Texmin İdare Edilmesi

Bölüm 3 Tahmin
Tahmin nedir?
Gelecekle ilgili bir ifadedir
Tahminlerin Kullanım Alanları
Tahminin Özellikleri
Genellikle gelecek=geçmiş gibi kuvvetli varsayımlara bağlıdır.
Değişiklikler ve rassallık nedeni ile nadiren mükemmeldir.
Zaman ekseninde ilerledikçe doğruluk azalır.
Parça grupları için yapılan tahminler bir parça için yapılanlardan daha doğrudur.
Soru: neden?
İyi Bir Tahmin Tekniğinin Elemanları
Tahmin Tipleri
Sorgulayıcı Tahmin- öznel girdileri (yönetici görüşleri, kuruluş anket çalışmaları vb.) kullanır
Zaman Serileri- geleceğin de geçmişteki gibi olacağı göz önüne alınarak, geçmiş deneyimleri kullanarak geleceği tahmin etmek
Birleştirilmiş Modeller- Geleceği tahmin etmek için açıklayıcı değişkenler kullanılır.
Sorgulayıcı Tahminler
İdarenin Görüşü
Satış ekibinin görüşü
Tüketici anketleri
Dış görüşler
Delphi metodu
Personel ve yöneticilerin görüşleri
Tahminde görüş birliğini sağlar

Zaman Serileri Tahminleri
Eğilim – verinin uzun dönemde izlediği seyir
Mevsimsellik – verinin kısa dönemdeki olağan değişintileri
Döngüsel– bir yıllık süreçten daha uzun dalgalanmalar
Düzensiz Değişintiler – olağan dışı durumlar
Rassal Değişintiler – şansa bağlı durumlar
Zaman Serilerinin Bileşenleri
Basit Tahminler
Basit Tahmin
Kullanımı kolay
Hemen hemen hiç maliyeti yok
Hazırlanması kolay ve çabuk
Veri analizi gerektirmez
Kolay anlaşılır
Yüksek doğruluk sağlamayabilir
Doğruluk için bir standart olabilir
Basit Tahminin Kullanımı
Durağan zaman serileri verileri
F(t) = A(t-1)
Mevsimlik Değişintiler
F(t) = A(t-n)
Eğilimli veriler
F(t) = A(t-1) + (A(t-1) – A(t-2))
Ortalama Teknikleri
Basit ortalama
Hareketli ortalamalar
Ağırlıklı hareketli ortalama
Üssel düzeltme
Basit Ortalama
Tüm verileri kullan
Potansiyel Problemler:
Çok eski verilerin ilgili kılınması yanıltıcıdır.
Hareketli Ortalamalar
Hareketli ortalama – Yeni birkaç verinin ortalamasının hesaplanmasına dayalı bir tekniktir ve yeni veriler geldikçe güncellenir.




Ağırlıklı Hareketli ortalama – Bir serideki daha yeni verilerin daha fazla etkili olduğu göz önüne alınarak bu verilerin ağırlıklandırılması ile hesaplanır.
Basit Hareketli Ortalama
Basit Hareketli Ortalama
Ağırlıklı Hareketli Ortalama (Genel)
Son m dönemlik veriyi kullanır
Ağırlıklar öneme göre atanır.
Soru: What would the formula look like when weights add up to one?
Üssel Düzeltme
Önerme—En son gözlemler en yüksek öncelikteki değerdir.
Dolayısıyla, tahmin yaparken daha yeni dönemlere daha yüksek ağırlık verilmelidir.
Üssel Düzeltme
Ağırlıklı ortalama metodu, önceki tahminleri temel almakla birlikte tahmin hatasını da hesaba katar.
A-F hata terimidir, a düzeltme sabitidir.
Düzeltme Sabitinin Seçimi
Ağırlık Dağılımı
Eğilim
Doğrusal Eğilim Denklemi
Eğilimi Ayarlanmış Tahmin Modeli
Üssel Ortalama Temelli
2 Üssel Ortalama Modeli
Biri şimdiki seviye için şimdiki temel talep seviyesinin tahmininde kullanılır.
Diğeri de talep seviyesindeki artışın tahmini için kullanılır.
Doğrusal Eğilim Denklemi
Ft = t. dönem için yapılan tahmin
t = zaman dönemi
a = t = 0 anında Ft’nin değeri
b = doğrunun eğimi
Doğrusal Eğilim Denklemi
Doğrusal Eğilim Denklemi
where,
Doğrusal Eğilim Denklemi
Kolay kullanım: a built-in function in spreadsheet software
Doğrusal regresyonda kullanılan en küçük kareler metodunu temel alır, ki bu
Sapmaların kareleri toplamını en küçükler.
Tüm zaman dönemleri için eşit ağırlık kullanır.
Yeni veriler eklendiğinde a ve b tekrar hesaplanmalıdır.
Doğrusal Eğilim Denklemi Örneği
Eğilimi Ayarlanmış Tahmin
Eğilimi Ayarlanmış Tahmin
Eğilimi Ayarlanmış Tahmin
Eğilimli Talep için Tahmin Modelleri
Mevsimsellik İçin Teknikler
Mevsimlik Değişintiler
Tekrar eden olaylara bağlı olan serilerde düzenli tekrar eden hareketler
Zaman serilerinde mevsimsellik, gerçek değerlerin serinin ortalama değerinden sapma miktarı cinsinden ifade edilir.
2 tür mevsimsellikten söz edilebilir.
Toplanabilir model
Çarpılabilir model
Mevsimsellik İçin Teknikler
Toplanabilir Model : Mevsimselliği dahil etmek için mevsimsel seri ortalamasına ekleme veya çıkarma yapılan miktar cinsinden ifade edilir.,
Çarpılabilir Model : Mevsimsel ortalamanın yüzdesi olarak ifade edilir. Bu yüzdeler daha sonradan, mevsimselliği mevsimlik bağıntısı dahil etmek için, seri değerleri ile çarpılır. Uygulamalarda daha çok çarpılabilir model kullanılmaktadır.
Mevsimlik Bağıntıların Kullanımı
Mevsimlik bağıntıların tahmininde 2 kullanım yolu vardır:
Veriden mevsimselliği kaldırmak
Tahmine mevsimselliği dahil etmek
Veriden mevsimselliği kaldırmak için her bir veri noktası ilgili mevsimlik bağıntısına bölünür.
Tahmine mevsimselliği dahil etmek için aşağıdaki adımlar izlenir:
İstenilen noktalar için eğilim eğrisi kullanarak eğilim kestirimleri hesaplanır.
Eğilim kestirimlerine mevsimselliği dahil etmek için eğilim ilgili mevsimlik bağıntıları ile çarpılır.
Mevsimlik Bağıntıların Hesaplanması
En çok kullanılan yaklaşım merkezileştirilmiş hareketli ortalamalar yöntemidir. Yöntem aşağıdaki adımlardan oluşmaktadır.
Ön görülen dönem sayısına göre hareketli ortalamalar hesaplanır.
Hesaplanan hareketli ortalamalar veri sayısı tek olan serinin kullanılan verilerin ortasına (merkezine) konuşlandırılır.
Talebin merkezdeki hareketli ortalama oranı mevsimlik bağıntıları oluşturur.
Dönem sayısı çiftse, hesaplanan hareketli ortalama yine kullanılan verilerin ortasına yerleştirilir ve MA2 hesaplanır, ve ilgili talebin merkezdeki hareketli ortalamaya oranı bulunur.
Mevsimsellik
Kısa dönemli döngüler, rassal değil, talepte ki değişim
Ölçüm:
Tüm miktarlara bağlıdır
Mevsimsel dizin
(CMA) Merkezi hareketli ortalama kullanılarak tahmin yapılır.
Mevsimsellik
Mevsimsellik
Mevsimsellik
Mevsimsellik: SI’nın Kestirimi
Mevsimsellik: Mevsimselliği Giderilmiş Talep
Mevsimsellik: Tahmin
Mevsimsellik: Tahmin
Mevsimsellik: Tahmin
Eğilim ve Mevsimsellikle İlgilenmek
CMA’yı kullanarak mevsimsel dizinleri kestir
Talebi mevsimsel dizinlere bölerek talep verisinin mevsimsellik özelliğini yok et.
Doğrusal Eğilim Denklemi veya TAF’ ı kullanarak mevsimselliği giderilmiş verileri temel alan eğilimi kestir.
Gelecekteki eğilimi sapta
Mevsimsel dizinler ile eğilim değerlerini çarparak tahmin yap
Tahminin Doğruluğu
Uygun değerlendirme kriterinin önemi
Farklı kriterler tamamen farklı sonuçlara sebep olabilir
Değerlendirme kriteri modeldeki problemlerini yansıtacak şekilde tasarlanmalıdır.
Tahminin Doğruluğu
Ana Tahmin Problemleri
Tahminler fazla mı yoksa az mı?
Tahminler gerçeğe ne
kadar yakın?
Tahminin Doğruluğu
Ortalama Mutlak Sapma
(MAD)
“uzaklık” ortalamasıdır.
Ortalama Karesel Hata (MSE)
Hata karelerinin ortalamasına benzer
MAD, MSE ve MAPE
MAD
Hesaplamak kolay
Ağırlıkların hataları doğrusal
MSE
Hataların kareleri
Büyük hatalara daha fazla ağırlık
MAPE
Hataları göze alır
İşareti Takip
Tahminin Doğruluğu
Tracking Signal (TS)
-1 ≤ TS ≤ 1
a & b gibi düzgünleştirme sabitlerinin belirlenmesinde dinamik olarak kullanılabilir.
Tahminin Kontrolü
Kontrol Grafiği
Tahmin hatalarının izlenmesinde görsel bir araçtır.
Rassal olmayan hataların belirlenmesinde kullanılır.
Tahmin hataları kontrol altındadır, eğer
Tüm hatalar kontrol sınırları içinde ise
Herhangi bir veri, eğilim veya döngüsel bir yapı izlemiyorsa
Tahmin Hatalarının Kaynakları
Model yetersiz olabilir
Düzensiz değişintiler
Tahmin tekniklerinin kullanımı yanlışsa
Bir Tahmin Tekniğinin Seçilmesi
Her durumda yalnızca tek bir teknik kullanılmaz
En önemli iki faktör
Maliyet
Doğruluk
Diğer faktörler
Geçmiş veriler
Bilgisayarlar
Verilerin oluşturulması ve analizi için zamana ihtiyaç vardır.
Tahmin ufku’nun
mevcudiyetini gerektirir.
Operasyonlar Stratejisi
Tahminler bir çok karara temel oluşturur.
Kısa dönemli tahminleri iyileştirmeye çalış
Doğru kısa dönemli tahminleri iyileştir
Karlar
Düşük stok seviyesi
Yoksatmaları azalt
Müşteri hizmet seviyelerini iyileştir
Tahminlerin güvenilirliğini arttır
Tedarik Zinciri Tahminleri
Tahminleri tedarikçilerle paylaşmak
Tedarik zincirinde tahmin kalitesini iyileştirmek
Düşük maliyetler
Daha kısa tedarik temin zamanları
Gazing at the Crystal Ball (reading in text)
Tahmin Sürecinin Adımları

Alıntı: