Temat:

Metody prognozowania dla

popytu stałego.
Aby określić rodzaj zapotrzebowania należy skorzystać
ze współczynnika zmienności względnej:

Vz - współczynnik zmienności
Ϭp - odchylenie standardowe popytu
y – średnia wartość popytu
 Jeżeli wartość współczynnika zmienności jest
mniejsza niż 5%, to identyfikuje zapotrzebowanie
na asortyment jako regularne, stałe, z niewielkimi
odchyleniami od wartości średniej.
Powyżej 5% - współczynnik zmienności określa
zapotrzebowanie jako nieregularne.
 W pierwszej kolejności zajmiemy się metodami
prognozowania stosowanymi w przypadku popytu
o charakterze stałym. Jest to popyt, którego
wielkość współczynnika zmienności względnej
wynosi mniej niż 5 %.
Niewielkie odchylenia pozwalają zastosować
proste metody prognozowania.
 Metoda naiwna ( naive forecast) nie jest
skomplikowana. Zakłada, że popyt w przyszłym
okresie będzie taki sam, jak w okresie poprzednim.

Przedstawia to model:

Pt+1 = yt
 Metoda naiwna prognozowania jest metodą
krótkookresową, ilościową dla popytu stałego.
Zakłada, że popyt w poprzednim okresie
powtórzy się również w przyszłym.
 Przeanalizujmy metodę na przykładzie.
Przyjmujemy, że trzy pierwsze kroki postępowania
w procedurze prognostycznej zostały już
wykonane. W związku z tym przykłady pokazują
wyłącznie zastosowanie metod prognostycznych i
etap zbudowania prognoz.
Przykład pierwszy jest poszerzony o weryfikację
zastosowania metody i weryfikację trafności
zbudowanej prognozy.
 Przykład 1

Producent niegazowanej wody mineralnej sprzedaje

swój produkt w tysiącach opakowań (patrz tabela).
Na podstawie tych danych odpowiemy sobie na
pytanie:
czy można zastosować metodę naiwną do
prognozowania wartości zapotrzebowania na przyszły
okres (T12). Jeśli tak, zostanie zbudowana prognoza
według założeń metody naiwnej. Zostanie również
określona jej trafność przy założeniu, że w okresie T12
zamówienia na dany asortyment wynosiły 106 tysięcy
opakowań zbiorczych.
 Krok 1- określenie rodzaju popytu

skorzystamy ze znanego już modelu współczynnika

zmienności względnej.
 Należy określić wartość odchylenia
standardowego i wartość średniej arytmetycznej
danego szeregu.
Współczynnik zmienności względnej jest mniejszy niż
5 %. Oznacza to, że mamy do czynienia z popytem
stałym. W takiej sytuacji możliwe jest zastosowanie
metody naiwnej do prognozowania. Można przejść do
następnego kroku – opracowania prognozy.
Krok 2 – zbudowanie prognozy na kolejny okres

Skoro możliwe jest zastosowanie metody naiwnej, to

określimy wielkość prognozy na 12 okres.
Metoda naiwna zakłada, że popyt występujący w
poprzednim okresie (T11) się powtórzy.

Prognoza na 12 okres

P12 = y11

P12= 102
Krok 3 – weryfikacja trafności zbudowanej prognozy

Względny błąd prognozy pozwala określić trafność

prognozy. Ma on następującą postać:
 Jeśli wartość względnego błędu prognozy jest
mniejsza niż 6%, to zbudowaną prognozę uznaje
się za wiarygodną, a metodę właściwą do
dalszego stosowania. Jeśli jednak wartość
względnego błędu prognozy jest większa niż 6%,
to w przyszłości należy zmodyfikować
zastosowana metodę lub wybrać inną.
Względny błąd prognozy wskazuje, że zbudowana
prognoza jest rzetelna, a metoda może być
zastosowana w przyszłości, jednak pod
warunkiem, że zmienią się warunki otoczenia lub
prognozowany obiekt.
Krok 4 – określenie ilości zrealizowanych zamówień

Sprawdzamy, jaki procent zamówień zostanie

zrealizowany, korzystając z proporcji.

Dane:

106 - 100%
102 – x%
 Udział procentowy zrealizowanych zamówień z
prognozy:
102x 100
X = 106
x = 96,23 = 96%

Jeśli producent planowałby swoją produkcję

wyłącznie na zbudowanej prognozie, to
zrealizowałby 96% wszystkich zamówień z okresu
T12.
Metoda średniej ruchomej ( simple moving average,
SMA) jest to metoda, która wykorzystuje typową
średnią arytmetyczną, ale tylko z pewnej określonej
liczby danych historycznych. Dzieje się tak dlatego,
że stosowanie średniej arytmetycznej z całego
szeregu danych powodowałoby zakłamanie wyniku
prognozy. Zastosowane dane byłyby w takim
przypadku zbyt przestarzałe, co zniekształcałoby
właściwy obraz przyszłego popytu. Dlatego metoda
średniej ruchomej zakłada, iż prognoza powinna być
opracowana na podstawie danych z ( od dwóch do
maksymalnie pięciu) ostatnich okresów historycznych
m=(2+5)
Metoda średniej ruchomej – jest metodą
prognozowania krótkookresowego,
ilościowego, dla popytu stałego. Jest to
krocząca średnia arytmetyczna z danych
historycznych.
Metodę średniej ruchomej przedstawia model
matematyczny:
 Przykład 2

Pośrednik w sprzedaży proszku do prania opracowuje

prognozy według metody średniej ruchomej. Buduje
prognozy na kolejne okresy, korzystając zawsze z
trzech ostatnich danych
m =3.
Przeanalizuj sposób konstruowania prognoz.
Krok 1 – określenie pierwszej możliwej prognozy.

Skoro budowana jest prognoza na podstawie trzech

ostatnich okresów historycznych (m=3), to
najwcześniejszą prognozę można opracować dla
okresu T4. Skorzystamy z danych popytu dla okresów
od T1 do T3.
Prognoza na 4 okres (opakowania)
67+64+65
P4 = 3

P4 = 65,33 = 65
Krok 2 – określenie drugiej możliwej prognozy

Przesuwamy się o jeden okres. Teraz prognoza

będzie budowana z danych dotyczących okresów
od T2 do T4. Będzie to prognoza na okres T5.
Prognoza na 5 okres (opakowania)
64+65+68
P5 = 3

P5 = 65,66 = 66
Krok 3 – określenie trzeciej prognozy

Przesuwamy się ponownie o jeden okres.

Budujemy prognozę na okres T6.
Prognoza na 6 okres (opakowania)
65+68+65
P6 = 3

P6 = 66
 Kolejną prostą metodą prognozowania jest metoda
średniej ruchomej z filtrem. Jej zasada
postępowania jest taka sama jak w przypadku metody
średniej ruchomej. Należy też korzystać z tego
samego modelu prognozy. Korzystać należy również z
filtrów. Filtry są dobrym rozwiązaniem w sytuacji, gdy
pojawiają się obserwacje odstające. Są to dane
wyraźnie różniące się od pozostałych zawartych w
szeregu czasowym.
Metoda średniej ruchomej z filtrem - to metoda
krótkookresowa, ilościowa dla popytu stałego.
Ustalone są wartości brzegowe, które eliminują
niekorzystne odstające dane.
 Rozbieżności danych w szeregu czasowym mogą
pojawiać się z różnych przyczyn. Mogą być wynikiem
jednorazowego dużego zamówienia, błędu odczytu lub
wstrzymania sprzedaży w danym okresie, przerw w
produkcji, akcji promocyjnych danego asortymentu itp.
Na tego typu danych nie można się opierać, bo
zniekształcają obraz sytuacji typowej, z jaką
przedsiębiorstwo ma do czynienia. Dlatego w
prognozowaniu stosuje się filtr. Może on być ustalony
na poziomie minimalnym, maksymalnym lub jednym i
drugim. Filtr służy do tego, aby skorygować dane
przed przystąpieniem do budowy kolejnej prognozy.
Wartość odbiegająca od prawidłowego szeregu jest
zastępowana filtrem minimalnym lub maksymalnym.
 Przykład 3

Producent herbaty luksusowej stosuje prognozy

opracowywane na podstawie metody średniej ruchomej
z filtrem. Buduje prognozy na kolejne okresy,
korzystając zawsze z trzech ostatnich danych (m=3).
W szeregu czasowym jaki analizuje występują dwa
okresy, w których wartości danych odstają od typowej
sytuacji. Są to okresy T5 i T8. Widoczne odchylenia
spowodowane były w okresie T5 dużym zleceniem
otrzymanym od klienta, w okresie T8 awarią systemu
zamawiania w dziale dystrybucji. Należy
zminimalizować ich niekorzystny wpływ na budowane
prognozy. Przeanalizuj sposób konstruowania prognoz.
 Krok 1 – określenie wartości filtra minimalnego i
maksymalnego

Rozstęp międzykwartylowy oblicza się z typowych

wartości szeregu czasowego. Do obliczeń nie bierze
się wartości odstających. Należy pamiętać aby wartość
filtrów zaokrąglić do liczb całkowitych. Wartość filtra
minimalnego w dół, maksymalnego w górę.
Krok 2 – określenie wartości zastępowanych przez
wartość filtra minimalnego lub/i maksymalnego.

W okresach, w których wielkości popytu odbiegają od

pozostałych wartości rzeczywistych szeregu
zastępowane są filtrami.
Krok 3 – określenie pierwszej możliwej prognozy

Najwcześniejsza prognoza może zostać określona

dla okresu 4. podobnie jak w poprzedniej metodzie,
tak i tu korzystamy z modelu średniej ruchomej

Prognoza na 4 okres (opakowania)

67+70+64
P4 = 3
P4 = 67
Krok 4 - Określenie kolejnych prognoz
Kolejną metodą prognozowania krótkookresowego
jest metoda średniej ruchomej ważonej
(weighted moving average, WMA). Ponownie
metoda ta bazuje na założeniach metody średniej
ruchomej, ale wykorzystuje dodatkowo
współczynniki ważone.
Metoda średniej ruchomej ważonej – to metoda
krótkookresowa, ilościowa, dla popytu stałego.
Ustalone są wartości ważone, które wygładzają
dane rzeczywiste.
 W metodzie tej korzystamy z tak zwanych
współczynników ważonych. Aby określić ich wartość
należy pamiętać o kilku zasadach:

1. Wartości współczynników ważonych mieszczą się w

przedziale <0,1>
2. Każdy kolejny zastosowany współczynnik ważony
jest większy od swojego poprzednika. Jest to bardzo
istotna zasada, gdyż różnicuje ona znaczenie
wykorzystywanych danych historycznych. Te starsze
mają niższy współczynnik ważony, dane świeższe są
ważniejsze i mają wyższy współczynnik ważony.
 3. Suma wszystkich współczynników ważonych
musi być równa 1
4. Liczba współczynników ważonych jest zależna
od ilości analizowanych okresów historycznych z
szeregu czasowego.

 
 Przykład 4

Menadżer w przedsiębiorstwie dystrybucyjnym

opracowuje prognozy zapotrzebowania na sprzedawane
produkty na podstawie metody średniej ruchomej
ważonej. Określa prognozy korzystając zawsze z trzech
ostatnich danych (m=3). Przeanalizuj sposób
konstruowania prognoz.
 Krok 1- określenie wartości współczynników
ważonych

Skoro prognozy mają być budowane na podstawie

trzech ostatnich okresów, to należy stosować trzy
współczynniki ważone. Pamiętaj, aby określając
wartości współczynników przestrzegać zasad.
 Krok 2 – określenie prognoz

Najwcześniejsza prognoza może zostać określona dla

okresu 4.

Współczynniki ważone korygują dane tak, aby ostatni

wynik rzeczywistego zapotrzebowania był dominujący,
a najstarszy wynik danych historycznych miał mniejsze
znaczenie.
 Metoda wygładzania wykładniczego I rzędu
(exponential smoothing, ES), nazywana również
modelem Browna I rzędu.

Metoda wygładzania wykładniczego I rzędu - to

metoda krótkookresowa, ilościowa, dla popytu
stałego. Ustalony jest współczynnik
wygładzania, który wygładza dane rzeczywiste.
 Metoda wygładzania wykładniczego I rzędu
wykorzystuje współczynnik wygładzania. Aby ustalić
jego wartość należy pamiętać o następujących
zasadach:
1. wartość współczynnika wygładzania
wykładniczego mieści się w przedziale (0,1)
2. jeśli w budowanej prognozie zostanie
wykorzystany współczynnik wygładzania bliski 0
oznacza to, że prognoza bardziej ufa zbudowanej w
poprzednim okresie prognozie. Jeśli zaś
współczynnik wygładzania jest bliski wartości 1
oznacza to, że prognoza bazuje na sytuacji
rzeczywistej jaka zaistniała w poprzednim okresie.
Jest to zawarte w modelu prognostycznym .
W metodzie tej stosujemy wzór:
 Przykład 5

Menadżer opracowuje prognozy zapotrzebowania

na podzespoły dla klienta na podstawie metody
wygładzania wykładniczego I rzędu.
Przeanalizuj sposób konstruowania prognoz.
Krok 1 – określenie wartości współczynnika
wygładzania

Należy pamiętać, aby zastosować zasady

określania współczynnika wygładzania
wykładniczego.
 Krok 2 – określenie prognozy startowej

Nie można opracować prognozy na kolejny okres, jeśli

nie jest znana prognoza na okres poprzedni. Dlatego
też w metodzie tej stosowana jest tak zwana prognoza
startowa <<pt>>. Prognoza startowa jest określana na
podstawie metody naiwnej.
Plusem tej metody jest niewielki zakres danych
historycznych. Dlatego najwcześniejszą prognozę
można opracować bazując tylko na jednym okresie
historycznym.
 Krok 3 – określenie prognoz wg modelu
wygładzania wykładniczego

Znając prognozę startową można stosować model

wygładzania wykładniczego.
 Wartości zbudowanych prognoz będą ulegać
zmianie w zależności od wartości współczynnika
wygładzania. Należy wybrać taki współczynnik,
który zastosowany pozwoli na uzyskanie prognoz
obarczonych najmniejszym błędem prognozy.
W trakcie budowania prognoz na kolejne okresy
można zmienić zastosowaną w prognozie wartość
współczynnika wygładzania.