Öngörüleme (tahminleme) (Forecasting)

Transkript

1 Öngörüleme (tahminleme) (Forecasting) Öngörüleme: gelecek olayların l önceden kestirilmesi süreci, sanat ve bilimidir. Öngörüleme: gelecekte olacak farklı şeyleri belirleme ve bu farklı şeylerin herbirinin nasıl olacağını ğ (neye benzeyeceğini) ğ önceden belirleme süreci. Tüm işletme kararlarının temelini oluşturur: Üretim Envanter İnsan kaynakları Tesis...

2 Yargı ve sezgi, öngörüleme için gerekli ise de günümüzde ü ü birçok öngörüleme ö yöntemi geliştirilmiş, öngörüleme falcılıktan ayrılıp yol kat etmiştir. Sales will be $200 Million!

3 Öngörüleme Öngörüleme üe e böü bölümünün ü ü sonunda neler ee öğrenilmiş olacak: Öngörüleme Öngörü türleri Öngörümlemede zaman boyutu Öngörüleme yaklaşımları Hareketli ortalamalar Üssel düzeltim Trend projeksiyonları Regresyon ve korelasyon analizi Öngörü doğruluğunun ğ ğ ölçülmesi

4 Kötü öngörünün sonuçları?? Markette istediğiniz i ürün ü yok Kitapçıda istediğiniz ğ kitap pyok Restoranda istediğiniz, menüdeki bir yemek yok... Hiçbir işletme işi şansa bırakıp, bekleyip görelim diyemez, bunların tümü yağmura hazırlıksız yakalanma gibi, kötü öngörünün sonucudur.

5 Hepimiz, i işletmede ya da yaşamımızda gelecek olaylara ilişkin tahminler yaparız ve bu tahminleri esas alarak plan yapar, adım atarız. Bir olayı planlamak, geleceği öngörmeyi gerektirir. Öngörüleme ile planlama birbirinden farklıdır. Öngörüleme gelecekte ne olabileceği ile ilgili iken, planlama gelecekte ne olması gerektiğini düşünme ile ilgilidir. Öngörü planlama faaliyetlerinde girdidir. Kötü öngörü kötü planlama ile sonuçlanır.

6 Öngörü türleri Ekonomik öngörüler Enflasyon oranı,,p para arzı,planlama göstergeleri..vs Teknolojik öngörüler Teknolojik gelişme oranı Yeni ürünlerin ü kabul görmesi Talep öngörüleri Mevcut ürünün satışlarını kestirme- öngörme (talep kısıtlanmaz ise satış öngörümü ile aynı olur)

7 Talep öngörümü Gelecekte talep edilecek mal ve hizmetlerin ve bu mal ve hizmetleri üretmek için gerekecek kaynakların önceden kestirilmesidir. Talep öngörümü üretim yönetimindeki tüm öngörülerin başlangıç noktasını oluşturmakta, üretim planlama l ve kontrol sisteminin i i fonksiyonlarına temel girdiyi sağlamaktadır. Üretim faaliyetleri i öngörüleme ö yardımı ile ne kadar uygun planlanır ise kontrolleri de o ölçüde kolaylaşır. Pazar değişikliklerine ayak uydurmaya, maliyetlerin azaltılmasına, etkinliğin artmasına olanak verir.

8 Talep öngörümü nedenleri Tüm işletme kararları öngörüler esas alınarak yapılır: Hangi pazara girilecek il Hangi ürün üretilecek Hangi süreç ile üretilecek Ne kadar kapasite gerekecek (makine ekipman..) Yerleşim düzeni nasıl olacak Ne kadar stok bulundurulacak Ne kadar işgören alınacak... İşletmede örgütün farklı düzeylerinde, farklı amaçlar için farklı zamanlarda öngörüler yapılır. Stratejik öngörüler üst düzeyde uzun döneme ilişkin Daha alt kademelerde daha kısa süreli öngörüler, haftalık satışlar gibi..

9 Zaman boyutuna göre öngörü türleri ül Kısa dönem öngörüler 1yıla kadar, genelde 3 aydan az Görevlerin programlanması, işgücü tahsisleri Orta dönem öngörüler ö 3 ay -3 yıl Satış ve üretim planlama, bütçeleme Uzun dönem öngörüler 3 yıl üzeri Yeni ürün planlama, tesis kuruluş yeri

10 Kısa dönem- uzun dönem karşılaştırma Orta/uzun dönem öngörüler planlama ve ürünlere, fabrika ve süreçlere ilişkin yönetim kararlarını destekler. Kısa dönem öngörüleme uzun dönemli öngörülemeden farklı yöntemler kullanır. Kısa dönem öngörüler uzun dönem öngörülerden daha doğru olurlar.

11 Öngörülemenin esasları Öngörüler nadiren mükemmeldir. Öngörüler geleceğe ilişkin belirsizliklere karşı yapıldığından mükemmel öngörü çok zordur. Her zaman hata vardır. Amaç öngörü hatalarını en aza indirmektir. Öngörüler, tek tek kalemler yerine ürün grupları için yapılırsa daha doğru olur. Tek bir ürün tipi için öngörü, gruba oranla daha zordur.(uzun kollu polo yaka yeşil t- shirt yerine polo t-shirt) Kısa dönem öngörüler uzun döneme oranla daha doğru, geçerlidir. Kısa dönem belirsizliği azaltır. Veriler kısa dönemde çok değişmez, süre uzadıkça belirsizlik artar. 2 yıl sonraki ürün satışını öngörme 2 hafta sonrakini öngörmeden daha zordur.

12 Ürün yaşam eğrisinin öngörülere etkisi Giriş, büyüme, olgunluk, düşüş Giriş i ve büyüme ü dönemleri, olgunluk l ve düşüş dönemlerinden daha uzun süreli öngörüler ö gerektirir. i Ürün farklı evrelere geçerken: işgücü düzeyi, stok düzeyleri, Tesis kapasitesi için yapılan öngörüler yararlı olur.

13 Strategy and Issues During a Product s Life Co ompany Strategy y/issues Introduction Growth Maturity Decline Best period to Practical to change Poor time to change image, Cost control increase market price or quality image price, or quality critical share R&D product Strengthen niche Competitive costs become critical engineering critical Defend market position Sales Color copiers Drive-thru restaurants CD-ROM Internet Fax machines 3 1/2 Floppy disks Station wagons HDTV tegy/issues OM Strat Product design and development critical Frequent product and process design changes Short production runs High production costs Limited models Attention to quality Forecasting critical Product and process reliability Competitive product improvements and options Increase capacity Shift toward product focused Enhance distribution Standardization Less rapid product changes - more minor changes Optimum capacity Increasing stability of process Long production runs Product improvement and cost cutting Little product differentiation Cost minimization Over capacity in the industry Prune line to eliminate items not returning good margin Reduce capacity Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

14 Öngörümlemede 7 adım Öngörüleme yapılacağına ğ karar verme Öngörümlenecek ece kalemleri ae e seçmee Öngörü zaman boyutunu belirle Öngörümleme model/modellerini d ll i seç Verileri topla Öngörüyü yap Sonuçların geçerliliğine bak ve uygula

15 Öngörümleme yöntemleri En çok kabul gören sınıflandırma: Kalitatif (sübjektif) yargısal nitel yöntemler Kantitatif (objektif)istatistiki- nicel yöntemler Tek bir yöntem yerine yöntemlerin birleştirilmesi, veya sonuçlarının ortalanması doğruluk derecelerini artırır. Uygulamada yönetimin yargısından gelen öngörülerle, geçmiş verilere dayanan kantitatif öngörüler birleştirilir.

16 Öngörüleme sistemi Geçmiş Veriler Kantitatif Öngörü Değerlendirme Öngörü Gözlem Kalitatif Öngörü Yönetimin (kanaati) yargısı, tecrübesi Geri Besleme Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi Analiz

17 Kalitatif yöntemler Kişi i veya grupların görüş öü ve yargılarına dayanan, çoğunlukla verilerin olmadığı veya az olduğu durumlarda veya geçmiş ş veriler geleceği ğ öngörmede duyarlı değilse ğ veya kantitatif yöntemlerle birlikte kullanılan yöntemlerdir. Yeni ürünler, ü yeni teknoloji Sübjektiftir, matematiksel değildir Çevredeki son değişiklikler ile ilişkilendirilebilir ve içimizdeki hissi, deneyimi aktarabiliriz. Öngörüyü yanıltabilir, yanlış yönlendirebilir, doğruluğu azaltabilir. Örnek: internet üzerinden satışların öngörülmesi

18 Kantitatif yöntemler Geçmiş dönemlerdeki d verileri i esas alan matematiksel tik modellere dayanır. Geçmiş veriler vardır ve durumun değişmeyeceği (dengede olacağı) kabul edilir. Mevcut ürünler, mevcut teknoloji Objektif ve açıktır. Kişiye göre değişmez. Bir defada daha çok veri ve bilgiyi dikkate alabilir. Çoğunlukla sayısal veriler elde edilemez. Öngörünün esas alındığı veriler iyi olduğu ölçüde doğrudur. ğ d Örnek: renkli televizyon satışlarının öngörülmesi

19 Yöntemleri karakterize eden 6 faktör (yöntemlerin seçilmesinde etkili) 1. Zaman dilimi: öngörünün yapılacağı, gelecekteki zaman aralığı ğ (uzun dönem- kalitatif; kısa/orta dönem-kantitatif) ve öngörülerin gelecek kaç dönem için yapılacağı (bazı yöntemler gelecek 1 dönemi bazıları birçok dönemi öngörebilir)

20 2. Verilerin i izlediği yol: verilerin i izlediği yola göre farklı yöntemler kullanılır. Veriler bir trend izleyebilir, rastgele dağılmış olabilir...vs 3. Maliyet: öngörüleme modelinin geliştirilmesi, es, verilerin e hazırlanması a as ve uygulamanın yapılması için çeşitli maliyetler gerekmektedir. Maliyetler kullanılan yönteme göre değişmektedir.

21 4. Doğruluk ğ derecesi: öngörülemede ö istenen doğruluk derecesi yöntemleri farklılaştırmaktadır 5. Basitlik, uygulama kolaylığı: kolay anlaşılan ve uygulanabilen yöntemler tercih edilmekte, anlaşılamayan yöntemlere güven azalmaktadır. 6. Bilgisayar yazılımının olması: kantitatif yöntemlerde yazılım paketi olmadan uygulama yapmak güçtür. Paketlerin kolay uygulanabilir ve yorumlanabilir olması gerekmektedir.

22 Kalitatif yöntemler e Uzmanların görüşü (tepe yönetimin görüşü) Satış elemanlarının görüşleri (öngörüsü) Delphi yöntemi Tüketici Pazar araştırması Yaşam eğrilerinin benzeşimi (geçmişle paralellik llik kurmak) k)

23 Uzmanların görüşü öü ü Küçük bir grup üst düzey yöneticiyi kapsar Grup, talebi birlikte çalışarak tahminler İstatistiki modellerle yönetsel tecrübeyi birleştirir. ii Oldukça çabuk grupça-düşünme dezavantajı 1995 Corel Corp.

24 Grup öngörüsü ö ü Grup bileşimi Uzmanların görüşü Üst düzey yöneticiler Uzmanlar Öngörü kapsamı Yeni ürünler Teknolojik öngörüler Mevcut öngörüler (Tepe Yönetimin Fikri) Dezavantajlar Pahalı Denetimi zor Sonradan yapılan müdahaleler Çözüm Konsensus 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 24 Üretim Planlaması Kontrolü Dersi

25 Satış elemanlarının l görüşleri öü Her satış elemanı kendi satışlarını tahminler Bölge ve ülke düzeyinde birleştirilir Satış elemanları müşteri isteklerini bilir Fazla iyimser olunabilir Sales 1995 Corel Corp.

26 Satış Elemanlarının Öngörüsü bireysel öngörüler Üstünlükler Talebe en yakın personel Talepte yerel farklılıklar Farklı talepler toplanabilir Dezavantajlar Bireysel önyargılar İyimserlik-kötümserlik kötümserlik Müşteri gereksinmesi- istekleri arasındaki fark Performans kaygısı 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 26 Üretim Planlaması Kontrolü Dersi

27 Delphi yöntemi Ardışık grup süreci 3 tür kişi Karar vericiler Personel(yürütücü) Cevap verenler Grup-düşüncesini azaltır Staff (What will sales be? survey) Decision Makers (Sales?) (Sales will be 50!) Respondents (Sales will be 45, 50, 55)

28 Delphi Tekniği Bir hakem ve uzmanlar grubu Birkaç turlu(raund) grup konsensüsü Üstünlükler Uzun dönemli öngörmeler Yeni ürünler için fena değil Teknolojik öngörmeler Dezavantajlar Turlar uzayabilir Yeni ürünler dışında isabetliliği su götürür İsabetliliği anket kalitesine bağlı 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 28 Üretim Planlaması Kontrolü Dersi

29 Yaşam eğrilerinin benzeşimi Bir ürünün gelecekteki satışları, benzer ürünlerin satış ş bilgilerinden esinlenerek belirlenebilir. Benzer ürünlerin yaşam eğrilerindeki çeşitli dönemlerdeki satışları, özellikle yeni üü ürünlerin satışlarını öngörmede ö kullanılır.

30 Geçmişle Parallelik Kurmak / yaşam eğrilerinin benzeşimi Acaba 4. kuşak cep telefonlarına olan talep 3. kuşak ş telefonlara benzer bir yapıda ve düzeyede mi olacak? Miktar Sunuş Gelişme Olgunluk Gerileme 3. Kuşak cep telefonları El bilgisayarları Kişisel bilgisayarlar Hesap makineleri 10/9/2007 Prof. Operasyon Dr. Üzeyme Zaman Yönetimi DOĞAN - 30 Üretim Planlaması Kontrolü Dersi

31 Müşterilere satın alma planları hakkında sor Tüketicilerin il i söyledikleri ile yaptıkları farklı olabilir. Soruları cevaplamak zor olabilir. Pazar araştırması How many hours will you use the Internet next week? 1995 Corel Corp.

32 Pazar Araştırması Öngörüye müşteri katkısı Adımlar 1. Anket Ürün bilgileri Müşteri bilgileri 2. Örnekleme 3. Anket dışı veriler 4. İstatistiksel analiz Üstünlükler Kısa dönemde çok iyi sonuç Orta dönemde iyi sonuç Dezavantajlar Uzun dönemde d şöyle-böyle ö l l sonuç Senaryo analizine elverişsizlik Müşterinin aldırmazlığı Müşteri önyargıları ve beklentileri 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 32 Üretim Planlaması Kontrolü Dersi

33 Kantitatif yaklaşımlar Naif-basit yaklaşım Hareketli ortalamalar Üssel düzeltim Trend projeksiyonu Zaman serisi modelleri Doğrusal regresyon Nedensel (ilişkisel)mod l) eller

34 Quantitative Forecasting Methods (Non-Naive) Quantitative Forecasting Time Series Models Associative Models Moving Exponential Trend Linear Average Smoothing Projection Regression

35 Zaman Serisi Kantitatif öngörüleme yöntemlerinde 1. grup: zaman serisi modelleridir. İyi yargı, sezgi, tecrübe, ekonomiden haberdar olma yöneticilere gelecekte ne olabileceğine ğ dair kabaca bir fikir verebilir. Ancak bu hissi verilere dönüştürmek güçtür. Örneğin: gelecek yıl aylık satışlar, gelecek yılın ünite başına hammadde maliyeti ne olacak??

36 Zaman serisi Gelecek yıl liçin i 3 er aylık lk satış hacmini i nasıl öngörebiliriz??? Geçmiş dönemlerdeki gerçek satış verilerini gözden geçirmemiz gerek. Son 3 yılın 3er aylık satış verileri var.. Bu verilere bakarak satışların genel düzeyini belirleyebiliriz. Artma veya azalma eğilimi i( (trend) olup olmadığını dğ görebiliriz. Daha iyi incelemeyle mevsimlik (dönemlik) durumu izleyebilir, örneğin her yıl 3. dönem satışların en yüksek olduğunu görebiliriz.

37 Zaman serisi Zaman içindeki i geçmiş verileri i gözden geçirerek, o ürün için gelecek satışları daha iyi öngörebiliriz. Satışların ş geçmiş ş dönemlerdeki verileri bir zaman serisi formundadır. Zaman serisi, zaman içinde birbiri ardı sıra noktalarda ya da zamanın birbirini izleyen dönemlerinde ölçülmüş gözlemler setidir.

38 Zaman serisi Zaman serisi verileri ile geleceğe ilişkin öngörülerde bulunulacak... Verileri analiz etmek için bazı yöntemler incelenecek.. Analizin amacı zaman dizisinin gelecek dönem değerlerinin iyi öngörülenmesini sağlamak!!!

39 Product Demand Charted over 4 Years with Trend and Seasonality Dem mand fo or produc ct or ser rvice Seasonal peaks Random variation Average demand over four years Trend component Year Year Year Year Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi Actual demand line

40 Actual Demand, Moving Average, Weighted Moving Average Sales Demand Actual sales Weighted moving average Moving average 0 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Month Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

41 What is a Time Series? Set of evenly spaced numerical data Obtained by observing response variable at regular time periods Forecast based only on past values Assumes that factors influencing past and present will continue influence in future Example Year: Sales:

42 Time Series Components Trend Cyclical Seasonal Random

43 Trend Bileşeni Persistent, t overall upward or downward d pattern Due to population, technology etc. Several years duration Response Mo., Qtr., Yr T/Maker Co.

44 Mevsim bileşeni Regular pattern of up & down fluctuations Due to weather, customs etc. Occurs within 1 year Summer Response T/Maker Co. Mo., Qtr.

45 Mevsim ler Period of Season Number of Pattern Length Seasons in Pattern Week Day 7 Month Week 4 4 ½ Month Day Year Quarter 4 Year Month 12 Year Week 52

46 Devri bileşen Repeating up & down movements Due to interactions of factors influencing economy Usually 2-10 years duration Response Cycle Mo Qtr Yr Mo., Qtr., Yr.

47 Rassal bileşen Erratic, unsystematic, residual fluctuations ti T/Maker Co. Due to random variation or unforeseen events Union strike Tornado Short duration & nonrepeating

48 Zaman serisi modelleri Any observed value in a time series is the product (or sum) of time series components Multiplicative model (çoğaltan model) Y i = T i S i C i R i (if quarterly or mo. data) Additive model (artırımlı model) Y i = T i + S i + C i + R i (if quarterly or mo. data)

49 Naive Approach Assumes demand in next period is the same as demand in most recent period e.g., If May sales were 48, then June sales will be 48 Sometimes cost effective & efficient 1995 Corel Corp.

50 Naif Yaklaşım y =y t+1 t Gelecek dönemdeki talep en yakın dönemdeki talebe eşittir. Ör. Aralık talebi, Kasım talebine eşit olacaktır. 10/9/2007 t şimdi t +1 t, zaman Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 50 Üretim Planlaması Kontrolü Dersi

51 Hareketli ortalamalar yöntemi hareketli ortalamalar(moving average- MA) aritmetik ortalamalardan oluşan bir seridir Trend yoksa veya çok az ise kullanılır. Genellikle düzeltim için kullanılır. Equation MA = Demand in Previous n n Periods

52 Basit Hareketli Ortalamalar Varsayım Talep zaman içinde görece kararlı bir yönde seyredecektir. Gerçekleşen son birkaç (n) talep düzeyi, gelecek dönemin talebi için anlamlı olacaktır. 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 52 Üretim Planlaması Kontrolü Dersi

53 Moving Average Example You re manager of a museum store that sells historical replicas. You want to forecast sales (000) for 2003 using a 3- period moving average Corel Corp. Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

54 Moving Average Solution Time Response Moving Moving Yi Total (n=3) Average (n=3) NA NA NA NA NA NA =15 15/3 = NA Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

55 Moving Average Solution Time Response Moving Moving Yi Total (n=3) Average (n=3) NA NA NA NA NA NA =15 15/3 = =14 14/3=4 4 2/ NA Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

56 Moving Average Solution Time Response Moving Moving Yi Total (n=3) Average (n=3) NA NA NA NA NA NA =15 15/3= =14 14/3= NA 5+3+7=15 15/3=5.0 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

57 Moving Average Graph Sales 8 Actual Forecast Year Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

58 Örnek 12 haftalık benzin satışları hafta satışlar HOöng (n=3) Öng. hatası I H I ( H ) Prof. Dr. Üzeyme DOĞAN - 13?? Üretim Planlaması 19 Kontrolü Dersi

59 Öngörü Hataları Amaç öngörünün ö ü az hatalı olmasıdır. Bunun için öngörü hatalarının küçük olması gerekir. Hataları toplayarak hatayı ölçmeye çalışabiliriz. Bu bizi yanıltır (+ ve ler sonucu toplam küçük çıkabilir) Hataların karelerini veya mutlak değerlerini almak daha doğru olur.

60 Öngörü hataları Hataların karelerinin toplamının ortalaması ortalama hata kare (MSE) Hataların mutlak değerlerinin ortalaması ortalama mutlak sapma (MAD) Örnek için: MSE=92/9= 10,22 MAD=24/9= 2,67

61 Ortalama mutlak yüzde hata (MAPE) Hataların mutlak değerlerinin ortalamasının, gerçek değerlerin yüzdesi olarak gösterilmesi. MAPE hatayı gerçek değerin % olarak ifade eder. MAPE = 100 n i= 1 actual i n actual Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi forecast i i

62 Örnek dönem Gerçek değer öngörü I hata I I hata I/gerçek /180=0, /168=0, , , , , , ,0220 toplam 0,4562 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

63 MAPE= ,4562 / 8 = 5,70 %

64 Forecast Error Equations Mean Square Error (MSE) n 2 (y i ŷ i ) forecast i 1 MSE = = n = n errors Mean Absolute Deviation (MAD) n y yˆ i i i forecast errors 1 MAD = = = n n Mean Absolute Percent Error (MAPE) n actual i forecast i MAPE = 100 i= 1 actual n i 2

65 Ağırlıklı hareketli ortalama yöntemi Geçmiş veriler daha az önemliyse Ağırlıklar 0-1 arasında toplamı 1 olacak şekilde (genelde son döneme daha fazla ağırlık vererek) Eşitlik: ş WMA = Σ(Weight for period n) (Demand in period n) ΣWeights

66 Ağırlıklı Hareketli Ortalamalar Varsayım Talep zaman içinde görece kararlı bir yönde seyredecektir. Gerçekleşen en son talep düzeyi, gelecek dönemin talebi için en anlamlı girdi olacaktır. Ağırlıkların belirlenmesi l i deneyime bağlı 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 66 Üretim Planlaması Kontrolü Dersi

67 Örnek 12 haftalık benzin satışları hafta satışlar AHOöng (n=3) Öng. hatası I H I ( H ) ,33 3,67 3,67 13, ,33-3,33 3,33 11, ,83-3,83 3,83 14, ,83 2,17 2,17 4, ,33-0,33 0,33 0, ,33 3,67 3,67 13, ,33-0, , , ,33-5,33 5,33 28, , , ,17 17,39 13?? 19,33 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

68 Ağırlıklı hareketli ortalama 4.hafta ağırlıklı hereketli ortalama öngörüsü=( )/6=19,33 MSE=103,43/9=11,49 MAD=26,83/9=2,

69 Actual Demand, Moving Average, Weighted Moving Average Sales Demand Actual sales Weighted moving average Moving average 0 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Month Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

70 Disadvantages of Moving Average Methods Increasing n makes forecast less sensitive to changes Do not forecast trend well Require much historical i data a T/Maker Co.

71 Üssel Düzeltim Yöntemi Ağırlıklı hareketli ortalamanın bir şekli Ağırlıklar üssel olarak azalır Son verilere daha fazla ağırlık verilir Düzeltim sabiti kullanılır (α) 0-1 arasında Deneme yanılma ile seçilebilir Geçmiş verilere ilişkin daha az kayıt gerektirir

72 Exponential Smoothing Equations F t = αa t α(1-α)a t α(1- α) 2 A t - 3 (1 ) 3 A (1 ) t 1 A + α(1- α) 3 A t α(1- α) t-1 A 0 F t = Forecast value A t = Actual value α = Smoothing constant F t = F t α(a t-11 - F t-1 1 ) Use for computing forecast

73 Üssel Düzeltim modeli F t+1 = α Y t + (1 1- α )F t Veya F t+1 = α Y t +F t - α. F t = F t + α (Y t F t ) = F t + e t α e t = hata t

74 Üstsel Düzeltim Daha gelişmiş bir yöntem Daha az veri gereksinmesi Gerçekleşen en son talep düzeyi ve o dönem için yapılmış öngörü, gelecek dönemin talebi için en anlamlı girdiler olacaktır. Düzeltim sabiti (α, alfa) yakın zamana verilen ağırlıkla ğ ters orantılıdır. 10/9/2007 Prof. Operasyon Dr. Üzeyme Yönetimi DOĞAN - 74 Üretim Planlaması Kontrolü Dersi

75 Exponential Smoothing Example During the past 8 quarters, the Port of Baltimore has unloaded large quantities of grain. (α =.10). The first quarter forecast was Quarter Actual Find the forecast for the 9 th quarter ? Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

76 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, (α =.10) (Given) F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

77 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, (α =.10) (Given) ( F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

78 Quarter Exponential Smoothing Actual Solution F t = F t (A t-1 - F t-1 ) Forecast, F t (α =.10) (Given) ( Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

79 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, F t (α =.10) (Given) ( ) Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

80 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, F t (α =.10) (Given) ( ) = Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

81 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, (α =.10) (Given) ( ) = ( ) = F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

82 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, (α =.10) (Given) ( ) = ( ) = ( )= F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

83 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, (α =.10) (Given) ( ) = ( ) = ( ) = ( ) 18) = F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

84 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Quarter Actual Forecast, (α =.10) (Given) ( ) = ( ) = ( ) = ( ) 18) = ( ) = F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

85 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Time Actual Forecast, (α =.10) ( ) = ( ) = ( ) = ( ) = F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

86 Exponential Smoothing Solution F t = F t (A t-1 - F t-1 ) Time Actual Forecast, (α =.10) ( ) = ( ) = ( ) = ( ) = ( ) = ? ( ) = F t Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

87 Örnek 12 haftalık benzin satışları Hafta(t) Satışlar(Yt) Ft (α=0,2) Öng. hatası I H I ( H ) * ,80 1,2 1,2 1, ,04 4,96 4,96 24, ,03-1,03 1,03 1, ,83-2,83 2,83 8, ,26 1,74 1,74 3, ,61-0,61 0,61 0, ,49 3,51 3,51 12, , , , , ,35-4,35 4,35 18, , , ,52 12,39 13?? 19,18 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

88 MSE= 98,8/11=8,98 α=0,3 için MSE= 9,35 En iyi α= 0,2 olduğu hesaplanmış.

89 Forecast Effects of Smoothing Constant α F t = α A t α(1- α)a t α(1- α) 2 A t α= Prior Period Weights 2 periods ago 3 periods ago α α(1 - α) ) α(1 - α) ) 2 α= % α= 0.90 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

90 Forecast Effects of Smoothing Constant α F t = α A t α(1- α) A t α(1- α) 2 A t α= Prior Period Weights 2 periods ago 3 periods ago α α(1 - α) ) α(1 - α) ) 2 α= % 9% α= 0.90 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

91 Forecast Effects of Smoothing Constant α F t = α A t α(1- α)a t α(1- α) 2 A t α= Prior Period Weights 2 periods ago 3 periods ago α α(1 - α) ) α(1 - α) ) 2 α= % 9% 8.1% α= 0.90 Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

92 Forecast Effects of Smoothing Constant α F t = α A t α(1- α)a t α(1- α) 2 A t α= Prior Period Weights 2 periods ago 3 periods ago α α(1 - α) ) α(1 - α) ) 2 α= % 9% 8.1% α= % Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

93 Forecast Effects of Smoothing Constant α F t = α A t α(1- α) A t α(1- α) 2 A t α= Prior Period Weights 2 periods ago 3 periods ago α α(1 - α) ) α(1 - α) ) 2 α= % 9% 8.1% α= % 9% Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

94 Forecast Effects of Smoothing Constant α F t = α A t α(1- α) A t α(1- α) 2 A t Weights α= Prior Period 2 periods ago 3 periods ago α α(1 - α) α(1 - α) 2 α= 0.10 α= % 9% 8.1% 90% 9% 0.9% Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

95 250 Impact of α 200 Forecast (0.5) A ctua l T o n age Actual Forecast (0.1) Quarter Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

96 Choosing α Seek to minimize the Mean Absolute Deviation (MAD) If: Forecast error = demand - forecast Then: MAD = forecast n errors