4. forecasting
Inleiding
Waarom hebben we forecasting nodig?
ontwikkeling van voorspellingen voor de toekomst (bv. vraag, rentevoeten, aandelenmarkten,...)
vraag: basis voor alle strategische en planningsbeslissingen in een bedrijf
-> vraag verleden, voorspellen wat vraag in de toekomst zal zijn
Kenmerken van forecasting
forecasting is altijd fout -> forecast error
Moet een maatstaf voor de fout bevatten die de nauwkeurigheid van de prognose weergeeft
mate van onzekerheid die vraag zal beïnvloeden
Langetermijnprognoses zijn minder nauwkeurig, accuraat dan kortetermijnprognoses
-> Probeer de forecast periode te beperken
-> Forecast periode is afhankelijk van uw planningsperiode
Forecasting is het moeilijkst voor producten met een grote vraagonzekerheid
-> Producten in een vroeg stadium van de levenscyclus
-> Producten met een korte levenscyclus
-> innovatieve producten
beter beeld van vraag van producten die zich al langer en vaker op de markt bevinden
Geaggregeerde prognoses zijn nauwkeuriger dan gedesaggregeerde prognoses
Hoe hoger het aggregatieniveau, hoe geringer de variabiliteit
vraag naar productfamilies makkelijker te voorspellen dan individuele type artikelen
De vraag ontstaat niet in een vacuüm
diverse factoren die bekend zijn of met enige waarschijnlijkheid kunnen worden voorspeld.
De kwaliteit van de forecast hangt af van de kwaliteit van de gegevens waarop zij is gebaseerd
Historische gegevens, geschiedenis
Externe factoren: Marktomstandigheden, Economische voorwaarden, Andere factoren
-> afhankelijk van data en kennis over randfactoren
, Tijdreeksprognoses
voorspellen van de toekomstige volgende periode o.b.v. historische gegevens (tijdreeksen).
tijdreeks is een reeks waarnemingen, observaties in de tijd van een interessante grootheid uit
verleden .
Componenten van vraag forecasting
Forecast value
- Level: niveau van vraag -> basislijn, gemiddelde waarde
- Trend van curve -> Groei-/dalingspercentage per periode
- Seizoenseffecten: jaarlijks terugkerend patroon -> voorspelbare seizoensschommelingen
Voorspellingen zijn gebaseerd op niveau, trend en seizoensgebondenheid (systematische
component)
Forecast error
- Random effect: factoren onzekerheden die niet voorspeld kunnen worden -> foutmarge
Onvoorspelbaar
Prognosefout meten o.b.v. prestaties uit het verleden om de prognosemethode te evalueren
-> gekend wanneer werkelijke vraag bekend is
De werkelijke vraag zal verschillen van de voorspelling door willekeur (willekeurige component).
Verschil tussen werkelijke en verwachte vraag
Stap 1: bepaal Seizoensgebondenheid
Indien de gegevens een seizoenseffect hebben, moet u de vraag deseasonaliseren alvorens niveau en
trend te schatten.
Geseizoenaliseerde vraag = vraag die zou zijn waargenomen als er geen seizoensschommelingen
waren geweest.
De gedeseasonaliseerde vraag bevat alleen niveau en trend
Stap 1. Bepaal de seizoenscyclus of periodiciteit (p)
Het aantal perioden waarna de seizoenscyclus zich herhaalt
- Grafische waarneming
- Correlatieanalyse: Hoogste correlatie (dicht bij 1) = Seizoensgebonden cyclus
stap 2. Kwantificeer seizoensgebonden factoren (Si)
De seizoensfactor meet hoe elk seizoen zich verhoudt tot het totale gemiddelde voor een heel jaar.
= Gemiddelde vraag voor het seizoen (µi)
Totale gemiddelde vraag (µ)
stap 3. Bereken de seizoenvrije vraag (Dt)
De vraaggegevens aanpassen om de seizoenspatronen te verwijderen
= Werkelijke vraag (dt)
Seizoensfactor (Si)
Inleiding
Waarom hebben we forecasting nodig?
ontwikkeling van voorspellingen voor de toekomst (bv. vraag, rentevoeten, aandelenmarkten,...)
vraag: basis voor alle strategische en planningsbeslissingen in een bedrijf
-> vraag verleden, voorspellen wat vraag in de toekomst zal zijn
Kenmerken van forecasting
forecasting is altijd fout -> forecast error
Moet een maatstaf voor de fout bevatten die de nauwkeurigheid van de prognose weergeeft
mate van onzekerheid die vraag zal beïnvloeden
Langetermijnprognoses zijn minder nauwkeurig, accuraat dan kortetermijnprognoses
-> Probeer de forecast periode te beperken
-> Forecast periode is afhankelijk van uw planningsperiode
Forecasting is het moeilijkst voor producten met een grote vraagonzekerheid
-> Producten in een vroeg stadium van de levenscyclus
-> Producten met een korte levenscyclus
-> innovatieve producten
beter beeld van vraag van producten die zich al langer en vaker op de markt bevinden
Geaggregeerde prognoses zijn nauwkeuriger dan gedesaggregeerde prognoses
Hoe hoger het aggregatieniveau, hoe geringer de variabiliteit
vraag naar productfamilies makkelijker te voorspellen dan individuele type artikelen
De vraag ontstaat niet in een vacuüm
diverse factoren die bekend zijn of met enige waarschijnlijkheid kunnen worden voorspeld.
De kwaliteit van de forecast hangt af van de kwaliteit van de gegevens waarop zij is gebaseerd
Historische gegevens, geschiedenis
Externe factoren: Marktomstandigheden, Economische voorwaarden, Andere factoren
-> afhankelijk van data en kennis over randfactoren
, Tijdreeksprognoses
voorspellen van de toekomstige volgende periode o.b.v. historische gegevens (tijdreeksen).
tijdreeks is een reeks waarnemingen, observaties in de tijd van een interessante grootheid uit
verleden .
Componenten van vraag forecasting
Forecast value
- Level: niveau van vraag -> basislijn, gemiddelde waarde
- Trend van curve -> Groei-/dalingspercentage per periode
- Seizoenseffecten: jaarlijks terugkerend patroon -> voorspelbare seizoensschommelingen
Voorspellingen zijn gebaseerd op niveau, trend en seizoensgebondenheid (systematische
component)
Forecast error
- Random effect: factoren onzekerheden die niet voorspeld kunnen worden -> foutmarge
Onvoorspelbaar
Prognosefout meten o.b.v. prestaties uit het verleden om de prognosemethode te evalueren
-> gekend wanneer werkelijke vraag bekend is
De werkelijke vraag zal verschillen van de voorspelling door willekeur (willekeurige component).
Verschil tussen werkelijke en verwachte vraag
Stap 1: bepaal Seizoensgebondenheid
Indien de gegevens een seizoenseffect hebben, moet u de vraag deseasonaliseren alvorens niveau en
trend te schatten.
Geseizoenaliseerde vraag = vraag die zou zijn waargenomen als er geen seizoensschommelingen
waren geweest.
De gedeseasonaliseerde vraag bevat alleen niveau en trend
Stap 1. Bepaal de seizoenscyclus of periodiciteit (p)
Het aantal perioden waarna de seizoenscyclus zich herhaalt
- Grafische waarneming
- Correlatieanalyse: Hoogste correlatie (dicht bij 1) = Seizoensgebonden cyclus
stap 2. Kwantificeer seizoensgebonden factoren (Si)
De seizoensfactor meet hoe elk seizoen zich verhoudt tot het totale gemiddelde voor een heel jaar.
= Gemiddelde vraag voor het seizoen (µi)
Totale gemiddelde vraag (µ)
stap 3. Bereken de seizoenvrije vraag (Dt)
De vraaggegevens aanpassen om de seizoenspatronen te verwijderen
= Werkelijke vraag (dt)
Seizoensfactor (Si)
