Прогнозирование - это оценка значения переменной (или ряда переменных) для какого - то момента времени будущего. Обычно целью прогнозных расчетов на предприятии является обеспечение информацией процесса планирования. В прогнозировании исходят из того, что если мы можем хотя бы приблизительно спрогнозировать будущее, то сможем выбрать свое оптимальное поведение, чтобы при наступлении будущего находиться в лучшей позиции.
Характерные черты прогнозов:
Период времени | Тип решения | Пример |
Краткосрочный до 6 месяцев | Оперативный | Управление товарными запасами, планирование производства и распределения |
Среднесрочный 6 месяцев - 2 года | Тактический | Аренда завода и оборудования, изменения кадров |
Долгосрочный | Стратегический | Исследования, развитие завода, капитальные вложения. Изменения продукта. |
Методы прогнозирования делятся на следующие категории:
Регрессионный анализ от ведущего индикатора. Регрессия используется для анализа основного движения спроса. Например по группе товаров. Но чем длиннее период, тем больше линия приближается к прямой, что ограничивает ее возможности. Когда трудно предсказать циклическую составляющую и если она существенная, часто возможно установить математическую зависимость между спросом, зависимой переменной и ведущим индикатором, независимой переменной. Например, зависимость количества построенных домов и количества закупаемых ковров по годам. Устанавливается линейная связь: y=ax+b .Точка пересечения с осью OY есть коэффициент а. Для оценки коэффициента b оценивается отношение приростов по X и Y. Подставляя значения построенных домов вместо X получаем прогноз спроса на ковры.
Чаще всего в управлении запасами при прогнозировании спроса пользуются методом анализа рядов динамики. Исходят из того, что переменная изменяется во времени и зависит только от времени и своих прошлых значений. Если Yt - значение переменной в момент времени t, то уравнение для Yt имеет вид: Yt = f(Yt-1,Yt-2,....,Y0 , t). Цель анализа временного ряда - обнаружить характер функции f и дать возможность спрогнозировать значение Yt. Методы временных рядов особенно хороши для краткосрочного прогнозирования, где прошлое поведение отдельной переменной является хорошим индикатором будущего поведения, по крайней мере, в краткосрочной перспективе.
Например, понедельные данные, собранные за шесть недель, могут быть использованы для прогнозирования на седьмую неделю. Существуют различные методы рядов динамики. Как было сказано выше, данные за прошлые периоды могут содержать различные элементы: тренды, сезонность, цикличность, автокоррекцию и случайность. Выбор метода прогнозирования зависит от ответа на вопрос, насколько глубоко необходимо анализировать данные.
Рассмотрим два простейших варианта методик прогнозирования спроса.
Если спрос на товар ни растущий, ни быстро падающий и нет сезонных факторов, то в управлении запасами может использоваться скользящая средняя.
неделя | спрос | 3 недельная | 9 недельная |
1 | 1900 | ||
2 | 2500 | ||
3 | 2100 | ||
4 | 2600 | 2167 | |
5 | 2600 | 2400 | |
6 | 2400 | 2433 | |
7 | 2900 | 2533 | |
8 | 2800 | 2633 | |
9 | 2400 | 2700 | |
10 | 2800 | 2700 | 2467 |
11 | 2800 | 2667 | 2567 |
12 | 2600 | 2667 | 2600 |
13 | 2400 | 2733 | 2756 |
14 | 3400 | 2933 | 2744 |
15 | 3100 | 3133 | 2833 |
Недостатком скользящей средней является то, что когда все индивидуальные значения спроса используются в расчетах, требуется много данных для расчета.
Взвешенная скользящая средняя. В то время, как простая скользящая средняя придает равные значения каждому составляющему базы данных, взвешенная средняя придает им разные веса, при этом сумма весов равна 1. Например, магазин может обратить внимание, что из данных за 4 месяцев наилучший прогноз обеспечивается взвешиванием на 40% фактического спроса за предыдущий месяц плюс 30% за предыдущий месяц плюс 20% за предыдущий месяц плюс 10% за месяц до этого. В этой методике, имеется возможность учета различной значимости, но требуется больше расчетов.
NextPrevious