures de bureau Instant Paper Clip vend et fournit des fournitures de bureau aux entreprises, écoles et agences dans un rayon de 50 milles de son entrepôt. L'offre de fournitures de bureau est concurrentielle et la capacité de livrer rapidement des commandes est un facteur qui permet d'obtenir de nouveaux clients et de conserver les anciens. (Les bureaux ne commandent généralement pas quand ils manquent de fournitures, mais quand ils sont complètement épuisés. Par conséquent, ils ont besoin de leurs commandes immédiatement.) Le gestionnaire de la société veut être certain que les conducteurs et les véhicules sont disponibles pour livrer les commandes rapidement et Ils ont un inventaire adéquat en stock. Par conséquent, le gestionnaire souhaite pouvoir prévoir le nombre d'ordres qui se produiront au cours du mois suivant (c'est-à-dire prévoir la demande pour les livraisons). À partir des enregistrements des ordres de livraison, la direction a accumulé les données suivantes pour les 10 derniers mois, à partir de laquelle il veut calculer des moyennes mobiles de 3 et 5 mois. Supposons que c'est la fin d'octobre. La prévision résultant soit de la moyenne mobile à 3 ou 5 mois est généralement pour le mois suivant dans la séquence, qui dans ce cas est Novembre. La moyenne mobile est calculée à partir de la demande pour les ordres pour les 3 mois précédents dans la séquence selon la formule suivante: La moyenne mobile sur 5 mois est calculée à partir des données de la demande précédente de 5 mois comme suit: Les 3 et 5 mois Les prévisions de moyenne mobile pour tous les mois de données sur la demande sont présentées dans le tableau suivant. En fait, seule la prévision pour novembre, basée sur la plus récente demande mensuelle, serait utilisée par le gestionnaire. Cependant, les prévisions antérieures pour les mois précédents nous permettent de comparer la prévision avec la demande réelle pour voir à quel point la méthode de prévision est précise, c'est-à-dire comment elle fonctionne. Moyennes de trois et cinq mois Les deux prévisions de la moyenne mobile dans le tableau ci-dessus tendent à lisser la variabilité des données réelles. Cet effet de lissage peut être observé dans la figure suivante où les moyennes sur 3 mois et sur 5 mois ont été superposées à un graphique des données originales: La moyenne mobile sur 5 mois de la figure précédente lisse les fluctuations dans une plus grande mesure que La moyenne mobile de 3 mois. Toutefois, la moyenne sur 3 mois reflète plus fidèlement les données les plus récentes dont dispose le gestionnaire de l'offre de bureau. En général, les prévisions utilisant la moyenne mobile à plus longue période sont plus lentes à réagir aux changements récents de la demande que ne le feraient les moyennes mobiles à plus courte période. Les périodes supplémentaires de données ralentissent la vitesse avec laquelle la prévision répond. L'établissement du nombre approprié de périodes à utiliser dans une prévision moyenne mobile nécessite souvent une certaine quantité d'essais expérimentaux. L'inconvénient de la méthode de la moyenne mobile est qu'il ne réagit pas aux variations qui se produisent pour une raison, comme les cycles et les effets saisonniers. Les facteurs qui provoquent des changements sont généralement ignorés. Il s'agit essentiellement d'une méthode mécanique, qui reflète les données historiques d'une manière cohérente. Cependant, la méthode de la moyenne mobile présente l'avantage d'être facile à utiliser, rapide et relativement peu coûteuse. En général, cette méthode peut fournir une bonne prévision à court terme, mais elle ne doit pas être poussée trop loin dans l'avenir. Moyenne mobile pondérée La méthode de la moyenne mobile peut être ajustée pour refléter plus étroitement les fluctuations des données. Dans la méthode de la moyenne mobile pondérée, les pondérations sont affectées aux données les plus récentes selon la formule suivante: Les données de demande pour PM Computer Services (indiquées dans le tableau de l'exemple 10.3) semblent suivre une tendance linéaire croissante. L'entreprise veut calculer une ligne de tendance linéaire pour voir si elle est plus précise que le lissage exponentiel et les prévisions de lissage exponentielles ajustées développées dans les exemples 10.3 et 10.4. Les valeurs requises pour les calculs des moindres carrés sont les suivantes: En utilisant ces valeurs, les paramètres de la ligne de tendance linéaire sont calculés comme suit: Pour calculer une prévision pour la période 13, soit x 13 dans la droite linéaire Ligne de tendance: Le graphique suivant montre la ligne de tendance linéaire par rapport aux données réelles. La ligne de tendance semble refléter étroitement les données réelles - c'est-à-dire être un bon ajustement - et serait donc un bon modèle de prévision pour ce problème. Cependant, un inconvénient de la ligne de tendance linéaire est qu'il ne s'adaptera pas à un changement dans la tendance, comme c'est le cas pour les méthodes de prévision exponentielle du lissage, on suppose que toutes les prévisions futures suivront une ligne droite. Cela limite l'utilisation de cette méthode à un délai plus court dans lequel vous pouvez être relativement certain que la tendance ne changera pas. Ajustements saisonniers Un schéma saisonnier est une augmentation et une diminution répétitives de la demande. De nombreux articles de demande présentent un comportement saisonnier. Les ventes de vêtements suivent les tendances saisonnières annuelles, la demande de vêtements chauds augmentant à l'automne et à l'hiver et diminuant au printemps et en été alors que la demande de vêtements plus froids augmente. La demande pour de nombreux articles de vente au détail, y compris les jouets, les équipements sportifs, les vêtements, les appareils électroniques, les jambons, les dindes, le vin et les fruits, augmente pendant la période des Fêtes. La demande de carte de voeux augmente parallèlement à des jours spéciaux tels que le jour de la Saint Valentin et la fête des Mères. Les profils saisonniers peuvent également se produire sur une base mensuelle, hebdomadaire, ou même quotidienne. Certains restaurants ont une demande plus élevée dans la soirée que le déjeuner ou le week-end par opposition à la semaine. Le trafic - donc les ventes - dans les centres commerciaux reprend vendredi et samedi. Il existe plusieurs méthodes pour refléter les tendances saisonnières dans une série chronologique. Nous allons décrire une des méthodes plus simples utilisant un facteur saisonnier. Un facteur saisonnier est une valeur numérique qui est multipliée par la prévision normale pour obtenir une prévision désaisonnalisée. Une méthode pour développer une demande de facteurs saisonniers consiste à diviser la demande pour chaque période saisonnière par la demande annuelle totale, selon la formule suivante: Les facteurs saisonniers résultants entre 0 et 1,0 sont en fait la part de la demande annuelle totale attribuée à Chaque saison. Ces facteurs saisonniers sont multipliés par la demande annuelle prévue pour produire des prévisions ajustées pour chaque saison. Calculer une prévision avec des ajustements saisonniers Wishbone Farms cultive des dindes pour vendre à une entreprise de transformation de la viande tout au long de l'année. Cependant, sa période de pointe est évidemment au cours du quatrième trimestre de l'année, d'octobre à décembre. La demande de dindons pour les trois dernières années est la suivante: Puisque nous disposons de trois années de données sur la demande, nous pouvons calculer les facteurs saisonniers en divisant la demande trimestrielle totale pour les trois années par la demande totale pour les trois années : Ensuite, nous voulons multiplier la demande prévue pour l'année prochaine, 2000, par chacun des facteurs saisonniers pour obtenir la demande prévue pour chaque trimestre. Pour ce faire, nous avons besoin d'une prévision de la demande pour 2000. Dans ce cas, puisque les données sur la demande dans le tableau semblent afficher une tendance généralement croissante, nous calculons une ligne de tendance linéaire pour les trois années de données dans le tableau pour obtenir un Estimation de prévision: Ainsi, la prévision pour 2000 est 58.17, ou 58.170 dindes. En comparant ces prévisions trimestrielles avec les valeurs réelles de la demande dans le tableau, ces prévisions annuelles semblent être relativement bonnes, reflétant à la fois les variations saisonnières des données et La tendance générale à la hausse. 10-12. Comment la méthode de la moyenne mobile est-elle similaire au lissage exponentiel 10-13. Quel effet sur le modèle de lissage exponentiel augmentera la constante de lissage 10-14. Comment le lissage exponentiel ajusté diffère-t-il du lissage exponentiel 10-15. Ce qui détermine le choix de la constante de lissage pour la tendance dans un modèle de lissage exponentiel ajusté 10-16. Dans les exemples de chapitre pour les méthodes de séries chronologiques, on a toujours supposé que la prévision de départ était la même que la demande réelle au cours de la première période. Suggérez d'autres façons que la prévision de départ pourrait être dérivée dans l'utilisation réelle. 10-17. Comment le modèle de prévision de ligne de tendance linéaire diffère-t-il d'un modèle de régression linéaire pour les prévisions 10-18. Parmi les modèles de séries chronologiques présentés dans ce chapitre, y compris la moyenne mobile et la moyenne mobile pondérée, le lissage exponentiel et le lissage exponentiel ajusté, et la ligne de tendance linéaire, laquelle considérez-vous la meilleure? Quels avantages le lissage exponentiel ajusté a-t-il sur une ligne de tendance linéaire pour la demande prévue qui présente une tendance 4 K. Kahn et J. T. Mentzer, Prévisions dans les marchés de consommation et industriels, The Journal of Business Forecasting 14, no. 2 (été 1995): 21-28.Chapitre 11 - Prévision de l'amplitude de la gestion de la demande 1. Une prévision parfaite est pratiquement impossible 2. Plutôt que de chercher la prévision parfaite, il est beaucoup plus important d'établir la pratique de l'examen continu des prévisions et Apprendre à vivre avec des prévisions inexactes 3. Lors de la prévision, une bonne stratégie consiste à utiliser 2 ou 3 méthodes et de les regarder pour la vue de bon sens. 2. sources de base de la demande 1. Demande dépendante - demande de produits ou de services causée par la demande pour d'autres produits ou services. Pas beaucoup de l'entreprise peut faire, il doit être satisfait. 2. Demande indépendante - demande qui ne peut pas être directement dérivée de la demande pour d'autres produits. L'entreprise peut: a) jouer un rôle actif pour influencer la demande; - exercer une pression sur votre force de vente; b) prendre un rôle passif pour influencer la demande; si une entreprise fonctionne à pleine capacité, elle ne voudra peut-être rien à la demande. D'autres raisons sont concurrentielles, légales, environnementales, éthiques et morales. Essayez de prédire l'avenir sur la base d'une donnée antérieure. 1. Court terme - moins de 3 mois - décisions tactiques comme le réapprovisionnement ou l'ordonnancement des EE à court terme 2. Moyen terme - 3 M-2Y - saisir les effets saisonniers comme les clients répondent à un nouveau produit 3. Long terme - plus de 2 ans. Identifier les principaux points de retournement et détecter les tendances générales. La régression linéaire est un type particulier de régression où les relations entre les variables forment une droite Y abX. Y - variable dépendante a - Interception Y b - pente X - variable indépendante Elle est utilisée pour la prévision à long terme des événements majeurs et la planification globale. Il est utilisé à la fois pour la prévision des séries chronologiques et pour la prévision des relations occasionnelles. Est la technique de prévision la plus utilisée. Les occurrences les plus récentes sont plus indicatives de l'avenir (la plus haute valeur prévisible) que celles dans le passé plus lointain. Nous devrions donner plus de poids au minerai des périodes récentes de prévision. Chaque incrément dans le passé est diminué de (1- alpha). Plus l'alpha est élevé, plus la prévision suit la réalité. La plus récente pondération alpha (1-alpha) na 0 Données une période plus ancienne alpha (1-alpha) na 1 Données deux périodes plus anciennes alpha (1-alpha) na 2 Laquelle des méthodes de prévision suivantes est très dépendante de la sélection de la Les individus de droite qui seront judicieusement utilisés pour produire réellement la valeur de prévision doivent être compris entre 0 et 1 1. 2 ou plus de valeurs prédéterminées d'Alpha - en fonction du degré d'erreur, des valeurs différentes d'Alpha sont utilisées. Si l'erreur est grande, Alpha est 0.8, si l'erreur est petite, Alpha est 0.2 2. Valeurs calculées de Alpha - erreur lissée exponentiellement lissée par l'erreur absolue exponentiellement étouffée. Techniques qualitatives dans la prévision Connaissance des experts et exigent beaucoup de jugement (nouveaux produits ou régions) 1. Recherche de marché - recherche de nouveaux produits et idées, aime et n'aime pas les produits existants. Principalement ENQUÊTES et INTERVIEWS 2. Consensus de groupe - l'idée que 2 têtes valent mieux qu'un. Un groupe de personnes de divers postes peut élaborer une prévision plus fiable qu'un groupe plus restreint. Le problème est que les niveaux plus faibles d'EE sont intimidés par des niveaux plus élevés de gestion. Le jugement exécutif est utilisé (un niveau de gestion plus élevé est impliqué). 3. Analogie historique - une entreprise qui produit déjà des grille-pain et veut produire des pots de café pourrait utiliser l'histoire de grille-pain comme un modèle de croissance probable. 4. Méthode Delphi - très dépendant de la sélection des bonnes personnes qui seront judicieusement utilisé pour produire réellement la prévision. Chacun a le même poids (plus juste). Des résultats satisfaisants sont habituellement obtenus en 3 rounds. OBJECTIF - Planification, prévision et réapprovisionnement collaboratifs (CPFR) Pour échanger des informations internes sélectionnées sur un serveur Web partagé afin de fournir des vues fiables à plus long terme de la demande dans la chaîne d'approvisionnement.
No comments:
Post a Comment