Öngörüleme (tahminleme) (Forecasting)kisi.deu.edu.tr/uzeyme.dogan/dosyalar/Ongoruleme_(tahminleme)_1.pdf · • Öngörüleme ile planlama birbirinden farklıdır. Öngörüleme

Öngörüleme (tahminleme)(Forecasting)

Ö ö ül l k l l ö d• Öngörüleme: gelecek olayların önceden kestirilmesi süreci , sanat ve bilimidir.

• Öngörüleme: gelecekte olacak farklı şeyleri• Öngörüleme: gelecekte olacak farklı şeyleri belirleme ve bu farklı şeylerin herbirinin nasıl olacağını (neye benzeyeceğini) önceden ğ ( y y ğ )belirleme süreci.

• Tüm işletme kararlarının temelini oluşturur:Ü i– Üretim

– Envanterİnsan kaynakları– İnsan kaynakları

– Tesis....

Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

Yargı ve sezgi , öngörüleme için gerekli ise d ü ü ü d bi k ö ö ül ö t ide günümüzde birçok öngörüleme yöntemi geliştirilmiş, öngörüleme falcılıktan ayrılıp yol kat etmiştir.

Sales willSales will be $200 Million!


ÖngörülemeÖngörüleme Öngörüleme bölümünün sonunda neler Ö gö ü e e bö ü ü ü so u da e e

öğrenilmiş olacak:– Öngörüleme– Öngörüleme– Öngörü türleri

Öngörümlemede zaman boyutu– Öngörümlemede zaman boyutu– Öngörüleme yaklaşımları

Hareketli ortalamalar– Hareketli ortalamalar– Üssel düzeltim

Trend projeksiyonları– Trend projeksiyonları– Regresyon ve korelasyon analizi

Ö ö ü d ğ l ğ öl ül i– Öngörü doğruluğunun ölçülmesiProf. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

Kötü öngörünün sonuçları??Kötü öngörünün sonuçları??

M k tt i t diği i ü ü k• Markette istediğiniz ürün yok• Kitapçıda istediğiniz kitap yokpç ğ p y• Restoranda istediğiniz, menüdeki bir

yemek yokyemek yok• .....• Hiçbir işletme işi şansa bırakıp, bekleyip

görelim diyemez, bunların tümü yağmura hazırlıksız yakalanma gibi, kötü öngörünün sonucudur.


H i i i l t d d d l k• Hepimiz, işletmede ya da yaşamımızda gelecek olaylara ilişkin tahminler yaparız ve bu tahminleri esas alarak plan yapar, adım atarız.esas alarak plan yapar, adım atarız.

• Bir olayı planlamak, geleceği öngörmeyi gerektirir.g

• Öngörüleme ile planlama birbirinden farklıdır. Öngörüleme gelecekte ne olabileceği ile ilgili iken planlama gelecekte ne olması gerektiğiniiken, planlama gelecekte ne olması gerektiğinidüşünme ile ilgilidir.

• Öngörü planlama faaliyetlerinde girdidir• Öngörü planlama faaliyetlerinde girdidir.• Kötü öngörü kötü planlama ile sonuçlanır.


Öngörü türleriÖngörü türleri

• Ekonomik öngörüler– Enflasyon oranı, para arzı,planlama y , p ,p

göstergeleri..vs• Teknolojik öngörüler• Teknolojik öngörüler

– Teknolojik gelişme oranıY i ü ü l i k b l ö i– Yeni ürünlerin kabul görmesi

• Talep öngörülerip g– Mevcut ürünün satışlarını kestirme-

öngörme (talep kısıtlanmaz ise satışöngörme (talep kısıtlanmaz ise satış öngörümü ile aynı olur)


Talep öngörümüTalep 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, ü ti l l k t l i t i iüretim planlama ve kontrol sisteminin fonksiyonlarına temel girdiyi sağlamaktadır.Ü ti f li tl i ö ö ül d il• Üretim faaliyetleri öngörüleme yardımı ile ne kadar uygun planlanır ise kontrolleri de o ölçüde kolaylaşır Pazar değişikliklerine ayakkolaylaşır. Pazar değişikliklerine ayak uydurmaya, maliyetlerin azaltılmasına, etkinliğin artmasına olanak verir.artmasına olanak verir.


Talep öngörümü nedenleriTalep öngörümü nedenleri• Tüm işletme kararları öngörüler esas alınarak yapılır:

H i i il k– Hangi pazara girilecek– Hangi ürün üretilecek– Hangi süreç ile üretilecekg– Ne kadar kapasite gerekecek (makine ekipman..)– Yerleşim düzeni nasıl olacak

Ne kadar stok bulundurulacak– Ne kadar stok bulundurulacak– Ne kadar işgören alınacak......

• İşletmede örgütün farklı düzeylerinde, farklı amaçlar ş g y , çiçin farklı zamanlarda öngörüler yapılır.

• Stratejik öngörüler üst düzeyde uzun döneme ilişkin• Daha alt kademelerde daha kısa süreli öngörüler,

haftalık satışlar gibi..


Zaman boyutuna göre öngörü ü l itürleri

• Kısa dönem öngörüler– 1 yıla kadar genelde 3 aydan az1 yıla kadar, genelde 3 aydan az– Görevlerin programlanması, işgücü tahsisleri

O t dö ö ö ül• Orta dönem öngörüler– 3 ay -3 yıl– Satış ve üretim planlama, bütçeleme

• Uzun dönem öngörülerUzun dönem öngörüler– 3 yıl üzeri

Yeni ürün planlama tesis kuruluş yeri– Yeni ürün planlama, tesis kuruluş yeriProf. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

Kısa dönem- uzun dönem k lkarşılaştırma

• Orta/uzun dönem öngörüler planlama• Orta/uzun dönem öngörüler planlama ve ürünlere, fabrika ve süreçlere ilişkin ö ti k l d t klyönetim kararlarını destekler.

• Kısa dönem öngörüleme uzun dönemli göngörülemeden farklı yöntemler kullanırkullanır.

• Kısa dönem öngörüler uzun dönem öngörülerden daha doğru olurlar.


Öngörülemenin esaslarıÖngörülemenin esasları• Öngörüler nadiren mükemmeldir. Öngörüler geleceğe

ilişkin belirsizliklere karşı yapıldığından mükemmelilişkin 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 tgruba oranla daha zordur.(uzun kollu polo yaka yeşil t-shirt yerine polo t-shirt)

• Kısa dönem öngörüler uzun döneme oranla daha gdoğru, geçerlidir. Kısa dönem belirsizliği azaltır. Veriler kısa dönemde çok değişmez, süre uzadıkça belirsizlik artar 2 yıl sonraki ürün satışını öngörme 2 haftaartar. 2 yıl sonraki ürün satışını öngörme 2 hafta sonrakini öngörmeden daha zordur.


Ürün yaşam eğrisinin öngörülereÜrün yaşam eğrisinin öngörülere etkisi

Gi i bü ü dö l i l l k

Giriş, büyüme, olgunluk, düşüş• Giriş ve büyüme dönemleri, olgunluk ve

düşüş dönemlerinden daha uzun süreli ö ö ül kti iöngörüler gerektirir.

• Ürün farklı evrelere geçerken:– işgücü düzeyi,– stok düzeyleri, – Tesis kapasitesiiçin yapılan öngörüler yararlı olur.için yapılan öngörüler yararlı olur.


Strategy and Issues During a P d ’ LifProduct’s Life

Introduction Growth Maturity DeclineBest period to Practical to change C t t l P ti t h i Best period to increase market shareR&D product engineering critical

Practical to change price or quality image

Strengthen niche

Cost control critical

Poor time to change image, price, or qualityCompetitive costs become criticalDefend market position

y/Iss

ues

ompa

ny S

trate

gy

CD-ROM

Color copiers

Drive-thru restaurants Fax machines

Station wagons

Sales

3 1/2” Floppy disks

Internet

Standardization Little product diff ti ti

Forecasting criticalProduct design and d l t iti l

Co

HDTV

Color copiers g

Less rapid product changes - more minor changes

Optimum capacityIncreasing stability of

differentiation

Cost minimization

Over capacity in the industry

Product and process reliabilityCompetitive product improvements and optionsIncrease capacity

development criticalFrequent product and process design changesShort production runsHigh prod ction costste

gy/Is

sues

Increasing stability of process

Long production runsProduct improvement and cost cutting

Prune line to eliminate items not returning good margin

Reduce capacity

p yShift toward product focusedEnhance distribution

High production costsLimited modelsAttention to quality

OM S

trat

Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi

Öngörümlemede 7 adımÖngörümlemede 7 adımÖ ö ül l ğ k• Öngörüleme yapılacağına karar verme

• Öngörümlenecek kalemleri seçmeÖ gö ü e ece a e e seç e• Öngörü zaman boyutunu belirle

Ö ö ü l d l/ d ll i i• Öngörümleme model/modellerini seç• Verileri toplaVerileri topla• Öngörüyü yap• Sonuçların geçerliliğine bak ve uygula


Öngörümleme yöntemleriÖngörümleme yöntemleri

• En çok kabul gören sınıflandırma:• Kalitatif (sübjektif) yargısal–nitel yöntemler( j ) y g y• Kantitatif (objektif)istatistiki- nicel yöntemler• Tek bir yöntem yerine yöntemlerin birleştirilmesi• Tek bir yöntem yerine yöntemlerin birleştirilmesi,

veya sonuçlarının ortalanması doğruluk derecelerini artırırderecelerini artırır.

• Uygulamada yönetimin yargısından gelen öngörülerle geçmiş verilere dayanan kantitatiföngörülerle, geçmiş verilere dayanan kantitatif öngörüler birleştirilir.


Öngörüleme sistemiÖngörüleme sistemi

Geçmiş Veriler

Kantitatif Öngörü

Değerlendirme Öngörü Gözlem

Kalitatif ÖngörüGeri Besleme

Yönetimin (kanaati) yargısı tecrübesi

Analiz

yargısı, tecrübesiProf. Dr. Üzeyme DOĞAN -

Üretim Planlaması Kontrolü Dersi

Kalitatif yöntemlerKalitatif yöntemlerKi i l ö ü l d• Kişi veya grupların görüş ve yargılarına dayanan, çoğunlukla verilerin olmadığı veya az olduğu durumlarda veya geçmiş veriler geleceği öngörmede duyarlı değilse y g ç ş g ğ g y ğveya kantitatif yöntemlerle birlikte kullanılan yöntemlerdir.Y i ü ü l i t k l ji• Yeni ürünler, yeni teknoloji

• Sübjektiftir, matematiksel değildir• Çevredeki son değişiklikler ile ilişkilendirilebilir ve• Çevredeki son değişiklikler ile ilişkilendirilebilir ve

içimizdeki hissi, deneyimi aktarabiliriz.• Öngörüyü yanıltabilir, yanlış yönlendirebilir, doğruluğuÖngörüyü yanıltabilir, yanlış yönlendirebilir, doğruluğu

azaltabilir.• Örnek: internet üzerinden satışların öngörülmesi


Kantitatif yöntemlerKantitatif yöntemlerG i dö l d ki il i l t tik l• Geçmiş dönemlerdeki verileri esas alan matematiksel modellere dayanır.

• Geçmiş veriler vardır ve durumun değişmeyeceğiGeçmiş veriler vardır ve durumun değişmeyeceği (dengede olacağı) kabul edilir.

• Mevcut ürünler , mevcut teknolojij• 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

d ğ ddoğrudur.• Örnek: renkli televizyon satışlarının öngörülmesi


Yöntemleri karakterize eden 6 faktör (yöntemlerin seçilmesinde etkili)

1. Zaman dilimi: öngörünün yapılacağı, gelecekteki zaman aralığı (uzun dönem-g ğ (kalitatif; kısa/orta dönem-kantitatif) ve öngörülerin gelecek kaç dönem içinöngörülerin gelecek kaç dönem için yapılacağı (bazı yöntemler gelecek 1 dönemi bazıları birçok dönemidönemi bazıları birçok dönemi öngörebilir)


2 V il i i l diği l il i i l diği2. Verilerin izlediği yol: verilerin izlediği yola göre farklı yöntemler kullanılır. Veriler bir trend izleyebilir, rastgele dağılmış olabilir...vs

3. Maliyet: öngörüleme modelinin geliştirilmesi, verilerin hazırlanması ve ge şt es , e e a a as euygulamanın yapılması için çeşitli maliyetler gerekmektedir. Maliyetlermaliyetler gerekmektedir. Maliyetler kullanılan yönteme göre değişmektedir.


4 D ğ l k d i ö ö ül d i t4. Doğruluk derecesi: öngörülemede istenen doğruluk derecesi yöntemleri farklılaştırmaktadırfarklılaştırmaktadır

5. Basitlik, uygulama kolaylığı: kolay anlaşılan ve uygulanabilen yöntemler tercih edilmekteve uygulanabilen yöntemler tercih edilmekte, anlaşılamayan yöntemlere güven azalmaktadırazalmaktadır.

6. Bilgisayar yazılımının olması: kantitatif yöntemlerde yazılım paketi olmadan uygulamayöntemlerde yazılım paketi olmadan uygulama yapmak güçtür. Paketlerin kolay uygulanabilir ve yorumlanabilir olması gerekmektedir.y g


Kalitatif yöntemlera tat yö te e• Uzmanların görüşü (tepe yönetimin

görüşü)• Satış elemanlarının görüşleriSatış elemanlarının görüşleri

(öngörüsü)D l hi ö i• Delphi yöntemi

• Tüketici Pazar araştırmasıTüketici Pazar araştırması• Yaşam eğrilerinin benzeşimi (geçmişle

l llik k k)paralellik kurmak)


U l ö ü üUzmanların görüşü

• Küçük bir grup üst düzey yöneticiyi kapsarGrup talebi birlikte çalışarak tahminler– Grup, talebi birlikte çalışarak tahminler

• İstatistiki modellerle yönetsel tecrübeyi bi l i ibirleştirir.

• Oldukça çabukç ç• ‘grupça-düşünme’

dezavantajıdezavantajı

© 1995 Corel Corp.Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

Uzmanların görüşü Uzmanların görüşü ((Tepe Yönetimin Fikri)Tepe Yönetimin Fikri)

G ö ö ü üG ö ö ü ü•• Grup öngörüsüGrup öngörüsü•• Grup bileşimiGrup bileşimi

ÜÜ

•• DezavantajlarDezavantajlar–– PahalıPahalı

–– Üst düzey yöneticilerÜst düzey yöneticiler–– UzmanlarUzmanlar

ÖÖ

–– Denetimi zorDenetimi zor–– Sonradan yapılan Sonradan yapılan

•• Öngörü kapsamıÖngörü kapsamı–– Yeni ürünlerYeni ürünler

müdahalelermüdahaleler•• ÇözümÇözüm

–– Teknolojik öngörülerTeknolojik öngörüler–– Mevcut öngörülerMevcut öngörüler

–– KonsensusKonsensus

Operasyon Yönetimi 2410/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi

S t l l ö ü l iSatış elemanlarının görüşleriH t l• Her satış elemanı kendi satışlarını SalesSalestahminler

• Bölge ve ülke

SalesSales

gdüzeyinde birleştirilir

• Satış elemanlarıSatış elemanları müşteri isteklerini bilirbilir

• Fazla iyimser l bili

© 1995 Corel Corp.

olunabilirProf. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

Satış Elemanlarının ÖngörüsüSatış Elemanlarının ÖngörüsüSatış Elemanlarının ÖngörüsüSatış Elemanlarının Öngörüsü•• bireysel öngörülerbireysel öngörüler

ÜstünlüklerÜstünlükler •• DezavantajlarDezavantajlar

b eyse ö gö ü eb eyse ö gö ü e

•• ÜstünlüklerÜstünlükler–– Talebe en yakın Talebe en yakın

personelpersonel

DezavantajlarDezavantajlar–– Bireysel önyargılarBireysel önyargılar–– İyimserlikİyimserlik--kötümserlikkötümserlikpersonelpersonel

–– Talepte yerel Talepte yerel farklılıklarfarklılıklar

İyimserlikİyimserlik kötümserlikkötümserlik–– Müşteri gereksinmesiMüşteri gereksinmesi--

istekleri arasındaki istekleri arasındaki f kf kfarklılıklarfarklılıklar

–– Farklı talepler Farklı talepler toplanabilirtoplanabilir

farkfark–– Performans kaygısıPerformans kaygısı

toplanabilirtoplanabilir


D l hi ö t iDelphi yöntemi

• Ardışık grup süreci Decision MakersDecision Makerssüreci

• 3 tür kişi StaffStaff

Decision MakersDecision Makers(Sales?)

(Sales will be 50!)– Karar vericiler– Personel(yürütücü)

Staff Staff (What will sales be?

)– Cevap verenler

• ‘Grup-düşüncesini’

survey)

• Grup-düşüncesini azaltır

Respondents Respondents (Sales will be 45, 50, 55)


Delphi TekniğiDelphi TekniğiDelphi TekniğiDelphi TekniğiBi h k l bBi h k l b•• Bir hakem ve uzmanlar grubuBir hakem ve uzmanlar grubu

•• Birkaç turlu(raund) grup konsensüsüBirkaç turlu(raund) grup konsensüsü

•• ÜstünlüklerÜstünlükler–– Uzun dönemli öngörmelerUzun dönemli öngörmeler

•• DezavantajlarDezavantajlarUzun dönemli öngörmelerUzun dönemli öngörmeler

–– Yeni ürünler için fena Yeni ürünler için fena değildeğil

–– Turlar uzayabilirTurlar uzayabilir–– Yeni ürünler dışında isabetliliği Yeni ürünler dışında isabetliliği

su götürürsu götürür–– Teknolojik öngörmelerTeknolojik öngörmeler su götürürsu götürür–– İsabetliliği anket kalitesine İsabetliliği anket kalitesine

bağlı bağlı


Yaşam eğrilerinin benzeşimiYaşam eğrilerinin benzeşimi

• Bir ürünün gelecekteki satışları, benzer ürünlerin satış bilgilerinden esinlenerek ş gbelirlenebilir.

• Benzer ürünlerin yaşam eğrilerindeki• Benzer ürünlerin yaşam eğrilerindeki çeşitli dönemlerdeki satışları, özellikle yeni ü ü ö öürünlerin satışlarını öngörmede kullanılır.


Geçmişle Parallelik Kurmak / Geçmişle Parallelik Kurmak / yaşam eğrilerinin benzeşimiyaşam eğrilerinin benzeşimi

Acaba 4. kuşak cep telefonlarına olan talep 3. kuşak telefonlara benzer p şbir yapıda ve düzeyede mi olacak?

Miktar Sunuş Gelişme Olgunluk Gerileme

3. Kuşak cep telefonları

El bilgisayarları Kişisel bilgisayarlar

Hesap makineleri

Operasyon Yönetimi 3010/9/2007 ZamanProf. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi

P tPazar araştırması

• Müşterilere satın alma planları

How many hours will How many hours will you use the Internet

next week?alma planları hakkında sorTük ti il i

next week?next week?

• Tüketicilerin söyledikleri ile yaptıkları farklı olabilir.

• Soruları cevaplamak zor © 1995 Corel

Corp.polabilir.


Pazar AraştırmasıPazar AraştırmasıPazar AraştırmasıPazar AraştırmasıÖÖ Ü tü lüklÜ tü lükl•• Öngörüye müşteri Öngörüye müşteri katkısıkatkısıAd lAd l

•• ÜstünlüklerÜstünlükler–– Kısa dönemde çok iyi Kısa dönemde çok iyi

sonuçsonuç•• AdımlarAdımlar

1.1. AnketAnket•• Ürün bilgileriÜrün bilgileri

çç–– Orta dönemde iyi sonuçOrta dönemde iyi sonuç

•• DezavantajlarDezavantajlarU dö d ö lU dö d ö l bö lbö lÜrün bilgileriÜrün bilgileri

•• Müşteri bilgileriMüşteri bilgileri2.2. ÖrneklemeÖrnekleme

–– Uzun dönemde şöyleUzun dönemde şöyle--böyle böyle sonuçsonuç

–– Senaryo analizine Senaryo analizine 3.3. Anket dışı verilerAnket dışı veriler4.4. İstatistiksel analizİstatistiksel analiz

elverişsizlikelverişsizlik–– Müşterinin aldırmazlığıMüşterinin aldırmazlığı–– Müşteri önyargıları veMüşteri önyargıları veMüşteri önyargıları ve Müşteri önyargıları ve

beklentileribeklentileri


Kantitatif yaklaşımlarKantitatif yaklaşımlar

• Naif-basit yaklaşım• Hareketli ortalamalarHareketli ortalamalar• Üssel düzeltim Zaman serisi

modelleri• Trend projeksiyonu

modelleri

• Doğrusal regresyon Nedensel (ili ki l) d(ilişkisel)modeller


Quantitative Forecasting Methodsg(Non-Naive)

QuantitativeForecasting

AssociativeTime SeriesModelsModels

LinearExponentialMoving Trend LinearRegression

ExponentialSmoothing

MovingAverage

TrendProjection


Zaman SerisiZaman Serisi

• Kantitatif öngörüleme yöntemlerinde 1. grup: zaman serisi modelleridir.

• İyi yargı, sezgi, tecrübe, ekonomiden haberdar olma yöneticilere gelecekte ne olabileceğine dair y g ğkabaca bir fikir verebilir.

• Ancak bu hissi verilere dönüştürmek güçtür.Ancak bu hissi verilere dönüştürmek güçtür.• Örneğin: gelecek yıl aylık satışlar, gelecek yılın

ünite başına hammadde maliyeti ne olacak??ünite başına hammadde maliyeti ne olacak??


Zaman serisiZaman serisiG l k l i i 3 l k t h i i l• Gelecek yıl için 3 er aylık satış hacmini nasıl öngörebiliriz???

• Geçmiş dönemlerdeki gerçek satış verilerini gözdenGeçmiş dönemlerdeki gerçek satış verilerini gözden geçirmemiz gerek.

• Son 3 yılın 3er aylık satış verileri var..y y• Bu verilere bakarak satışların genel düzeyini

belirleyebiliriz.A l ğili i ( d) l l d ğ• Artma veya azalma eğilimi (trend) olup olmadığını görebiliriz.

• Daha iyi incelemeyle mevsimlik (dönemlik) durumu• Daha iyi incelemeyle mevsimlik (dönemlik) durumu izleyebilir, örneğin her yıl 3. dönem satışların en yüksek olduğunu görebiliriz.


Zaman serisiZaman serisi

Z i i d ki i il i ö d• Zaman içindeki geçmiş verileri gözden geçirerek, o ürün için gelecek satışları daha iyi öngörebiliriz.

• Satışların geçmiş dönemlerdeki verileri bir ş g ç şzaman serisi formundadır.

• Zaman serisi zaman içinde birbiri ardı• Zaman serisi, zaman içinde birbiri ardı sıra noktalarda ya da zamanın birbirini izleyen dönemlerinde ölçülmüş gözlemlerizleyen dönemlerinde ölçülmüş gözlemler setidir.


Zaman serisiZaman serisi

• Zaman serisi verileri ile geleceğe ilişkin öngörülerde bulunulacak...g

• Verileri analiz etmek için bazı yöntemler incelenecekincelenecek..

• Analizin amacı zaman dizisinin gelecek dönem değerlerinin iyi öngörülenmesini sağlamak!!!sağlamak!!!


Product Demand Charted over 4 Years with Trend and4 Years with Trend and

SeasonalitySeasonal peaks Trend component

rvice

Actual ct o

r ser

demand line

or p

rodu

c

Average demand over four years

man

d fo

Random

Year1

Year2

Year3

Year4

Dem Random

variation

1 2 3 4Prof. Dr. Üzeyme DOĞAN -


Actual Demand, Moving Average, Weighted MovingAverage, Weighted Moving

Average35

30

35

Actual sales

Weighted moving average

20

25

Dem

and

Actual sales

10

15

Sale

s D

M i

0

5Moving average

0Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

Month


What is a Time Series?S t f l d i l d t

What is a Time Series?• Set of evenly spaced numerical data

– Obtained by observing response variable at regular time periodstime periods

• Forecast based only on past values– Assumes that factors influencing past and present

will continue influence in future

• ExampleYear: 1998 1999 2000 2001 2002Sales: 78.7 63.5 89.7 93.2 92.1


Time Series ComponentsTime Series Components

TrendTrend CyclicalCyclicalyy

SeasonalSeasonal RandomRandom


Trend Bileşeni

P i t t ll d d d

Trend Bileşeni

• Persistent, overall upward or downward pattern

• Due to population, technology etc.S l d ti• Several years duration

Response

Mo., Qtr., Yr. © 1984-1994 T/Maker Co.


Mevsim bileşeniMevsim bileşeni

• Regular pattern of up & down fluctuations

• Due to weather, customs etc.• Occurs within 1 year

SummerResponse

© 1984-1994 T/Maker Co.

Mo., Qtr.


Mevsim lerMevsim lerPeriod of “Season” Number ofPeriod of Pattern

Season Length

Number of “Seasons” in Patternin Pattern

Week Day 7Month Week 4 – 4 ½Month Day 28 – 31Month Day 28 31Year Quarter 4Y M th 12Year Month 12Year Week 52


Devri bileşen• Repeating up & down movements

Devri bileşen• Repeating up & down movements• Due to interactions of factors influencing

economy• Usually 2-10 years duration• Usually 2-10 years duration

CycleResponseResponse

Cycle

Mo Qtr YrMo Qtr YrMo., Qtr., Yr.Mo., Qtr., Yr.


Rassal bileşenRassal bileşen

• Erratic, unsystematic, ‘residual’ fl t tifluctuations

• Due to random variation or unforeseen© 1984-1994 T/Maker Co.

Due to random variation or unforeseen events– Union strike

– Tornado

• Short duration &• Short duration & nonrepeating Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

Zaman serisi modelleriZaman serisi modelleri

• Any observed value in a time series is the product (or sum) of time seriesthe product (or sum) of time series components

• Multiplicative model (çoğaltan model)Y T S C R (if t l d t )– Yi = Ti · Si · Ci · Ri (if quarterly or mo. data)

• Additive model (artırımlı model)• Additive model (artırımlı model)– Yi = Ti + Si + Ci + Ri (if quarterly or mo.

)data)Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi

N i A hNaive Approach

• Assumes demand in nextperiod is the same asperiod is the same as demand in most recentperiodperiod– e.g., If May sales were 48,

th J l ill b 48then June sales will be 48• Sometimes cost effective

& efficient© 1995 Corel Corp.© 1995 Corel Corp.


Naif YaklaşımNaif YaklaşımNaif YaklaşımNaif Yaklaşım

yy = y= yyyt+t+11 = y= ytt•• Gelecek dönemdeki talep en yakın dönemdeki talebe Gelecek dönemdeki talep en yakın dönemdeki talebe

eşittireşittireşittir.eşittir.

•• Ör. Aralık talebi, Kasım talebine eşit olacaktır. Ör. Aralık talebi, Kasım talebine eşit olacaktır.

t zamanşimdi t +1tOperasyon Yönetimi 5010/9/2007

t, zamanşimdi t +1tProf. Dr. Üzeyme DOĞAN -


Hareketli ortalamalar yöntemi• hareketli ortalamalar(moving average-

Hareketli ortalamalar yöntemihareketli ortalamalar(moving averageMA) aritmetik ortalamalardan oluşan bir seridirseridir

• Trend yoksa veya çok az ise kullanılır.• Genellikle düzeltim için kullanılır.• Equation• Equation

MAMAnn∑∑ Demand inDemand in PreviousPrevious PeriodsPeriods

MAMA nn== ∑∑


Basit Hareketli OrtalamalarBasit Hareketli OrtalamalarBasit Hareketli OrtalamalarBasit Hareketli Ortalamalar

•• VarsayımVarsayımTalep zaman içinde görece kararlı bir yöndeTalep zaman içinde görece kararlı bir yönde–– Talep zaman içinde görece kararlı bir yönde Talep zaman içinde görece kararlı bir yönde seyredecektir.seyredecektir.

–– Gerçekleşen son birkaç (Gerçekleşen son birkaç (nn) talep düzeyi, ) talep düzeyi, gelecek dönemin talebi için anlamlı olacaktır. gelecek dönemin talebi için anlamlı olacaktır.


Moving Average ExampleYou’re manager of a museum store that

Moving Average ExampleYou re manager of a museum store that sells historical replicas. You want to f t l (000) f 2003 i 3forecast sales (000) for 2003 using a 3-period moving average.

1998 41999 62000 52001 32001 32002 7

© 1995 Corel Corp© 1995 Corel Corp.


Moving Average SolutionMoving Average SolutionTime Response Moving Moving Time Response

Yi Moving Total (n 3)

Moving Average

(n 3) (n=3) (n=3) 1998 4 NA NA 1999 6 NA NA 2000 5 NA NA 2001 3 4+6+5=15 15/3 = 5 2002 7 2002 7 2003 NA




Moving Average

(n 3) (n=3) (n=3) 1998 4 NA NA 1999 6 NA NA 2000 5 NA NA 2001 3 4+6+5=15 15/3 = 5 2002 7 6+5+3=14 14/3=4 2/3 2002 7 6 5 3 14 14/3 4 2/3 2003 NA




Moving Average

(n 3) (n=3) (n=3) 1998 4 NA NA 1999 6 NA NA 2000 5 NA NA 2001 3 4+6+5=15 15/3=5.0 2002 7 6+5+3=14 14/3=4.7 2002 7 6 5 3 14 14/3 4.7 2003 NA 5+3+7=15 15/3=5.0


Moving Average GraphMoving Average Graph

Sales

68 Actual

46

Forecast

295 96 97 98 99 00

YearProf. Dr. Üzeyme DOĞAN -


Örnek – 12 haftalık benzin satışlarıÖrnek 12 haftalık benzin satışlarıhafta satışlar HOöng (n=3) Öng. hatası I H I ( H )2

1 171 17

2 21

3 194 23 19 4 4 16

5 18 21 -3 3 9

6 16 20 -4 4 16

7 20 19 1 1 1

8 18 18 0 0 09 22 18 4 4 16

10 20 20 0 0 010 20 20 0 0 0

11 15 20 -5 5 25

12 22 19 3 3 9

13 ?? 19Prof. Dr. Üzeyme DOĞAN -


Öngörü HatalarıÖngörü Hataları

A ö ö ü ü h t l l d• Amaç öngörünün az hatalı olmasıdır.• Bunun için öngörü hatalarının küçük ç g ç

olması gerekir.• Hataları toplayarak hatayı ölçmeyeHataları toplayarak hatayı ölçmeye

çalışabiliriz.Bu bizi yanıltır (+ ve ler sonucu toplam• Bu bizi yanıltır (+ ve – ler sonucu toplam küçük çıkabilir)

• Hataların karelerini veya mutlak değerlerini almak daha doğru olur.


Öngörü hatalarıÖngörü hataları

• Hataların karelerinin toplamının ortalamasıortalama hata kare (MSE)ortalama hata kare (MSE)

• Hataların mutlak değerlerinin ortalamasıortalama mutlak sapma (MAD)

• Örnek için:• Örnek için:MSE=92/9= 10,22MAD=24/9= 2,67


Ortalama mutlak yüzde hata (MAPE)

• Hataların mutlak değerlerinin ortalamasının, gerçek değerlerin yüzdesi olarak gösterilmesi.

• MAPE hatayı gerçek değerin % olarak ifade eder.

forecastactual nii∑

−

nactual

100MAPE 1i i∑==

nProf. Dr. Üzeyme DOĞAN -


ÖrnekÖrnekdönem Gerçek değer öngörü I hata I I hata I/gerçek

1 180 175 5 5/180=0,0277

2 168 176 8 8/168=0,0476

3 159 175 16 0 10063 159 175 16 0,1006

4 175 173 2 0,0114

5 190 173 17 0,0895

6 205 175 30 0 14636 205 175 30 0,1463

7 180 178 2 0,0111

8 182 178 4 0,0220

toplam 0,4562p


• MAPE= 100 . 0,4562 / 8 = 5,70 %


F t E E ti• Mean Square Error (MSE)

Forecast Error Equationsn

2

n

1i

2ii

nerrorsforecast

n

)y(yMSE ∑∑

=−

= =

• Mean Absolute Deviation (MAD)nn

yyn

∑∑ − |ˆ|

nn

yyMAD i

ii ∑∑== =

|errorsforecast |||1

• Mean Absolute Percent Error (MAPE)

t lforecastactual n

ii∑−

nactual

100MAPE 1i i∑==


Ağırlıklı hareketli ortalama ö iyöntemi

• Geçmiş veriler daha az önemliyse• Ağırlıklar 0-1 arasında toplamı 1 olacakAğırlıklar 0 1 arasında toplamı 1 olacak şekilde (genelde son döneme daha fazla ağırlık vererek)fazla ağırlık vererek)

• Eşitlik:ş

WMA =WMA =ΣΣ(Weight for period (Weight for period nn) (Demand in period ) (Demand in period nn))

ΣΣWeightsWeights


Ağırlıklı Hareketli OrtalamalarAğırlıklı Hareketli OrtalamalarAğırlıklı Hareketli OrtalamalarAğırlıklı Hareketli Ortalamalar

•• VarsayımVarsayım–– Talep zaman içinde görece kararlı bir yönde Talep zaman içinde görece kararlı bir yönde p ç g yp ç g y

seyredecektir.seyredecektir.–– Gerçekleşen en son talep düzeyi gelecekGerçekleşen en son talep düzeyi gelecekGerçekleşen en son talep düzeyi, gelecek Gerçekleşen en son talep düzeyi, gelecek

dönemin talebi için en anlamlı girdi olacaktır. dönemin talebi için en anlamlı girdi olacaktır. Ağ l kl b li l i d i b ğlAğ l kl b li l i d i b ğl•• Ağırlıkların belirlenmesi deneyime bağlıAğırlıkların belirlenmesi deneyime bağlı


Örnek – 12 haftalık benzin satışlarıÖrnek 12 haftalık benzin satışlarıhafta satışlar AHOöng (n=3) Öng. hatası I H I ( H )2

1 171 17

2 21

3 194 23 19,33 3,67 3,67 13,47

5 18 21,33 -3,33 3,33 11,09

6 16 19,83 -3,83 3,83 14,67

7 20 17,83 2,17 2,17 4,71

8 18 18,33 -0,33 0,33 0,119 22 18,33 3,67 3,67 13,4710 20 20 33 -0 33 0 33 0 1110 20 20,33 -0,33 0,33 0,11

11 15 20,33 -5,33 5,33 28,41

12 22 17 83 4 17 4 17 17 3912 22 17,83 4,17 4,17 17,39

13 ?? 19,33Prof. Dr. Üzeyme DOĞAN -


Ağırlıklı hareketli ortalamaAğırlıklı hareketli ortalama

• 4.hafta ağırlıklı hereketli ortalama öngörüsü=(3.19+2.21+1.17)/6=19,33g ( ) ,

• MSE=103,43/9=11,49MAD 26 83/9 2 98• MAD=26,83/9=2,98


Actual Demand, Moving Average, Weighted Moving AverageWeighted Moving Average

35

30

35

Actual sales

Weighted moving average

20

25

Dem

and

Actual sales

10

15

Sale

s D

M i

0

5Moving average

0Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

Month


Disadvantages ofM i A M h dMoving Average Methods

• Increasing n makes forecast less sensitive to changesg

• Do not forecast trend wellR i h hi t i l• Require much historical

datada a© 1984-1994 T/Maker Co.


Üssel Düzeltim Yöntemi• Ağırlıklı hareketli ortalamanın bir şekli

Üssel Düzeltim Yöntemi

– Ağırlıklar üssel olarak azalır– Son verilere daha fazla ağırlık verilirSon verilere daha fazla ağırlık verilir

• Düzeltim sabiti kullanılır (α)– 0-1 arasında– Deneme yanılma ile seçilebilir

• Geçmiş verilere ilişkin daha az kayıt gerektirirgerektirir


Exponential Smoothing E iEquations

• Ft = αAt - 1 + α(1-α)At - 2 + α(1- α)2·At - 3

(1 )3A (1 )t 1 A+ α(1- α)3At - 4 + ... + α(1- α)t-1·A0

– F = Forecast value– Ft = Forecast value – At = Actual value

S hiα = Smoothing constant

• Ft = Ft 1 + α(At 1 - Ft 1)Ft Ft-1 + α(At-1 Ft-1)– Use for computing forecast


Üssel Düzeltim modeliÜssel Düzeltim modeli

F Y ( 1 ) F• Ft+1= α Yt + ( 1- α ) Ft

VeyaF = α Y + F α FFt+1= α Yt + Ft - α. Ft

= Ft + α (Yt – Ft )= Ft + et α

et = hatat


Üstsel DüzeltimÜstsel DüzeltimÜstsel DüzeltimÜstsel Düzeltim

•• Daha gelişmiş bir yöntemDaha gelişmiş bir yöntem

•• Daha az veri gereksinmesiDaha az veri gereksinmesiDaha az veri gereksinmesiDaha az veri gereksinmesi•• Gerçekleşen en son talep düzeyi ve o dönem Gerçekleşen en son talep düzeyi ve o dönem

için yapılmış öngörü gelecek dönemin talebi içiniçin yapılmış öngörü gelecek dönemin talebi içiniçin yapılmış öngörü, gelecek dönemin talebi için için yapılmış öngörü, gelecek dönemin talebi için en anlamlı girdiler olacaktır. en anlamlı girdiler olacaktır.

•• Düzeltim sabiti (Düzeltim sabiti (αα, alfa, alfa) yakın zamana verilen ) yakın zamana verilen ağırlıkla ters orantılıdır. ağırlıkla ters orantılıdır. ğğ


Exponential Smoothing During the past 8 quarters, the Port of Baltimore has unloaded Examplelarge quantities of grain. (α = .10). The first quarter forecast was 175..

Q t A t lQuarter Actual1 180 Find the forecast

f th 9th t2 1683 1594 175

for the 9th quarter.

4 1755 1906 2056 2057 1808 1828 1829 ? Prof. Dr. Üzeyme DOĞAN -


Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)

Exponential Smoothing Solution

QuarterQuarter ActualActual Forecast, F t

(αα == 1010))(αα = = .10.10))11 180 175.00 (Given)22 16816833 159159

175.00 +175.00 +

44 17517555 19019055 19019066 205205


Exponential Smoothing SolutionExponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)

QuarterQuarter ActuaActual Forecast, F t

(αα == .10.10))(αα .10.10))11 180180 175.00 (Given)175.00 (Given)22 168168 175.00 + 175.00 + .10.10((33 15915944 17517555 19019055 19019066 205205


Exponential Smoothing SolutionSolution

Ft = Ft-1 + 0.1(At-1 - Ft-1)

QuarterQuarter ActualActual Forecast, Forecast, FFtt

((αα = = .10.10))(( ))11 180180 175.00 (Given)175.00 (Given)22 168168 175 00 +175 00 + 1010(180(18022 168168 175.00 + 175.00 + .10.10(180(180 --33 15915944 17517555 19019066 205205



QuarterQuarter ActualActual Forecast, Ft

(αα = = .10.10))( ))11 180180 175.00 (Given)175.00 (Given)22 168168 175 00 +175 00 + 1010(180(180 175 00175 00))22 168168 175.00 + 175.00 + .10.10(180(180 -- 175.00175.00))33 15915944 17517555 19019066 205205



QuarterQuarter ActualActual Forecast, Forecast, FFtt

((αα == .10.10))((αα .10.10))11 180180 175.00 (Given)175.00 (Given)22 168168 175.00 +175.00 + .10.10(180 (180 -- 175.00175.00)) = 175.50= 175.5033 15915944 17517555 19019055 19019066 205205




QuarterQuarter ActualActual Forecast, F t

(αα = = .10.10))(αα .10.10))1 180 175.00 (Given)22 168168 175.00 + .10(180 175.00 + .10(180 -- 175.00) = 175.50175.00) = 175.5033 159159 175.50175.50 ++ .10.10(168 (168 -- 175.50175.50)) = 174.75= 174.7544 17517555 19019055 19019066 205205




Quarter Actual Forecast, F t

(α = .10)(α .10)1995 180 175.00 (Given)1996 168 175 00 10(180 175 00) 175 501996 168 175.00 + .10(180 - 175.00) = 175.501997 159 175.50 + .10(168 - 175.50) = 174.751998 1751999 190

174.75 + .10(159 - 174.75)= 173.181999 1902000 205





(α = .10)(α .10)1 180 175.00 (Given)2 168 175.00 + .10(180 - 175.00) = 175.503 159 175.50 + .10(168 - 175.50) = 174.754 175 174.75 + .10(159 - 174.75) = 173.185 190 173 18 + 10(175 - 173 18) = 173 365 190 173.18 + .10(175 - 173.18) = 173.366 205





(α = 10)(α = .10)1 180 175.00 (Given)2 168 175.00 + .10(180 - 175.00) = 175.503 159 175.50 + .10(168 - 175.50) = 174.75( )4 175 174.75 + .10(159 - 174.75) = 173.185 190 173 18 + 10(175 173 18) = 173 365 190 173.18 + .10(175 - 173.18) = 173.366 205 173.36 + .10(190 - 173.36) = 175.02




Time Actual Forecast, F t

(α = 10)(α = .10)4 175 174.75 + .10(159 - 174.75) = 173.185 190 173.18 + .10(175 - 173.18) = 173.366 205 173.36 + .10(190 - 173.36) = 175.02( )7 1808

175.02 + .10(205 - 175.02) = 178.0289




Time Actual Forecast, F t

(α = 10)(α = .10)4 175 174.75 + .10(159 - 174.75) = 173.185 190 173.18 + .10(175 - 173.18) = 173.366 205 173.36 + .10(190 - 173.36) = 175.02( )7 1808

175.02 + .10(205 - 175.02) = 178.02182 178.02 + .10(180 - 178.02) = 178.228

9 178.22 + .10(182 - 178.22) = 178.58 182 ( )?


Örnek – 12 haftalık benzin satışlarıÖrnek 12 haftalık benzin satışlarıHafta(t) Satışlar(Yt) Ft (α=0,2) Öng. hatası I H I ( H )2

1 17 17 * -1 17 17 -

2 21 17 4 4 16

3 19 17,80 1,2 1,2 1,444 23 18,04 4,96 4,96 24,6

5 18 19,03 -1,03 1,03 1,06

6 16 18,83 -2,83 2,83 8,01

7 20 18,26 1,74 1,74 3,03

8 18 18,61 -0,61 0,61 0,379 22 18,49 3,51 3,51 12,3210 20 19 19 0 81 0 81 0 6610 20 19,19 0,81 0,81 0,66

11 15 19,35 -4,35 4,35 18,92

12 22 18 48 3 52 3 52 12 3912 22 18,48 3,52 3,52 12,39

13 ?? 19,18Prof. Dr. Üzeyme DOĞAN -


• MSE= 98,8/11=8,98

• α=0,3 içinMSE= 9,35

En iyi α= 0 2 olduğu hesaplanmışEn iyi α= 0,2 olduğu hesaplanmış.


Forecast Effects ofS hi CSmoothing Constant α

Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...

WeightsgPrior Period 2 periods ago

(1 )

3 periods ago

(1 )2

α=α α(1 - α) α(1 - α)2

α= 0.10 10%

α= 0.90



Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...


(1 )

3 periods ago

(1 )2

α=α α(1 - α) α(1 - α)2

α= 0.10 10% 9%

α= 0.90



Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...


(1 )

3 periods ago

(1 )2

α=α α(1 - α) α(1 - α)2

α= 0.10 10% 9% 8.1%

α= 0.90



Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...


(1 )

3 periods ago

(1 )2

α=α α(1 - α) α(1 - α)2

α= 0.10 10% 9% 8.1%

α= 0.90 90%



Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...


(1 )

3 periods ago

(1 )2

α=α α(1 - α) α(1 - α)2

α= 0.10 10% 9% 8.1%

α= 0.90 90% 9%



Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...Weights

Prior Period 2 periods ago 3 periods agoα= Prior Period

α

2 periods ago

α(1 - α)

3 periods ago

α(1 - α)2

α

α= 0.1010% 9% 8.1%

α= 0.90 90% 9% 0.9%


Impact of αImpact of α250

200

age

Forecast (0 1)

Forecast (0.5)

100

150

al T

ona

ActualForecast (0.1)

50

100

Act

ua

0

50

01 2 3 4 5 6 7 8 9

QuarterQuarterProf. Dr. Üzeyme DOĞAN -


Choosing αChoosing α

Seek to minimize the Mean Absolute Deviation (MAD)

If: Forecast error = demand - forecast

Therrorsforecast ∑

MADThen:n

=MAD


Documents

Öngörüleme (tahminleme) (Forecasting)kisi.deu.edu.tr/uzeyme.dogan/dosyalar/Ongoruleme_(tahminleme)_1.pdf · • Öngörüleme ile planlama birbirinden farklıdır. Öngörüleme