LA PREVISIONE DELLA DOMANDA - diegm.uniud.it · •Formula generica della media mobile per n...

Corso di Gestione della Produzione – prof. De Toni, ing. Fornasier 1

LA PREVISIONE DELLA DOMANDA


MANUFACTURING PLANNING & CONTROL SYSTEM

Resource planning

Production planning

Master production scheduling

Demandmanagement

FRONT END

Detailedcapacityplanning

Detailedmaterialplanning

Material and capacity

plansENGINE

Shop-floorsystems

Vendor systems BACK END

(Vollmann et al., 2005)


LEGGI DELLE PREVISIONI

1. Le previsioni sono quasi sempre sbagliate (ma sono ancora utili)

2. Le previsioni sul breve periodo tendono ad essere più precise

3. Le previsioni per gruppi di prodotti o servizi tendono ad esserepiù precise

4. Le previsioni non sono sostituti di valori calcolati (non vanno usate per sostituire stime ottenute da calcoli)

(Bozarth e Handfiel d, 2008)


TECNICHE QUALITATIVE

1. Sondaggi di mercato

2. Panel consensus

3. Delphi method

4. Analogia tra prodotti (e cicli di vita)

5. Intuizione


SONDAGGI DI MERCATO

•Sono questionari strutturati sottoposti a dei potenziali clienti, pongono domande riguardo a prodotti, esistenti e non.

•Possono essere molto efficaci, ma solo se ben strutturati e rivolti al giusto campione della popolazione.

•Sono costosi e richiedono molto tempo (Svantaggio).


PANEL CONSENSUS

•Utilizza una giuria di esperti per sviluppare una decisione sulle previsioni.

•Gli esperti si riuniscono e discutono per arrivare congiuntamente ad un consenso.


DELPHI METHOD

• Segue lo stesso principio del panel consensus• Gli esperti lavorano individualmente per generare una

previsione, solitamente riguardante nuovi prodotti (spesso tecnologici con forte contenuto innovativo) da sviluppare o commercializzare

• Terminate le prime previsioni individuali, queste vengono condivise con l’intero gruppo in modo che ognuno possa modificare la propria previsione in base alle nuove informazioni ricevute

• Questa procedura viene ripetuta finché si arriva ad un consenso. Agendo correttamente e seguendo ogni fase si genera un risultato abbastanza preciso

• Processo molto dispendioso in termini di tempo e di denaro (Svantaggio)

• Inoltre non è adatto per previsioni di breve termine e per singoli prodotti (Svantaggio)


ANALOGIA TRA PRODOTTI

• Quando un prodotto (o servizio) è nuovo non sempre èfacile farne delle previsioni attendibili, quindi ci si basa su prodotti similari

• Si possono cercare analogie nell’utilizzo, nel tipo, nei destinatari o nel ciclo di vita.

• Se queste analogie sono molto strette allora è possibile usare la domanda storica del prodotto identificato sfruttando tecniche quantitative per rimodellarla e correggerla, altrimenti è conveniente considerarla solo qualitativamente per farsi un opinione della domanda aggregata (domanda media, trend, stagionalità).


INTUIZIONE

• Metodo molto praticato riguardo a nuovi prodotti o cambiamenti inaspettati di mercato.

• Bisogna ricordare che non tutti hanno talento per le previsioni, e che una procedura matematica adeguatamente seguita porta a migliori risultati.

• A volte però mancano i dati necessari per una corretta tecnica matematica, non potendo utilizzarla l’intuito manageriale può essere una buona alternativa.


TECNICHE INTRINSECHE

Le tecniche intrinseche svolgono un’analisi delle serie temporali e manipolano la domanda storica in modo matematico-statistico, facendo attenzione all’ordine cronologico dei dati che è altrettanto importante dei dati stessi.


MEDIA MOBILE (SEMPLICE)

• Formula generica della media mobile per n periodi:

Con Ft+1 = previsione per il periodo t+1Dt+1-i = domanda reale del periodo t+1-in = numero delle domande più recenti usate

per la previsione

• Caso limite di media mobile a un periodo:


MEDIA MOBILE (SEMPLICE)


MEDIA MOBILE PESATA

• Formula della media mobile pesata:• Pesi = qualunque numero

• Pesi = numeri minori di 1 (0<W < 1)

Con Wt+1-i = peso assegnato alla domanda del periodo (t+1–i)

•Questa tecnica è una variazione ed un aggiustamento della precedente e sfrutta la considerazione che i dati più recenti sono maggiormente significativi.


MEDIA MOBILE PESATA


SMORZAMENTO ESPONENZIALE

• Formula dello smorzamento esponenziale:

Con α = costante di smorzamento (0 ≤ α ≤ 1)

•Particolare forma di media mobile pesata•La previsione per il periodo successivo è calcolata come media pesata tra la domanda reale e la previsione del periodo corrente


SMORZAMENTO ESPONENZIALE

L’utilizzo di una costante di smorzamento bassa (α=0,3) fornisce una previsione stabile ma poco reattiva, adatta a mercati con domanda stabile e poco influenzata da casualità.Una costante alta porta alta reattività ma in caso di variazioni improvvise si creano alti dislivelli tra domanda e previsione che possono portare a scorte eccessive o stock out


SMORZAMENTO ESPONENZIALE ADATTATO

•Questo metodo è applicato nei casi di marcato trend positivo o negativo, quando si hanno domande sempre crescenti o decrescenti. •In queste situazioni i metodi fin qui esposti non sono soddisfacenti perchémantengono un ritardo costante e si crea uno scostamento che porta ad avere o scorte eccessive, nel caso di trend negativo, o prodotti insufficienti a soddisfare la domanda, nel caso di trend positivo.



• Adattamento dello smorzamento esponenziale al trend:

Con AFt+1 = previsione per il periodo successivo adattataFt+1 = previsione per il periodo successivo non adattataTt+1 = trend per il periodo successivoTt = trend per il periodo correnteα = costante di smorzamento per la linea base (0 ≤ α ≤ 1)β = costante di smorzamento per il fattore di adattamento

del trend (0 ≤ β ≤ 1)



•α modifica la reattività e la stabilità dando maggior peso alla domanda reale dell’ultimo periodo.•β invece indica quanto il metodo è rapido nell’adattarsi al trend della domanda e per questo può rendere le previsioni più o meno reattive e di conseguenza instabili


REGRESSIONE LINEARE

Un altro approccio usato in caso di forte trend nei dati è la regressione lineare (Bozarth e Handfield, 2008). È una tecnica statistica che esprime la variabile della previsione come funzione di altre variabili indipendenti, ad esempio il tempo nel caso delle serie temporali.


REGRESSIONE LINEARE

• Formule per la regressione lineare:

Con ŷ = previsione per la variabile dipendente y (domanda)x = variabile indipendente usata per la previsione (periodi)â = stima dell’intercetta della linea

= stima del coefficiente della pendenza della linea

Con (xi , yi) = coppie di valori osservati= media dei valori di y= media dei valori di x

n = numero di osservazioni


REGRESSIONE LINEARE

•La regressione lineare offre previsioni con errori non particolarmente rilevanti in questo caso•I problemi sopraggiungono nel momento in cui si presentino forti picchi imprevisti della domanda, marcate stagionalità oppure cambiamenti nel trend •Questo metodo non ha una buona reattività e predilige serie stabili nel tempo. Se vi è cambiamento nel trend stesso, è necessario ricalcolare le previsioni riutilizzando il metodo e non considerando più i precedenti dati


REGRESSIONE LINEARE CON L’AGGIUSTAMENTO PER LA STAGIONALITÀ

Si applica la regressione lineare precedente e in successivamente i 4 passi esposti:

1.Per ogni valore della domanda nelle serie temporali, calcolarne la previsione con il metodo della regressione lineare, trovando così una retta.

2.Per ogni valore, calcolare il rapporto Domanda/Previsione. Se è minore di 1, la previsione è sovrastimata; se è maggiore di 1, è sottostimata.

3.Se la serie temporale nota copre più anni, fare la media fra i rapporti (Domanda/Previsione) dei mesi o trimestri corrispondenti ottenendo cosìl’indice di stagionalità per l’anno successivo (Sn+p). Altrimenti utilizzare l’indice della fase 2.

4.Moltiplicare le previsioni del punto 1 per l’indice di stagionalitàcorrispondente.


REGRESSIONE LINEARE CON L’AGGIUSTAMENTO PER LA STAGIONALITÀ


TRE FATTORI DI WINTERS

•Nei casi in cui non sia possibile utilizzare la regressione lineare per mancanza di dati, come in caso di prodotti con una durata vitale inferiore a quattro anni, si può ricorrere al metodo dei tre fattori di Winters (Winters’ three-factor method) (Fogarty et al., 1991).• Questa tecnica è un compromesso fra la regressione lineare e lo smorzamento esponenziale.


• Segue il principio della regressione ma adatta i componenti della previsione utilizzando lo smorzamento:

Con Bn = previsione base (senza stagionalità) per il periodo n (intercetta + n*pendenza)

Tn = stima della pendenza per il periodo nSn = indice della stagionalità del periodo ni = numero di periodi nel futurop = numero di periodi in un anno

• Come prima approssimazione del fattore di trend possiamo considerare:

Con n = numero del periodo più recentek = numero del periodo più lontano

30



• Per quanto riguarda la stima del valore base e del fattore di stagionalità sono ricavabili solitamente per analogia con prodotti similari o con caratteristiche comuni.

• Infine l’adattamento di tutti e tre i componenti si ha con le seguenti formule derivanti dallo smorzamento esponenziale:

Con Xn = domanda reale osservata nel periodo nα = costante di smorzamento per la linea baseβ = costante di smorzamento per il trendγ = costante di smorzamento per la stagionalità

31



32


•Il secondo caso con α = 0,5, è meno reattivo e offre delle previsioni molto peggiori (in questo esempio) rispetto al primo caso. Lo stesso comportamento era stato riscontrato nelle tecniche dello smorzamento esponenziale e dello smorzamento esponenziale adattato, infatti la base su cui si opera è la stessa.


TECNICHE ESTRINSECHE

Le tecniche estrinseche, studiano la domanda non al variare del tempo, ma rispetto ad altre grandezze, quali ad esempio la domanda di altri prodotti, i tassi di crescita e gli interessi, la disponibilità di risorse o capacità, i prezzi, i costi. Spesso i cambiamenti nella variabile di previsione non sono dovuti al tempo e ciò che accade nel passato recente non è un buon indicatore del futuro


Tecniche quantitative Difficoltà di utilizzo Ritardo Trend Stagionalità Dati richiesti Parametri

1. Media mobile Bassa Sì No No Tra 1 e 5 periodi /

2. Media mobile pesata Bassa Sì No No Tra 1 e 5 periodi Pesi per ogni periodo

3. Smorzamento esponenziale Bassa Sì No No

Domanda e previsione

dell’ultimo periodoα

4. Smorzamento esponenziale adattato Media Limitato Sì No

Domanda e previsione

dell’ultimo periodoα, β

5. Regressione lineare Media No Sì No 2 – 3 anni

6. Regressione lineare con aggiustamento per la

stagionalitàAlta No Sì Sì 2 – 3 anni

7. Tre fattori di Winters Alta Limitato Sì Sì Almeno 3 periodi α, β, γ

8. Regressione lineare (variabili causali) Media / Sì / Medio

9. Regressione multipla (variabili causali) Alta / / / Alto

TECNICHE QUANTITATIVE - RIEPILOGO35


Tecniche quantitative Caratteristiche Vantaggi Svantaggi

1. Media mobile

- Sfrutta la media dei valori recenti della domanda

- Si sposta automaticamente escludendo via via quelli passati

- Facilità di utilizzo- Semplicità

- Non considera trend e stagionalità

- No pesi- Ritardo

2. Media mobile pesata

- Utilizza il sistema della media mobile, ma pone enfasi sui dati più recenti mediante fattori moltiplicativi

- Facilità di utilizzo


- Scelta dei pesi da attribuire- Ritardo

3. Smorzamento esponenziale

- Forma particolare di media pesata

- 1 sola costante di smorzamento- Richiede domanda e previsione

dell’ultimo periodo

- Basso numero di dati richiesti

- semplicità


- Scelta della costante- Ritardo

4. Smorzamento esponenziale adattato

- Stesse caratteristiche dello smorzamento esponenziale

- 2 costanti di smorzamento, di cui una per il trend

- Basso numero di dati richiesti

- Buona adattabilità- Considera il trend- Limita il ritardo rispetto

alla domanda

- Scelta delle 2 costanti- Non considera la

stagionalità

TECNICHE QUANTITATIVE E CARATTERISTICHE36


Tecniche quantitative Caratteristiche Vantaggi Svantaggi

5. Regressione lineare- Studia le medie e analizza i

valori per creare una linea di tendenza (linea interpolare)

- Estremamente stabile- Considera il trend- Elimina il ritardo rispetto alla

domanda

- Richiede una quantità di dati spesso eccessiva

- Non considera la stagionalità- Non adatto per sistemi con forte

casualità- Calcolo tramite foglio elettronico

6. Regressione lineare con aggiustamento per la

stagionalità

- Adatta la regressione lineare con i coefficienti della stagionalità

- Considera trend e stagionalità- Elimina il ritardo rispetto alla

domanda


- Non adatto per sistemi con forte casualità

7. Tre fattori di Winters

- Combina regressione lineare e smorzamento esponenziale

- Richiede 3 costanti di smorzamento: linea base, trend e stagionalità

- Basso numero di dati richiesti- Considera trend e stagionalità- Molto personalizzabile- Buon adattamento al sistema- Limita il ritardo rispetto alla

domanda

- Complessità di utilizzo- Scelta delle 3 costanti

8. Regressione lineare (variabili causali)

- Applicazione della regressione lineare per le variabili causali, cioè non dipendenti dal tempo

- Estremamente stabile- Considera il trend- Non dipende dal tempo


9. Regressione multipla (variabili causali)

- Regressione che utilizza più di una variabile causale

- Permette di relazionare le previsioni a un maggior numero di variabili indipendenti per valutare i diversi contributi


- Complessità di calcolo- Scelta delle variabili


FINE II PARTE

LA PREVISIONE DELLA DOMANDA - diegm.uniud.it · •Formula generica della media mobile per n...

Documents

Transcript of LA PREVISIONE DELLA DOMANDA - diegm.uniud.it · •Formula generica della media mobile per n...