Vorhersagemethoden Lesen Sie weiter. Alle Unternehmen sind mit dem allgemeinen Problem konfrontiert, Entscheidungen unter Unsicherheiten zu treffen. Das Management muss die Art der Nachfrage und des Wettbewerbs verstehen, um realistische Geschäftspläne zu entwickeln, eine strategische Vision für die Organisation zu bestimmen und die Anforderungen an Technologie und Infrastruktur zu ermitteln. Um diesen Herausforderungen gerecht zu werden, wird die Prognose verwendet. Nach Makridakis (1989) kann die Vorhersage von zukünftigen Ereignissen als die Suche nach Antworten auf eine oder mehrere der folgenden Fragen charakterisiert werden: X Welche neuen wirtschaftlichen, technischen oder soziologischen Kräfte ist die Organisation, die sich in naher und langfristiger Zukunft stellen kann X Wann könnten diese Kräfte die Ziele der Unternehmen beeinflussen X Wer ist wahrscheinlich, um sich zuerst an jede wettbewerbsfähige Herausforderung anzupassen X Wie viel Veränderung sollte das Unternehmen sowohl kurzfristig als auch langfristig vorwegnehmen In diesem Beitrag werde ich einen Überblick geben Prognosemethoden und vergleichen und kontrastieren diese verschiedenen Methoden. Das Papier wird sich dann darauf konzentrieren, wie Mattel, einer der Nationen der größten Spielzeughersteller, die Nachfragevorhersage unter den Unsicherheitsbedingungen n nutzt, vor allem in Bezug auf das Muster und die Rate, mit der Kunden Produkte verlangen. Was ist Forecasting In Operations Management, ist die Nachfragevorhersage als der Geschäftsprozess definiert, der versucht, den Verkauf und die Verwendung von Produkten abzuschätzen, damit sie in geeigneten Mengen im Voraus erworben, gelagert oder hergestellt werden können, um die Unternehmen zu unterstützen, die Aktivitäten hinzufügen. Ross, 1995). Prognose ist ein Prozess, der historische Zeitreihen-Daten und qualitative Einschätzungen in Aussagen über zukünftige Ereignisse umwandelt. Dieser Prozess kann entweder qualitative oder subjektive Projektionen hervorbringen. Beachten Sie, dass kein Prognoseprozess konsequent perfekte Prognosen liefern kann. Jede Prognose, die die nachfolgenden Ereignisse perfekt schätzt, sollte den Alarm auslösen, da dies vermutlich auf Unregelmäßigkeiten hindeutet, wie das Kochen der Bücher oder die Berichterstattung von Leistungsdaten, die Übereinstimmungen mit den Plänen gegenüber den tatsächlichen Ereignissen zeigen (Makridakis, 1989). Prognosemethoden Es gibt vier grundlegende Arten von Prognosemethoden: qualitative, Zeitreihenanalyse, Kausalbeziehungen und Simulation. Qualitative Techniken Qualitative Techniken sind subjektiv oder wertend und basieren auf Schätzungen und Meinungen (Chase, 2005). Diese Prognosen spiegeln Völker Urteile oder Meinungen und schlagen wahrscheinlich Bedingungen, wie die Meinung der Völker darüber, ob es heute regnen wird. Diese Prognosen werden bevorzugt, wenn es darum geht, Einzelpersonen innerhalb der Organisation mit einem wichtigen Geschäftsprozess zu engagieren. Ein potentieller Fall dieser Technik ist, dass einige Einzelpersonen ihre Urteile über zukünftige Ereignisse auf historischen Daten stützen, die möglicherweise nicht relevante Nachfragemuster liefern, die stabil genug sind, um ihre Verwendung zur Vorhersage zukünftiger Ereignisse zu rechtfertigen. Wie zitiere ich diese Seite MLA Zitat: Vorhersage Methoden. 123HilfeMe. 25 Feb 2017 lt123HilfeMeview. aspid165095gt. Darüber hinaus können aufkommende Nachfragemuster für einen numerischen Ansatz zu instabil sein. Folglich sollte die intime Kenntnis des Marktes die Datenquelle der Wahl sein. Es gibt zahlreiche qualitative Ansätze, um die Prognose zu fordern, nachfolgend einige der häufigsten Ansätze: X Grass-Roots Forecasting sucht von Menschen auf der Ebene der Organisation, die ihnen den besten Kontakt mit der Veranstaltung unter Studie gibt (Chase, 2005). Diese Technik kann darin bestehen, eine Vermarktungsstudie von Vertriebsmitarbeitern für ihre Lesungen zu aktuellen Marktbedingungen durchzuführen. Der potenzielle Fehler bei diesem Tool ist, dass es den kurzfristigen Perspektiven der Quellen unterliegt. Die Quelle der Daten kann durch die jüngsten Ereignisse unangemessen beeinflusst werden. Zum Beispiel kann ein Verkäufer, der einen guten Tag gehabt hat, eine übermäßig optimistische Prognose für die Zukunft liefern, die die Marktbedingungen im Ganzen nicht genau repräsentiert. X Historische Analogie: Die Prognose, die auf der historischen Analogie basiert, untersucht die Möglichkeit, dass vergangene Ereignisse Einblicke in die Vorhersage zukünftiger Ereignisse geben können. Diese Methode krawatten, was derzeit einem ähnlichen Artikel prognostiziert wird (Chase, 2005). Zum Beispiel, unter Verwendung der Verkaufsmuster von Schwarz-Weiß-Fernseher, um Farbfernsehverkauf zu prognostizieren. Ökonomen vermitteln auf diese Art von Prognosemodell zur Prognose von Geschäftszyklen und damit verbundenen Entwicklungen. Diese Methode könnte sich als ungenau erweisen, wenn die Kräfte, die vorbei an Ereignissen fuhren, nicht mehr vorhanden sind. X Market Research Prognose: Diese Prognosemethode sammelt Daten in einer Vielzahl von Möglichkeiten wie Umfragen, Interviews und Fokusgruppen, um die Kaufmuster und Einstellungen der aktuellen und potenziellen Käufer von einem guten oder Service zu bewerten. Konstrukteure von Waren und Dienstleistungen nutzen diese Methode, um ihre aktuellen Kunden und die Käufer zu verstehen, die sie gerne bedienen möchten. X Dlephi-Methode: Die Delphi-Methode kompiliert Prognosen durch sequentielle, unabhängige Antworten von einer Gruppe von Experten zu einer Reihe von Fragebögen. Der Prognostiker kompiliert und analysiert die Befragten und entwickelt einen neuen Fragebogen für die gleiche Expertengruppe. Diese Sequenz arbeitet auf Konsens, der den Beitrag von allen Experten reflektiert und dabei verhindert, dass jeder einzelne den Prozess dominiert (Chase, 2005). Quantitative Techniken Quantitative Prognosetiken verwandeln Input in Form von numerischen Daten in Prognosen mit Methoden in einer von drei Kategorien. Jede Kategorie von quantitativen Prognosemethoden geht davon aus, dass vergangene Ereignisse eine ausgezeichnete Grundlage für die Verbesserung des Verständnisses der wahrscheinlichen zukünftigen Ergebnisse liefern. X Zeitreihenanalyse: Die Zeitreihenanalyse basiert auf der Prämisse, dass Daten über die vergangene Nachfrage oder Leistung zur Vorhersage der zukünftigen Nachfrage genutzt werden können. Beispiele für dieses Verfahren umfassen: a. Einfacher gleitender Durchschnitt, wobei eine Zeitspanne, die eine Anzahl von Datenpunkten enthält, gemittelt wird, indem sie die Summe der Punktwerte durch die Anzahl der Punkte dividiert. B. Regressionsanalyse, wobei die durchschnittliche Beziehung zwischen einer abhängigen Variablen, Verkäufe zum Beispiel und einer oder mehreren abhängigen Variablen, Preis oder Werbung zum Beispiel durch die Anpassung einer geraden Linie an vergangene Daten geschätzt wird, um den Datenwert auf Zeit zu beziehen. C. Trendprojektionen, eine Prognosetechnik, die in erster Linie auf historische Zeitreihendaten beruht, um die Zukunft vorauszusagen. Diese Methode beinhaltet die Anpassung einer mathematischen Trendlinie an die Datenpunkte und die Projektion in die Zukunft. X Causal Studies: Causal Studies suchen nach kausalen Beziehungen zwischen führenden Variablen und prognostizierten Variablen. Diese Methode versucht, das zugrunde liegende System zu verstehen und das zu prognostizierende Objekt zu umgehen, wie etwa den Einfluss von Werbung, Qualität und Wettbewerb auf den Verkauf (Chase, 2005). X Mathematische oder Simulationsmodelle: Simulationsmodelle sind was - wenn Modelle, die versuchen, die Auswirkungen alternativer Management-Richtlinien und Annahmen über die externe Umwelt der Unternehmen zu simulieren. Sie versuchen, vergangenes Verhalten in einer gültigen mathematischen Beziehung darzustellen und dann diese Daten zu ändern, um zukünftige Ereignisse zu projizieren. Die meisten Finanzmodelle sind Simulationsmodelle. Diese Modelle sind wirksam bei der Durchführung einer Vielzahl von What-if-Analysen, die das Management bei der Bestimmung der besten Vorgehensweise für das Unternehmen unterstützen. Technologische Fortschritte in Computern haben es immer mehr Unternehmen ermöglicht, Modellierung für Planungs - und Entscheidungsfindung zu entwickeln und zu nutzen (Chase, 2005). Mattel und Demand Prognose Mit der Ferienzeit auf uns, sind viele Kinder gespannt auf das Aussehen dieser Jahreszeiten heißes neues Spielzeug unter dem Weihnachtsbaum. Jedes Jahr müssen Spielzeughersteller wie Mattel eine Reihe wichtiger Entscheidungen treffen, die den Kurs ihrer Firmen wirtschaftliche Leistung festlegen werden. Viele Monate vor der Ankunft der Weihnachtszeit muss Mattel entscheiden, welche Spielsachen wahrscheinlich heiß sind und welche Hunde werden. Sie müssen sorgfältig ausgleichen ihre Versorgung dieser heißen Spielzeug mit der Nachfrage der Verbraucher oder sie werden mit unglücklichen Kunden oder noch schlimmer konfrontiert werden, stecken mit langsam bewegten Waren. Dies ist keine leichte Aufgabe angesichts der langen Fertigungs - und Verteilungsdurchlaufzeiten der Spielwarenindustrie. Um die Nachfrage der Verbraucher nach der aktuellen Ferienzeit zu erfüllen, müssen die Spielzeughersteller die Produktion bis Mitte des Jahres hochfahren, um sicherzustellen, dass sie eine ausreichende Anzahl von meistverkauften Spielsachen und wenigen langsamen Mover haben werden (Pereira, 2005). Eine große Lücke in dieser Gleichung wird durch die Tatsache, dass viele Erwachsene wirklich nicht verstehen, was Kinder wünschen, um die Zeit Weihnachten kommt. Ich spreche aus eigener Erfahrung, meine Kinder wollen jedes Spielzeug, das sie im Fernsehen sehen, zwischen September und Weihnachten, um unter ihrem Baum zu erscheinen. Leider, was Erwachsene Wert hat wenig zu tun mit dem, was Kinder verlangen. Während Erwachsene fühlen können, dass ein beleuchteter Globus, der auch spricht, ein sehr cooles Pädagogisches Spielzeug ist, neigen die Kinder dazu, sich zu Tickle Me Elmo zu lehnen. Um diese Lücke zu überbrücken, nutzt Mattel Marktforschung, um vorherzusagen, welches Spielzeug ein Gewinner sein wird. Jedes Jahr unterbreitet Mattel ihre neuen Produkte zur Bewertung durch die Endverbraucher V die Kinder. Unter Verwendung eines zweistufigen Prozesses werden die Spielsachen für ihren Appell an den Zielmarkt ausgewertet. Die erste Phase des Prozesses beinhaltet die Auswahl einer spezifischen Mischung von 100 Kindern aus Kinderbetreuungszentren, um neue Spielsachen zu bewerten. Die Kinder sind in Fokusgruppen mit gleicher Darstellung von denen, die Action-Figuren, Brettspiele, Bau-Spielzeug, Puppen und Kunst und Handwerk. (Pereira, 1997). Im Juni werden die Kinder abgefragt und gebeten, ihre Top drei Entscheidungen aus den Spielsachen in jeder Kategorie zu bewerten. Bis Ende Juni reduzieren die Fokusgruppen die 380 vorgeschlagenen Spielzeuge zu einer Sammlung von 63 Finalisten V die Top drei in jeder der 21 Kategorien. In der zweiten Etappe werden die Finalisten-Spielsachen in die KinderCare Learning Centers rund um das Land verschickt, wo speziell ausgebildete Lehrer beobachten, welche Spielsachen die Kinder bevorzugen und geheime Stimmzettel in ihre Favoriten vergeben (Pereira, 1997). Ich kenne ein dreijähriges und ein Fünfjähriges, das gerne ein Teil dieser Fokusgruppe sein würde. Schlussfolgerung Es ist offensichtlich, dass die Nachfragevorhersage Teilkunst und Kunstwissenschaft ist. Es beginnt mit einem Verständnis der Organisationen Entscheidungsfindung Bedürfnisse und geht zu einer Studie von Daten zu bestimmen, wie das beste Vorhersage-Tool entwickelt werden kann, um die Organisationen Business-Bedürfnisse zu dienen. Jedes Stück der Analyse schafft neue Informationen und fügt Reichtum und Tiefe dem gesamten Geschäftsdenken hinzu. Referenzen Chase, R. et al. (2005). Operations Management für Wettbewerbsvorteile, 11. Auflage. McGraw-Hill Unternehmen: New York. Makridakis, S. et al. (1998). Vorhersage Methoden und Anwendungen, 5. Auflage. John Wiley Sons: New York. Pereira, J. (1997). Zu diesen Jugendlichen, das Ausprobieren der Spielwaren ist kaum Kinder spielen. Wall Street Journal, 121797. Ross, D. (1995). Verteilungsplanung und - steuerung. Chapman Hall: New York. FORECASTING Saisonfaktor - der Prozentsatz der durchschnittlichen vierteljährlichen Nachfrage, die in jedem Quartal auftritt. Jährliche Prognose für das Jahr 4 wird voraussichtlich 400 Einheiten sein. Durchschnittliche Prognose pro Quartal beträgt 4004 100 Einheiten. Quartalsvorhersage avg. Prognose saisonale faktor CAUSAL FORECASTING METHODEN Kausale Prognosemethoden basieren auf einer bekannten oder wahrgenommenen Beziehung zwischen dem zu prognostizierenden Faktor und anderen externen oder internen Faktoren 1. Regression: mathematische Gleichung bezieht sich auf eine abhängige Variable auf eine oder mehrere unabhängige Variablen, von denen angenommen wird, dass sie die abhängige Variable beeinflussen 2. ökonometrische Modelle: System von interdependenten Regressionsgleichungen, die einen gewissen Sektor der Wirtschaftstätigkeit beschreiben 3. Input-Output-Modelle: beschreibt die Ströme von einem Sektor der Wirtschaft zu einer anderen und prognostiziert also die Eingaben, die zur Erzeugung von Ausgängen in einem anderen Sektor erforderlich sind 4. Simulationsmodellierung MESSVORSCHLÄGE Es gibt zwei Aspekte von Prognosefehlern, die sich darum kümmern - Bias und Accuracy Bias - Eine Prognose ist voreingenommen, wenn sie mehr in eine Richtung als in der anderen irrt - die Methode tendiert zu Unterprognosen oder Überprognosen. Genauigkeit - Prognosegenauigkeit bezieht sich auf die Entfernung der Prognosen von der tatsächlichen Nachfrage ignorieren die Richtung dieses Fehlers. Beispiel: Für sechs Perioden Prognosen und tatsächliche Nachfrage wurden verfolgt Die folgende Tabelle gibt die tatsächliche Nachfrage D t und Prognose Nachfrage F t für sechs Perioden: kumulative Summe der Prognosefehler (CFE) -20 mittlere absolute Abweichung (MAD) 170 6 28,33 mittlere quadriert Fehler (MSE) 5150 6 858.33 Standardabweichung von Prognosefehlern 5150 6 29.30 mittlerer absoluter Prozentfehler (MAPE) 83.4 6 13.9 Welche Informationen geben jeweils eine Prognose, hat eine Tendenz zur Überschätzung der Nachfrage durchschnittlichen Fehler pro Prognose war 28,33 Einheiten oder 13,9 von Die tatsächliche Bedarfsabtastung der Prognosefehler hat eine Standardabweichung von 29,3 Einheiten. KRITERIEN ZUR AUSWAHL EINER FORECASTINGMETHODE Ziele: 1. Maximieren Sie die Genauigkeit und 2. Minimieren Sie Bias Potential Regeln für die Auswahl einer Zeitreihen-Prognosemethode. Wählen Sie die Methode aus, die die kleinste Vorspannung ergibt, wie sie durch den kumulativen Prognosefehler (CFE) gemessen wird oder gibt die kleinste mittlere absolute Abweichung (MAD) oder gibt das kleinste Tracking-Signal oder unterstützt die Management-Überzeugungen über das zugrunde liegende Muster der Nachfrage oder andere. Es scheint offensichtlich, dass ein gewisses Maß an Genauigkeit und Vorspannung zusammen verwendet werden sollte. Wie ist die Anzahl der zu sampelnden Perioden, wenn die Nachfrage inhärent stabil ist, werden niedrige Werte von und und höheren Werten von N vorgeschlagen, wenn die Nachfrage inhärent instabil ist, werden hohe Werte von und und niedrigeren Werten von N vorgeschlagen. FOCUS FORECASTING quotfocus Prognose bezieht sich auf Ein Ansatz für die Prognose, die Prognosen durch verschiedene Techniken entwickelt, dann wählt die Prognose, die von der quotbestquot dieser Techniken produziert wurde, wo quotbestquot durch ein Maß an Prognosefehler bestimmt wird. FOKUSVORSCHLAG: BEISPIEL Für die ersten sechs Monate des Jahres betrug die Nachfrage nach einem Einzelhandel 15, 14, 15, 17, 19 und 18 Einheiten. Ein Einzelhändler nutzt ein Fokus-Prognosesystem, das auf zwei Prognosetechniken basiert: ein zweistufiger gleitender Durchschnitt und ein richtungsgesteuertes exponentielles Glättungsmodell mit 0,1 und 0,1. Mit dem exponentiellen Modell betrug die Prognose für Januar 15 und der Trenddurchschnitt am Ende Dezember war 1. Der Einzelhändler nutzt die mittlere absolute Abweichung (MAD) für die letzten drei Monate als Kriterium für die Auswahl, welches Modell zur Prognose verwendet wird Für den nächsten Monat. ein. Was wird die Vorhersage für Juli sein und welches Modell wird verwendet werden b. Würden Sie auf Teil a antworten? Anders sein, wenn die Nachfrage nach Mai 14 statt 19FORECASTING Forecasting beinhaltet die Erzeugung einer Zahl, Satz von Zahlen oder Szenario, die ein zukünftiges Ereignis entspricht. Für die Kurzstrecken - und Langstreckenplanung ist es absolut notwendig. Definitionsgemäß basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut gefühlt oder erraten hat. Zum Beispiel, die Abendnachrichten gibt das Wetter x0022forecastx0022 nicht das Wetter x0022prediction. x0022 Unabhängig davon werden die Begriffe Prognose und Vorhersage oft inter-changeable verwendet. Zum Beispiel, Definitionen von regressionx2014a Technik manchmal verwendet bei der Prognosex2014 generell sagen, dass ihr Zweck ist zu erklären oder x0022predict. x0022 Prognose basiert auf einer Reihe von Annahmen: Die Vergangenheit wird sich wiederholen. Mit anderen Worten, was in der Vergangenheit passiert ist, wird in Zukunft wieder passieren. Wenn der Prognosehorizont verkürzt, erhöht sich die Prognosegenauigkeit. Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für den nächsten Monat wird genauer als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer als eine Prognose für zehn Jahre in der Zukunft. Die Prognose in der Summe ist genauer als die Prognose einzelner Posten. Das bedeutet, dass ein Unternehmen die Gesamtnachfrage über sein gesamtes Produktspektrum genauer prognostizieren kann, als es in der Lage ist, einzelne Lagerbestände (SKUs) zu prognostizieren. Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Prognosen sind selten genau. Darüber hinaus sind die Prognosen fast nie ganz richtig. Während einige sehr nah sind, sind nur wenige auf dem Geld. x0022 Daher ist es ratsam, eine Prognose anzubieten x0022range. x0022 Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es äußerst unwahrscheinlich, dass die Nachfrage 100.000 betragen würde genau. Eine Prognose von 90.000 bis 110.000 würde jedoch ein viel größeres Ziel für die Planung darstellen. William J. Stevenson listet eine Reihe von Merkmalen auf, die einer guten Prognose gemeinsam sind: Genauigkeitsgenauigkeitsgenauigkeit sollte festgelegt und angegeben werden, damit der Vergleich zu alternativen Prognosen durchgeführt werden kann. Reliablex2014Die Prognose-Methode sollte konsequent eine gute Prognose, wenn der Benutzer ein gewisses Maß an Vertrauen zu etablieren. Timelyx2014a wird eine gewisse Zeit benötigt, um auf die Prognose zu reagieren, so dass der Prognosehorizont die notwendige Zeit für Änderungen vornehmen muss. Einfach zu bedienen und understandx2014users der Prognose muss zuversichtlich und komfortabel damit arbeiten. Die Kosten für die Vorhersage sollten die von der Prognose erzielten Vorteile nicht überwiegen. Vorhersagetechniken reichen von der einfachen bis zur extrem komplexen. Diese Techniken werden in der Regel als qualitativ oder quantitativ klassifiziert. QUALITATIVE TECHNIKEN Qualitative Prognosetechniken sind in der Regel subjektiver als ihre quantitativen Pendants. Qualitative Techniken sind in den früheren Stadien des Produktlebenszyklus sinnvoller, wenn weniger vergangene Daten für den Einsatz in quantitativen Methoden existieren. Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique (NGT), Außendienst-Stellungnahmen, Exekutiv-Stellungnahmen und Marktforschung. DIE DELPHI-TECHNIK. Die Delphi-Technik nutzt ein Expertengremium, um eine Prognose zu erstellen. Jeder Experte wird gebeten, eine Prognose für die Notwendigkeit zur Hand zu geben. Nachdem die anfänglichen Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schrieb und ist natürlich von ihren Ansichten beeinflusst. Eine nachfolgende Prognose wird dann von jedem Fachmann gemacht. Jeder Experte liest dann wieder, was jeder andere Experte schrieb und wieder von den Wahrnehmungen der anderen beeinflusst wird. Dieser Prozeß wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder Zahlen hat. NOMINAL GRUPPE TECHNIK. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet. Nachdem die Teilnehmer auf Prognose-bezogene Fragen reagieren, richten sie ihre Antworten in der Reihenfolge der wahrgenommenen relativen Bedeutung ein. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der Ranglisten erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für die zukünftige Nachfrage. Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter nach Input fragen und seine Antworten in eine Außendienst-Composite-Prognose zusammenfassen. Bei der Anwendung dieser Technik ist Vorsicht geboten, da die Mitglieder des Außendienstes nicht in der Lage sind, zwischen dem, was die Kunden sagen und was sie tatsächlich tun, zu unterscheiden. Auch wenn die Prognosen verwendet werden, um Verkaufsquoten zu etablieren, kann der Außendienst versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Manchmal treffen sich Top-Level-Manager auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche. Dies wird manchmal als Jury der Exekutivaussage bezeichnet. MARKTFORSCHUNG. In der Marktforschung werden Verbraucherumfragen genutzt, um potenzielle Nachfrage zu etablieren. Solche Marketingforschung beinhaltet in der Regel den Aufbau eines Fragebogens, der persönliche, demographische, ökonomische und Marketinginformationen anfordert. Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher erleben kann, wenn es sich um ein Produkt handelt. Deutsch:. Englisch: v3.espacenet. com/textdoc? DB = EPODOC & ... PN = Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Verbraucherziel ist. QUANTITATIVE TECHNIKEN Quantitative Prognosetechniken sind in der Regel eher objektiv als ihre qualitativen Gegenstücke. Quantitative Prognosen können Zeitreihenprognosen (d. h. eine Projektion der Vergangenheit in die Zukunft) oder Prognosen basierend auf assoziativen Modellen (d. h. basierend auf einer oder mehreren erklärenden Variablen) sein. Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens zu identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Unter den Mustern sind: Trends, die langfristige Bewegungen (oben oder unten) in den Daten sind. Saisonalität, die kurzfristige Variationen produziert, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie die Einzelhandelsumsätze zu Weihnachten oder die Spikes im Bankgeschäft am ersten des Monats und freitags erlebt haben. Zyklen, die wellenförmige Variationen sind, die mehr als ein Jahr dauern, die gewöhnlich an ökonomische oder politische Bedingungen gebunden sind. Unregelmäßige Variationen, die kein typisches Verhalten widerspiegeln, wie zB eine Periode extremer Witterung oder ein Gewerkschaftsstreik. Zufällige Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von den anderen Klassifikationen berücksichtigt wurden. Unter den Zeitreihenmodellen ist die einfachste die naxEFve-Prognose. Eine naxEFve-Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für den nächsten Zeitraum. Das macht natürlich die Annahme, dass die Vergangenheit wiederholt wird. Es geht auch davon aus, dass irgendwelche Trends, Saisonalität oder Zyklen sich entweder in der vorherigen Periodex0027s Nachfrage widerspiegeln oder nicht existieren. Ein Beispiel für die NaxEFve-Prognose ist in Tabelle 1 dargestellt. Tabelle 1 NaxEFve-Prognose Eine weitere einfache Technik ist die Verwendung von Mittelung. Um eine Prognose mit Mittelwert zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summierung jeder Periode und dividiert das Ergebnis durch die Anzahl der Perioden. Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. Variationen der Mittelung umfassen den gleitenden Durchschnitt, den gewichteten Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt eine vorgegebene Anzahl von Perioden ein, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der Perioden, um eine Prognose zu erreichen. Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Unter der Annahme eines dreimonatigen gleitenden Durchschnitts und der Verwendung der Daten aus Tabelle 1 würde man einfach 45 (Januar), 60 (Februar) und 72 (März) hinzufügen und durch drei teilen, um eine Prognose für April: 45 60 72 177 zu erreichen X00F7 3 59 Um zu einer Prognose für Mai zu gelangen, würde man von der Gleichung verlängern und die Nachfrage vom April addieren. Tabelle 2 zeigt ein Beispiel für eine dreimonatige gleitende Durchschnittsprognose. Tabelle 2 Drei Monate bewegte durchschnittliche Prognose Tatsächliche Nachfrage (000x0027s) Ein gewichteter Durchschnitt wendet ein vorbestimmtes Gewicht auf jeden Monat der vergangenen Daten an, summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte. Wenn der Prognostiker die Gewichte so einstellt, daß ihre Summe gleich 1 ist, so werden die Gewichte mit der tatsächlichen Nachfrage jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erreichen. Im Allgemeinen, je neuere die Daten desto höher das Gewicht, und je älter die Daten desto kleiner das Gewicht. Mit dem Bedarfsbeispiel ein gewichteter Durchschnitt mit Gewichten von .4. 3.2 und .1 würde die Prognose für Juni wie folgt liefern: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Die Prognoseer können auch eine Kombination der gewogenen durchschnittlichen und gleitenden Durchschnittsprognosen verwenden . Eine gewichtete gleitende Durchschnittsprognose weist Gewichte einer vorgegebenen Anzahl von Perioden von Istdaten zu und berechnet die Prognose auf die gleiche Weise wie oben beschrieben. Wie bei allen laufenden Prognosen, da jede neue Periode hinzugefügt wird, werden die Daten aus der ältesten Periode verworfen. Tabelle 3 zeigt eine dreimonatige gewichtete gleitende Durchschnittsprognose unter Verwendung der Gewichte .5. 3 und .2. Tabelle 3 Dreix2013Month gewichtete bewegliche durchschnittliche Prognose tatsächliche Nachfrage (000x0027s) Eine komplexere Form des gewichteten gleitenden Durchschnitts ist exponentielle Glättung, so genannt, weil das Gewicht fällt exponentiell, wie die Daten altert. Die exponentielle Glättung nimmt die vorherige Periodex0027s prognostiziert und passt sie um eine vorgegebene Glättungskonstante an, x03AC (alpha der Wert für alpha ist kleiner als eins) multipliziert mit dem Unterschied in der vorherigen Prognose und der Nachfrage, die tatsächlich während der vorher prognostizierten Periode aufgetreten ist (genannt Prognosefehler). Die exponentielle Glättung wird formell als solche ausgedrückt: Neue Prognose vorherige Prognose Alpha (tatsächliche Nachfrage x2212 vorherige Prognose) FF x03AC (A x2212 F) Die exponentielle Glättung erfordert, dass der Prognostiker die Prognose in einem vergangenen Zeitraum beginnt und an den Zeitraum vorangeht, für den ein Strom gilt Prognose ist erforderlich. Eine beträchtliche Anzahl von vergangenen Daten und eine Anfangs - oder Anfangsprognose sind ebenfalls erforderlich. Die anfängliche Prognose kann eine tatsächliche Prognose aus einer früheren Periode, die tatsächliche Nachfrage aus einer früheren Periode, oder es kann durch die Mittelung der gesamten oder eines Teils der vergangenen Daten geschätzt werden. Einige Heuristiken existieren für die Berechnung einer ersten Prognose. Zum Beispiel würde die heuristische N (2 xF7 x03AC) x2212 1 und eine alpha von .5 ein N von 3 ergeben, was anzeigt, dass der Benutzer die ersten drei Perioden von Daten durchschnittlich vermitteln würde, um eine anfängliche Prognose zu erhalten. Allerdings ist die Genauigkeit der anfänglichen Prognose nicht kritisch, wenn man große Mengen an Daten verwendet, da eine exponentielle Glättung x0022self-correcting. x0022 ist. Bei genügend Perioden vergangener Daten wird eine exponentielle Glättung schließlich genügend Korrekturen vornehmen, um eine vernünftig ungenaue Initialisierung zu kompensieren Prognose. Unter Verwendung der in anderen Beispielen verwendeten Daten, einer Anfangsprognose von 50 und eines Alphas von 0,7 wird eine Prognose für Februar als solche berechnet: Neue Prognose (Februar) 50,7 (45 x 2212 50) 41,5 Als nächstes wird die Prognose für den März : Neue Prognose (März) 41.5 .7 (60 x2212 41.5) 54.45 Dieser Vorgang wird fortgesetzt, bis der Prognostiker den gewünschten Zeitraum erreicht hat. In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage nach Juni nicht bekannt ist. Tatsächliche Nachfrage (000x0027s) Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihendaten einen linearen Trend aufweisen. Diese Methode ist durch mehrere Namen bekannt: doppelte Glättung Trend-angepasst exponentielle Glättung Prognose einschließlich Trend (FIT) und Holtx0027s Modell. Ohne Anpassung werden einfache, exponentielle Glättungsergebnisse dem Trend folgen, das heißt, die Prognose wird immer niedrig sein, wenn der Trend steigt oder hoch, wenn der Trend abnimmt. Bei diesem Modell gibt es zwei Glättungskonstanten, x03AC und x03B2 mit x03B2, die die Trendkomponente darstellen. Eine Erweiterung des Holtx0027s Modells, genannt Holt-Winterx0027s Methode, berücksichtigt sowohl Trend als auch Saisonalität. Es gibt zwei Versionen, multiplikativ und additiv, wobei das Multiplikativ das am weitesten verbreitete ist. Im additiven Modell wird die Saisonalität als eine Menge ausgedrückt, die dem Seriendurchschnitt hinzugefügt oder subtrahiert werden soll. Das multiplikative Modell drückt Saisonalität als Prozentsatz aus, der als saisonale Verwandten oder saisonale Indexesx2014 des Durchschnitts (oder des Tendenz) bekannt ist. Diese werden dann mal multipliziert, um Saisonalität zu berücksichtigen. Ein Verwandter von 0,8 würde auf eine Nachfrage hinweisen, die 80 Prozent des Durchschnitts beträgt, während 1,10 die Nachfrage anzeigt, die 10 Prozent über dem Durchschnitt liegt. Detaillierte Informationen zu dieser Methode finden Sie in den meisten Operations Management Lehrbücher oder einer von einer Reihe von Büchern über die Vorhersage. Assoziative oder kausale Techniken beinhalten die Identifizierung von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorherzusagen. Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu prognostizieren. Typischerweise beinhaltet dies die Verwendung einer linearen Regression, wobei das Ziel darin besteht, eine Gleichung zu entwickeln, die die Effekte der Prädiktor (unabhängigen) Variablen auf die prognostizierte (abhängige) Variable zusammenfasst. Wenn die Prädiktorvariable aufgetragen wäre, wäre das Objekt, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert (wobei die Abweichung der Abstand von jedem Punkt zur Linie ist). Die Gleichung würde als: ya bx erscheinen, wobei y die vorhergesagte (abhängige) Variable ist, x die Prädiktor (unabhängige) Variable ist, b die Steigung der Linie ist und a gleich der Höhe der Linie an der y - abfangen. Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die Prädiktor (unabhängige) Variable einfügen, um zu einer Prognose (abhängige Variable) zu gelangen. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, ist eine einfache lineare Regression unzureichend. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nicht-lineare Beziehungen die Verwendung einer krummlinigen Regression fordern. WIRTSCHAFTLICHE VORSCHRIFTEN Ökonometrische Methoden wie das autoregressive integrierte Moving-Average-Modell (ARIMA) verwenden komplexe mathematische Gleichungen, um vergangene Beziehungen zwischen Nachfrage und Variablen, die die Nachfrage beeinflussen, zu zeigen. Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es eine möglichst zuverlässige Darstellung der bisherigen Beziehung ist. Sobald dies geschehen ist, werden die projizierten Werte der beeinflussenden Variablen (Einkommen, Preise usw.) in die Gleichung eingefügt, um eine Prognose zu machen. EVALUIERENDE PROGNOSE Die Genauigkeit der Prognose kann durch Berechnung der Vorspannung, der mittleren Absolutabweichung (MAD), des mittleren quadratischen Fehlers (MSE) oder des mittleren absoluten Prozentfehlers (MAPE) für die Prognose unter Verwendung unterschiedlicher Werte für alpha bestimmt werden. Bias ist die Summe der Prognosefehler x2211 (FE). Für das oben erwähnte exponentielle Glättungsbeispiel wäre die berechnete Vorspannung: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Wenn man annimmt, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, könnte man Berechnen Sie die Vorspannung für eine Anzahl von potentiellen Werten von alpha und nehmen Sie an, dass die mit der niedrigsten Vorspannung am genauesten wäre. Allerdings ist darauf zu achten, dass wild ungenaue Prognosen eine niedrige Vorspannung ergeben können, wenn sie sowohl über die Prognose als auch unter Prognose (negativ und positiv) neigen. Zum Beispiel kann ein Unternehmen über drei Perioden einen bestimmten Wert von Alpha bis zu einer Prognose von 75.000 Einheiten (x221275.000), unter Prognose von 100.000 Einheiten (100.000) und dann über Prognose von 25.000 Einheiten (x221225.000), nachgeben Eine Vorspannung von null (x221275.000 100.000 x2212 25.000 0). Im Vergleich dazu würde ein weiteres Alpha, das sich über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten ergibt, zu einer Vorspannung von 5.000 Einheiten führen. Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Vorspannung in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist die mittlere absolute Abweichung (MAD). Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann durch die Anzahl der Prognosen (x2211 FE x00F7 N). Mit dem Absolutwert der Prognosefehler wird die Verrechnung von positiven und negativen Werten vermieden. Dies bedeutet, dass sowohl eine Überprognose von 50 als auch eine Unterprognose von 50 um 50 ausgeschaltet ist. Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden: (60 x 2212 41,5 72 x 2212 54,45 58 x 2212 66,74 40 x 2212 60,62) X00F7 4 16.35 Daher ist der Prognostiker im Durchschnitt 16,35 Einheiten pro Prognose ausgeschaltet. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Mittlerer Quadratfehler (MSE) kann auch in der gleichen Weise verwendet werden. MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 (x2211 (FE)) x00F7 (N-1). Wenn man die Prognosefehler quittiert, entfällt die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben, wäre die MSE: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die mit verschiedenen Werten von alpha und Nehmen Sie an, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert. Der mittlere absolute Prozentfehler (MAPE) ist der durchschnittliche absolute Prozentfehler. Um die MAPE zu erreichen, muss man die Summe der Verhältnisse zwischen Prognosefehler und tatsächlichen Bedarfszeiten 100 (um den Prozentsatz zu erhalten) und dividieren durch N (x2211 Tatsächliche Nachfrage x2212 Prognose x00F7 Tatsächliche Nachfrage) xD7 100 x00F7 N. Mit den Daten aus Das exponentielle Glättungsbeispiel, MAPE kann wie folgt berechnet werden: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Wie bei MAD und MSE desto niedriger der relative Fehler, desto genauer ist die Prognose. Es ist anzumerken, dass in einigen Fällen die Fähigkeit der Prognose, sich schnell zu ändern, um auf Änderungen in Datenmustern zu reagieren, als wichtiger als Genauigkeit angesehen wird. Daher sollte eine Auswahl von Prognosemethoden die relative Wahrscheinlichkeit der Bedeutung zwischen Genauigkeit und Reaktionsfähigkeit, wie vom Prognostiker bestimmt, widerspiegeln. HERSTELLUNG EINES PROGNOSES William J. Stevenson listet als grundlegende Schritte im Prognoseverfahren folgendes auf: Bestimmen Sie den Vorhersagevoraussetzungen. Faktoren wie, wie und wann die Prognose verwendet wird, der Grad der Genauigkeit benötigt, und die Höhe der Details bestimmen die Kosten (Zeit, Geld, Mitarbeiter), die auf die Prognose gewidmet werden können und die Art der Prognose Methode verwendet werden . Stellen Sie einen Zeithorizont ein. Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat. Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt. Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik aus. Die gewählte Technik hängt vom Zweck der Prognose, dem gewünschten Zeithorizont und den zulässigen Kosten ab. Daten erfassen und analysieren Die Menge und Art der benötigten Daten unterliegt dem Vorhersagevoraussetzungen, der gewählten Prognosetechnik und allen Kostenüberlegungen. Machen Sie die Prognose. Überwachen Sie die Prognose. Bewerten Sie die Leistung der Prognose und ändern Sie, falls erforderlich. WEITERES LESEN: Finch, Byron J. Operations Now: Profitabilität, Prozesse, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006. Grün, William H. Ökonometrische Analyse. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022The Nominal Group Technique. x0022 The Research Process. Available from x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Also read article about Forecasting from Wikipedia
No comments:
Post a Comment