تقنيات التنبؤ لأبحاث السوق
التقنيات النوعية:
التقنيات النوعية المعترف بها بشكل جيد خمسة ومحاولة للتأثير على هذه مع وجهة نظر لتعريف الطلاب جوهر هذه باعتبارها المتنبئين في المستقبل:
I. جذر العشب:
إن توقعات "الجذور الشعبية" تبني التوقعات من خلال إضافة متتالية من القاع. الافتراض الأساسي هنا هو أن الشخص الأقرب إلى العميل أو المستخدم النهائي للمنتج يعرف احتياجاته المستقبلية بشكل أفضل.
على الرغم من أن هذا ليس صحيحًا دائمًا ، إلا أنه صحيح في كثير من الحالات ، وهو أساس هذه الطريقة. يتم جمع الملخصات عند هذا المستوى السفلي وإعطاؤها للمستوى الأعلى التالي.
هذا هو عادة مستودع حي ، والذي يضيف بعد ذلك في مخزونات السلامة وأية آثار من طلب أحجام الكمية. ثم يتم تغذية هذا المبلغ إلى المستوى التالي ، والذي قد يكون مستودعًا إقليميًا.
يتكرر الإجراء حتى يصبح مدخلاً في المستوى الأعلى ، والذي ، في حالة وحدة التصنيع ، سيكون مدخلاً لنظام الإنتاج.
ثانيا. البحث عن المتجر:
في كثير من الأحيان تقوم الشركات بتوظيف شركات خارجية متخصصة في أبحاث السوق لإجراء هذا النوع من التنبؤ. كنظام داعم ، قد تكون أنت نفسك ، تشارك في استطلاعات السوق من خلال فصل التسويق.
بالتأكيد قد لا يكون لديك مكالمات هاتفية هادرة تسألك عن تفضيلات المنتج ، دخلك ، والعادات وهلم جرا. تستخدم أبحاث السوق غالبًا في أبحاث المنتجات بمعنى البحث عن أفكار منتجات جديدة ، وإبداء الإعجاب وعدم الإعجاب بالمنتجات الموجودة التي تفضل المنتجات التنافسية ، داخل فئة معينة ، وما إلى ذلك. مرة أخرى ، فإن طرق جمع البيانات هي في المقام الأول الاستطلاعات والمقابلات.
ثالثا. توافق الفريق:
الفكرة الأساسية وراء "توافق الآراء" هي "رأسين أفضل من واحد". يتم استنتاج هذه النقطة لفكرة أن مجموعة من الأشخاص من مواقع متنوعة يمكن أن تتطور توقعات أكثر موثوقية من مجموعة أضيق.
يتم تطوير توقعات الفريق من خلال الاجتماعات المفتوحة مع التبادل الحر للأفكار من جميع مستويات الإدارة والأفراد. تتمثل الصعوبة في هذا الأسلوب المفتوح في أن مستويات الموظفين المنخفضة ترهقهم مستويات الإدارة العالية.
على سبيل المثال ، قد يكون لدى بائع في خط إنتاج معين تقدير جيد للطلب المستقبلي على المنتج ، ولكنه قد لا يتفادى دحض تقدير مختلف تمامًا من نائب رئيس التسويق. يتم تصحيح هذا العيب بطريقة دلهي.
عندما تكون القرارات في التنبؤ على مستوى الحدود والمستوى الأعلى ، يتم استخدام مصطلح "الحكم التنفيذي" بشكل عام. هذا المصطلح لا يحتاج إلى تفسير ، وهو مستوى أعلى من الإدارة.
د. القياس التاريخي:
يمكن أن يكون الوضع المثالي هو استخدام المنتج أو المنتج العام كطراز ، مع محاولة التنبؤ بالطلب على منتج جديد. هناك العديد من الطرق الجيدة لتصنيف مثل هذه المقارنات على سبيل المثال ، المنتجات التكميلية ، البدائل ، أو المنتجات والمنتجات التنافسية كدالة للدخل.
كما أنه أكثر وضوحًا في ترتيب البريد أو الكتالوجات. من الطبيعي عند شراء قرص مضغوط ، من خلال طلب البريد ، أن تتأكد من تلقي المزيد والمزيد من الرسائل التي تحتوي على معلومات حول الأقراص المضغوطة ومشغلات الأقراص المضغوطة.
العلاقة الغير رسمية هي أن الطلب على الأقراص المدمجة ناجم عن الطلب على مشغلات الأقراص المضغوطة. كان اللاهوت يتنبأ بالطلب على مشغلات أقراص الفيديو الرقمية عن طريق تحليل الطلب التاريخي على أجهزة VCR.
قد تكون المنتجات في نفس الفئة العامة للالكترونيات يمكن شراؤها من قبل المستهلكين بأسعار مماثلة. يمكن أن يكون مثال على ذلك أبسط من المحامص وأواني القهوة. يمكن للشركة التي لديها بالفعل إنتاج المحاميل وترغب في إنتاج أواني القهوة أن تستخدم تاريخ محمصة بشكل جيد كنموذج نمو محتمل.
طريقة دلفي
يتم تحديد الحد الأدنى لطريقة توافق الألواح مباشرة من خلال طريقة دلفي في أن قيمة البيان أو الرأي الذي يحمله الموظفون ذوو المستوى الأعلى يعتبر أكثر أهمية من الموظفين ذوي المستوى المنخفض على الرغم من أنه قد لا يكون صحيحًا دائمًا. الجانب الأسوأ هو أن الأشخاص الأقل مستوى يشعرون بالتهديد ولا يساهمون بمشاعرهم أو معتقداتهم الحقيقية.
تخلص طريقة دلفي من هذا عن طريق إخفاء هوية الأفراد المشاركين في الدراسة. تحت هذا البرنامج كل واحد على قدم المساواة في الوزن. وبشكل خاص ، ينشئ المشرف استبيانًا ويوزعه على المشاركين.
يتم جمعها repents وإعادتها إلى المجموعة بأكملها جنبا إلى جنب مع مجموعة جديدة من الأسئلة. تم تطوير طريقة دلفي من قبل مؤسسة راند الأمريكية في الخمسينات.
الإجراء المتضمن في طريقة دلفي:
يتكون الإجراء خطوة بخطوة المتضمن في طريقة دلفي من خمس خطوات:
أولا ، اختيار الخبراء للمشاركة. يجب أن يكون هناك مجموعة متنوعة من الأشخاص المطلعين في مناطق مختلفة.
ثانيا ، من خلال استبيان أو بريد إلكتروني ، الحصول على توقعات أو أي مباني أو مؤهلات للتوقعات من جميع المشاركين.
ثالثًا ، لخص النتائج وأعيد توزيعها على المشاركين مع سؤال جديد مناسب.
الرابع ، تلخيص مرة أخرى ، تنقيح التوقعات والشروط ، ومرة أخرى تطوير أسئلة جديدة.
الخامس ، كرر الخطوة الرابعة إذا لزم الأمر. توزيع النتائج النهائية على جميع المشاركين.
يمكن أن تحقق تقنية دلفي عادة نتائج مرضية في ثلاث جولات. والمطلوب هو دالة لعدد المشاركين ، وكم العمل الذي ينطوي عليه بالنسبة لهم لتطوير توقعاتهم ، وسرعة الاستجابة.
طريقة دلفي هي عملية الحصول على إجماع من مجموعة من الخبراء مع الحفاظ على إخفاء هويتها. هذا الشكل من التنبؤات مفيد للغاية عندما لا توجد بيانات تاريخية يمكن من خلالها تطوير نماذج إحصائية - عندما يكون الحكم أو الرأي ، بناءً على الخبرة ودراسة السوق أو الصناعة أو التطورات العلمية ، هما الأساسان الوحيدان اللذان يقدمان التقديرات الواعية.
يمكن استخدام طريقة دلفي لتطوير توقعات طويلة المدى للطلب على المنتجات وتوقعات مبيعات المنتجات الجديدة. من العدل أن تكون جيدة في تحديد نقاط التحول في الطلب. أحد أكثر التطبيقات المفيدة لطريقة دلفي هو طريقة التنبؤ التكنولوجي.
معدل التغير التكنولوجي يتزايد بسرعة أكبر من أي وقت مضى. العلوم الطبية وعلوم الكمبيوتر هما المجالان اللذان يعانيان من تغير تكنولوجي متفجر.
استبدال القلب البشري للكبد المتأخر بقلب ميكانيكي وكبد اصطناعي أصبح إجراءات طبية مقبولة.
تصبح أجهزة الكمبيوتر عفا عليها الزمن بعد أن يتم إنتاجها. بالإضافة إلى ذلك ، هناك مصنع مؤتمت بالكامل تقريبًا. لذلك ، السؤال هو ما هو التالي؟ محاولة الإجابة عن هذا السؤال هو التركيز على التنبؤ التكنولوجي.
يمكن استخدام طريقة دلفي للحصول على إجابة إجماعية من لجنة من الخبراء. وقد يُطلب من أعضاء الفريق تحديد أوجه التقدم العلمي التي يتصورونها ، فضلاً عن التغييرات في القوى البيئية والاجتماعية مثل نوعية الحياة ، واللوائح الحكومية ، وأفعال المنافسين.
يمكن أن تؤدي نتيجة هذه العملية إلى توفير اتجاه محدد لموظفي البحث والتطوير بالشركة. يكمن مفتاح تقنية دلفي في المنسق والخبراء. غالباً ما يكون للخبراء خلفيات متنوعة. وهكذا ، قد يقوم طبيبان ، وكيميائي ، ومهندس كهربائي ، ومحاسب تكاليف ، وخبير مالي ، ومعالج تسويق ، بإنشاء لجنة فعالة للغاية.
يجب أن يكون المنسق موهوبا بما فيه الكفاية لتجميع البيانات المتنوعة والواسعة الانتشار والتوصل إلى كل من مجموعة الأسئلة والتنبؤات المهيكلة.
باختصار ، تتمتع طريقة دلفي بمدى جيد جدًا من الدقة للتنبؤ على المدى القصير والطويل ، على الرغم من أنه يستغرق ما لا يقل عن شهرين لتطوير التوقعات والتنسيق الجيد بين المشاركين ومنسق المجموعة.
تحليل السلسلة الزمنية:
تحاول نماذج التنبؤ بالسلسلة الزمنية التنبؤ بالمستقبل بناءً على البيانات السابقة. على سبيل المثال ، يمكن استخدام أرقام المبيعات التي تم جمعها لكل من الماضي بحيث يمكن استخدام ستة أسابيع للأسبوع السابع.
وبالمثل ، يمكن استخدام أرقام المبيعات الفصلية التي تم جمعها خلال السنوات العديدة الماضية للتنبؤ بالأرباع المستقبلية. هنا ، في كلتا الحالتين ، تكون أرقام المبيعات شائعة لكن من المرجح استخدام نماذج متسلسلة زمنية للتنبؤات المختلفة لأن الفترات الزمنية تختلف.
أي ، في أبسط أشكال تحليل السلاسل الزمنية ، المعلومات الوحيدة المستخدمة هي السجل التاريخي للطلب.
لا يهتم المحلل بالتغيرات في العوامل الخارجية والداخلية كما ذكرنا سابقاً ويفترض أن ما حدث في الماضي سيستمر في المستقبل.
تركز طرق تحليل السلاسل الزمنية على خصائص التأثير المتوسطي والاتجاهي والخاص بالسلسلة الزمنية. مهمة المحلل هي محاولة تكرار هذه الخصائص أثناء عرض الطلب في المستقبل.
يتم شرح تقنيات السلسلة الزمنية مع مثال مع عرض تقديمي رسومي :
أنا بسيط متوسط متحرك:
على الرغم من التركيز على المتوسطات المتحركة ، إلا أنه من الملائم استخدام البيانات السابقة للتنبؤ بالفترة التالية مباشرة. لأخذ حالة بسيطة ، فإن المتوسط المتوسط لخمس سنوات في يناير وفبراير ومارس وأبريل ومايو يعطي متوسط التركيز في شهر مارس. ومع ذلك ، يجب أن تكون جميع البيانات الخمسة الموجودة موجودة.
إذا كان هدفنا هو التنبؤ في شهر يونيو ، فيجب أن نتوقع متوسط الحركة من خلال بعض الوسائل من مارس إلى يونيو. إذا لم يتم التركيز على المتوسط ولكن في النهاية ، يمكن للمرء أن يتنبأ بسهولة أكبر ، على الرغم من أنه قد يخسر المرء.
بعض كمية من الدقة. وبالتالي ، إذا أراد المرء أن يتنبأ في يونيو بمتوسط متحرك لمدة خمسة أشهر ، فيمكن أن يستغرق متوسطه في يناير وفبراير ومارس وأبريل ومايو. عندما يمر شهر يونيو ، ستكون التوقعات لشهر يوليو هي متوسط فبراير ومارس وأبريل ومايو ويونيو.
صيغة FORMULA لمتوسط متحرك بسيط هي
F 1 = A t - 1 + A t-2 + A t-3 + A tn / n
أين:
F 1 = توقعات للفترة المقبلة
n = عدد الفترات المراد حسابها
A t-1 = التواجد الفعلي في الفترة الماضية
A t-2 و A t-3 و a tn = Actual Occurrences to periods، ago، three periods ago and so on to n ago before.
يوضح الرسم البياني التالي بشكل واضح آثار مختلف أطوال فترة المتوسط المتحرك. من الواضح أن مستويات اتجاه النمو ستغلق عند حوالي الأسبوع الثالث والعشرين.
يستجيب المتوسط المتحرك لـ THREE WEEK بشكل أفضل في متابعة هذا التغيير من متوسط NINE-WEEK ، على الرغم من أنه بشكل عام ، فإن متوسط التسعة أسابيع يكون أكثر سلاسة.
العيب الرئيسي في حساب المتوسط المتحرك هو أن جميع العناصر الفردية يجب أن تحمل البيانات لأن فترة التنبؤ الجديدة تتضمن إضافة بيانات جديدة وإفلات البيانات الأقدم أو المتوسط المتحرك لفترة ثلاثة أو ستة أسابيع ، وهذا ليس شديد القسوة.
ومع ذلك ، فإن تخصيص معدل متحرك قدره 60 لكل استخدام يقول أن كل 20.000 عنصر في المخزون قد يتضمن بيانات جيدة.
ثانيا. المتوسط المتحرك الموزون:
في حالة المتوسط المتحرك البسيط ، فإنه يعطي وزناً متساوياً لكل مكون في قاعدة البيانات المتحركة المتوسطة. في مقابل ذلك ، يسمح المتوسط المتحرك المرجح بوضع أي أوزان على كل عنصر بالطبع ، بشرط أن يكون مجموع كل الأوزان مساوياً لـ 1. على سبيل المثال ، قد يجد متجر الأقسام أن فترة أربعة أشهر ، يتم اشتقاق أفضل التوقعات باستخدام 40٪ من المبيعات الفعلية في الشهر الأحدث ، و 30٪ قبل شهرين ، و 20٪ من ثلاثة أشهر ، و 10٪ قبل أربعة أشهر.
لذلك ، فإن صيغة المتوسط المتحرك المرجح هي:
F t = W 1 A t-1 + W 2 A t-2 + … + W n A tn
أين:
W 1 = الوزن الواجب إعطاؤه للحدث الفعلي للفترة t - 1
W 2 = الوزن الواجب إعطاؤه للحدث الفعلي للفترة t - 2
W ن = الوزن الواجب إعطاؤه للحدث الفعلي للفترة t - n
ن = إجمالي عدد الفترات في التنبؤ.
ما يجب ملاحظته هو أن SUM من جميع الأوزان يجب أن تكون مساوية لـ 1 ، في حين أن العديد من الفترات قد يتم تجاهلها وقد يكون مخطط عمر الوزن بأي ترتيب.
هذا هو:
n∑i = 1 W i = 1
كيف تختار الأوزان؟
أبسط الطرق لاختيار الأوزان هي تجربة غنية وتجربة جيدة وخطأ. كقاعدة عامة ، فإن الماضي الأحدث هو المؤشر الأكثر أهمية لما يمكن توقعه في المستقبل ، وبالتالي ، يجب أن يحصل على وزن أكبر.
على سبيل المثال ، ستكون إيرادات أو قدرة المصنع في الشهر الماضي بمثابة تقدير أفضل للعثة القادمة مقارنة بالإيرادات أو القدرة النباتية قبل عدة أشهر.
ومع ذلك ، إذا كانت البيانات موسمية ، فيجب إنشاء أوزان وفقًا لذلك. على سبيل المثال ، ينبغي ترجيح مبيعات ملابس السباحة في شهر يوليو من العام الماضي بشكل أكبر من ملابس السباحة في ديسمبر في الجزء الشمالي من الهند. أي أن المتوسط المتحرك المرجح له ميزة مؤكدة على المتوسط المتحرك البسيط في القدرة على تغيير تأثيرات البيانات السابقة. ومع ذلك ، فمن غير مريح ومكلفة أكثر من استخدام طريقة التسوية الأسية.
ثالثا. الانجذاب الأسي:
العيب الرئيسي في حالة كل من المتوسط المتحرك البسيط والمتوسط المتحرك المرجح هو الحاجة إلى تحمل كمية كبيرة من البيانات التاريخية بشكل مستمر. هذا صحيح على قدم المساواة في حالة تقنيات تحليل الانحدار.
مع إضافة كل جزء من البيانات الجديدة في هذه الطرق ، يتم إسقاط الملاحظات الأقدم ويتم حساب التوقعات الجديدة. في العديد من التطبيقات ، فإن الأحداث الأخيرة أكثر دلالة على المستقبل من تلك الموجودة في الماضي البعيد.
إذا كان هذا الافتراض صحيحًا أن أهمية البيانات تتضاءل نظرًا لأن الماضي يصبح أكثر بعدًا ، فقد يكون التطبيق التطبيقي السلوكي أكثر الطرق منطقية للاستخدام. والسبب في سبب تسميته "التليين الأسي" هو أن كل زيادة في الماضي تنخفض بمقدار (1 - أ).
إذا كان 0.05 على سبيل المثال ، ستكون الأوزان لفترات مختلفة كالتالي:
هنا ، لذلك ، تعطي الأسس 0 ، 1 ، 2 ، 3 ، ... وهكذا ، اسمها. يتم استخدام تجانس الأسي على نطاق واسع من جميع تقنيات التنبؤ. يجب أن يقول المرء أنه - هو جزء لا يتجزأ من جميع برامج التنبؤ المحوسبة ، ويستخدم على نطاق واسع في طلب المخزون في شركات البيع بالتجزئة ووحدات البيع بالجملة ووكالات الخدمات.
لما لا يقل عن ستة أسباب ، أصبحت تقنيات التحجيم الأسي أكثر جدارة بالثقة.
هؤلاء هم:
(1) النماذج الأسية دقيقة للغاية.
(2) صياغة نموذج أسي سهل نسبيًا.
(3) يمكن للمستخدم فهم كيفية عمل النموذج.
(4) هناك حاجة إلى حساب القليل لاستخدام النموذج.
(5) متطلبات تخزين الكمبيوتر صغيرة بسبب الاستخدام المحدود للبيانات التاريخية ،
(6) من السهل حساب اختبارات الدقة فيما يتعلق بمدى أداء النموذج. في إطار طريقة التسوية الأسية ، هناك حاجة لثلاثة بنود فقط من البيانات للتنبؤ بالمستقبل ، وهي أحدث التوقعات ، والطلب الفعلي الذي حدث في فترة التنبؤ هذه و ألفا ثابت الانسيابية (α).
يحدد ثابت التسوية هذا مستوى التلاؤم وسرعة رد الفعل على الاختلافات بين التوقعات والحوادث الفعلية.
يتم تحديد قيمة الثابت على حد سواء من طبيعة المنتج ومن خلال شعور المدير بما يشكل معدل استجابة جيد. على سبيل المثال ، إذا أنتجت الشركة مادة قياسية ذات طلب ثابت نسبيًا ، فإن معدل التفاعل إلى فروق بين الطلب الفعلي والمتوقع سيميل إلى أن يكون صغيرًا من 5 إلى 10 نقاط مئوية فقط.
ومع ذلك ، إذا كانت الشركة تعاني من النمو ، فمن المستحسن أن يكون لها معدل أعلى من 15 إلى 30 نقطة مئوية ، لإعطاء أهمية أكبر لتجربة النمو الأخيرة. كلما كان النمو أسرع ، كلما كان معدل التفاعل أعلى.
في بعض الأحيان ، يقوم مستخدمو المتوسط المتحرك البسيط بالتبديل إلى التسطيح الأسي ، ولكن يحبون الحفاظ على التنبؤات حول نفس المتوسط المتحرك البسيط. في هذه الحالة ، يتم تقريب alpha (α) 2 + بمقدار (n + 1) ، حيث يمثل 'n' عدد الفترات الزمنية.
المعادلة للتنبؤ الأسّي الواحد هو:
F t = F t-1 + a (A t-1 - F t-1 )
أين:
F t = التنبؤ المرن أضعافا مضاعفا للفترة t
F t-1 = التنبؤ الأسرع بالتصحيح للفترة السابقة
A t-1 = الطلب الفعلي في الفترة السابقة
أ = معدل الاستجابة المطلوب أو ثابت التسوية.
توضح هذه المعادلة بوضوح أن التوقع الجديد يساوي التوقع القديم بالإضافة إلى جزء من الخطأ وهو الفرق بين التوقع السابق وما حدث بالفعل والذي يعبر عنه بعض المؤلفين "F t " بمتوسط سلس.
من أجل توضيح الطريقة ، دعونا نفترض أن الطلب على المدى الطويل للمنتج قيد الدراسة مستقر نسبياً ويعتبر ثابت التسوية (أ) من 0.05 تقريبًا. إذا تم استخدام الطريقة الأسية كسياسة مستمرة ، فسيكون من المتوقع إجراء الشهر الماضي.
عادةً ، عندما يتم إدخال سلاسة أولية ، يمكن الحصول على التنبؤ الأولي أو نقطة البداية باستخدام تقدير بسيط أو متوسط للفترات السابقة مثل متوسط الفترتين أو الثلاث فترات. نفترض أن توقعات الشهر الماضي (F t-1 ) كانت 1050 وحدة.
إذا تم طلب 1000 وحدة فعليًا ، بدلاً من 1050 وحدة ، ستكون التوقعات لهذا الشهر هي:
F t = F t-1 + a (A t-1 - F t-1 )
= 1050 + 0.05 (1000—1050)
= 1050 + 0.05 (-50)
= 1047.50 وحدة
إن رد فعل التوقع الجديد على وجود خطأ يبلغ 50 وحدة هو تقليل توقعات الشهر التالي بمقدار 2.50 وحدة فقط بسبب معامل التسوية الصغير.
من المهم أن نلاحظ على هذا المستوى أن التسوية الأسية الوحيدة لها عجز في التغييرات المتغيرة في الطلب. يعرض الرسم البياني التالي البيانات الفعلية التي تم رسمها على شكل منحنى سلس لإظهار التأثيرات المتأخرة للتوقعات الأسية.
تنبؤات متخلفة خلال زيادة ولكن تجاوز عندما يحدث تغيير في الاتجاه. لاحظ أنه كلما ارتفعت قيمة ألفا ، كلما كانت التوقعات أكثر قربًا من القيمة الفعلية. لتتبع الطلب الفعلي عن كثب ، يمكن إضافة عامل اتجاه.
يساعد ضبط قيمة alpha أيضًا. وهذا ما يسمى "التنبؤ التكيفية". يتم شرح كل من تأثيرات الاتجاه والتنبؤ التكيفي لفترة وجيزة لصالح القراء.
التنبؤات الأسية مقابل المطالب الفعلية لوحدات المنتج على مدار الوقت ، والتي تعرض فاصل التوقعات.
تأثيرات الاتجاه في التجانس الأسي:
من المفيد أن نتذكر أن الاتجاه التصاعدي أو النزولي في البيانات التي يتم جمعها عبر سلسلة من الفترات الزمنية يتسبب في تأخر التوقعات الأسية دائمًا عن شهر مايو أعلى أو أقل من الحدوث الفعلي.
يمكن تصحيح التوقعات الأسية الرقيقة إلى حد ما عن طريق إضافة تعديل الاتجاه. لتصحيح الاتجاه ، تستخدم معادلة الاتجاه "سلاسة ثبات" دلتا (δ) يقلل دلتا من تأثير الخطأ الذي يحدث بين الفعلي والتوقعات.
إذا لم يتم تضمين كل من Alfa و Delta ، فإن هذا الاتجاه قد يبالغ في ارتكابه للأخطاء. للحصول على معادلة الاتجاه ، يجب أن يتم إدخال قيمة الاتجاه لأول مرة يدويًا. يمكن أن تكون قيمة الاتجاه الأولي هذه عبارة عن حساب محسوب أو متعلم أو حساب يستند إلى البيانات السابقة المرصودة.
معادلة حساب التوقعات بما في ذلك الاتجاه (FIT) هي:
FIT = F t + T t
Tt = FIT t -1 + a (A t-1 )
حيث: T t = T t-1 + aδ (A t-1 )
قدم = توقعات الأسية بشكل مطرد للفترة ت.
T t = الاتجاه المنحني بشكل كبير خلال الفترة f.
FIT t = التنبؤ بما في ذلك الاتجاه للفترة t.
FIT t-1 = التنبؤ بما في ذلك الاتجاه الذي تم في الفترة السابقة
في -1 = الطلب الفعلي للفترة السابقة.
α = ثابت التنعيم.
Sm = تسطيح ثابت.
اختيار القيمة المناسبة لـ Alpha:
يتطلب التسطيح الأسي أن يتم إعطاء قيمة ألفا ألف (a) ثابتة القيمة بين 0 و 1. إذا كان الطلب الحقيقي مستقرًا كما هو معتاد في حالة الطعام والكهرباء ، فإن المرء سيحتاج إلى ألفا صغير لتقليل آثار المدى القصير. أو تغييرات عشوائية.
على العكس من ذلك ، إذا كان الطلب الحقيقي يتزايد بسرعة أو يتناقص كما في حالة الأدوات والأدوات الصغيرة ، يحب المرء أن يأخذ ألفا كبيرة في محاولة مواكبة التغيير. سيكون من المثالي إذا كان بإمكان المرء أن يتنبأ بما يجب أن يستخدمه ألفا واحد. في هذا الصدد ، لسوء الحظ ، هناك أمران يتعارضان مع من يحاول.
أولاً ، قد يستغرق الأمر بعض الوقت لتحديد الألفا التي تناسب بيانات الشخص على أفضل وجه. هذا من شأنه أن يكون مضجرًا للغاية لمتابعة ومراجعة.
ثانياً ، قد يحتاج الشخص الذي يختار هذا الأسبوع إلى المراجعة في المستقبل القريب لأن المطالب تتغير. لذلك ، يحتاج المرء إلى بعض الطرق التلقائية لتتبع وتغيير قيم ألفا.
التنبؤ التكيفي:
هناك طريقتان للتحكم في قيمة ألفا. واحد يستخدم قيم مختلفة من ألفا. الآخر يستخدم إشارة تتبع.
1. قيمتان محددتان أو أكثر من قيم alpha :
يتم قياس مقدار الخطأ بين التوقعات والطلب الفعلي. اعتمادا على درجة الخطأ ، يتم استخدام قيم مختلفة من ألفا. إذا كان الخطأ كبيرًا ، يكون alpha 0.8 ، إذا كان الخطأ صغيرًا ، يكون alpha 0.2.
2. القيم المحسوبة لـ alpha:
يحسب ألفا تتبع ما إذا كانت التوقعات مواكبة التغييرات حقيقية صعودا أو هبوطا في الطلب بدلا من التغييرات العشوائية. في هذا التطبيق ، يتم تعريف ألفا التعقب على أنه الخطأ الفعلي المعقد أضعافا مضاعفة مقسومًا على الخطأ المطلق المرن. تتغير ألفا من فترة إلى أخرى داخل النطاق المحتمل من صفر إلى واحد.
أخطاء التنبؤ:
عندما يستخدم المرء كلمة "خطأ" ، يشير المرء إلى الفرق بين قيمة التنبؤ وما حدث بالفعل. في الإحصائيات ، تسمى هذه "الأخطاء" بـ "بقايا". طالما كانت قيمة التوقعات ضمن حدود الثقة ، فهذا ليس خطأً في الحقيقة. ومع ذلك ، يشير الاستخدام الشائع إلى الاختلاف كخطأ.
من المعروف جيداً أن متطلبات المنتج يتم توليدها من خلال تفاعل عدد من العوامل التي تكون معقدة للغاية ولا يمكن وصفها بدقة في نموذج معين. لذلك ، تحتوي جميع التوقعات بالتأكيد على بعض الأخطاء.
أثناء مناقشة أخطاء التنبؤ ، من الملائم التمييز بين "مصادر الخطأ" و "قياس الخطأ".
مصادر الخطأ:
يمكن أن تنشأ الأخطاء من مجموعة متنوعة من المصادر. أحد أكثر المصادر شيوعًا هو أن العديد من المتنبئين غير مدركين لتوجهاته السابقة المتوقعة في المستقبل. يمكن تصنيف الأخطاء على أنها تحيز أو "عشوائي".
تحدث أخطاء التحيز عند حدوث خطأ متسق في مصادر التحيز تتضمن الفشل في تضمين المتغيرات الصحيحة. باستخدام العلاقات الخاطئة بين المتغيرات ؛ توظيف خط اتجاه خاطئ تحويل الطلب الموسمي عن طريق الخطأ في المعتاد ، ووجود اتجاه علماني غير مكتشف. يمكن تعريف الأخطاء العشوائية على أنها الأخطاء التي لا يمكن تفسيرها باستخدام نموذج التنبؤ المستخدم.
قياس الخطأ:
يتم التعبير عن درجة الخطأ بعبارات بديلة مختلفة مثل "الخطأ المعياري" و "متوسط الخطأ المربّع" و "التباين" و "متوسط الانحراف المطلق" أو "متوسط الانحراف المطلق".
بالإضافة إلى ذلك ، يمكن استخدام إشارات التتبع للإشارة إلى أي تحيز إيجابي أو سلبي في التوقعات. نظرًا لأن الخطأ القياسي هو الجذر التربيعي لوظيفة ما ، فغالبًا ما يكون أكثر ملاءمة لاستخدام الوظيفة نفسها. وهذا ما يسمى خطأ أو متوسط مربع التباين. سننظر في إشارة الانحراف والتتبع المطلق.
جنون:
كان مفهوم "الإطلاق المطلق" (MAD) رائجًا في الماضي ولكن تم تجاهله لاحقًا لصالح الانحراف المعياري ومقاييس الخطأ القياسي. في السنوات الأخيرة ، جعلت MAD عودة فقط بسبب بساطته وفائدته في الحصول على إشارات التتبع.
MAD هو متوسط الخطأ في التوقعات ، باستخدام القيم المطلقة. MAD ذو قيمة لأنه يقيس تشتت بعض القيمة المرصودة من بعض القيمة المتوقعة ، مثل ذلك الانحراف المعياري.
يتم حساب MAD باستخدام الاختلافات بين الطلب الفعلي والطلب المتوقع دون النظر إلى علامة. وهي تساوي مجموع الانحرافات المطلقة مقسومًا على عدد نقاط البيانات.
معادلة MAD هي:
أين:
ر = فترة الرقم
A = الطلب الفعلي للفترة
F = توقعات الطلب على الفترة
ن = إجمالي عدد الفترات
II = رمز يستخدم للإشارة إلى القيمة المطلقة بغض النظر عن العلامات الإيجابية والسلبية.
عندما يتم عادة توزيع الأخطاء التي تحدث في التوقعات ، فإن الانحراف المتوسط (المطلق) يتعلق بالانحراف المعياري على النحو التالي:
1 الانحراف المعياري = √π / 2 × MAD ، أو ما يقرب من 1.25 MAD.
على العكس من ذلك،
1 MAD = 0.8 الانحراف المعياري.
الانحراف المعياري هو المقياس الأكبر. إذا تم العثور على MAD لمجموعة من النقاط لتكون 60 وحدة ، فإن الانحراف المعياري سيكون 75 وحدة. بالطريقة الإحصائية المعتادة ، إذا تم تحديد حدود السيطرة عند 3 أو 3 انحرافات معيارية أو ± 3.75 مليون درهم ، فإن 99.7٪ من النقاط تقع ضمن هذه الحدود.
إشارة التتبع:
"إشارة التتبع" هي عبارة عن قياس يشير إلى ما إذا كان متوسط التوقعات يواكب أي تغييرات صعودية أو هبوطية حقيقية في الطلب. كما هو مستخدم في التنبؤ ، فإن إشارة التعقب هي عدد الانحرافات المتوسطة المطلقة التي تكون قيمة التنبؤ أعلى أو أدنى من الحدوث الفعلي.
يعرض الشكل التالي توزيعًا طبيعيًا بمتوسط صفر و MAD يساوي 1. وهكذا ، إذا كان أحد يحسب إشارة التتبع ويجدها مساوية لـ ناقص 2 ، فيمكن للمرء أن يرى أن نموذج التنبؤ يوفر توقعات أعلى قليلاً تمامًا متوسط الحوادث الفعلية. يمكن حساب إشارة التتبع (TS) باستخدام الانحرافات المتوقعة لمجموع الحساب مقسومة على متوسط الانحراف المطلق
TS = RSFE / MAD
أين:
RSFE هو مجموع الأخطاء المتوقعة ، مع الأخذ في الاعتبار طبيعة الخطأ. على سبيل المثال ، الأخطاء السلبية تلغي الأخطاء الإيجابية والعكس بالعكس.
MAD هو متوسط كل أخطاء التنبؤ بغض النظر عما إذا كان الانحراف موجبًا أم سالبًا. هو متوسط الانحرافات المطلقة.
دعونا نأخذ حالة عملية واحدة تقوم بإزالة الإجراء الخاص بحساب MAD وإشارة التصحيح لمدة ستة أشهر. حيث تم تحديد التوقعات عند 1000 ثابت ويتم عرض الطلب الفعلي الذي حدث.
دعونا نحسب الانحراف المطلق (MAD) ، وأخطاء التنبؤات الجارية (RSFE) ونموذج إشارة التتبع (TS).
تنبؤات وبيانات سنوية يتم عرض التفاصيل في شكل مخطط بحسابات كما يلي:
لمدة 6 أشهر TS = 400 ÷ 6 = 66.70
للشهر السادس TS = RSFE / MAD = 22 / 66.70 = 3.30 MADs.
يمكننا رسم إشارات التتبع المحسوبة أعلاه في 4.6 والتي ستظهر تحت.
يتضح من الرسم البياني أعلاه أن الفترة المعنية هي ستة أشهر حيث تم تحديد التوقعات عند 1000 وحدة ثابتة والمطالب الفعلية التي حدثت. التوقعات ، في هذا المثال ، في المتوسط ، يتم إيقاف تشغيلها بمقدار 66.7 وحدة ، وكانت إشارة التعقب تساوي 3.3 انحرافات مطلقة متوسطة. يشعر المرء بشكل أفضل بما تعنيه إشارة MAD والتتبع من خلال رسم النقاط على الرسم البياني.
على الرغم من أن هذا ليس شرعيًا تمامًا من نقطة الوقوف بحجم العينة ، فإنه يتم رسمه كل شهر في الشكل 3.18 لإظهار انحراف إشارة التتبع. من الجدير بالملاحظة أنه قد انحرف من ناقص 1 MAD إلى 3.3 MADs زائد.
حدث هذا لأن الطلب الفعلي كان أكبر من المتوقع في أربع من الفترات الست. إذا لم ينخفض الطلب الفعلي إلى أقل من المتوقع لتعويض RSFE الإيجابي المستمر ، فإن إشارة التتبع ستستمر في الارتفاع وسيستنتج المرء أن افتراض وجود 1000 طلب يعتبر توقعًا سيئًا.
وتعتمد الحدود المقبولة لإشارة التتبع على حجم الطلب الجاري التنبؤ به ومقدار الوقت المتاح للموظفين. يوضح الشكل التالي مساحة منطقة حدود التحكم التي توجد ضمن نطاق واحد من أربعة من مجموعات MAD.
للاستمرار ، في نموذج التنبؤ الكامل ، سيكون مجموع أخطاء التوقعات الفعلية صفر ؛ يجب أن يتم إيقاف الأخطاء التي تنتج عنها التقديرات الزائدة عن الأخطاء التي تنشأ عن سوء التقدير. ستكون إشارة التعقب صفرية أيضًا ، مما يشير إلى نموذج غير متحيز ، لا يؤدي ولا يتأخر عن المتطلبات الفعلية غالبًا ما يستخدم MAD للتنبؤ بالأخطاء. من المستحسن إذن جعل MAD أكثر حساسية للبيانات الحديثة.
هناك طريقة مفيدة جدًا للقيام بذلك هي حساب MAD متجانس أسياً كتوقعات لنطاق الخطأ في الفترة التالية. هذا الاجراء مشابه لعملية التسوية الأسية الوحيدة. قيمة توقعات MAD هي توفير مجموعة من الأخطاء. هذا هو الأكثر فائدة في حالة مراقبة المخزون في حين وضع مستويات المخزون السلامة.
ثم:
MAD t = a IA t-1 - F t-1 I + (1-a) MAD t-1
أين:
MAD t = Forecast MAD for the not th th period
A = تسطيح ثابت (عادة في نطاق 0.05 إلى 0.20)
A t-1 = الطلب الفعلي في الفترة t-1
F t-1 = الطلب المتوقع للفترة T-1
د. تحليل الانحدار الخطي:
الانحدار هو العلاقة الوظيفية بين اثنين أو أكثر من المتغيرات المرتبطة. يتم استخدامه للتنبؤ متغير واحد معين في الآخر. عادة ما يتم تطوير العلاقة من البيانات المرصودة.
تحت الطريقة ، يجب رسم البيانات أولاً لمعرفة ما إذا كانت تظهر خطية أو إذا كانت أجزاء من البيانات على الأقل خطية. يشير الانحدار الخطي إلى الفئة الخاصة من الانحدار حيث تشكل العلاقة بين المتغيرات خطًا مستقيمًا.
خط الانحدار الخطي للنموذج Y = a + b X ، حيث Y هي قيمة المتغير التابع ، a هو التقاطع ، b هو الميل و X هو المتغير التابع. في تحليل السلاسل الزمنية ، تكون X وحدات زمنية. الانحدار الخطي مفيد جدا للتنبؤ على المدى الطويل من الحوادث الرئيسية والتخطيط الكلي.
لا يمكن أن يكون هناك مثال أفضل من التنبؤ بالطلب على عائلات المنتجات. على الرغم من أن الطلب على المنتجات الفردية داخل الأسرة قد يختلف خلال فترة زمنية معينة ، إلا أن الطلب على مجموعة المنتجات الإجمالية يكون سلسًا بما يتجاوز التوقعات.
إن القيد الأساسي في استخدام التنبؤ بالانحدار الخطي ، كما يوحي الاسم ، يفترض أن البيانات السابقة والتوقعات المستقبلية تقع في خط مستقيم. في حين أن هذا يحد من تطبيقه ، في بعض الأحيان ، يستخدم المرء فترة زمنية أقصر ، لا يزال من الممكن استخدام الانحدار الخطي. على سبيل المثال ، قد تكون هناك مقاطع قصيرة من الفترة الأطول تكون تقريبية تقريبًا.
يستخدم الانحدار الخطي لكل من السلاسل الزمنية والتنبؤ بالعلاقة السببية. عندما المتغير التابع ، هو تحليل سلسلة الوقت. إذا تغير متغير واحد بسبب التغيير في متغير آخر ، فهذه هي العلاقة السببية.
ولتفسير هذا المفهوم ، يتم استخدام المثال التالي لمقارنة نماذج التنبؤ وأنواع التحليل التي تفيد لجهة تركيب خط ، لتحليل المربعات الصغرى.
جهة تركيب خط الاتجاه:
في حالة شركة River Valley Products Limited ، كان خط الإنتاج خلال الربع الثاني من السنوات الثلاث الماضية كما يلي:
ترغب الشركة في توقع كل ربع من السنة الرابعة. وهذا هو ، الأرباع 13 و 14 و 15 و 16. اضبط خط الاتجاه بالاتجاه اليدوي باستخدام تقريب العين أو تقريب العين OHA العيني البسيط.
الإجراء في تركيب خط اتجاه مجموعة اليد. واحد هو وضع استقامة عبر نقاط البيانات حتى يبدو أن الخط يناسب بشكل جيد ورسم الخط. هذا الخط هو خط الانحدار. الخطوة التالية هي اعتراض a والانحدار b.
ويظهر مؤامرة البيانات وخط مستقيم واحد من خلال النقاط. يبدو أن التقاطع a ، حيث يقطع الخط المحور الرأسي ، حوالي 400.
يبدو أن المحور الرأسي حوالي 400. الميل b هو "الارتفاع" مقسومًا على "المدى" التغير في ارتفاع جزء معين من الخط مقسومًا على عدد الوحدات في المحور الأفقي.
يمكن استخدام أي نقطتين ، لكن نقطتين بعيدتين عن بعضهما البعض تعطيان أفضل دقة بسبب الأخطاء في قيم القراءة من الرسم البياني. في المعروض أعلاه ، من خلال القراءة من النقاط على الخط ، فإن القيم Y للربع الأول والربع 12 تبلغ حوالي 750 و 4950 روبية.
وبالتالي:
b = (4950—750) / (12— 1) = 382
لذلك ، فإن معادلة الانحدار الملائمة هي:
ص = 400 + 382x
التنبؤات لأرباع أربعة أرباع 13 و 14 و 15 و 16 هي:
من الضروري للغاية ملاحظة أن هذه التوقعات تستند إلى الخط فقط ولا تحدد أو تتكيف مع عناصر مثل العناصر الموسمية أو الدورية.
ما يمكن القيام به أعلاه يمكن إثباته أيضًا باستخدام LEAST SQUARE METHOD. معادلة المربع الأقل للانحدار الخطي هي نفس المعادلة المستخدمة في الرسم التوضيحي اليدوي أعلاه:
ص = أ + كن
أين:
Y = المتغير التابع المحسوب بواسطة المعادلة
Y = نقطة بيانات المتغير الفعلي الفعلي.
أ = اعتراض ص
ب = ميل المنحدر
س = الفترة الزمنية.
تحاول هذه الطريقة من المربعات الصغرى أن تلائم الخط مع البيانات التي تقلل مجموع مربعات المسافة العمودية بين كل نقطة بيانات ونقطة المقابلة لها على الخط. يتم تقديم نفس البيانات في الرسم البياني التالي الذي يفسر سحر طريقة المربعات الصغرى.
إذا تم رسم خط مستقيم خلال المساحة العامة للنقاط ، فإن المسافة بين النقطة والخط هي y y. الرسم البياني أعلاه يبين الاختلافات. يكون مجموع مربعات الاختلافات بين نقاط البيانات المرسومة ونقاط الخط:
(y -y t ) 2 + (y 2 - Y 2 ) 2 +… (Y 12 -Y 12 ) 2
أفضل خط للاستخدام هو الذي يقلل هذا الإجمالي.
وكما في السابق ، فإن معادلة الخط المستقيم هي:
Y = a + bx
من الرسم البياني تم تحديد كل من "أ" و "ب".
في طريقة المربعات الصغرى ، تكون معادلة a و b هي:
أين:
أ = اعتراض ص
ب = ميل المنحدر
ص = متوسط كل ys
X = متوسط جميع xs
x = x قيمة عند كل نقطة بيانات
y = y value في كل نقطة بيانات
n = عدد نقاط البيانات
Y = قيمة المتغير التابع المحسوبة مع
يعرض الرسم البياني تفاصيل الحسابات التي أجريت لـ 12 نقطة في الشكلين 3.19 و 3.20. لاحظ أن المعادلة النهائية لـ Y تُظهر تقاطع 441.6 ومنحدر 339.6. يوضح المنحدر أنه لكل وحدة تتغير في X بحيث يتغير Y بمقدار 359.6.
تعتمد بدقة على توقعات المعادلات للفترات 13 و 14 و 15 و 16:
Y 13 = 441.6+ 359.6 (13) = 5116.4
Y 14 = 441.6 + 359.6 (14) = 5476.0
Y 15 = 441.6+ 359.6 (15) = 5835.6
Y 16 = 441.6+ 359.6 (16) = 6195.2
قبل أن ينتقل المرء إلى الخطأ القياسي ، يجب على القارئ أن يعرف معلومات حول حسابات الحسابات المفصلة أعلاه كما هو موضح في الرسم البياني 4-11.
جيم التنبؤ بالعلاقة السببية:
توفر الطرق السببية أدوات التنبؤ الأكثر تطوراً. يتم استخدامها عندما تكون البيانات التاريخية متاحة ويمكن تحديد العلاقة بين العامل الذي سيتم التنبؤ به والعوامل الخارجية والداخلية الأخرى. يتم التعبير عن هذه العلاقات من الناحية الرياضية يمكن أن تكون معقدة للغاية.
تعتبر الطرق السببية هي الأفضل للتنبؤ بنقاط التحول في الطلب وإعداد التنبؤات طويلة المدى. وبعبارة أخرى ، يجب أن يكون أي متغير مستقل مؤشراً رئيسياً ليكون ذا قيمة لغرض التنبؤ.
على سبيل المثال ، يمكن للمرء أن يتوقع فترة ممتدة من الأيام الممطرة في زيادة مبيعات المظلات والمعاطف. يسبب المطر بيع ملابس مطر أو معدات. هذه علاقة سببية ، حيث يؤدي التكرار الواحد إلى حدوث آخر. إذا كان العنصر المسبب بعيدًا بما فيه الكفاية مقدمًا ، فيمكن استخدامه كأساس للتنبؤ. يتم استخدام عدد من الأساليب السببية.
ومع ذلك ، فإن الطريقة الأكثر استخدامًا هي الانحدار الخطي الموضح في الصفحات التالية:
1. طريقة الانحدار الخطي:
الانحدار الخطي هو واحد من أفضل الطرق السببية للتنبؤ. يستخدم هذا النهج متغيرين هما "تابع" و "مستقل". المتغير التابع مثل الطلب أو التكلفة هو المتغير الذي يريد المتنبئ التنبؤ به.
يفترض أن المتغيرات المستقلة قد أثرت على المتغير التابع وبالتالي "تسببت" في النتائج التي لوحظت في الماضي. كما يمكن أن يكون الوقت أيضًا متغيرًا مستقلًا كبديل يمثل مجموعة غير محددة من المتغيرات التي تساهم في الاتجاهات أو الأنماط الموسمية في البيانات.
لشرح استخدام الانحدار الخطي ، لقد استخدمت هنا أبسط نموذج حيث المتغير التابع هو دالة لمتغير مستقل واحد فقط.
تتطلب أي طريقة انحدار خطي أن نفترض وجود علاقة بين المتغير التابع والمتغير المستقل. في أبسط الحالات ، نفترض أن العلاقة ستكون خطًا مستقيمًا.
وفقا لذلك ، الصيغة هي:
Y i = a + βX i + u i
أين:
Y i = قيمة المتغير التابع للملاحظة i.
X i = قيمة المتغير المستقلة للملاحظة i.
a = اعتراض Y للخط.
P = ميل الخط.
u i = خطأ عشوائي.
هنا ، لا يعرفون القيم 'و'، ، لذلك يجب علينا تقديرها من نموذج البيانات. تُستخدم هذه البيانات لحساب "a" ، وتقدير تقدير "a" و "β" لاستخدام تقنية المربعات الصغرى.
الهدف هو العثور على قيم 'a' والتي تقلل من مجموع الانحرافات التربيعية للقيم Y i الفعلية من القيم المقدرة ، أو
حيث n هو عدد نقاط البيانات في العينة. عملية البحث عن قيم a و b التي تقلل مجموع انحرافات التربيعية معقدة؛ لذلك نحن مع الدولة المعادلة فقط تحت:
وتجدر الإشارة هنا إلى أن قيم a و b تقلل أيضاً المجموع التراكمي لأخطاء التنبؤ ، ومتوسط الخطأ (الانحياز) ، والانحراف المعياري لأخطاء التنبؤ. ومع ذلك ، فإنها لا تقلل إلى أدنى حد من الانحراف المطلق المعروف باسم MAD.
يمكن أن يوفر تحليل الانحدار إرشادات مفيدة للقرارات الهامة لإدارة العمليات. ومع ذلك ، فإن هذا النهج مكلف نسبياً بسبب كميات البيانات الكبيرة المطلوبة للحصول على علاقات انحدار خطي مفيدة.
ثانيا. تحليل الانحدار المتعدد:
طريقة أخرى للتنبؤ هي تحليل الانحدار المتعدد الذي يتم فيه أخذ عدد من المتغيرات في الاعتبار ، بالإضافة إلى تأثيرات كل منها على بند التوقع. على سبيل المثال ، في حالة مجال الأثاث المنزلي ، يمكن التعبير عن تأثيرات عدد حالات الزواج ، أو بدايات الإسكان ، أو الاستهلاك ، أو الدخل ، والاتجاه في معادلة الانحدار المتعددة ،
S = B + B m (M) + B h (H) + B t (T)
أين:
S = إجمالي المبيعات للسنة
ب = قاعدة المبيعات ، نقطة البداية التي من خلالها عوامل أخرى
م = الزواج خلال العام
H = يبدأ السكن خلال السنة
أنا = الدخل السنوي القابل للتصرف
T = اتجاه الزمن (السنة الأولى = 1 ، الثانية = 2 ، الثالثة = 3 وما إلى ذلك)
تمثل B m و B h و B t التأثير على المبيعات المتوقعة لأعضاء الزواج وبدء السكن والدخل والاتجاه.
يعتبر التنبؤ بالتراجع المتعدد هو النهج المناسب عندما يؤثر عدد من العوامل على متغير الاهتمام في هذه الحالة ، المبيعات.
الصعوبة تكمن في الحساب الرياضي. لحسن الحظ ، تتوفر برامج الكمبيوتر القياسية لتحليل الانحدار المتعدد ، مما يخفف من الحاجة إلى الحساب اليدوي الممل.
اختيار طريقة التنبؤ:
في هذا السياق ، يطرح السؤال الأول ما إذا كنت بحاجة إلى نظام للتنبؤ؟ يمكن أن يتراوح النظام من أدوات بسيطة غير مكلفة إلى برامج واسعة تتطلب التزامات واسعة من الوقت ، والمال ، والموهبة.
يستخدم النشاط التجاري التنبؤ في تخطيط مستويات المخزون ومستويات الإنتاج بالإضافة إلى التوظيف والميزانيات الجديدة لتطوير المنتجات. على مستوى المنتج ، من غير المكلف تطوير توقعات لتطوير التوقعات باستخدام المتوسط المتحرك البسيط ، أو المتوسط المتحرك المرجح ، أو التسطيح الأسي. تنطبق هذه الطرق على الجزء الأكبر من عناصر المخزون القياسية التي تحملها الشركة.
يعتمد اختيار أي من هذه الطرق الثلاثة على شروط السوق. ويؤثر المتوسط المتحرك في كل فترة على ما هو عليه ، ويؤدي ذلك إلى زيادة الأوزان الأسيّة للماضي الأخير ، ويسمح المتوسط المتحرك المرجح أن يتم تحديد الأوزان من قبل المتنبئ.
ايهما افضل؟ اختبار واحد هو استخدام كل طريقة على بيانات العينة وقياس الأخطاء باستخدام MAD و RSFE كما فعلنا. في أي حال ، يجب أن يتم تمرير جميع التوقعات إلى المنطقة المناسبة لجعل شخص ما على دراية بالمنتج يقوم بتعديل أو تعديل التوقعات.
عند استخدام تحليل الانحدار ، من المهم التأكد من أن البيانات تتلاءم مع النموذج. إذا لم يفعلوا ذلك ، فستخلق الاستكشافات أخطاء خطيرة. الرأي التنفيذي وقوة المبيعات ومسح العملاء بالقرب من أعلى القائمة بسبب تركيز التسويق ومؤشرات التنبؤات القيمة هي الاتجاهات وحصة السوق.
وبمقارنة شركات التصنيع والخدمات ، تميل شركات التصنيع إلى أن تكون أكثر شمولاً وتوفر المزيد من التفاعلات في تعميم التنبؤات وتعديلها. أهم التوقعات هي خطوط المنتجات الثانوية ودورات حياة المنتج.
تميل الشركات المصنعة إلى استخدام تقنيات كمية أكثر وأكثر رضا عن عملية التنبؤ. كما أنهم يميلون إلى تقييم التوقعات وكذلك مستوى الدقة الأكثر أهمية من تقييم شركات الخدمات لهم.
تميل شركات الخدمات إلى إشراك عدد أكبر من الناس في التنبؤ ولديهم نسبة أعلى من المشاركة التنفيذية.
تميل شركات الخدمات أيضًا إلى:
(1) عرض المتوسط المتحرك المرجح كأسلوب مهم و
(2) استخدام التنبؤ الذاتي أكثر بكثير من الشركات المصنعة ، بسبب التقنيات المختلفة لكل استخدامات ، ذكرت شركات الخدمات أيضا أن عملية التنبؤ بها أكثر تعقيدا من الشركات المصنعة. بالإضافة إلى ذلك ، فإن شركات الخدمات أقل رضا عن التوقعات.
توقعات التركيز:
تنبؤ التركيز هو دماغ بيرين سميث. B. سميث يستخدم في المقام الأول في إدارة المخزون السلع تامة الصنع. يؤكد السيد ب. سميث الحجج القوية التي تفيد بأن النهج الإحصائية المستخدمة في التنبؤ لا تعطي أفضل النتائج.
ويذكر أن التقنيات البسيطة التي تعمل بشكل جيد على البيانات السابقة تثبت أيضًا أنها الأفضل في التنبؤ بالمستقبل. ما هذا؟ ببساطة يحاول "التنبؤ بالتركيز" العديد من القواعد التي تبدو منطقية وسهلة الفهم لعرض البيانات السابقة في المستقبل. يتم استخدام كل من هذه القواعد في برنامج محاكاة الكمبيوتر لعرض الطلب فعليًا ثم قياس مدى جودة تنفيذ هذه القاعدة عند مقارنتها بالواقع.
لذلك ، مكونان نظام التنبؤ التركيز هي:
(1) عدة قواعد التنبؤ بسيطة و
(2) محاكاة الحاسوب لهذه القواعد على البيانات السابقة.
هذه هي قواعد المنطق البسيط التي تتكون من ثم اختبارها لمعرفة ما إذا كان ينبغي الاحتفاظ بها. من أمثلة قواعد التنبؤ البسيطة ما يلي:
(أ) أيا كان ما قمنا ببيعه خلال الأشهر الثلاثة الماضية ، فإن هذا ما سنبيعه على الأرجح في الأشهر الثلاثة المقبلة.
(ب) ما تم بيعه خلال نفس فترة الثلاثة أشهر من العام الماضي ، مع احتمال بيعه خلال فترة الثلاثة أشهر من هذا العام.
(ج) من المحتمل أن نبيع 10 في المائة أكثر في الأشهر الثلاثة القادمة مما كنا نبيعه في الأشهر الثلاثة الماضية.
(د) من المحتمل أن نبيع 50 بالمائة أكثر خلال الأشهر الثلاثة القادمة مما كنا نبيعه لنفس الأشهر الثلاثة من العام الماضي.
(هـ) مهما كانت النسبة المئوية للتغيير التي شهدناها خلال الأشهر الثلاثة الماضية من العام الحالي مقارنة بنفس الأشهر الثلاثة الماضية ، فستكون نفس النسبة المئوية للتغيير التي سنحصل عليها خلال الأشهر الثلاثة القادمة من هذا العام.
هناك شيء واحد متأكد من أن قواعد التنبؤ هذه ليست صلبة وسريعة إذا بدت القاعدة الجديدة تعمل بشكل جيد ، فسيتم إضافتها. إذا لم يحدث ذلك ، يتم حذفه.
الجزء الثاني من العملية هو محاكاة الكمبيوتر. لاستخدام النظام ، يجب أن يكون سجل البيانات متاحًا لمدة 18 إلى 24 شهرًا على الأقل. ثم تستخدم عملية المحاكاة كل من قواعد التنبؤ للتنبؤ ببعض البيانات الحديثة في الماضي. والقاعدة الأفضل في التنبؤ بالماضي هي القاعدة المستخدمة للتنبؤ بالمستقبل.
تطوير نظام التنبؤ بالتركيز :
كيفية تطوير نظام تنبؤ التركيز؟ فيما يلي اقتراحات أو خطوط توجيه معينة تساعد في تصميم نظام توقعات التركيز. هؤلاء هم:
1. لا تحاول إضافة فهرس الموسمية:
يجب على المرء عدم إضافة فهرس موسمي. السماح لنظام التنبؤات بالتوقيت الموسمي في حد ذاته ، خاصة مع العناصر الجديدة ، لأن الموسمية قد لا تسري حتى يتم ملء خط الأنابيب ويكون النظام مستقرًا. يمكن لقواعد التنبؤ التعامل معها.
2. لا مجرد عدم النظر في الطلبات غير العادية:
عندما يكون التوقع عادة مرتفعًا أو منخفضًا ، أو مرتين أو ثلاثة أضعاف الفترة السابقة ، أو السنة السابقة إذا كان هناك موسمية ، فقم بطباعة مؤشر مثل الحرف "R" لإخبار الشخص المتأثر بهذا الطلب لمراجعته. لا تقم فقط بتجاهل الطلبات غير العادية لأنها قد تكون ، في الواقع ، تغييرات صحيحة في نمط الطلب.
3. تشجيع المشاركة من قبل المتنبئين:
دع الأشخاص الذين سيستخدمون التنبؤات أي المشترين أو مخططي المخزون يشاركون في إنشاء القواعد. يلعب بي. سميث لعبه مع جميع مشتري الشركة لأنه "لا يمكن للمرء أن يخمن توقعات التركيز".
استخدام بيانات السنتين و 2000 عنصر يركز على التنبؤ يجعل التنبؤات خلال الأشهر الستة الماضية. يطلب من المشترين التنبؤ خلال الأشهر الستة الماضية باستخدام أي قاعدة يفضلونها. إذا كانت أفضل دائمًا من قواعد التنبؤ الحالية ، يتم إضافة قواعدها إلى القائمة.
4. الحفاظ على القواعد بسيطة:
من خلال الحفاظ على القواعد بسيطة ، سيتم فهمها بسهولة وموثوق بها من قبل مستخدمي التوقعات مما يزيد من قيمة التنبؤ بالتركيز.
في غلاف الجوز ، يبدو أن التنبؤ بالتركيز له ميزة كبيرة عندما يتم توليد الطلب خارج النظام ، كما هو الحال في التنبؤ بالطلب النهائي ، وقطع الغيار والمواد والإمدادات المستخدمة في مجموعة متنوعة من المنتجات. ومن الناحية الاقتصادية أيضًا ، تشير تقارير B. Smith إلى أن اللحن الكمبيوتر ليس كبيرًا على ما يبدو لأن هناك 10000 عنصر تنبؤات كل شهر باستخدام القواعد الذهبية للتنبؤ بالتركيز.
نماذج المحاكاة
كما ذكرنا في وقت سابق النماذج الديناميكية ، التي تعتمد عادة على الكمبيوتر ، والتي تسمح للمتنبئ بإعداد افتراضات حول المتغيرات الداخلية والبيئة الخارجية في النموذج. تتوفر العديد من برامج التنبؤ التجاري.
معظمها متاح لأجهزة الكمبيوتر الصغيرة ويستخدم قواعد بيانات العمل الصافية المشتركة. تستخدم الشركات الكبرى في أمريكا مثل Wal-Mart الآن برامج تعمل عبر الإنترنت.
المستقبل هو تحسين معايير الأداء وستكون الحزم موحدة لتلبية احتياجات محددة من المصنعين والتجار في التنبؤ. جميع صيغ التنبؤات أكثر تعقيدًا من السهل فهمها تمامًا.
يمكن لأي شخص يمكنه استخدام ورقة انتشار مثل Microsoft Excel إنشاء برنامج تنبؤ على الكمبيوتر الشخصي. اعتمادا على معرفة المرء بورقة الإنتشار ، يمكن كتابة برنامج بسيط في أي مكان من بضع دقائق إلى ساعتين. كيف يمكن أن تستخدم هذه التوقعات من قبل الشركة يمكن أن يكون التحدي الأكبر.
إذا كان من المتوقع التنبؤ بالطلب على العديد من العناصر ، فستصبح هذه مشكلة متعلقة بمعالجة البيانات ، وليست مشكلة في منطق التنبؤ.
تصميم نظام التنبؤ:
محتويات هذا الفصل جلبت إلى عدد سطح أساليب وتقنيات التنبؤ. وتتمثل المشكلة قبل المدير في اختيار طريقة واحدة مناسبة وأفضل مناسبة حتى يتمكن من إعداد التوقعات والانتقال إلى المرحلة التالية من تحليل مشاكل إدارة العمليات.
لسوء الحظ ، ليس الأمر بهذه السهولة كما يقول المرء. إن اختيار الاختيار الصحيح لطريقة معينة هو بالتأكيد جانب هام من تصميم نظام التنبؤ ، ولكن هناك بعض الاعتبارات المهمة الأخرى.
أثناء تصميم نظام التنبؤ ، يجب أن يقرر المدير ما يلي:
(1) ماذا تتوقع؟
(2) ما هي حزمة البرامج المستخدمة في برنامج محوسب؟
(3) كيف يمكن للنظام أن يساعد في اتخاذ القرارات الإدارية؟
دعونا نلمس هذه النقاط الثلاث الرئيسية:
تحديد ما يجب توقعه:
من الشائع جدا سماع مديري العمليات يقولون إنه ينبغي وضع توقعات الطلب لجميع السلع أو الخدمات التي تنتجها شركاتهم. من خلال تقدير نوع الطلب لكل بند ، قد يكون من الأسهل التنبؤ ببعض تجميع المنتجات ومن ثم استخلاص تنبؤات المنتجات الفردية.
من المهم أيضًا اختيار وحدة القياس الصحيحة ، حيث يمكن أن تكون التوقعات بنفس أهمية اختيار أفضل طريقة. يجب أن يأخذ هذا في الاعتبار نقطتين هما مستوى التجميع ووحدات القياس.
1. مستوى التجميع:
في الممارسة الفعلية ، عدد قليل جدا من الشركات لديها أخطاء أكثر من 5 في المئة في توقعاتها من إجمالي الطلب على جميع المنتجات. ومع ذلك ، تتراوح الأخطاء في التوقعات الخاصة بكل عنصر من 100 بالمائة إلى + 300 بالمائة أو أكثر. وبالتالي ، كلما زاد التجميع ، كلما كانت التنبؤات أكثر دقة.
تستخدم العديد من الشركات نظامًا للتنبؤ بمستوىين يتم فيه إعداد التنبؤات لأول مرة عن "عائلات المنتجات" ، وهي مجموعة من السلع أو الخدمات التي لها متطلبات طلب مماثلة ومتطلبات التصنيع والعمالة والمواد المشتركة.
تنقسم التوقعات الخاصة بكل عنصر على حدة بحيث يكون مجموعها مساوياً للتوقعات الإجمالية للعائلة. ويحافظ هذا النهج على الاتساق بين التخطيط للمراحل النهائية من التصنيع والتخطيط طويل الأجل للمبيعات والأرباح والقدرات.
وحدات القياس:
تعتبر التوقعات التي تكون بمثابة مدخلات للتخطيط وتحليل مشكلات العمليات مفيدة للغاية إذا كانت تستند إلى وحدات المنتج بدلاً من قيم الروبية. ليست توقعات عائدات المبيعات مفيدة كثيرًا نظرًا لأن الأسعار يمكن أن تتقلب في الغالب.
وهكذا ، على الرغم من أن إجمالي المبيعات بالروبية قد يكون هو نفسه من شهر إلى آخر ، فإن العدد الفعلي لوحدات الطلب سوف يختلف بشكل كبير.
إن التنبؤ بعدد وحدات الطلب ثم ترجمتها إلى تقديرات إيرادات المبيعات عن طريق الضرب هو في الغالب طريقة أفضل بكثير. ومع ذلك ، قد يحدث أن التنبؤ بعدد وحدات الطلب على المنتج قد لا يكون ممكنًا.
الشركات المنتجة للسلع أو الخدمات لأمر العميل ، تواجه هذه المشكلة. في مثل هذه الحالات ، من الأفضل ، التنبؤ بساعات العمل القياسية أو ساعات العمل المطلوبة لكل من الموارد الحيوية ، استنادًا إلى الأنماط التاريخية. بالنسبة لهذه الشركات ، يتم تقدير ساعات العمل أو ساعات العمل للجدولة وتخطيط السعة.
2. اختيار حزمة البرامج:
هذا هو عصر تكنولوجيا الكمبيوتر والثورة الكاسحة للمعلومات ، والعديد من حزم البرامج التنبؤية متاحة لجميع أحجام أجهزة الكمبيوتر. هذه الحزم متوفرة لجميع أحجام أجهزة الكمبيوتر. توفر هذه الحزم مجموعة واسعة من قدرات التنبؤ وتنسيقات التقارير. حزم مثل نظام التنبؤ بالوقت لخدمة الكهرباء العامة (GETSFS) و IBMs.
يحتوي نظام السلع الاستهلاكية (COGS) وبرنامج إدارة المخزون والتحكم (IMPACT) على وحدات التنبؤ المستخدمة من قبل العديد من الشركات التي لديها مرافق حاسوبية كبيرة.
منذ إدخال الحواسيب الصغيرة ، تم تطوير العديد من الحزم البرمجية لجميع أجهزة الكمبيوتر الشخصية الشهيرة. تتراوح التطبيقات من برامج بسيطة إلى معقدة للغاية.
يتم تسعير هذه الحزم الدقيقة لجعلها بدائل جذابة لحزم الإطارات الرئيسية التقليدية.
مع الأخذ في الاعتبار فعالية تكلفة التقنيات ، يفضل البعض في المدى القصير بينما البعض الآخر في المدى البعيد. ولذلك ، فإن اختيار حزمة برمجيات التنبؤ هو القرار المشترك من مدير التسويق ومدير العمليات. أو قد يكون الفريق ممثلاً لإدارات مهمة.
يعتمد الاختيار النهائي للحزمة على:
(1) إلى أي مدى تلبي الباقة الاحتياجات والاحتياجات؟
(2) تكلفة شراء أو تأجير الطرد
(3) مستوى الدعم الكتابى المطلوب و
(4) مبلغ فترة صيانة المبرمج المطلوبة.
3. الاستخدام الإداري للنظام:
هناك جانبان مهمان يجب ذكرهما فيما يتعلق باستخدام نظام التنبؤ المحوسب:
(1) نادرًا ما يكون من المفيد التنبؤ بالأرقام الفردية لأن التوقعات دائمًا ما تكون خاطئة. ونتيجة لذلك ، يدرك المدراء أنه إذا كان هناك عدد واحد من الطلب المتوقع على المنتج ، فإن الطلب الفعلي سيكون أي شيء سوى هذا الرقم. ولذلك ، فإن النهج الأكثر فائدة هو تزويد المدير بقيمة متوقعة ونطاق خطأ ، والذي يمكن القيام به باستخدام MAD. هذه المعلومات المعدلة تعطي المدير شعورًا أفضل لعدم اليقين في التوقعات وتسمح للمدير بتخطيط المخزون بشكل أفضل ومستويات التوظيف وما شابه.
(2) يتعلق الأمر بالمبلغ المتوقع للواجهة الإدارية مع النظام. يجب حساب إشارات التتبع لكل توقع ، وينبغي إنشاء الرسائل عندما تتجاوز الإشارات المدى المحدد.
يجب أن يتمتع المديرون بسلطة تجاوز توقعات الكمبيوتر التي يتم إنشاؤها باستخدام توقعات خاصة بهم أو تعديل الطريقة المستخدمة عندما تملي التغييرات في نموذج الطلب. هذا يجب على المديرين الحرية الكاملة لاستخدام أي من التوقعات مما يساعدهم على اكتساب الثقة في نظام التنبؤ.
وبالتالي ، يمكن القول في النهاية أن تطوير اختراق في نظام التنبؤ ليست سهلة. ومع ذلك ، هذه لا تذهب ، يجب أن يتم ذلك لأن ، التنبؤ أمر أساسي لأي جهد التخطيط.
