پیشبینی تقاضا
اگر خیلی ساده به مسئله نگاه کنیم، پیشبینی تقاضا را در همه جا می توانیم پیدا کنیم، ازغذا پختن و اجناس مورد نیاز یک سوپرمارکت گرفته تا پیشبینی تقاضای کارخانجات و شرکت ها برای محصولاتشان و تحقیقات مربوط به آینده پژوهی.
پیشبینی همانطور که از اسمش پیداست یعنی تعیین مقدار/ حجم معینی از یک کالا/ خدمت درمدت زمان مشخصی از آینده. بطور مثال میزان تقاضا بستنی در 6 ماه آینده.
در پست های قبلی در مورد انواع روش های پیشبینی که به دو روش کمی و کیفی تقسیم می شود، صحبت کردیم.
روش های کیفی بیشتربه بحث و گفتگو می پردازد و نظر کارشناسان و خبرگان صنعت/ شرکت را شامل می شود. اما روش های کمی مربوط به تحلیل داده ها و بررسی روند گذشته می شود.
برای پیشبینی نرم افزارهای زیادی وجود داره که معروف ترین آنها Forecast Pro هست و البته برای استفاده باید هزینه های مربوطه را پرداخت کنید. اما بدون نرم افزار و با استفاده از اکسل و روش های آماری می شود پیشبینی انجام داد که در این پست به چند مورد اونها اشاره خواهم کرد.
البته باید اشاره کنم که در اکسل 2016 فرمول forecast هم وجود داره و قابلیت های زیادی را برای پیشبینی در اختیار کاربر قرار می دهد.
در مثال شکل زیر مقادیر واقعی 26 دوره را برای پیش بینی 6 ماه بعد درنظر گرفتم و در آخر نتایج روش های مختلف پیشبینی را با هم مقایسه میکنیم.
روش Naive
ساده ترین روش که مقدار واقعی ماه قبل را پیشبینی ماه بعد درنظر میگیرد. که در بسیاری از موارد کاربرد ندارد.
روش Moving Average
در این روش میانگین چند ماه گذشته (در این مثال 3 ماه گذشته) به عنوان پیشبینی ماه آینده مورد استفاده قرار میگیرد. معمولا از 3 یا 5 ماه گذشته استفاده می شود.
و خب بعلت میانگین گیری از 3 دوره قبل باید از ماه 4 پیشبینی انجام شود.
روش Weighted Moving average
بدلیل اینکه ممکنه روش فوق با خطا همراه باشه و یا بخواهید تاثیر یک دوره را بیشتر از دوره ای دیگر در میانگین گیری بنمایید، این روش مناسب است. در این مثال من وزن دوره اول را 20% دوره دوم 30% و دوره سوم را 50% مشخص کردم و نتایج را مشاهده می فرمایید.
روش Exponential
روش نمایی با استفاده از ضریب آلفا که بین صفر و یک است استفاده می کند. معمولا این ضریب بین 0.2 تا 0.4 تعیین می شود و بدین صورت محاسبه می گردد.
روش Linear
روش رگرسیون روشی است که با در نظر گرفتن مقادیر واقعی دوره ها و از طریق فرمول زیر محاسبه می شود و هر چقدر تعداد دوره بیشتری در این محاسبات دخیل باشد، نتیجه رضایت بخش تر خواهد بود و تا حدودی دقیق تر از روش های دیگر است.
در اکسل فرمول intercept , slope وجود دارد.
روش فصلی
در این روش ترند و seasonality را در پیشبینی محاسبه و دخالت می دهیم. ابتدا باید تاثیر هر دوره را بدست آورد که از تقسیم میانگین دوره بر میانگین کل 26 دوره موجود محاسبه می شود و در مقدار پیشبینی روش Linear ضرب می شود.
در این مثال index هر ماه را حساب و برای 26 دوره استفاده می کنیم.
خب توانستیم این روش ها را برای پیشبینی استفاده کنیم اما واقعا کدامیک مناسب است؟
برای اینکه مشخص کنیم که کدوم روش برای این مثال کاربردی است باید دید کدام روش دارای خطای کمتری است که با استفاده از روش MAPE همانطور که در تصویر زیر می بینید روش Seasonality دارای خطای کمتری نسبت به روش های دیگر است. اما همچنان درصد زیادی از خطا 25% دارد. در اینجا باید هزینه هایی مانند فروش از دست رفته، هزینه های عملیاتی و... را حساب کرد تا تصمیم گرفته شود آیا 25% خطا، انحراف از برنامه مناسبی است یا خیر.
علاوه بر روش های فوق، روش های پیشرفته تری هم وجود دارد که با درنظر گرفتن متغییرهای بیشتری (قیمت محصول و...) انجام می شود.
