Genel Öngörülme ( tahminleme ) 1 Öngörüleme (tahminleme) (Forecasting) Öö ü l lkllöd • 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 olaca ğını (neye benzeyece ğini) önceden ğ (y y ğ ) belirleme süreci. •T ü m i şletme kararlarının temelini olu şturur: Üi – Üretim – Envanter İnsan kaynakları – İnsan kaynakları – Tesis.... Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiYargı ve sezgi , öngörüleme için gerekli ise düüü db ik öö ü l öti de günümüzde birçok öngörüleme yöntemi geli ştirilmi ş, öngörüleme falcılıktan ayrılıp yol kat etmi ştir. Sales will Sales will be $200 Million! Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörüleme Öngörüleme Öngörüleme bölümünün sonunda neler Ög öü ee b ö üüüs oud ae e ö ğrenilmi ş olacak: – Öngörüleme – Öngörüleme – Öngörü türleri Öngörümlemede zaman boyutu – Öngörümlemede zaman boyutu – Öngörüleme yakla şımları Hareketli ortalamalar – Hareketli ortalamalar – Üssel düzeltim Trend projeksiyonları – Trend projeksiyonları – Regresyon ve korelasyon analizi Öö ü d ğ l ğ öl ül i – Öngörü do ğrulu ğunun ölçülmesi Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiKötü öngörünün sonuçları?? Kötü öngörünün sonuçları?? Mkt titd i ğiiüü k • Markette istedi ğiniz ürün yok •K i t a pçıda istedi ğiniz kitap yok pç ğ py • Restoranda istedi ğiniz, menüdeki bir yemek yok yemek yok • ..... • Hiçbir i şletme i şi şansa bırakıp, bekleyip görelim diyemez, bunların tümü ya ğmura hazırlıksız yakalanma gibi, kötü öngörünün sonucudur. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiHiii lt d d dlk • Hepimiz, i şletmede ya da ya şamımızda gelecek olaylara ili şkin tahminler yaparız ve bu tahminleri esas alarak plan yapar, adımatar ız. esas alarak plan yapar, adım atarız. • Bir olayı planlamak, gelece ği öngörmeyi gerektirir. g • Öngörüleme ile planlama birbirinden farklıdır. Öngörüleme gelecekte ne olabilece ği ile ilgili iken planlama gelecekte ne olması gerekti ğini iken, planlama gelecekte ne olması gerekti ğini dü şünme ile ilgilidir. • Öngörü planlama faaliyetlerinde girdidir • Öngörü planlama faaliyetlerinde girdidir. • Kötü öngörü kötü planlama ile sonuçlanır. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörü türleri Öngörü türleri • Ekonomik öngörüler – Enflasyon oranı, para arzı,planlama y ,p ,p göstergeleri..vs • Teknolojik öngörüler • Teknolojik öngörüler – Teknolojik geli şme oranı Yi ü ülikblö i – Yeni ürünlerin kabul görmesi • Talep öngörüleri pg – Mevcut ürünün satı şlarını kestirme- öngörme (talep kısıtlanmaz ise satı ş öngörme (talep kısıtlanmaz ise satı ş öngörümü ile aynı olur) Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiTalep öngörümü Talep öngörümü • Gelecekte talep edilecek mal ve hizmetlerin ve bu mal ve hizmetleri üretmek için gerekecek kaynakların önceden kestirilmesidir. • Talep öngörümü üretim yönetimindeki tüm öngörülerin ba şlangıç noktasını olu şturmakta, üt i ll ktlitii üretim planlama ve kontrol sisteminin fonksiyonlarına temel girdiyi sa ğlamaktadır. 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 kolayla şır Pazar de ği şikliklerine ayak kolayla şır. Pazar de ği şikliklerine ayak uydurmaya, maliyetlerin azaltılmasına, etkinli ğin artmasına olanak verir. artmasına olanak verir. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiTalep öngörümü nedenleri Talep öngörümü nedenleri •T ü m i şletme kararları öngörüler esas alınarak yapılır: Hi i i lk – Hangi pazara girilecek – Hangi ürün üretilecek – Hangi süreç ile üretilecek g – Ne kadar kapasite gerekecek (makine ekipman..) –Y e r l e şim düzeni nasıl olacak Ne kadar stok bulundurulacak – Ne kadar stok bulundurulacak – Ne kadar i şgören alınacak...... • İ şletmede örgütün farklı düzeylerinde, farklı amaçlar ş g y, ç için farklı zamanlarda öngörüler yapılır. • Stratejik öngörüler üst düzeyde uzun döneme ili şkin • Daha alt kademelerde daha kısa süreli öngörüler, haftalık satı şlar gibi.. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiZaman boyutuna göre öngörü ül i türleri •K ısa dönem öngörüler –1y ıla kadar genelde 3 aydan az 1 yıla kadar, genelde 3 aydan az – Görevlerin programlanması, i şgücü tahsisleri O t dö ö ö ül • Orta dönem öngörüler – 3 ay -3 yıl –Sat ı ş ve üretim planlama, bütçeleme • Uzun dönem öngörüler Uzun dönem öngörüler –3 y ıl üzeri Yeni ürün planlama tesis kurulu ş yeri – Yeni ürün planlama, tesis kurulu ş yeri Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiKısa dönem- uzun dönem k l kar şıla ştırma • Orta/uzun dönem öngörüler planlama • Orta/uzun dönem öngörüler planlama ve ürünlere, fabrika ve süreçlere ili şkin öt ikl dtk l yönetim kararlarını destekler. • Kısa dönem öngörüleme uzun dönemli g öngörülemeden farklı yöntemler kullanır kullanır. • Kısa dönem öngörüler uzun dönem öngörülerden daha do ğru olurlar. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörülemenin esasları Öngörülemenin esasları • Öngörüler nadiren mükemmeldir. Öngörüler gelece ğe ili şkin belirsizliklere kar şı yapıldı ğından mükemmel ili şkin belirsizliklere kar şı yapıldı ğından mükemmel öngörü çok zordur. Her zaman hata vardır. Amaç öngörü hatalarını en aza indirmektir. • Öngörüler, tek tek kalemler yerine ürün grupları için yapılırsa daha do ğru olur. Tek bir ürün tipi için öngörü, gruba oranla daha zordur (uzun kollu polo yaka ye şil t gruba oranla daha zordur.(uzun kollu polo yaka ye şil t- shirt yerine polo t-shirt) • Kısa dönem öngörüler uzun döneme oranla daha g do ğru, geçerlidir. Kısa dönem belirsizli ği azaltır. Veriler kısa dönemde çok de ği şmez, süre uzadıkça belirsizlik artar 2 yıl sonraki ürün satı şını öngörme 2 hafta artar. 2 yıl sonraki ürün satı şını öngörme 2 hafta sonrakini öngörmeden daha zordur. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÜrün ya şam e ğrisinin öngörülere Ürün ya şam e ğrisinin öngörülere etkisi Gi i bü ü dö l i l l k Giri ş, büyüme, olgunluk, dü şü ş • Giri ş ve büyüme dönemleri, olgunluk ve dü şü ş dönemlerinden daha uzun süreli öö ü l k t i i öngörüler gerektirir. • Ürün farklı evrelere geçerken: –i şgücü düzeyi, – stok düzeyleri, – Tesis kapasitesi için yapılan öngörüler yararlı olur. için yapılan öngörüler yararlı olur. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiStrategy and Issues During a Pd’L i f Product’s Life Introduction Growth Maturity Decline Best period to Practical to change Ct tl P t i t h i Best period to increase market share R&D product engineering critical Practical to change price or quality image Strengthen niche Cost control critical Poor time to change image, price, or quality Competitive costs become critical Defend market position y/Issues ompany Strategy 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 critical Product design and dl t i t il Co HDTV Color copiers g Less rapid product changes - more minor changes Optimum capacity Increasing stability of differentiation Cost minimization Over capacity in the industry Product and process reliability Competitive product improvements and options Increase capacity development critical Frequent product and process design changes Short production runs High prod ction costs tegy/Issues Increasing stability of process Long production runs Product improvement and cost cutting Prune line to eliminate items not returning good margin Reduce capacity py Shift toward product focused Enhance distribution High production costs Limited models Attention to quality OM Strat Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörümlemede 7 adım Öngörümlemede 7 adım Öö ü l l ğ k • Öngörüleme yapılaca ğına karar verme • Öngörümlenecek kalemleri seçme Ög öü ee c e ae es e çe • Öngörü zaman boyutunu belirle Öö ül dl /dl lii • Öngörümleme model/modellerini seç • Verileri topla Verileri topla • Öngörüyü yap • Sonuçların geçerlili ğine bak ve uygula Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörümleme yöntemleri Öngörümleme yöntemleri • En çok kabul gören sınıflandırma: • Kalitatif (sübjektif) yargısal–nitel yöntemler (j) yg y • Kantitatif (objektif)istatistiki- nicel yöntemler • Tek bir yöntem yerine yöntemlerin birle ştirilmesi • Tek bir yöntem yerine yöntemlerin birle ştirilmesi, veya sonuçlarının ortalanması do ğruluk derecelerini artırır derecelerini artırır. • Uygulamada yönetimin yargısından gelen öngörülerle geçmi ş verilere dayanan kantitatif öngörülerle, geçmi ş verilere dayanan kantitatif öngörüler birle ştirilir. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörüleme sistemi Öngörüleme sistemi Geçmi ş Veriler Kantitatif Öngörü De ğerlendirme Öngörü Gözlem Kalitatif Öngörü Geri Besleme Yönetimin (kanaati) yargısı tecrübesi Analiz yargısı, tecrübesi Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiKalitatif yöntemler Kalitatif yöntemler Kiil öü l d • Kişi veya grupların görü ş ve yargılarına dayanan, ço ğunlukla verilerin olmadı ğı veya az oldu ğu durumlarda veya geçmi ş veriler gelece ği öngörmede duyarlı de ğilse ygç ş g ğgy ğ veya kantitatif yöntemlerle birlikte kullanılan yöntemlerdir. Yi ü ül i tklj i • Yeni ürünler, yeni teknoloji • Sübjektiftir, matematiksel de ğildir • Çevredeki son de ği şiklikler ile ili şkilendirilebilir ve • Çevredeki son de ği şiklikler ile ili şkilendirilebilir ve içimizdeki hissi, deneyimi aktarabiliriz. • Öngörüyü yanıltabilir, yanlı ş yönlendirebilir, do ğrulu ğu Öngörüyü yanıltabilir, yanlı ş yönlendirebilir, do ğrulu ğu azaltabilir. • Örnek: internet üzerinden satı şların öngörülmesi Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiKantitatif yöntemler Kantitatif yöntemler Gi dö l d ki il i l t tik l • Geçmi ş dönemlerdeki verileri esas alan matematiksel modellere dayanır. • Geçmi ş veriler vardır ve durumun deği şmeyece ği Geçmi ş veriler vardır ve durumun de ği şmeyece ği (dengede olaca ğı) kabul edilir. • Mevcut ürünler , mevcut teknoloji j • Objektif ve açıktır. Ki şiye göre de ği şmez. • Bir defada daha çok veri ve bilgiyi dikkate alabilir. •Ç o ğunlukla sayısal veriler elde edilemez. • Öngörünün esas alındı ğı veriler iyi olduğu ölçüde d ğ d do ğrudur. • Örnek: renkli televizyon satı şlarının öngörülmesi Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiYöntemleri karakterize eden 6 faktör (yöntemlerin seçilmesinde etkili) 1. Zaman dilimi: öngörünün yapılaca ğı, gelecekteki zaman aralı ğı (uzun dönem- g ğ ( kalitatif; kısa/orta dönem-kantitatif) ve öngörülerin gelecek kaç dönem için öngörülerin gelecek kaç dönem için yapılaca ğı (bazı yöntemler gelecek 1 dönemi bazıları birçok dönemi dönemi bazıları birçok dönemi öngörebilir) Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü Dersi2Vi liild i ğil il i i l di ği 2. Verilerin izledi ği yol: verilerin izledi ği yola göre farklı yöntemler kullanılır. Veriler bir trend izleyebilir, rastgele da ğılmı ş olabilir...vs 3. Maliyet: öngörüleme modelinin geli ştirilmesi, verilerin hazırlanması ve ge şte s ,e eaaa s e uygulamanın yapılması için çe şitli maliyetler gerekmektedir. Maliyetler maliyetler gerekmektedir. Maliyetler kullanılan yönteme göre de ği şmektedir. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü Dersi4 D ğ lkd iöö ü l dit 4. Do ğruluk derecesi: öngörülemede istenen do ğruluk derecesi yöntemleri farklıla ştırmaktadır farklıla ştırmaktadır 5. Basitlik, uygulama kolaylı ğı: kolay anla şılan ve uygulanabilen yöntemler tercih edilmekte ve uygulanabilen yöntemler tercih edilmekte, anla şılamayan yöntemlere güven azalmaktadır azalmaktadır. 6. Bilgisayar yazılımının olması: kantitatif yöntemlerde yazılım paketi olmadan uygulama yöntemlerde yazılım paketi olmadan uygulama yapmak güçtür. Paketlerin kolay uygulanabilir ve yorumlanabilir olması gerekmektedir. y g Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiKalitatif yöntemler a tat yö te e • Uzmanların görü şü (tepe yönetimin görü şü) • Satı ş elemanlarının görü şleri Satı ş elemanlarının görü şleri (öngörüsü) Dlh iöi • Delphi yöntemi • Tüketici Pazar ara ştırması Tüketici Pazar ara ştırması •Y a şam e ğrilerinin benze şimi (geçmi şle l llik k k) paralellik kurmak) Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiUlöü ü Uzmanların görü şü • Küçük bir grup üst düzey yöneticiyi kapsar Grup talebi birlikte çalı şarak tahminler – Grup, talebi birlikte çalı şarak tahminler • İstatistiki modellerle yönetsel tecrübeyi bi l ii birle ştirir. • Oldukça çabuk çç • ‘grupça-dü şünme’ dezavantajı dezavantajı © 1995 Corel Corp. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiUzmanların görü şü Uzmanların görü şü ( (Tepe Yönetimin Fikri) Tepe Yönetimin Fikri) Göö ü ü Göö ü ü • • Grup öngörüsü Grup öngörüsü • • Grup bile şimi Grup bile şimi Ü Ü • • Dezavantajlar Dezavantajlar – – Pahalı Pahalı – – Üst düzey yöneticiler Üst düzey yöneticiler – – Uzmanlar Uzmanlar Ö Ö – – Denetimi zor Denetimi zor – – Sonradan yapılan Sonradan yapılan • • Öngörü kapsamı Öngörü kapsamı – – Yeni ürünler Yeni ürünler müdahaleler müdahaleler • • Çözüm Çözüm – – Teknolojik öngörüler Teknolojik öngörüler – – Mevcut öngörüler Mevcut öngörüler – – Konsensus Konsensus Operasyon Yönetimi 24 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiStll öüli Satı ş elemanlarının görü şleri Ht l • Her satı ş elemanı kendi satı şlarını Sales Sales tahminler •B ö l ge ve ülke Sales Sales g düzeyinde birle ştirilir • Satı ş elemanları Satı ş elemanları mü şteri isteklerini bilir bilir • Fazla iyimser l bili © 1995 Corel Corp. olunabilir Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiSatı ş Elemanlarının Öngörüsü Satı ş Elemanlarının Öngörüsü Satı ş Elemanlarının Öngörüsü Satı ş Elemanlarının Öngörüsü • • bireysel öngörüler bireysel öngörüler Üstünlükler Üstünlükler • • Dezavantajlar Dezavantajlar b eyse ö gö ü e b eyse ö gö ü e • • Üstünlükler Üstünlükler – – Talebe en yakın Talebe en yakın personel personel Dezavantajlar Dezavantajlar – – Bireysel önyargılar Bireysel önyargılar – – İyimserlik İyimserlik- -kötümserlik kötümserlik personel personel – – Talepte yerel Talepte yerel farklılıklar farklılıklar İyimserlik İyimserlik kötümserlik kötümserlik – –M ü şteri gereksinmesi Mü şteri gereksinmesi- - istekleri arasındaki istekleri arasındaki fk fk farklılıklar farklılıklar – –F a r k l ı talepler Farklı talepler toplanabilir toplanabilir fark fark – – Performans kaygısı Performans kaygısı toplanabilir toplanabilir Operasyon Yönetimi 26 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiDlh iöt i Delphi yöntemi •A r d ı şık grup süreci Decision Makers Decision Makers süreci •3 t ü r k i şi Staff Staff Decision Makers Decision Makers (Sales?) (Sales will be 50!) – Karar vericiler – Personel(yürütücü) Staff Staff (What will sales be? ) – Cevap verenler • ‘Grup-dü şüncesini’ survey) • Grup-dü şüncesini azaltır Respondents Respondents (Sales will be 45, 50, 55) Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiDelphi Tekni ği Delphi Tekni ği Delphi Tekniği Delphi Tekniği Bi h k l b Bi h k l b • • Bir hakem ve uzmanlar grubu Bir hakem ve uzmanlar grubu • • Birkaç turlu(raund) grup konsensüsü Birkaç turlu(raund) grup konsensüsü • • Üstünlükler Üstünlükler – – Uzun dönemli öngörmeler Uzun dönemli öngörmeler • • Dezavantajlar Dezavantajlar Uzun dönemli öngörmeler Uzun dönemli öngörmeler – – Yeni ürünler için fena Yeni ürünler için fena de ğil de ğil – – Turlar uzayabilir Turlar uzayabilir – – Yeni ürünler dı şında isabetlili ği Yeni ürünler dı şında isabetlili ği su götürür su götürür – – Teknolojik öngörmeler Teknolojik öngörmeler su götürür su götürür – – İsabetlili ği anket kalitesine İsabetlili ği anket kalitesine ba ğlı ba ğlı Operasyon Yönetimi 28 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiYa şam e ğrilerinin benze şimi Ya şam e ğrilerinin benze şimi • Bir ürünün gelecekteki satı şları, benzer ürünlerin satı ş bilgilerinden esinlenerek ş g belirlenebilir. • Benzer ürünlerin ya şam e ğrilerindeki • Benzer ürünlerin ya şam e ğrilerindeki çe şitli dönemlerdeki satı şları, özellikle yeni üü öö ürünlerin satı şlarını öngörmede kullanılır. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiGeçmi şle Parallelik Kurmak / Geçmi şle Parallelik Kurmak / ya şam e ğrilerinin benze şimi ya şam e ğrilerinin benze şimi Acaba 4. ku şak cep telefonlarına olan talep 3. ku şak telefonlara benzer p ş bir yapıda ve düzeyede mi olacak? Miktar Sunu ş Geli şme Olgunluk Gerileme 3. Ku şak cep telefonları El bilgisayarları Ki şisel bilgisayarlar Hesap makineleri Operasyon Yönetimi 30 10/9/2007 Zaman Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiP t Pazar ara ştırması •M ü şterilere satın alma planları How many hours will How many hours will you use the Internet next week? alma planları hakkında sor Tük ti il i next week? next week? • Tüketicilerin söyledikleri ile yaptıkları farklı olabilir. • Soruları cevaplamak zor © 1995 Corel Corp. p olabilir. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiPazar Ara ştırması Pazar Ara ştırması Pazar Ara ştırması Pazar Ara ştırması Ö Ö Üt ül ü k l Üt ül ü k l • • Öngörüye mü şteri Öngörüye mü şteri katkısı katkısı Ad l Ad l • • Üstünlükler Üstünlükler – –K ısa dönemde çok iyi Kısa dönemde çok iyi sonuç sonuç • • Adımlar Adımlar 1. 1. Anket Anket • • Ürün bilgileri Ürün bilgileri ç ç – – Orta dönemde iyi sonuç Orta dönemde iyi sonuç • • Dezavantajlar Dezavantajlar Ud öd öl Ud öd öl bö l bö l Ürün bilgileri Ürün bilgileri ••M ü şteri bilgileri Mü şteri bilgileri 2. 2. Örnekleme Örnekleme – – Uzun dönemde şöyle Uzun dönemde şöyle- -böyle böyle sonuç sonuç – – Senaryo analizine Senaryo analizine 3. 3. Anket dı şı veriler Anket dı şı veriler 4. 4. İstatistiksel analiz İstatistiksel analiz elveri şsizlik elveri şsizlik – –M ü şterinin aldırmazlı ğı Mü şterinin aldırmazlı ğı – – Mü şteri önyargıları ve Mü şteri önyargıları ve Mü şteri önyargıları ve Mü şteri önyargıları ve beklentileri beklentileri Operasyon Yönetimi 32 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiKantitatif yakla şımlar Kantitatif yakla şımlar • Naif-basit yakla şım • Hareketli ortalamalar Hareketli ortalamalar • Üssel düzeltim Zaman serisi modelleri • Trend projeksiyonu modelleri •D o ğrusal regresyon Nedensel (ili ki l) d (ili şkisel)mod eller Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiQuantitative Forecasting Methods g (Non-Naive) Quantitative Forecasting Associative Time Series Models Models Linear Exponential Moving Trend Linear Regression Exponential Smoothing Moving Average Trend Projection Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiZaman Serisi Zaman Serisi • Kantitatif öngörüleme yöntemlerinde 1. grup: zaman serisi modelleridir. • İyi yargı, sezgi, tecrübe, ekonomiden haberdar olma yöneticilere gelecekte ne olabilece ğine dair yg ğ kabaca bir fikir verebilir. • Ancak bu hissi verilere dönü ştürmek güçtür. Ancak bu hissi verilere dönü ştürmek güçtür. •Ö r n e ğin: gelecek yıl aylık satı şlar, gelecek yılın ünite ba şına hammadde maliyeti ne olacak?? ünite ba şına hammadde maliyeti ne olacak?? Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiZaman serisi Zaman serisi Gl k lii 3 lkthi i l • Gelecek yıl için 3 er aylık satı ş hacmini nasıl öngörebiliriz??? • Geçmi ş dönemlerdeki gerçek satı ş verilerini gözden Geçmi ş dönemlerdeki gerçek satı ş verilerini gözden geçirmemiz gerek. • Son 3 yılın 3er aylık satı ş verileri var.. y y • Bu verilere bakarak satı şların genel düzeyini belirleyebiliriz. Al ğili i( d ) l l d ğ • Artma veya azalma eğilimi (trend) olup olmadı ğını görebiliriz. • Daha iyi incelemeyle mevsimlik (dönemlik) durumu • Daha iyi incelemeyle mevsimlik (dönemlik) durumu izleyebilir, örne ğin her yıl 3. dönem satı şların en yüksek oldu ğunu görebiliriz. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiZaman serisi Zaman serisi Zi i d k ii il i ö d • Zaman içindeki geçmi ş verileri gözden geçirerek, o ürün için gelecek satı şları daha iyi öngörebiliriz. •S a t ı şların geçmi ş dönemlerdeki verileri bir ş gç ş zaman serisi formundadır. • Zaman serisi zaman içinde birbiri ardı • Zaman serisi, zaman içinde birbiri ardı sıra noktalarda ya da zamanın birbirini izleyen dönemlerinde ölçülmü ş gözlemler izleyen dönemlerinde ölçülmü ş gözlemler setidir. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiZaman serisi Zaman serisi • Zaman serisi verileri ile gelece ğe ili şkin öngörülerde bulunulacak... g • Verileri analiz etmek için bazı yöntemler incelenecek incelenecek.. • Analizin amacı zaman dizisinin gelecek dönem de ğerlerinin iyi öngörülenmesini sa ğlamak!!! sa ğlamak!!! Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiProduct Demand Charted over 4 Years with Trend and 4 Years with Trend and Seasonality Seasonal peaks Trend component rvice Actual ct or ser demand line or produc Average demand over four years mand fo Random Year 1 Year 2 Year 3 Year 4 Dem Random variation 1 2 3 4 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiActual Demand, Moving Average, Weighted Moving Average, Weighted Moving Average 35 30 35 Actual sales Weighted moving average 20 25 Demand Actual sales 10 15 Sales D Mi 0 5 Moving average 0 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Month Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiWhat is a Time Series? Stf l d i ldt What is a Time Series? • Set of evenly spaced numerical data – Obtained by observing response variable at regular time periods time periods • Forecast based only on past values – Assumes that factors influencing past and present will continue influence in future •E x a m p l e Year: 1998 1999 2000 2001 2002 Sales: 78.7 63.5 89.7 93.2 92.1 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiTime Series Components Time Series Components Trend Trend Cyclical Cyclical y y Seasonal Seasonal Random Random Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiTrend Bile şeni Pi tt l l dd d Trend Bile şeni • Persistent, overall upward or downward pattern • Due to population, technology etc. Sldt i • Several years duration Response Mo., Qtr., Yr. © 1984-1994 T/Maker Co. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiMevsim bile şeni Mevsim bile şeni • Regular pattern of up & down fluctuations • Due to weather, customs etc. • Occurs within 1 year Summer Response © 1984-1994 T/Maker Co. Mo., Qtr. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiMevsim ler Mevsim ler Period of “Season” Number of Period of Pattern Season Length Number of “Seasons” in Pattern in Pattern Week Day 7 Month Week 4 – 4 ½ Month Day 28 – 31 Month Day 28 31 Year Quarter 4 Y Mt h 12 Year Month 12 Year Week 52 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiDevri bile şen • Repeating up & down movements Devri bile şen • Repeating up & down movements • Due to interactions of factors influencing economy • Usually 2-10 years duration • Usually 2-10 years duration Cycle Response Response Cycle Mo Qtr Yr Mo Qtr Yr Mo., Qtr., Yr. Mo., Qtr., Yr. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiRassal bile şen Rassal bile şen • Erratic, unsystematic, ‘residual’ fl t ti fluctuations • 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 DO ĞAN - Üretim Planlaması Kontrolü DersiZaman serisi modelleri Zaman serisi modelleri • Any observed value in a time series is the product (or sum) of time series the product (or sum) of time series components • Multiplicative model (ço ğaltan model) Y T S C R ( i f tl dt) – Y i = T i · S i · C i · R i (if quarterly or mo. data) • Additive model (artırımlı model) • Additive model (artırımlı model) – Y i = T i + S i + C i + R i (if quarterly or mo. ) data) Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiNi A h Naive Approach • Assumes demand in next period is the same as period is the same as demand in most recent period period – e.g., If May sales were 48, th J l ill b 48 then June sales will be 48 • Sometimes cost effective & efficient © 1995 Corel Corp. © 1995 Corel Corp. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiNaif Yakla şım Naif Yakla şım Naif Yakla şım Naif Yakla şım y y =y =y y y t+ t+1 1 = y = y t t • • Gelecek dönemdeki talep en yakın dönemdeki talebe Gelecek dönemdeki talep en yakın dönemdeki talebe e şittir e şittir e şittir. e şittir. • •Ö r . A r a l ık talebi, Kasım talebine e şit olacaktır. Ör. Aralık talebi, Kasım talebine e şit olacaktır. t zaman şimdi t +1 t Operasyon Yönetimi 50 10/9/2007 t, zaman şimdi t +1 t Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiHareketli ortalamalar yöntemi • hareketli ortalamalar(moving average- Hareketli ortalamalar yöntemi hareketli ortalamalar(moving average MA) aritmetik ortalamalardan olu şan bir seridir seridir • Trend yoksa veya çok az ise kullanılır. • Genellikle düzeltim için kullanılır. • Equation • Equation MA MA n n ? ? Demand in Demand in Previous Previous Periods Periods MA MA n n = = ? ? Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiBasit Hareketli Ortalamalar Basit Hareketli Ortalamalar Basit Hareketli Ortalamalar Basit Hareketli Ortalamalar ••V a r s a y ım Varsayım Talep zaman içinde görece kararlı bir yönde Talep zaman içinde görece kararlı bir yönde – – Talep zaman içinde görece kararlı bir yönde Talep zaman içinde görece kararlı bir yönde seyredecektir. seyredecektir. – – Gerçekle şen son birkaç ( Gerçekle şen son birkaç (n n) talep düzeyi, ) talep düzeyi, gelecek dönemin talebi için anlamlı olacaktır. gelecek dönemin talebi için anlamlı olacaktır. Operasyon Yönetimi 52 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiMoving Average Example You’re manager of a museum store that Moving Average Example You re manager of a museum store that sells historical replicas. You want to f t l (000) f 2003 i 3 forecast sales (000) for 2003 using a 3- period moving average. 1998 4 1999 6 2000 5 2001 3 2001 3 2002 7 © 1995 Corel Corp © 1995 Corel Corp. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiMoving Average Solution Moving Average Solution Time Response Moving Moving Time Response Y i 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 DO ĞAN - Üretim Planlaması Kontrolü DersiMoving Average Solution Moving Average Solution Time Response Moving Moving Time Response Y i 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 6531 4 14/3 4 2/3 2003 NA Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiMoving Average Solution Moving Average Solution Time Response Moving Moving Time Response Y i 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 6531 4 14/3 4.7 2003 NA 5+3+7=15 15/3=5.0 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiMoving Average Graph Moving Average Graph Sales 6 8 Actual 4 6 Forecast 2 95 96 97 98 99 00 Year Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖrnek – 12 haftalık benzin satı şları Örnek 12 haftalık benzin satı şları hafta satı şlar HOöng (n=3) Öng. hatası I H I ( H )2 1 17 1 17 22 1 31 9 42 31 9441 6 51 82 1- 339 61 62 0- 441 6 72 01 9111 81 81 8000 92 21 8441 6 10 20 20 0 0 0 10 20 20 0 0 0 11 15 20 -5 5 25 12 22 19 3 3 9 13 ?? 19 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörü Hataları Öngörü Hataları Aöö ü üh t l l d • Amaç öngörünün az hatalı olmasıdır. • Bunun için öngörü hatalarının küçük çg ç olması gerekir. • Hataları toplayarak hatayı ölçmeye Hataları toplayarak hatayı ölçmeye çalı şabiliriz. Bu bizi yanıltır( +ve ler sonucu toplam • Bu bizi yanıltır (+ ve – ler sonucu toplam küçük çıkabilir) • Hataların karelerini veya mutlak de ğerlerini almak daha do ğru olur. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖngörü hataları Öngörü hataları • Hataların karelerinin toplamının ortalaması ortalama hata kare (MSE) ortalama hata kare (MSE) • Hataların mutlak de ğerlerinin ortalaması ortalama mutlak sapma (MAD) • Örnek için: • Örnek için: MSE=92/9= 10,22 MAD=24/9= 2,67 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiOrtalama mutlak yüzde hata (MAPE) • Hataların mutlak de ğerlerinin ortalamasının, gerçek de ğerlerin yüzdesi olarak gösterilmesi. • MAPE hatayı gerçek de ğerin % olarak ifade eder. forecast actual n i i ? - n actual 100 MAPE 1 i i ? = = n Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖrnek Örnek dönem Gerçek de ğer 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 1006 3 159 175 16 0,1006 4 175 173 2 0,0114 5 190 173 17 0,0895 6 205 175 30 0 1463 6 205 175 30 0,1463 7 180 178 2 0,0111 8 182 178 4 0,0220 toplam 0,4562 p Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü Dersi• MAPE= 100 . 0,4562 / 8 = 5,70 % Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiFt EEt i • Mean Square Error (MSE) Forecast Error Equations n 2 n 1 i 2 i i n errors forecast n ) y ˆ (y MSE ? ? = - = = • Mean Absolute Deviation (MAD) n n y y n ? ? - | ˆ | n n y y MAD i i i ? ? = = = | errors forecast | | | 1 • Mean Absolute Percent Error (MAPE) tl forecast actual n i i ? - n actual 100 MAPE 1 i i ? = = Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiA ğırlıklı hareketli ortalama öi yöntemi •G e ç m i ş veriler daha az önemliyse • A ğırlıklar 0-1a r a s ında toplamı 1 olacak A ğırlıklar 0 1 arasında toplamı 1 olacak şekilde (genelde son döneme daha fazla a ğırlık vererek) fazla a ğırlık vererek) •E şitlik: ş WMA = WMA = ? ?(Weight for period (Weight for period n n) (Demand in period ) (Demand in period n n) ) ? ?Weights Weights Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiA ğırlıklı Hareketli Ortalamalar A ğırlıklı Hareketli Ortalamalar A ğırlıklı Hareketli Ortalamalar A ğırlıklı Hareketli Ortalamalar ••V a r s a y ım Varsayım – – Talep zaman içinde görece kararlı bir yönde Talep zaman içinde görece kararlı bir yönde pçg y pçg y seyredecektir. seyredecektir. – – Gerçekle şen en son talep düzeyi gelecek Gerçekle şen en son talep düzeyi gelecek Gerçekle şen en son talep düzeyi, gelecek Gerçekle şen en son talep düzeyi, gelecek dönemin talebi için en anlamlı girdi olacaktır. dönemin talebi için en anlamlı girdi olacaktır. A ğ l kl bl il id i b ğl A ğ l kl bl il id i b ğl • • A ğırlıkların belirlenmesi deneyime ba ğlı A ğırlıkların belirlenmesi deneyime ba ğlı Operasyon Yönetimi 66 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖrnek – 12 haftalık benzin satı şları Örnek 12 haftalık benzin satı şları hafta satı şlar AHOöng (n=3) Öng. hatası I H I ( H )2 1 17 1 17 22 1 31 9 4 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 0,11 9 22 18,33 3,67 3,67 13,47 10 20 20 33 -033 033 01 1 10 20 20,33 -0,33 0,33 0,11 11 15 20,33 -5,33 5,33 28,41 12 22 17 83 417 417 17 39 12 22 17,83 4,17 4,17 17,39 13 ?? 19,33 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiA ğırlıklı hareketli ortalama A ğırlıklı hareketli ortalama • 4.hafta a ğırlıklı hereketli ortalama öngörüsü=(3.19+2.21+1.17)/6=19,33 g( ), • MSE=103,43/9=11,49 MAD 26 83/9 2 98 • MAD=26,83/9=2,98 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiActual Demand, Moving Average, Weighted Moving Average Weighted Moving Average 35 30 35 Actual sales Weighted moving average 20 25 Demand Actual sales 10 15 Sales D Mi 0 5 Moving average 0 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Month Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiDisadvantages of MiA Mhd Moving Average Methods • Increasing n makes forecast less sensitive to changes g • Do not forecast trend well Ri h h i til • Require much historical data da a © 1984-1994 T/Maker Co. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÜssel Düzeltim Yöntemi •A ğırlıklı hareketli ortalamanın bir şekli Üssel Düzeltim Yöntemi –A ğırlıklar üssel olarak azalır – Son verilere daha fazla a ğırlık verilir Son verilere daha fazla a ğırlık verilir • Düzeltim sabiti kullanılır( ?) – 0-1 arasında – Deneme yanılma ile seçilebilir •G e ç m i ş verilere ili şkin daha az kayıt gerektirir gerektirir Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Ei Equations • F t = ?A t -1 + ?(1- ?)A t -2 + ?(1- ?) 2 ·A t -3 (1 ) 3 A (1 ) t 1 A + ?(1- ?) 3 A t -4 + ... + ?(1- ?) t-1 ·A 0 – F = Forecast value – F t = Forecast value – A t = Actual value Sh i ? = Smoothing constant • F t = F t 1 + ?(A t 1 - F t 1 ) F t F t-1 + ?(A t-1 F t-1 ) – Use for computing forecast Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÜssel Düzeltim modeli Üssel Düzeltim modeli F Y (1 )F • F t+1 = ? Y t + ( 1- ? ) F t Veya F = ? Y +F ? F F t+1 = ? Y t + F t - ?. F t = F t + ? (Y t –F t ) = F t + e t ? e t = hata t Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÜstsel Düzeltim Üstsel Düzeltim Üstsel Düzeltim Üstsel Düzeltim • • Daha geli şmi ş bir yöntem Daha geli şmi ş bir yöntem • • Daha az veri gereksinmesi Daha az veri gereksinmesi Daha az veri gereksinmesi Daha az veri gereksinmesi • • Gerçekle şen en son talep düzeyi ve o dönem Gerçekle şen en son talep düzeyi ve o dönem için yapılmı ş öngörü gelecek dönemin talebi için için yapılmı ş öngörü gelecek dönemin talebi için için yapılmı ş öngörü, gelecek dönemin talebi için için yapılmı ş öngörü, gelecek dönemin talebi için en anlamlı girdiler olacaktır. en anlamlı girdiler olacaktır. • • Düzeltim sabiti ( Düzeltim sabiti ( ? ?, alfa , alfa) yakın zamana verilen ) yakın zamana verilen a ğırlıkla ters orantılıdır. a ğırlıkla ters orantılıdır. ğ ğ Operasyon Yönetimi 74 10/9/2007 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing During the past 8 quarters, the Port of Baltimore has unloaded Example large quantities of grain. ( ? = .10). The first quarter forecast was 175.. QtAt l Quarter Actual 1 180 Find the forecast f t h 9 th t 2 168 3 159 4 175 for the 9 th quarter. 4 175 5 190 6 205 6 205 7 180 8 182 8 182 9? Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Quarter Quarter Actual Actual Forecast, F t ( ? ? = = 10 10) ) ( ? ? = = .10 .10) ) 1 1 180 175.00 (Given) 2 2 168 168 3 3 159 159 175.00 + 175.00 + 4 4 175 175 5 5 190 190 5 5 190 190 6 6 205 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution Exponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Quarter Quarter Actua Actual Forecast, F t ( ? ? = = .10 .10) ) ( ? ? .10 .10) ) 1 1 180 180 175.00 (Given) 175.00 (Given) 2 2 168 168 175.00 + 175.00 + .10 .10( ( 3 3 159 159 4 4 175 175 5 5 190 190 5 5 190 190 6 6 205 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Quarter Quarter Actual Actual Forecast, Forecast, F F t t ( ( ? ? = = .10 .10) ) ( ( ) ) 1 1 180 180 175.00 (Given) 175.00 (Given) 2 2 168 168 175 00 + 175 00 + 10 10(180 (180 2 2 168 168 175.00 + 175.00 + .10 .10(180 (180 - - 3 3 159 159 4 4 175 175 5 5 190 190 6 6 205 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution Exponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Quarter Quarter Actual Actual Forecast, F t ( ? ? = = .10 .10) ) ( ) ) 1 1 180 180 175.00 (Given) 175.00 (Given) 2 2 168 168 175 00 + 175 00 + 10 10(180 (180 175 00 175 00) ) 2 2 168 168 175.00 + 175.00 + .10 .10(180 (180 - - 175.00 175.00) ) 3 3 159 159 4 4 175 175 5 5 190 190 6 6 205 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution Exponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Quarter Quarter Actual Actual Forecast, Forecast, F F t t ( ( ? ? = = .10 .10) ) ( ( ? ? ?? .10 .10) ) 1 1 180 180 175.00 (Given) 175.00 (Given) 2 2 168 168 175.00 + 175.00 + .10 .10(180 (180 - - 175.00 175.00) ) = 175.50 = 175.50 3 3 159 159 4 4 175 175 5 5 190 190 5 5 190 190 6 6 205 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Quarter Quarter Actual Actual Forecast, F t ( ? ? = = .10 .10) ) ( ? ? .10 .10) ) 1 180 175.00 (Given) 2 2 168 168 175.00 + .10(180 175.00 + .10(180 - - 175.00) = 175.50 175.00) = 175.50 3 3 159 159 175.50 175.50 + + .10 .10(168 (168 - - 175.50 175.50) ) = 174.75 = 174.75 4 4 175 175 5 5 190 190 5 5 190 190 6 6 205 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Quarter Actual Forecast, F t ( ? = .10) ( ? .10) 1995 180 175.00 (Given) 1996 168 175 00 10(180 175 00) 175 50 1996 168 175.00 + .10(180 - 175.00) = 175.50 1997 159 175.50 + .10(168 - 175.50) = 174.75 1998 175 1999 190 174.75 + .10(159 - 174.75)= 173.18 1999 190 2000 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Quarter Actual Forecast, F t ( ? = .10) ( ? .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 175.00) = 175.50 3 159 175.50 + .10(168 - 175.50) = 174.75 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173 18 + 10(175 - 173 18) = 173 36 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Quarter Actual Forecast, F t ( ? = 10) ( ? = .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 175.00) = 175.50 3 159 175.50 + .10(168 - 175.50) = 174.75 ( ) 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173 18 + 10(175 173 18) = 173 36 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 173.36 + .10(190 - 173.36) = 175.02 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Time Actual Forecast, F t ( ? = 10) ( ? = .10) 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 173.36 + .10(190 - 173.36) = 175.02 ( ) 7 180 8 175.02 + .10(205 - 175.02) = 178.02 8 9 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiExponential Smoothing Solution F t = F t-1 + 0.1(A t-1 - F t-1 ) Exponential Smoothing Solution Time Actual Forecast, F t ( ? = 10) ( ? = .10) 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 173.36 + .10(190 - 173.36) = 175.02 ( ) 7 180 8 175.02 + .10(205 - 175.02) = 178.02 182 178.02 + .10(180 - 178.02) = 178.22 8 9 178.22 + .10(182 - 178.22) = 178.58 182 ( ) ? Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiÖrnek – 12 haftalık benzin satı şları Örnek 12 haftalık benzin satı şları Hafta(t) Satı şlar(Yt) Ft ( ?=0,2) Öng. hatası I H I ( H )2 1 17 17 * - 1 17 17 - 22 11 7441 6 3 19 17,80 1,2 1,2 1,44 4 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 0,37 9 22 18,49 3,51 3,51 12,32 10 20 19 19 081 081 066 10 20 19,19 0,81 0,81 0,66 11 15 19,35 -4,35 4,35 18,92 12 22 18 48 352 352 12 39 12 22 18,48 3,52 3,52 12,39 13 ?? 19,18 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü Dersi• MSE= 98,8/11=8,98 • ?=0,3 için MSE= 9,35 En iyi ?= 0 2 oldu ğu hesaplanmı ş En iyi ?= 0,2 oldu ğu hesaplanmı ş. Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiForecast Effects of Sh iC Smoothing Constant ? F t = ? A t -1 + ?(1- ?)A t -2 + ?(1- ?) 2 A t -3 + ... Weights g Prior Period 2 periods ago (1 ) 3 periods ago (1 ) 2 ?= ? ?(1 - ?) ?(1 - ?) 2 ?= 0.10 10% ?= 0.90 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiForecast Effects of Sh iC Smoothing Constant ? F t = ? A t -1 + ?(1- ?) A t -2 + ?(1- ?) 2 A t -3 + ... Weights g Prior Period 2 periods ago (1 ) 3 periods ago (1 ) 2 ?= ? ?(1 - ?) ?(1 - ?) 2 ?= 0.10 10% 9% ?= 0.90 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiForecast Effects of Sh iC Smoothing Constant ? F t = ? A t -1 + ?(1- ?)A t -2 + ?(1- ?) 2 A t -3 + ... Weights g Prior Period 2 periods ago (1 ) 3 periods ago (1 ) 2 ?= ? ?(1 - ?) ?(1 - ?) 2 ?= 0.10 10% 9% 8.1% ?= 0.90 Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiForecast Effects of Sh iC Smoothing Constant ? F t = ? A t -1 + ?(1- ?)A t -2 + ?(1- ?) 2 A t -3 + ... Weights g Prior Period 2 periods ago (1 ) 3 periods ago (1 ) 2 ?= ? ?(1 - ?) ?(1 - ?) 2 ?= 0.10 10% 9% 8.1% ?= 0.90 90% Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiForecast Effects of Sh iC Smoothing Constant ? F t = ? A t -1 + ?(1- ?) A t -2 + ?(1- ?) 2 A t -3 + ... Weights g Prior Period 2 periods ago (1 ) 3 periods ago (1 ) 2 ?= ? ?(1 - ?) ?(1 - ?) 2 ?= 0.10 10% 9% 8.1% ?= 0.90 90% 9% Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiForecast Effects of Sh iC Smoothing Constant ? F t = ? A t -1 + ?(1- ?) A t -2 + ?(1- ?) 2 A t -3 + ... Weights Prior Period 2 periods ago 3 periods ago ?= Prior Period ? 2 periods ago ?(1 - ?) 3 periods ago ?(1 - ?) 2 ? ?= 0.10 10% 9% 8.1% ?= 0.90 90% 9% 0.9% Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiImpact of ? Impact of ? 250 200 age Forecast (0 1) Forecast (0.5) 100 150 a l T o n a Actual Forecast (0.1) 50 100 A ctua 0 50 0 123456789 Quarter Quarter Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü DersiChoosing ? Choosing ? Seek to minimize the Mean Absolute Deviation (MAD) If: Forecast error = demand - forecast Th errors forecast ? MAD Then: n = MAD Prof. Dr. Üzeyme DO ĞAN - Üretim Planlaması Kontrolü Dersi