Prognozowanie popytu i聽planowanie sprzeda偶y
聽
Metody naiwne
Prognozowanie naiwne jest najprostsz膮 metod膮 oszacowania przysz艂ych warto艣ci. W tym przypadku przyjmujemy, 偶e wybrana obserwacja z ustalonego okresu historycznego stanowi najlepsz膮 prognoz臋 dla przysz艂ej (nieznanej) warto艣ci szeregu czasowego.
艢rednia ruchoma
Przy wykorzystaniu 艣redniej ruchomej prognoza konstruowana jest poprzez u艣rednienie warto艣ci szeregu dla kilku okres贸w i wykorzystanie warto艣ci 艣redniej jako prognozy dla kolejnego okresu. Dzi臋ki temu mo偶liwe jest zredukowanie (wyg艂adzenie) fluktuacji, kt贸re pojawi艂y si臋 w tym okresie.
Wyg艂adzanie wyk艂adnicze
Podstawow膮 ide膮 wyg艂adzania wyk艂adniczego jest przypisanie obserwacjom z poprzednich moment贸w w czasie wyk艂adniczo zanikaj膮cych wag. Dzi臋ki temu, obserwacje z ostatnich okres贸w maj膮 wi臋kszy wp艂yw na prognoz臋 ni偶 wcze艣niejsze obserwacje historyczne.
Uzgadnianie prognoz
W praktycznie ka偶dym przedsi臋biorstwie istnieje hierarchia. Dotyczy ona r贸wnie偶 sprzeda偶y. Mo偶emy j膮 przedstawia膰 jako ca艂o艣膰, na poziomie grup i podgrup produkt贸w, poszczeg贸lnych produkt贸w, indeks贸w/SKU/rodzaj贸w opakowa艅. Hierarchie produkt贸w mo偶emy umie艣ci膰 w poszczeg贸lnych regionach, centrach dystrybucji, halach produkcyjnych, mo偶emy przypisa膰 sprzeda偶 do poszczeg贸lnych odbiorc贸w, etc. W ten spos贸b mo偶e powsta膰 wielopoziomowa hierarchia.
Przedzia艂y ufno艣ci prognozy
Przedzia艂 ufno艣ci prognozy to zakres, w kt贸rym z pewnym zadanym prawdopodobie艅stwem b臋dzie le偶a艂a warto艣膰, kt贸r膮 prognozujemy. Na przyk艂ad, je艣li dla ca艂kowitej sprzeda偶y pewnego produktu w przysz艂ym miesi膮cu 95-procentowy przedzia艂 ufno艣ci prognozy wynosi od 252 do 266, to oznacza, 偶e z prawdopodobie艅stwem 95% sprzeda si臋 co najmniej 252 i co najwy偶ej 266 sztuk tego produktu.
DOK艁ADNO艢膯 PROGNOZ
Poniewa偶 prognozowane warto艣ci dotycz膮 przysz艂o艣ci, nie jest mo偶liwe stwierdzenie, na ile dok艂adne s膮 obecne prognozy. Ich dok艂adno艣膰 b臋dzie mo偶na stwierdzi膰 dopiero, kiedy znane ju偶 b臋d膮 rzeczywiste warto艣ci.
PROGNOZOWANIE SZEREG脫W RZADKICH
W praktyce biznesowej cz臋sto obserwujemy zjawiska, kt贸re nie zachowuj膮 ci膮g艂o艣ci w czasie. Przyk艂adem mog膮 by膰 dane sprzeda偶owe produktu, kt贸ry nie by艂 sprzedawany codziennie, ale co kilka dni lub rzadziej. W takim szeregu czasowym wyst臋puje w贸wczas wiele zer i to one s膮 warto艣ci膮 dominuj膮c膮 wi臋c standardowe metody prognozowania nie sprawdzaj膮 si臋 zatem trzeba zastosowa膰 inne metody - dostosowane do szereg贸w rzadkich, takie jak m.in. metoda Crostona.
SARIMA/ARIMA X13
Metodologia ta jest intensywnie rozwijana i wykorzystywana przez ameryka艅skie urz臋dy statystyczne oraz liczne instytucje na 艣wiecie. Potrafi ona uwzgl臋dni膰 wiele r贸偶nych struktur niedaj膮cych si臋 zaobserwowa膰 podczas zwyk艂ej wizualnej analizy m.in. trendy, wahania sezonowe, obserwacje odstaj膮ce etc.