Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
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!
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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)
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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..
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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)
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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)
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Operasyon Yönetimi 2610/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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)
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Operasyon Yönetimi 2810/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Operasyon Yönetimi 3210/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
Quantitative Forecasting Methodsg(Non-Naive)
QuantitativeForecasting
AssociativeTime SeriesModelsModels
LinearExponentialMoving Trend LinearRegression
ExponentialSmoothing
MovingAverage
TrendProjection
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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??
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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!!!
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
Time Series ComponentsTime Series Components
TrendTrend CyclicalCyclicalyy
SeasonalSeasonal RandomRandom
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
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== ∑∑
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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.
Operasyon Yönetimi 5210/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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 6+5+3=14 14/3=4 2/3 2002 7 6 5 3 14 14/3 4 2/3 2003 NA
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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=5.0 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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Moving Average GraphMoving Average Graph
Sales
68 Actual
46
Forecast
295 96 97 98 99 00
YearProf. Dr. Üzeyme DOĞAN -
Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
• MAPE= 100 . 0,4562 / 8 = 5,70 %
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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∑==
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Operasyon Yönetimi 6610/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Operasyon Yönetimi 7410/9/2007 Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionExponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionExponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
Exponential Smoothing Solution
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
Exponential Smoothing Solution
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
Exponential Smoothing Solution
Quarter Actual Forecast, F t
(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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
Exponential Smoothing Solution
Quarter Actual Forecast, F t
(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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
Exponential Smoothing Solution
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Exponential Smoothing SolutionFt = Ft-1 + 0.1(At-1 - Ft-1)
Exponential Smoothing Solution
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 ( )?
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
• 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.
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi
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
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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% 9%
α= 0.90
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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% 9% 8.1%
α= 0.90
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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% 9% 8.1%
α= 0.90 90%
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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% 9% 8.1%
α= 0.90 90% 9%
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
Forecast Effects ofS hi CSmoothing Constant α
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%
Prof. Dr. Üzeyme DOĞAN -Üretim Planlaması Kontrolü Dersi
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 -
Üretim Planlaması Kontrolü Dersi
Choosing αChoosing α
Seek to minimize the Mean Absolute Deviation (MAD)
If: Forecast error = demand - forecast
Therrorsforecast ∑
MADThen:n
=MAD
Prof. Dr. Üzeyme DOĞAN - Üretim Planlaması Kontrolü Dersi