3: Welke rol speelt voorspellen in een organisatie?
Voorspellen is essentieel voor elke organisatie en is de basis van lange-termijn planning. Strategische voorspellingen zijn medium en lange-termijn voorspellingen die gebruikt worden voor beslissingen over de strategie en de totale vraag. Tactische voorspellingen zijn korte-termijn voorspellingen die gebruikt worden voor het maken van dagelijkse beslissingen om aan de vraag te voldoen.
Er zijn vier basis type voorspellingen: kwalitatief, tijdreeksanalyse, causale relaties en simulatie. Kwalitatieve technieken zijn subjectief en gebaseerd op voorspellingen en meningen. Tijdreeksanalyse (de focus in dit hoofdstuk) houdt in dat data uit het verleden gebruikt wordt om de toekomst te voorspellen. Voor causale voorspellingen wordt de lineaire regressie techniek gebruikt, die veronderstelt dat de vraag is gerelateerd aan onderliggende factoren in de omgeving. Simulatiemodellen laat de voorspeller door een aantal aannames gaan over de conditie van de voorspelling.
In de meeste gevallen kan de vraag voor producten of diensten in zes componenten worden opgesplitst: de gemiddelde vraag voor de periode, een trend, een seizoensgebonden element, cyclische elementen, random variatie en autocorrelatie (zie exhibit 3.1). Cyclische invloeden op de vraag kunnen komen door verkiezingen, oorlog of economische condities. Random variatie wordt veroorzaakt door toevallige gebeurtenissen. Autocorrelatie geeft de persistentie van hoe vaak iets voorkomt. Trendlijnen zijn meestal het startpunt in het ontwikkelen van een voorspelling. Exhibit 3.2 weergeeft de vier meest voorkomende trendlijnen.
Tijdreeksvoorspellingen proberen de toekomst te voorspellen op basis van het verleden. Exhibit 3.3 geeft een overzicht van de gebruikte methode in dit hoofdstuk. Korte-termijn verwijst naar onder de 3 maanden, medium-termijn verwijst naar tussen drie maanden en twee jaar en lange-termijn naar boven de twee jaar. Welk model een bedrijf moet gebruiken om te voorspellen hangt af van de tijdshorizon, de beschikbaarheid van data, de gewenste nauwkeurigheid, de grootte van het budget en de beschikbaarheid van gekwalificeerd personeel. Daarnaast tellen dimensies als flexibiliteit mee. Ook de consequentie van een slechte voorspelling moet in acht genomen worden.
Als de vraag voor een product constant is, en het geen seizoensgebonden karakteristieken heeft, kan een moving average gebruikt worden: voorspellen op basis van de gemiddelde vraag in het verleden. Zie voor een voorbeeld exhibit 3.4. Het selecteren van de periodelengte is afhankelijk van hoe de voorspelling gebruikt gaat worden. Zie formule 1.
Het grootste nadeel van het gebruiken van de moving average is dat alle individuele elementen als data gebruikt moeten worden, omdat een nieuwe periode voorspellen inhoudt dat er nieuwe data toegevoegd moet worden en oude data verwijderd.
Een weigthed moving average geeft de mogelijkheid om verschillende ‘gewichten’ te hangen aan de elementen, als de som van de elementen maar 1 is. Door op deze manier een voorspelling te maken van data uit het verleden kan aan recente data meer gewicht gehangen worden dan aan oudere data. De formule is: Zie formule 2.
Het grootste bezwaar van deze twee methodes is dat historische data elke keer gebruikt moet worden. Exponential smoothing gebruikt ‘gewichten’ voor historische data dat exponentieel daalt (1 – α). Dit.....read more
Add new contribution