Upravljanje opskrbnim lancem Predviđanje potražnje

Upravljanje opskrbnim lancem

Predviđanje potražnje

7. predavanje Prof.dr.sc. Josip Mesarić Doc.dr.sc. Davor Dujak

Ekonomski fakultet u Osijeku

Prof.dr.sc. Josip Mesarić; dr.sc. Davor Dujak

Predviđanja su obično teška, pogotovo o budućnos?.

Yogi Berra, igrač New York Yankeesa



Zašto trebamo predviđanja na “duge staze”?

Zašto trebamo predviđanja na “kratke staze”?

Za planiranje kapaciteta (skladište, tvornica, oprema, rad)

Planiranje proizvodnje (proizvodne narudžbe, kupovne narudžbe, zalihe i radni kapacitet)


Uloga predviđanja u opskrbnom lancu

§  osnova za sve strateške i planske odluke u opskrbnom lancu

§  koris? se i za push i za pull procese -‐ npr.: § Proizvodnja: raspored proizvodnje, zalihe, agregatno planiranje § Marke?ng: raspodjela prodajne radne snage, promocije, uvođenje novog proizvoda § Financije: ulaganje u pogon/opremu, planiranje budžeta § Zaposleni: planiranje ukupne radne snage, zapošljavanje, otkazi

Sve ove odluke su povezane!

loša usluga → § nezadovoljni kupci, izgubljeni kupci §  stockuot troškovi (izgubljena prodaja, izgubljen profit) § Troškovi manjka (ubrzanje, skupi transport)

§  visoka razina zaliha → § puno skladišnog prostora, troškovi upravljanja zalihama, zalihe zastarjele robe → §  visok TDZ

§  visoki administra?vni troškovi → § Ubrzanje, skupi transport § Visoki troškovi sustava § Izgubljeno vrijeme § Visoki troškovi izobrazbe

§  neusklađenost potražnje/kapaciteta → §  besposleno čekanje rada §  besposleno čekanje kapaciteta §  nedovoljno kapaciteta kada ga trebaš

§  organizacijski stres → §  nepovjerenje u sustav koje vodi do neupotrebljivos? istog §  upiranje prstom, nesklad §  pad mo?vacije, visoka fluktuacija radne snage

*Prof. Art Hill, Carlson School of Management, University of Minnesota

Koji su troškovi lošeg predviđanja/prognoziranja?*

Osobine prognoza (predviđanja) 1)  predviđanja su uvijek netočna. Zbog toga trebaju uključiva? i očekivanu vrijednost i mjeru greške prognoze

2)  dugoročna predviđanja su obično manje točna nego kratkoročna (vremenski okvir je jako važan)

3)  skupna predviđanja su obično točnija od zasebnih (raspršenih) budući da obično imaju manju standardnu devijaciju greške od prosjeka (BDP, tvrtka, proizvod)

4)  u načelu, što je tvrtka dalje od kupca, veća je distorzija informacija koju prima – predviđanje je netočnije



greška prognoze u ovisnosti o periodu za koji se prognozira

% greška prognoze

Vrijeme za koje se prognozira

0

0

Prorokova truba


Što sve možemo predviđaI?

§ Prodaju § Potražnju (PRODAJA = POTRAŽNJA -‐ IZGUBLJENA PRODAJA)

§ Ponudu § Trošak/cijene/dostupnost (npr. hedging)

§ Vrijeme dostave

§ Vrijeme procesiranja (krivulje učenja)

§ Varijable učinkovitos? tehnologije


SCM FILOZOFIJA UPRAVLJANJA POTRAŽNJOM

Nema potrebe da svi članovi opskrbnog lanca prognoziraju potražnju !

Zašto ?


Dvije vrste potražnje u opskrbnom lancu

Neovisna potražnja = količina potraživanih proizvoda, u određeno vrijeme i na određenoj lokaciji, od strane krajnjeg korisnika (kupca) u opskrbnom lancu •  nastaje na samo jednom mjestu u opskrbnom lancu Izvedena potražnja = izvedena iz onoga što druge tvrtke u opskrbnom lancu rade kako bi zadovoljile svoju potražnju od njihovih najbližih kupaca u opskrbnom lancu (tvrtke koja od njih naručuje) Ključ - svaka tvrtka u opskrbnom lancu mora prepoznati s kojom se potražnjom susreće


Greška potražnje u tradicionalnom opskrbnom lancu

Izvor: dorađeno prema (Mentzer, Fundamentals of Supply Chain Management : Twelve Drivers of Competitive Advantage, 2004, str. 125)


Greška potražnje s planiranom (upravljanom) potražnjom

Izvor: dorađeno prema (Mentzer, Fundamentals of Supply Chain Management : Twelve Drivers of Competitive Advantage, 2004, str. 126)


• smanjenje zaliha ne odvija se ravnomjerno na svim razinama opskrbnog lanca. Što se više udaljavamo kroz opskrbni lanac od kupca to će ušteda biti veća (paradoks planiranja potražnje).

Planiranje potražnje je koordinirani tok izvedene potražnje kroz tvrtke u opskrbnom lancu ! (Mentzer, Fundamentals of Supply Chain Management : Twelve Drivers of Competitive Advantage, 2004, str. 125)

Cilj - izbjeći oglašavanje za konkurenciju kroz stvaranje zajedničke (kolaborativne prognoze potražnje!

§ Objek?vni i subjek?vni § Nužno je balansira? i s jednim i s drugima § ObjekIvni:

§  prošla potražnja §  vrijeme dostave pri nadopunjavanju proizvoda §  planirano oglašavanje ili drugi marke?nški napori §  stanje gospodarstva §  planirani cjenovni popus? §  ak?vnos? koje poduzimaju konkuren?

§  SubjekIvni – ljudski input (Seven-‐Eleven, vrijeme)

Čimbenici koji utječu na prognoziranje potražnje:



Predviđanje potražnje je bolje kada: §  je izraženo kao interval nego kao procijenjena točka §  agregirano kroz proizvode, regije, itd. §  se radi za kratki horizont

§  bazirano na velikim količinama povijesnih podataka

§  je podržano ljudskom inteligencijom

§  je jasno odvojeno od plana §  se ne koris? da bi se pokrile potrebe za sigurnosnim zalihama

§  pažljivo usklađeno sa sustavom nagrađivanja

§  je kreirano zajednički od strane cijelog opskrbnog lanca §  je korišteno od strane sviju bez modifikacija

*Prof. Art Hill, Carlson School of Management, University of Minnesota

Metode za predviđanje § KvalitaIvne – prvenstveno subjek?vne i oslanjaju se na ljudsku prosudbu

§ Vremenske serije – koriste samo povijesnu potražnju (najjednostavnije -‐ dobre kada potražnja ne varira značajno od jedne do druge godine)

§ Uzročne – predpostavljaju i utvrđuju snažnu korelacija između potražnje i nekih čimbenika iz okružja (stanje u gospodarstvu, kamate, cijene proizvoda)

§ Simulacije – imi?raju kupčeve izbore koji utječu na potražnju i oblikuju prognozu (kako će otvaranje konkurentske prodavaonice u blizini utjeca? na potražnju?)

Korištenje više različi+h metoda za predviđanje je učinkovi+je od korištenja samo jedne metode!



Neki od najčešćih kriterija za evaluaciju primjenjivosI određene prognosIčke metode su:

§  točnost, §  vremenski horizont prognoze,

§  vrijednost prognoziranja,

§  dostupnost podataka, §  ?p uzorka podataka i

§  iskustvo prognos?čara.


§  prvenstveno subjek?vne i oslanjaju se na ljudsku prosudbu

§ Većinom se koriste u situacijama nedostatka povijesnih podataka (npr. kod izdavanja CD-‐a novog izvođača)

1)  Procjena stručnjaka (povratna informacija od zaposlenika u prodaji, postavljeni cilj vs. nagrade, mo?vacija je ključ)

2)  Istraživanje tržišta (paneli, upitnici, testna tržišta, ankete)

3)  Delfi predviđanje (panel stručnjaka, anonimna interakcija, povratna sta?s?čka informacija i komentar, višestruke runde kako bi se pristupilo konačnom konsenzusu oko predviđanja

4)  Metoda analogije sa životnim ciklusom (predviđanja temeljena na životnom ciklusu sličnih proizvoda, usluga ili procesa, iden?ficira? koji postojeći proizvod je najsličniji novim proizvodu)

KvalitaIvne metode za predviđanje


Odabir prognostičke metode

Izvor: prema (Bozarth & Handfield, 2006, str. 247)

Dijelovi svake promatrane potražnje

Promatrana potražnja = sustavni dio + slučajni dio

Sustavna komponenta:

§ mjeri očekivanu vrijednost potražnje § sastoji se od:

§ Razine – trenutne potražnje bez utjecaja sezonalnos? § Trenda* – stopa rasta ili pada potražnje za idući period § SezonalnosI * *– predvidive sezonske fluktuacije u potražnji


* dugoročno kretanje prema gore ili dolje u vremenskoj seriji * * ponavljajući uzorak skokova i padova u vremenskoj seriji povezan s određenim dobom u godini


Slučajna komponenta: § dio prognoze koji odstupa od sustavnog dijela § ne može (i ne treba) se prognozira? njezin smjer, ali može veličina i varijabilnost – mjera za grešku predviđanja Greška predviđanja – mjeri razliku između prognoze i stvarne potražnje

Dijelovi svake promatrane potražnje

Promatrana potražnja = sustavni dio + slučajni dio


Modeli prognoziranje na temelju analize vremenskih serija

3 načina kako računati sustavnu komponentu: •  Multiplikativni

S = razina x trend x sezonski utjecaj

•  Aditivni

S = razina + trend + sezonski utjeca

•  Mješani

S = (razina + trend) x sezonski utjecaj


Temeljni pristup predviđanju potražnje

Sastoji se od 6 koraka:

1) Razumi cilj predviđanja

2) Integriraj predviđanje potražnje duž cijelog opskrbnog lanca

3) Razumi i iden?ficiraj segment kupaca

4) Iden?ficiraj glavne čimbenike koji utječu na predviđanje

potražnje

5) Odredi odgovarajuću tehniku predviđanja

6) Ustanovi mjere za učinak i greške predviđanja


Modeli prognoziranja na temelju analize vremenskih serija

Dijele se na : §  StaIčne metode – pretpostavljaju da se procjena razine, trenda i sezonalnos? u sustavnoj komponen? ne mijenja s novom promatranom potražnjom §  Prilagodljive metode -‐ procjena razine, trenda i sezonalnos? u sustavnoj komponen? se mijenja nakon svake promatrane potražnje (pomični prosjek, jednostavni eksponencijalno vagani pomični prosjek, prilagođeni eksponencijalno vagani pomični prosjek, linearna regresija)


Pri prognoziranju na temelju vremenskih serija potrebno je:

a)  ProcijeniI razinu i trend

b)  IzvršiI desezonalnost potražnje (potažnja koja bi bila uočena kada ne bi bilo sezonskih fluktuacija)

c)  OdrediI mjere za grešku predviđanja (srednja kvadratna greška – MSE, srednje apsolutno odstupanje – MAD, prosječna absolutna greška kao postotak potražnje)


050001000015000200002500030000350004000045000

1 2 3 4 5 6 7 8 9 10 11 12

Potražnja

Period

DtDt-bar

Desezonalizirana potražnja – potražnja promatrana u odsutnos? sezonskih fluktuacija


Posljednji period §  najjednostavniji model vremenske serije

tt DF =+1

Ft+1= prognoza za sljedeći period, t+1

Dt = potražnja za trenutni period, t

Tjedan Broj pacijenata Posljednji period predviđanje

1 84

2 81 84

3 89 81

4 90 89

5 99 90

6 106 99

7 127 106

8 117 127

9 127 117

10 127


Pomični prosjek §  prosjek nedavnih vrijednos? potražnje

n

DF

n

iit

t

∑=

−+

+ = 11

1

Ft+1= prognoza za period t+1

Dt +1-i= stvarna potražnja za t+1-i

n = broj nedavnih promatranih potražnji

korištenih da bi se razvila prognoza

(predviđanje)

Tjedan Broj pacijenata

Predviđanje pomičnim

prosjekom s 2 perioda

Predviđanje pomičnim

prosjekom s 4 perioda

1 84

2 81

3 89 82,5

4 90 85,0

5 99 89,5 86,0

6 106 94,5 89,8

7 127 102,5 96,0

8 117 116,5 105,5

9 127 122,0 112,3

10 122,0 119,3


Tjedan Broj pacijenata

Predviđanje pomičnim prosjekom 2 perioda

Predviđanje pomičnim prosjekom 4 perioda

1 84 2 81 3 89 82,5 4 90 85,0 5 99 89,5 86,0 6 106 94,5 89,8 7 127 102,5 96,0 8 117 116,5 105,5 9 127 122,0 112,3 10 122,0 119,3

25,1194

10612711712744

6789

4

110

10 =+++

=+++

==∑=

−DDDD

DF i

i

Koja je prognoza za10 tjedan predviđanjem pomičnim prosjekom 4 perioda ?


CPFR ? (ColaboraFve Planing ForecasFng and Replenishment - zajedničko planiranje, predviđanje i nadopunjavanje)

§  javlja se krajem 1990-‐?h i početkom 2000-‐?h (u SAD-‐u kao zamjena za ECR (Efficient Consumer Response – efikasan odgovor na potrebe kupaca) § povezuje najbolju praksu iz marke?nga s planiranjem u opskrbnom lancu, ali i s izvršnim procesima

§  cilj je poveća? dostupnost kupcu uz istovremeno smanjivanje zaliha, transporta i drugih logis?čkih troškova

CPFR je poslovna praksa koja kombinira inteligenciju više trgovinskih partnera u planiranju i ispunjavanju kupčeve potražnje.


PrednosI CPFR-‐a

§ Pomaže izgradi? okvir za partnersko trgovanje

§ Stvara jednu (jedinstvenu) prognozu kupčeve potražnje

§ Usklađuje proizvođačev i maloprodavačev ciklus narudžbe

§ Smanjuje otpad i troškove dok maksimalizira zaradu i

zadovoljstvo kupaca

§ Podržava ak?vnos? marke?nga, upravljanja promocijom,

proizvodnje, transporta i planiranja

§ Unapređuje točnost prognoziranja i ispunjavanja narudžbi


Uloga informacijske tehnologije (IT) u predviđanju potražnje

§ Predviđanje je srž, ključni dio IT-‐a u SCM-‐u!

§  izuzetno značajna zbog velikog obima uključenih podataka, učestalos? odvijanja predviđanja i važnos? visoko kvalitetnih (što točnijih!) rezultata

§  sopverski modul pod nazivom demand planning module – o njemu više na kasnijim predavanjima

§  nijedan sopverski paket nije u potpunos? točan – nikada ne zanemari? čimbenik ljudske procjene kvalita?vnih aspekata buduće potražnje

§ pružaju ih dobavljača ERP, sta?s?čkih i CRM sopvera


Predviđanje u praksi

§ SurađivaF u stvaranju predviđanja – točnija predviđanja

§ DijeliF podatke koji uisFnu osiguravaju vrijednost – ne zasipa? partnere i sebe prevelikom količinom nepotrebnih podataka (ovisno o mjestu u opskrbnom lancu, mijenja se važnost pojedinih podataka)

§ Svakako razlikovaF potražnju i prodaju – potrebno je bi? svjestan neostvarene povijesne potražnje (koja se odnosi na stockoute, ak?vnos? konkurenata, određivanje cijena i promocije), a ne samo povijesne prodaje


Pitanja: 1)  Nabrojite nekoliko troškova koji se mogu javi? zbog lošeg predviđanja u

opskrbnom lancu?

2)  Koje su glavne osobine predviđanja?

3)  Što je neovisna, a što izvedena potražnja?

4)  Što sve možemo predviđa? u upravljanju opskrbnim lancima?

5)  Koji su objek?vni, a koji subjek?vni čimbenici predviđanja potražnje?

6)  Nabroji glavne skupine metoda za predviđanje potražnje!?

7)  Navedi najčešće kvalita?vne metode za prognoziranje potražnje !?

8)  Od kojih elemenata se sastoji svaka promatrana potražnja?

9)  Od čega se sastoji sustavna komponenta promatrane potražnje?

10)  Što je CPFR i koje su mu prednos??

Documents

Upravljanje opskrbnim lancem Predviđanje potražnje