3.

PREDVIANJE POTRANJE
Ivan Bagari
Univerzitet Singidunum
kolska 2012/2013 godina
OPERATIVNI MENADMENT
3. PREDVIANJE POTRANJE
3.1. ta je predvianje?
- Vremenski horizont predvianja
- Uticaj ivotnog ciklusa proizvoda
- Tipovi prognoza
3.2. Strategijska vanost predvianja
- Ljudski resursi
- Kapacitet
- Menadment lanca snabdevanja
3.3. Sedam koraka u sistemu predvianja
- Realni problemi
3.4. Prognostiki prilazi
3. PREDVIANJE POTRANJE
3.5. Kvalitativne metode
- Potota ekspertskog miljenja
- Delphi metoda
- Kombinovana prodajna sila
- Pregled potroakog trita
3.6. Kvantitativne metode
3.7. Predvianje na bazi vremenskih serija
- Razlaganje vremenske serije
- Naivni pristup
- Pokretni prosek
- Ponderisani pokretni prosek
- Eksponencijalno ravnjanje
- Projekcija trenda
3. PREDVIANJE POTRANJE
3.8. Softveri za predvianje
3.9. Predvianje u uslunom sektoru
3.10. Principi predvianja
3.1. ta je predvianje?
ii
Globalni portfolio ukljuuje parkove u Hong Kongu,
Parizu, Tokiju, Orlandu (Florida), i Anaheim-u (Kalifornija).
Prihodi se stiu od ljudi koliko je posetilaca i kako oni
troe njihov novac.
Dnevni izvetaj uprave sadri samo prognozu i stvarno
prisustvo za svaki park.
Slika 3.1a. Predvianje u Diznijevom svetu
Predvianje u Diznijevom svetu
ii
Slika 3.1b. Predvianje u Diznijevom svetu
Disney generie dnevne, nedeljne, mesene, godinje i
petogodinje prognoze.
Prognoze koriste menadment, slube ljudskih resursa,
odravanja, operacija, finansija, i vremenskog planiranja.
Prognoze se koriste za podeavanje radnog vremena,
vonje, predstave, nivoe anagaovanja radne snage, i
proputanje gostiju.
Predvianje u Diznijevom svetu
ii
Slika 3.2a. Predvianje u Diznijevom svetu
Oko 20 % posetilaca dolazi izvan SAD.
Ekonomski model ukljuuje Bruto domai proizvod, listu
kurseva valuta, i dolaske u SAD.
Ekipa od 35 analitiara i 70 terenskih radnika pretrauje
1 milion gostiju parka, zaposlenih, i radnika putnikih
agencija svake godine.
3.1. ta je predvianje?
ii
Slika 3.2b. Predvianje u Diznijevom svetu
Inputi za model predvianja ukljuuju specijalne letove,
politiku Federalnih rezervi, trendove u Wall Street-u i
vremenski raspored odmora i praznika za 3 000 kolskih
oblasti u svetu.
Prosena greka prognoze kod petogodinjih prognoza je
5%.
Prosena greka prognoze kod godinjih prognoza je
izmeu 0% i svega 3%.
3.1. ta je predvianje?
Svakog dana menaderi, kao oni u Diznijevom svetu, donose
odluke neznajui ta e se desiti u budunosti.
Oni naruuju zalihe bez znanja kakva e biti prodaja,
kupuju novu opremu uprkos nesigurnosti (po)tranje za
njihove proizvode, i
investiraju sredstva bez znanja koliki e profit biti.
Menaderi uvek pokuavaju da naprave to bolje procene
onoga to e se desiti u budunosti uprkos neizvesnosti.
Izrada dobrih procena je glavna svrha predvianja.
Dobre prognoze su esencijalni deo efikasnih proizvodnih
i uslunih operacija.
3.1. ta je predvianje?
DEF. 3.1: Predvianje je vetina i nauka o predskaziva-
nju buduih dogaaja.
??
Predvianje je
fundamentalna osnova
svih poslovnih odluka!
3.1. ta je predvianje?
Predvianje moe biti:
Primena istorijskih podataka i njihovo projektovanje u
budunost koristei neki matematiki model.
Subjektivno ili intuitivno predskazanje.
Kombinacija matematikog modela i menaderskog
dobrog rasuivanja.
U predvianju skoro da nema jednog superiornog modela.
Ono to najbolje funkcionie u jednoj firmi, u jednim
okolnostima, moe biti potpuna katastrofa u drugoj
organizaciji, pa ak i u drugom odeljenju iste firme.
Postoje ozbiljna ogranienja u vezi sa oekivanjima od
prognoza:
One su retko, ili nikada, perfektne.
One su skupe i vremenski zahtevne.
3.1. ta je predvianje?
MOE LI SE BEZ PREDVIANJA?
Samo malo preduzea moe sebi dozvoliti da ne koristi
predvianje, tj. da samo eka da vidi ta e se desiti i da tada
okuava sreu.
Efektivno planiranje, i kratkorono i dugorono, zavise
od predvianja (po)tranje za kompanijskim
proizvodima.
3.1. ta je predvianje?
3.1.1. VREMENSKI HORIZONT PREDVIANJA
Prognoza je obino klasifikovana po horizontu budueg
vremena koji ona pokriva.
Vremenski horizont pada u tri kategorije, i to:
1. Kratkorona prognoza,
2. Srednjorona prognoza,
3. Dugorona prognoza.
3.1. ta je predvianje?
1. Kratkorona prognoza:
Ova prognoza ima vremenski raspon do 1 godine, ali je
najee do 3 meseca.
Koristi se za planiranje:
Nabavki,
Vremensko planiranje poslova,
Nivoa radne snage,
Dodeljivanja poslova,
Nivoa proizvodnje.
3.1. ta je predvianje?
2. Srednjorona prognoza:
Ova prognoza ima vremenski raspon od 3 meseca do 3
godine.
Koristi se za:
Planiranje prodaje,
Planiranje proizvodnje,
Odreivanje budeta,
Odreivanje budeta gotovine,
Analizu razliitih operativnih planova.
3.1. ta je predvianje?
3. Dugorona prognoza:
Vremenski raspon je 3 godine ili vie.
Koristi se za:
Planiranje novih proizvoda,
Planiranje investicione potronje,
Planiranje lokacija objekata ili proirenja objekata,
Planiranje istraivanja i razvoja.
3.1. ta je predvianje?
Razlike srednjoronih i dugoronih prognoza od
kratkoronih prognoza su:
1. Srednjorone i dugorone prognoze se bave sa
obimnijim pitanjima i podravaju odluke menadmenta
koje se tiu planiranja i proizvoda, fabrika i procesa.
2. Kratkorono predvianje obino koristi drugaije
metodologije nego dua predvianja.
Matematike tehnike kao pokretni proseci, eksponenci-
jalno ravnanje i projekcija trenda su uobiajene za
kratkorone projekcije.
3. Kratkorone prognoze su obino tanije nego ostale.
Faktori koji utiu na (po)tranju menjaju se svaki dan, te
sa produenjem horizonta tanost prognoze opada.
Stoga, neke prognoze (prodajne) se regularno auriraju.
3.1. ta je predvianje?
3.1.2. UTICAJ IVOTNOG CIKLUSA PROIZVODA
ivotni ciklus proizvoda je sledei faktor koji treba
razmotriti kada se razvijaju prodajne prognoze, posebno
due (PRIKAZ).
Proizvodi, pa ak i usluge, se ne prodaju na konstantnom
nivou tokom njihovog veka.
Veina uspenih proizvoda prolazi kroz 4 faze ivotnog
ciklusa: (1) uvoenje, (2) rast, (3) zrelost, i (4) pad.
Proizvodi u prve dve faze trebaju due prognoze od onih u
fazama zrelosti i pada.
Prognoze koje uzimaju u obzir ivotni ciklus su korisne u
projektovanju (a) razliitih nivoa radne snage, (b) nivoa
zaliha, i (c) fabrikih kapaciteta, kako proizvod prolazi od
prve do poslednje faze.
3.1. ta je predvianje?
UTICAJ IVOTNOG CIKLUSA PROIZVODA
PRIKAZ: ivotni ciklus proizvoda
Najbolji period za
poveanje udela
na tritu.
Istraivanje i
razvoj su presudni
Pogodno za
promenu cene ili
imida kvaliteta.
Jaanje nie.
Slab trenutak za
promenu imida,
cene ili kvaliteta.
Konkurentnost
trokova postaje
presudna.
Odbrana trine
pozicije.
Presudna
kontrola
trokova.
Uvoenje Rast Zrelost Pad
K
o
m
p
a
n
i
j
s
k
a

s
t
r
a
t
e
g
i
j
a
/
P
i
t
a
n
j
a
Pretraivai Interneta
Prodaja
Drive-in
restorani
CD-ROM-ovi
Analog
TVs
iPods
Boeing 787
LCD &
plasma TVs
Twitter
Avatars
Xbox 360
3.1. ta je predvianje?
UTICAJ IVOTNOG CIKLUSA PROIZVODA
PRIKAZ: ivotni ciklus proizvoda na nivou OM funkcije
Projektovanje i
razvoj
proizvoda su
presudni
este promene
projekta
proizvoda i
procesa
Visoki trokovi
proizvodnje
Limitirani modeli
Panja na
kvalitetu
Uvoenje Rast Zrelost Pad
O
M

S
t
r
a
t
e
g
i
j
a
/
P
i
t
a
n
j
a
Predvianje je
presudno
Pouzdanost
proizvoda i
procesa
Unapreenje
konkurentnosti
proizvoda
Poveanje
kapaciteta
Unapreenje
distribucije
Standardizacija
Manje promena
proizvoda
Optimalni
kapacitet
Poveanje
stabilnosti
proizvodnog
procesa
Poboljanje
proizvoda i
seenje
trokova
Male
diferencijaci-
je proizvoda
Minimizacija
trokova
Prekomerni
kapaciteti u
delatnosti
Smanjenje
kapaciteta
3.1. ta je predvianje?
3.1.3. TIPOVI PROGNOZA
Organizacije koriste tri glavna tipa prognoza u planiranju
buduih operacija, i to:
1. Ekonomske prognoze
2. Tehnoloke prognoze,
3. Prognoze potranje.
3.1. ta je predvianje?
1. Ekonomske prognoze posveene su poslovnom ciklusu
putem predvianja stopa inflacije, novanih zaliha, ili
drugih planskih indikatora.
DEF. 3.2: Ekonomske prognoze su planski indikatori
koji su korisni za organizaciju kod pripremanja
srednjoronih i dugoronih prognoza.
2. Tehnoloke prognoze se odnose na brzinu tehnolokog
progresa, koji moe rezultovati stvaranjem uzbudljivih
novih proizvoda, zahtevajui nove fabrike i opremu.
DEF. 3.3: Tehnoloke prognoze su dugorone progno-
ze koje se bave brzinom tehnolokog progresa.
3.1. ta je predvianje?
3. Prognoze (po)tranje su projekcije (po)tranje za
kompanijskim proizvodima ili uslugama.
Ove prognoze, zvane i prodajne prognoze, pokreu
kompanijsku proizvodnju, kapacitete, i sisteme vremen-
skog planiranja i slue kao inputi za finansijsko,
marketinko i planiranje ljudskih resursa (slika 3.3).
DEF. 3.4: Prognoze potranje su projekcije kompa-
nijske prodaje za svaki vremenski period unutar pla-
niranog horizonta.
Ekonomsko i tehnoloko predvianje su specijalizovane teh-
nike koje mogu padati izvan uloge menadera operacija.
Stoga e se ovde posvetiti panja predvianju potranje!
3.1. ta je predvianje?
TIPOVI PROGNOZA
Slika 3.3. Oblici potranje
3.1. ta je predvianje?
TIPOVI PROGNOZA
Slika 3.4. Lipton aj je jedan od mnogih proizvoda Unilever products kompanije i
njegova potranja irom sveta mora da bude predviena.
3.2. Strategijska vanost predvianja
Dobre prognoze su od presudne vanosti u svim aspektima
poslovanja.
Prognoza je jedina procena potranje sve dok stvarna
potranja ne postane poznata.
Prognoze potranje, stoga, pokreu odluke u mnogim
oblastima.
Pogledajmo uticaj prognoze potranje proizvoda na tri
oblasti poslovanja:
1. Ljudske resurse,
2. Kapacitet, i
3. Menadment lanca snabdevanja.
3.2. Strategijska vanost predvianja
3.2.1. LJUDSKI RESURSI
Zapoljavanje, obuavanje i otputanje radnika, sve
zavisi od predviene potranje.
Ako odeljenje ljudskih resursa mora angaovati dodatne
radnike bez prethodnog upozorenja, obim obuavanja
opada i kvalitet radne snage trpi.
PRIMER: Velika hemijska firma iz Luizijane zamalo je
izgubila svog najveeg kupca kada je brza ekspanzija
zahtevala rad u tri smene to je dovelo do potpunog
izostanka kontrole kvaliteta u drugoj i treoj smeni.
3.2. Strategijska vanost predvianja
3.2.2. KAPACITET
Kada je proizvodni kapacitet nedovoljan, rezultujui
manjak proizvoda moe voditi gubitku korisnika i
trinog udela.
PRIMER: Ovo se upravo dogodilo firmi Nabisco kada je
potcenila veliku potranju za svojim novim niskokalorinim
kolaima.
Iako su proizvodne linije radile prekovremeno, Nabisco nije
mogao zadovoljiti potranju, i izgubio je kupce.
Tako je i Amazon napravio istu greku sa svojim Kindle.
Sa druge strane, ako su kapaciteti preveliki, trokovi
mogu poleteti uvis!
3.2. Strategijska vanost predvianja
3.2.3. MENADMENT LANCA SNABDEVANJA
Dobri odnosi sa snabdevaem i na osnovu toga dobijene
povoljne cene za materijale i delove zavise od tanih
prognoza.
PRIMER: Na globalnom tritu, gde se skupe komponente
za Boeing 787 izrauju u deset zemalja, koordinacija koju
pokreu prognoze je presudna.
Vremensko planiranje transporta za Sijetl za finalno
sklapanje sa najmanjim moguim trokovima znai da nisu
dozvoljena iznenaenja u poslednjem trenutku koja mogu
nakoditi ionako niskim marginama profita.
3.3. Sedam koraka u sistemu predvianja
Predvianje sledi sedam osnovnih koraka, i to:
1. Odredi namenu prognoze,
2. Izaberi parametre koji se prognoziraju,
3. Odredi vremenski horizont prognoze,
4. Izaberi model(e) predvianja,
5. Prikupi podatke potrebne za izradu prognoze,
6. Izradi prognozu,
7. Potvrdi i primeni rezultate.
3.3. Sedam koraka u sistemu predvianja
Odredi namenu
prognoze
1
Izaberi parametre
koji se prognoziraju
2
Odredi vremenski
horizont prognoze
3
Izaberi model(e)
predvianja
4
Prikupi podatke za
izradu prognoze
5
Izradi prognozu
6
Potvrdi i primeni
rezultate prognoze
7
Slika 3.5. Sedam koraka
u sistemu predvianja
3.3. Sedam koraka u sistemu predvianja
Iskoristimo Diznijev svet iz uvoda ovog poglavlja kao
primer za svaki korak:
1. Odredi namenu prognoze: Dizni koristi prognoze o
broju posetilaca parka za donoenje odluka o angao-
vanju radne snage, radnom vremenu, raspoloivosti
vonji, i snabdevanju hranom.
2. Izaberi parametre koji se prognoziraju: U Diznijevom
svetu ima est glavnih parkova.
Prognoza dnevnog broja posetilaca u svakom od njih je
glavni broj koji odreuje rad, odravanje i vremensko
planiranje.
3. Odredi vremenski horizont prognoze: Da li je to
kratkorona, srednjorona ili dugorona prognoza?
Dizni razvija dnevne, nedeljne, mesene, godinje i
petogodinje prognoze.
3.3. Sedam koraka u sistemu predvianja
4. Izaberi model(e) predvianja: Dizni koristi razliite
statistike modele ukljuujui pokretne proseke,
ekonometriju i regresionu analizu.
Takoe, koristi modele rasuivanja i nekvantitativne
modele.
5. Prikupi podatke potrebne za izradu prognoze: Diznijev
prognostiki tim broji 35 analitiara i 70 terenskih
saradnika koji pregledaju 1 milion ljudi i preduzea
svake godine.
Dizni dodatno koristi:
usluge firme Global Insights za predvianja u
turistikoj delatnosti, i
prikuplja podatke o kursevima valuta, dolascima u
SAD, specijalnim letovima, trendovima u Wall
Street-u, i rasporedima kolskih raspusta.
3.3. Sedam koraka u sistemu predvianja
6. Izradi prognozu
7. Potvrdi i primeni rezultate: U Dizniju, prognoze se
dnevno ponovno razmatraju na najviim nivoima da bi
se osiguralo da su model, pretpostavke, i podaci validni.
Potom se primenjuju greke merenja.
Na kraju, prognoze se koriste za rasporeivanje
personala ak na intervale od svega 15 minuta.
Ovih sedam koraka predstavlja sistematski nain
pokretanja, projektovanja i primene sistema predvianja.
Kada se sistem koristi za generisanje prognoza u regularnim
vremenskim razmacima, podaci se rutinski prikupljaju.
Tada se stvarna izraunavanja obino rade na raunaru.
3.3. Sedam koraka u sistemu predvianja
Nezavisno od sistema koji firme kao Dizni koriste, svaka
kompanija se suoava sa nekoliko realnih problema:
Prognoze su retko savrene.
To znai da spoljni faktori koje ne moemo predvideti ni
kontrolisati esto utiu na prognoze.
Veina prognostikih tehnika pretpostavlja da
postoji neka osnovna stabilnost u sistemu.
Zbog toga, neke firme automatizuju svoja predvianja
koristei softvere za predvianje, a potom paljivo
posmatraju samo proizvode ija je potranja nestalna.
Prognoze za familiju proizvoda i zdruene prognoze
su tanije od prognoza za pojedinani proizvod.
PRIMER:Dizni spaja prognoze dnevnih poseta po parku.
Ovakav prilaz pomae uravnoteenju podbacivanja i
prebacivanja procena za svaki od ovih est parkova.
3.4. Prognostiki prilazi
Postoje dva opta prognostika prilaza, i to:
Kvantitativna prognoza, i
Kvalitativna prognoza.
Kvantitativna prognoza koristi razliite matematike
modele koji se oslanjaju na istorijske podatke i/ili pridruene
promenljive radi prognoze potranje.
Koriste se kada je situacija stabilna i postoje istorijski
podaci.
DEF. 3.5: Kvantitativne prognoze su prognoze koje
koriste matematiko modelovanje za predvianje
potranje.
3.4. Prognostiki prilazi
Kvalitativne prognoze (ili subjektivne) ukljuuju takve
faktore kao intuiciju donosioca odluka, emocije, lino
iskustvo i vrednosni sistem.
Koriste se kada je situacija nejasna i postoji malo
podataka.
Obino za predvianje:
novih proizvoda, i
novih tehnologija.
DEF. 3.6: Kvalitativne prognoze su prognoze koje uklju-
uju takve faktore kao to su intuicija donosioca odluka,
emocije, lina iskustva i vrednosni sistem.
U praksi, kombinacija oba prilaza je obino najefektivnija.
3.5. Kvalitativne metode
Ovde moemo posmatrati etiri razliite kvalitativne tehnike
predvianja, i to:
1. Porota ekspertskog miljenja,
Zajedniko miljenje eksperata.
2. Delphi metod,
Komisija eksperata, voena iterativno.
3. Kombinovana prodajna sila,
Procene prodavaca, date zdrueno.
4. Pregled potroakog trita,
Ispitivanje korisnika.
3.5. Kvalitativne metode
3.5.1. POROTA EKSPERTSKOG MILJENJA
Ova metoda:
Ukljuuje malu grupu visokostrunih eksperata i
menadera.
Grupa procenjuje potranju radei zajedno.
esto kombinuje menadersko iskustvo sa statistikim
modelima.
Rade relativno brzo.
Na kraju, donose
zajedniko miljenje
o proceni potranje.
Nedostatak je
grupno razmiljanje.
3.5. Kvalitativne metode
DEF. 3.7: Porota ekspertskog miljenja je prognostika
tehnika koja koristi miljenje male grupe visokostrunih
menadera za formiranje grupne procene potranje.
PRIMER: Bristol-Myers koristi 220 poznatih istraivaa
kao svoju porotu da procene budue trendove u svetu
medicinskih istraivanja.
3.5. Kvalitativne metode
3.5.2. DELPHI METODA
Ova metoda je:
Iterativni grupni proces.
Traje do postizanja
konsenzusa.
Grupa se sastoji od
tri tipa uesnika.
Uesnici su:
donosioci odluka,
zaposleni kadrovi
i saradnici.
Zaposleni
(Administriraju
pretraivanje)
Donosioci odluka
(procenjuju
odgovore i donose
odluke)
Saradnici
(Ljudi koji mogu da
donesu vredne
procene)
Slika 3.6. Delphi metoda
3.5. Kvalitativne metode
DEF. 3.8: Delphi metoda je prognostika tehnika koja
koristei grupni proces daje priliku ekspertima da
izrade prognozu.
Donosioci odluka obino formiraju grupu od 5 do 10
eksperata (panel) koja izrauje stvarnu prognozu.
Zaposleni kadrovi pomau donosiocima odluka
pripremom, distribuiranjem, skupljanjem i sumiranjem niza
upitnika i rezultata pretraivanja.
Saradnici su grupa ljudi, esto locirani u razliitim
mestima, ije je rasuivanje cenjeno.
Ova grupa obezbeuje ulazne podatke donosiocima odluka
pre nego to se prognoza radi.
3.5. Kvalitativne metode
3.5.3. KOMBINOVANA PRODAJNA SILA
Kod ove metode:
Svaki prodavac ponaosob procenjuje kakva e biti
prodaja u oblasti koju pokriva.
Pretpostavka je da prodavci znaju ta korisnici ele.
Zatim se ove prognoze pregledaju da bi se proverila
njihova realnost.
Potom se pojedinane prognoze kombinuju na nivou
okruga ili na nacionalnom nivou da bi se dobila
sveobuhvatna prognoza.
Prognoza moe da bude previe optimistika.
3.5. Kvalitativne metode
DEF. 3.9: Kombinovana prodajna sila je prognostika
tehnika bazirana na proceni prodavaca o oekivanoj
prodaji.
Ponegde se sprovodi varijacija ove tehnike tako to se
prodavci kvartalno sastaju i razmenjuju iskustva o stanju i
karakteristikama prodaje to se prosleuje sektoru
proizvodnje (Lexus).
3.5. Kvalitativne metode
3.5.4. PREGLED POTROAKOG TRITA
Kod ove metode:
Trae se podaci od korisnika ili potencijalnih korisnika
u pogledu njihovih buduih planova kupovine.
Ona moe pomoi ne samo u pripremi prognoze,
ve i u poboljanju dizajna proizvoda i planiranja
novih proizvoda.
Meutim, ta korisnici kau i ta stvarno rade esto je
razliito.
3.5. Kvalitativne metode
PREGLED POTROAKOG TRITA
DEF. 3.10: Pregled potroakog trita je prognostika
metoda koja trai inpute od korisnika ili potencijalnih
korisnika u vezi sa njihovim buduim planovima
kupovine.
Ova i prethodna metoda mogu da pate od previe
optimistikih prognoza koje nastaju od korisnikih inputa.
PRIMER: Godine 2001, propast telekomunikacione
delatnosti bio je rezultat prekomerne ekspanzije da se
zadovolji eksplozivna potroaka potranja.
Odakle su doli ti podaci?
Oplink Communications, snabdeva Nortel Networks-a,
kae da su prognoze njihove kompanije u toku proteklih
nekoliko godina bile uglavnom bazirane na neformalnim
razgovorima sa korisnicima.
3.6. Kvantitativne metode
Pet kvantitativnih prognostikih metoda, od kojih sve koriste
istorijske podatke, spadaju u dve kategorije, i to:
Modeli vremenske serije
1. Naivni pristup,
2. Pokretni proseci
3. Eksponencijalno ravnanje
4. Projekcija trenda
Asocijativni model
1. Linearna regresija
3.6. Kvantitativne metode
MODELI VREMENSKE SERIJE
Ovi modeli rade na bazi pretpostavke da je budunost
funkcija prolosti.
Oni gledaju ta se dogaalo u jednom periodu vremena i
koriste seriju podataka iz prolosti da izrade prognozu.
Pretpostavka je da faktori koji su delovali u prolosti
(i sadanjosti) e nastaviti da deluju u budunosti.
PRIMER: Ako predviamo prodaju kosaica, koristiemo
podatke o prodaji kosaica iz prolosti za izradu prognoze.
DEF. 3.11: Vremenska serija je prognostika tehnika ko-
ja koristi seriju podataka iz prolosti za izradu prognoze.
3.6. Kvantitativne metode
ASOCIJATIVNI MODELI
Ovi modeli, kao linearna regresija, ukljuuju:
promenljive ili faktore
koji bi mogli uticati na veliinu koja se prognozira.
PRIMER: Ovaj model za prodaju kosaice bi mogao koristiti
faktore kao broj novih kua, budet za reklamiranje i cene
kod konkurenata.
3.7. Predvianje na bazi vremenskih serija
Vremenska serija se bazira na sekvenci ravnomerno
rasporeenih (nedeljno, meseno, kvartalno, itd) taaka
podataka.
Predvianje vremenske serije podataka implicira da se
budue vrednosti predskazuju:
samo na osnovu prolih vrednosti
i da druge promenljive, ma koliko potencijalno vredne
mogu biti ignorisane.
3.7. Predvianje na bazi vremenskih serija
3.7.1. RAZLAGANJE VREMENSKE SERIJE
Analiziranje vremenske serije znai rastavljanje
podataka iz prolosti u komponente i potom njihovo
projektovanje unapred.
Vremenska serija ima etiri komponente (Slika 3.7), i to:
Trend,
Sezonski modalitet,
Cikluse,
Sluajne varijacije.
3.7. Predvianje na bazi vremenskih serija
Slika 3.7. Komponente vremenske serije
Trend
Sezonski
modalitet
Ciklusi
Sluajne
varijacije
3.7. Predvianje na bazi vremenskih serija
1. Trend je postepeno kretanje podataka nagore ili nadole
u toku vremena.
To su obino promene u prihodu, populaciji, starosnoj
raspodeli, tehnologiji ili kulturnim pogledima.
Obino traju nekoliko godina.
t
Slika 3.8. Trend
3.7. Predvianje na bazi vremenskih serija
2. Sezonski modalitet je paket podataka koji se ponavlja
posle nekog perioda dana, nedelja, meseci ili kvartala.
Postoji est uobiajenih sezonskih paketa:
Tabela 3.1.
est
uobiajenih
sezonskih
paketa
PRIMER: Restorani i frizerske radnje oseaju nedeljni
paket sa dnevnim sezonama, sa subotom kao vrhom
poslovanja. Distributeri piva predviaju godinji paket, sa
mesenim sezonama.
Period Duina Broj sezona
paketa sezone u paketu
Nedelja Dan 7
Mesec Nedelja 4-4.5
Mesec Dan 28-31
Godina Kvartal 4
Godina Mesec 12
Godina Nedelja 52
3.7. Predvianje na bazi vremenskih serija
3. Ciklusi su zakonitosti koje se pojavljuju u podacima i
koje se deavaju svakih nekoliko godina.
U obliku su ponavljajuih gore-dole kretanja sa trajanjem
od vie godina.
Vezani su za poslovne cikluse, politike i ekonomske
faktore.
Od velike su vanosti za kratkorone poslovne analize i
planiranje.
Predvianje ciklusa
je teko jer mogu biti
pod uticajem politi-
kih dogaaja ili meu-
narodnih nemira.
0 5 10 15 years20
Slika 3.9. Cuklusi
3.7. Predvianje na bazi vremenskih serija
4. Sluajne varijacije su odrazi u podacima
prouzrokovani neuobiajenim situacijama i sluajno.
One ne prate primetne
zakonitosti, tako da se Slika 3.10. Sluajne vibracije
ne mogu predvideti.
Kratko traju
Nestalne su
Nisu ponavljajue
M T W T F
3.7. Predvianje na bazi vremenskih serija
STVARNA KRIVA POTRANJE
Slika 3.11 ilustruje potranju u periodu od 4 godine.
Ona pokazuje srednju potranju za 4 godine, trend, sezonske
komponente i sluajne varijacije oko stvarne krive potranje.
Srednja potranja je suma potranji za svaki posmatrani
period podeljena sa brojem perioda.
3.7. Predvianje na bazi vremenskih serija
Slika 3.11. Potranja u periodu od 4 godine sa trendom porasta i sezonskim
varijacijama
P
o
t
r
a

n
j
a

z
a

p
r
o
i
z
v
o
d
o
m

i
l
i

u
s
l
u
g
o
m
| | | |
1 2 3 4
Vreme (godine)
Srednja potranja
u periodu od 4
godine
Trend
komponenta
Stvarna kriva
potranje
Sluajne varijacije
Sezonski pikovi
3.7. Predvianje na bazi vremenskih serija
3.7.2. NAIVNI PRISTUP
Najjednostavniji nain predvianja je pretpostaviti da e
potranja u narednom periodu biti jednaka
potranji u upravo proteklom periodu.
PRIMER: Ako je prodaja Nokia
mobilnih telefona u januaru bila
68 jedinica, moemo predvideti
da e prodaja u februaru biti
takoe 68 jedinica.
Da li to ima smisla?
DEF. 3.12: Naivni pristup je prognostika tehnika koja
pretpostavlja da e potranja u narednom periodu biti
jednaka potranji u upravo proteklom periodu.
3.7. Predvianje na bazi vremenskih serija
3.7.3. POKRETNI PROSEK
Prognoza pokretni prosek koristi jedan broj istorijskih
stvarnih podataka radi generisanja prognoze.
To je serija aritmetikih sredina!
Ova metoda je korisna ako moemo da pretpostavimo da e
potranja na tritu ostati prilino stabilna tokom vremena.
Dakle, koristi se kada je trend mali ili ga uopte nema.
Koristi se za ravnanje neregularnosti podataka.
DEF. 3.13: Pokretni prosek je prognostika metoda koja
koristi srednju vrednost podataka za n najsveijih
perioda da bi se prognozirala potranja za naredni
period.
3.7. Predvianje na bazi vremenskih serija
POKRETNI PROSEK
PRIMER: etvoromeseni pokretni prosek se nalazi putem
sabiranja potranje za protekla 4 meseca i deljenjem sa 4.
Sa svakim novim mesecom, najsveiji meseni podaci se
dodaju sumi podataka za prethodna 3 meseca, a podaci za
najstariji mesec otpadaju.
Ova praksa slui da izravna kratkotrajne neregularnosti u
seriji podataka.
Matematiki, prosti pokretni prosek (koji slui kao
procena potranje u sledeem periodu) se izraava kao
gde je n broj perioda u pokretnom proseku, na primer, 4, 5
ili 6 meseci, respektivno, za 4-, 5- ili 6-periodini pokretni
prosek.
Pokretni prosek =
Potranje u prethodnih n perioda
n
3.7. Predvianje na bazi vremenskih serija
POKRETNI PROSEK
PRIMER 3.1: Odreivanje pokretnog proseka
Donna`s Garden Supply eli tromesenu prognozu pokretni prosek,
ukljuujui i prognozu za sledei januar, za svoju prodaju plastenika.
PRILAZ Prodaja plastenika prikazana je u srednjoj koloni tabele
3.2. Tromeseni pokretni prosek - prognoza se pojavljuje na desnoj
strani.
REENJE Prognoza za decembar je 202/3. Radi projektovanja
potranje plastenika u dolazeem januaru, mi sabiramo oktobarsku,
novembarsku i decembarsku prodaju i delimo sa 3, te za januarsku
prognozu dobijamo (18 + 16 + 14)/3 = 16.
PREGLED Menadment sada ima prognozu koja usrednjava
prodaju za prethodna tri meseca. To je lako za primenu i razumevanje.
Rezultati iz tabele 3.2 prikazani su na dijagramu na slici 3.12.
3.7. Predvianje na bazi vremenskih serija
POKRETNI PROSEK Tabela 3.2. Rezultati za Primer 3.1
January 10
February 12
March 13
April 16
May 19
June 23
July 26
Stvarna pro- Prognoza
Mesec daja plastenika pokretnog proseka
(12 + 13 + 16)/3 = 132/3
(13 + 16 + 19)/3 = 16
(16 + 19 + 23)/3 = 191/3
August 30 (19 + 23 + 26)/3 = 222/3
September 28 (23 + 26 + 30)/3 = 261/3
October 18 (26 + 30 + 28)/3 = 28
November 16 (30 + 28 + 18)/3 = 251/3
December 14 (28 + 18 + 16)/3 = 202/3
10
12
13
(10 + 12 + 13)/3 = 112/3
3.7. Predvianje na bazi vremenskih serija
POKRETNI PROSEK
Slika 3.12. Dijagram prognoze pokretnog proseka iz Tabele 1.1
| | | | | | | | | | | |
J F M A M J J A S O N D
P
r
o
d
a
j
a

p
l
a
s
t
e
n
i
k
a
30
28
26
24
22
20
18
16
14
12
10
Stvarna
prodaja
Prognoza
pokretnog
proseka
Mesec
3.7. Predvianje na bazi vremenskih serija
3.7.4. PONDERISANI POKRETNI PROSEK
Kada je prisutan trend ili neka zakonitost, mogu se
koristiti teinski faktori da se stavi jai naglasak na
sveije podatke (a da se stariji podaci uine manje vanim).
Izbor teinskih faktora je proizvoljan i nema gotovih
formula. Suma teinskih faktora moe biti jednaka 1.
Odluka o njihovom izboru trai odreeno iskustvo i intuiciju
Ponderisani pokretni prosek moe se matematiki izraziti
kao:
Ponderisani
pokretni
prosek
=
(Teinski faktor za period n) (Potranja u periodu n)
Teinskih faktora

3.7. Predvianje na bazi vremenskih serija

I prosti i ponderisani pokretni prosek su efektivni u ravnanju
iznenadnih fluktuacija u dijagramu potranje kako bi
obezbedili stabilne procene.
Ipak, pokretni proseci imaju tri problema:
1. Poveanje broja perioda n bolje pegla fluktuacije, ali
ini metodu manje osetljivom na realne promene
podataka.
2. Pokretni proseci ne mogu dobro osetiti trendove.
Kao proseci, oni e uvek ostati unutar proteklih nivoa i
nee predvideti promene, niti u pravcu viih, niti niih
nivoa.
Dakle, oni e zaostajati za stvarnim vrednostima.
3. Pokretni proseci zahtevaju obimnu koliinu istorijskih
podataka.
3.7. Predvianje na bazi vremenskih serija
Na slici 3.13, dijagram podataka iz Primera 3.1 i 3.2 ilustruje
efekat zaostajanja kod oba modela pokretnog proseka u
odnosu na stvarnu potranju.
Efekat zaostajanja je posledica postojanja promena u
potranji.
Ponderisani pokretni prosek, meutim, obino reaguje bre
(bolje) na promene potranje.
ak i u periodima pada (vidi novembar i decembar) on blie
prati stvarnu potranju.
3.7. Predvianje na bazi vremenskih serija
PONDERISANI POKRETNI PROSEK
Slika 3.13. Stvarna potranja, prognoza pokretnog proseka i prognoza ponderisanog
pokretnog proseka za Primere 3.1 i 3.2
30
25
20
15
10
5
P
o
t
r
a

n
j
a

p
r
o
d
a
j
e
| | | | | | | | | | | |
J F M A M J J A S O N D
Stvarna
prodaja
Prognoza
pokretnog
proseka
Prognoza
Ponderisanog
pokretnog
proseka
Mesec
3.7. Predvianje na bazi vremenskih serija
PONDERISANI POKRETNI PROSEK
PRIMER 3.2: Odreivanje ponderisanog pokretnog proseka
Donna`s Garden Supply eli da predvidi prodaju plastenika pomou
ponderisanja poslednja tri meseca, sa vie teine date najsveijim
podacima kako bi oni imali vei znaaj.
PRILAZ Pridodaj vie teine najsveijim podacima, kako sledi.
Tabela 3.3.
Izbor
teinskih
faktora
REENJE Rezultati ove ponderisane prognoze su u tabeli 3.4.
Primenjeni teinski faktori Period
3 Proli mesec
2 Pretproli mesec
1 Trei mesec unazad
6 Zbir teinskih faktora
3.7. Predvianje na bazi vremenskih serija
PONDERISANI POKRETNI PROSEK Tabela 3.4. Rezultati za Primer 3.2
January 10
February 12
March 13
April 16
May 19
June 23
July 26
Stvarna pro- Prognoza ponderisanog
Mesec daja plastenika pokretnog proseka
[(3 x 16) + (2 x 13) + (12)]/6 = 14
1/3
[(3 x 19) + (2 x 16) + (13)]/6 = 17
[(3 x 23) + (2 x 19) + (16)]/6 = 20
1/2
August 30 [(3 x 26) + (2 x 23) + (19)]/6 = 23
5/6
September 28 [(3 x 30) + (2 x 26) + (23)]/6 = 27
1/2
October 18 [(3 x 28) + (2 x 30) + (26)]/6 = 28
1/3
November 16 [(3 x 18) + (2 x 28) + (30)]/6 = 23
1/3
December 14 [(3 x 16) + (2 x 18) + (28)]/6 = 18
2/3
10
12
13
[(3 x 13) + (2 x 12) + (10)]/6 = 12
1/6
3.7. Predvianje na bazi vremenskih serija
3.7.5. EKSPONENCIJALNO RAVNANJE
Eksponencijalno ravnanje je sofisticirani ponderisani
pokretni prosek koji je jo uvek veoma lak za primenu.
Ova metoda ukljuuje malu koliinu istorijskih podataka.
Najsveiji podaci imaju najvei teinski faktor, koji se ovde
naziva konstanta ravnanja i obeleava sa - alfa.
Alfa je subjektivno izabrana i iznosi 0 do 1.
DEF. 3.14: Eksponencijalno ravnanje je ponderisani
pokretni presek u kojoj su podaci ponderisani sa jednom
eksponencijalnom funkcijom.
DEF 3.15: Konstanta ravnanja je teinski faktor koji se
koristi u metodi eksponencijalnog ravnanja i koja je broj
izmeu 0 i 1.
3.7. Predvianje na bazi vremenskih serija
Osnovna formula eksponencijalnog ravnanja moe se
prikazati kao:
Nova prognoza = Prognoza za poslednji period
+ (Stvarna potranja za poslednji period
Prognoza za poslednji period)
F
t
= F
t-1
+ (A
t-1
F
t-1
) (4-1)
Gde je: F
t
= Nova prognoza
F
t-1
= Prognoza za poslednji period
A
t-1
= Stvarna potranja za poslednji period
= Konstanta ravnanja (0 1)
3.7. Predvianje na bazi vremenskih serija
EKSPONENCIJALNO RAVNANJE
PRIMER 3.3: Odreivanje prognoze putem eksponencijalnog
ravnanja
U januaru, diler automobila predvideo je potranju u februaru za 142
automobila marke Ford Mustang. Stvarna februarska potranja bila je
153 automobila. Koristei konstantu ravnanja izabranu od
menadmenta od = 0,20, diler eli da predvidi martovsku potranju
koristei model eksponencijalnog ravnanja.
PRILAZ Moe se primeniti model eksponencijalnog ravnanja dat
jednainom (4-1).
REENJE Zamenjujui podatke iz zadatka u navedenu formulu,
mi dobijamo da je
nova prognoza (za mart) = 142 + 0,2(153 142) = 142 + 2,2 = 144,2
Dakle, prognoza martovske potranje za Ford Mustang je 144 vozila.
PREGLED Koristei samo dva podatka, jednu prognozu i jednu
stvarnu potranju, plus izabrana konstanta ravnanja, mi smo razvili
prognozu od 144 automobila za mart mesec.
3.7. Predvianje na bazi vremenskih serija
Izbor konstante ravnanja
Eksponencijalno ravnanje je lako za upotrebu, i uspeno se
primenjuje u praktino svakom tipu poslovanja.
Meutim, vrednost konstante ravnanja , moe napraviti
razliku izmeu tane i netane prognoze.
Visoke vrednosti se biraju kada se osnovni prosek vero-
vatno menja. Za =1 ovaj model postaje naivni pristup.
Niske vrednosti se koriste kada je osnovni prosek prilino
stabilan. Za =0 prognoza se nikad ne menja.
F
t
= F
t-1
+ (A
t-1
F
t-1
)
3.7. Predvianje na bazi vremenskih serija
3.7.6. PROJEKCIJA TRENDA
Projekcija trenda postavlja liniju trenda kroz seriju
taaka iz istorijskih podataka i projektuje tu liniju u
budunost za potrebe prognoze.
Nekoliko matematikih trend jednaina se mogu koristiti,
eksponencijalnih ili kvadratnih, ali se najee koriste samo
linearni trendovi.
DEF. 3.16: Projekcija trenda je prognostika metoda na
bazi vremenske serije koja postavlja liniju trenda kroz
seriju taaka iz istorijskih podataka i projektuje tu liniju
u budunost za potrebe prognoze.
3.7. Predvianje na bazi vremenskih serija
Ako elimo da razvijemo linearnu liniju trenda pomou
precizne statistike metode, koristimo metodu najmanjih
kvadrata.
Metoda najmanjih kvadrata daje pravu liniju koja
minimizira sumu kvadrata vertikalnih odstupanja od linije
do svake od stvarnih taaka posmatranja.
Slika 3.14 ilustruje ovu metodu.
3.7. Predvianje na bazi vremenskih serija
Linija najmanjih kvadrata se opisuje u obliku njenog y-odse-
ka (a = visina na kojoj linija preseca y-osu) i njenog koefi-
cijenta nagiba b. Ako moemo da izraunamo y-odseak i
nagib (a i b), moemo da izrazimo liniju sledeom relacijom
y = a + bx (4-2)
^
gde je y = izraunata vrednost promenljive koja se
predvia (zavisno promenljiva)
a = y-odseak
b = koeficijent nagiba
x = nezavisna promenljiva
^
3.7. Predvianje na bazi vremenskih serija
Slika 3.14. Metoda najmanjih kvadrata
Vremensku period x
V
r
e
d
n
o
s
t

z
a
v
i
s
n
o

p
r
o
m
e
n
l
j
i
v
e

-
y
Odstupanje
1
(devijacija)
Odstupanje
5
Odstupanje
7
Odstupanje
2
Odstupanje
6
Odstupanje
4
Odstupanje
3
Stvarno posmatranje
(y-vrednost)
Trend linija, y = a + bx
^
Metoda najmanjih
kvadrata minimizira
sumu kvadrata
odstupanja
3.7. Predvianje na bazi vremenskih serija
Razvijene su jednaine koje se mogu koristiti za izraunava-
nje vrednosti a i b za bilo koju liniju najmanjih kvadrata.
Koeficijent nagiba b se nalazi pomou:
b =
xy - nxy
x
2
- nx
2
(4-3)
gde je b = koeficijent nagiba
= suma
x = poznate vrednosti nezavisno promenljive
y = poznate vrednosti zavisno promenljive
x = srednja vrednost x-vrednosti
y = srednja vrednost y-vrednosti
n = broj taaka posmatranja
3.7. Predvianje na bazi vremenskih serija
Sada moemo da izraunamo y-odseak kao
I, konano, liniju najmanjih kvadrata izrazimo kao:
a = y bx (4-4)
y = a + bx
^
3.7. Predvianje na bazi vremenskih serija
PROJEKCIJA TRENDA
PRIMER 3.4: Predvianje metodom najmanjih kvadrata
Potranja elektrine energije u N.Y. Edison u periodu 2003. do 2009.
godine prikazana je u tabeli 3.5. Firma eli da predvidi potranju za
2010 godinu metodom najmanjih kvadrata.
Tabela 3.5. Potranja elektrine energije u N.Y. Edison u periodu 2003-2009
Godina
Potranja
elektrine energije
2003
2004
2005
2006
2007
2008
2009
74 MW
79 MW
80 MW
90 MW
105 MW
142 MW
122 MW
3.7. Predvianje na bazi vremenskih serija
PROJEKCIJA TRENDA
PRILAZ Ako imamo seriju podataka u nekom vremenskom
periodu, moemo uprostiti izraunavanja transformisanjem vrednosti x
(vreme) u jednostavnije brojeve. Tako, u ovom sluaju, moemo
oznaiti 2003. godinu kao godinu 1, 2004. godinu kao godinu 2, itd.
Dalje, pomou jednaina (4-3) i (4-4) moemo kreirati liniju trenda.
REENJE Reenje je dato u Tabeli 3.6 . Gde je za b dobijena
vrednost od 10,54 a za a vrednost 56,70. Iz ovoga sledi:
Da bi predvideli potranju u 2010. godini, prvo oznaujemo 2010.
godinu kao godinu 8, tj. u naem sistemu unosimo x = 8, pa je
Potranja u 2010. g. (y) = 56,70 + 10,548 = 141,02 ili 141 MW
Linija trenda je
y = 56.70 + 10.54x
^
3.7. Predvianje na bazi vremenskih serija
PROJEKCIJA TRENDA
Tabela 3.6. Rezultati za Primer 3.4
b = = = 10.54
xy-nxy
x
2
-nx
2
3,063 - (7)(4)(98.86)
140 - (7)(4
2
)
a = y - bx = 98.86 - 10.54(4) = 56.70
Vremenski Potranja elek-
Godina period (x) trine snage (y) x
2
xy
2003 1 74 1 74
2004 2 79 4 158
2005 3 80 9 240
2006 4 90 16 360
2007 5 105 25 525
2008 6 142 36 852
2009 7 122 49 854
x = 28 y = 692 x
2
= 140 xy = 3,063
x = 4 y = 98.86
3.7. Predvianje na bazi vremenskih serija
PROJEKCIJA TRENDA
PREGLED Radi procene modela, mi smo nacrtali i istorijske
podatke i liniju trenda na slici 3.15. U ovom sluaju, moemo biti
oprezni i pokuati da razumemo 2008. i 2009. godinu, odnosno
zaokrete u potranji u tim godinama.
3.7. Predvianje na bazi vremenskih serija
PROJEKCIJA TRENDA
Slika 3.15. Potranja elektrine energije i izraunata linija trenda
| | | | | | | | |
2003 2004 2005 2006 2007 2008 2009 2010 2011
160
150
140
130
120
110
100
90
80
70
60
50
Godina
Trend linija,
y = 56.70 + 10.54x
^
Potranja
elektrine
snage
3.7. Predvianje na bazi vremenskih serija
Primena metode najmanjih kvadrata podrazumeva da
smo zadovoljili tri zahteva:
1. Uvek crtamo dijagramzato to podaci najmanjih
kvadrata pretpostavljaju linearnu zavisnost.
Ako se pojavi kriva, analiza te krive je verovatno
potrebna.
2. Ne predviamo vremenske periode daleko posle nae
baze podataka.
PRIMER: Ako imamo podatke za poslednjih 20
meseci, moemo predviati samo 3 do 4 meseca.
Prognoze posle toga imaju malu statistiku vrednost.
Dakle, ne moemo uzeti vrednosti prodaje u proteklih 5
godina i projektovati ih 10 godina u budunost.
Svet je suvie nesiguran.
3.7. Predvianje na bazi vremenskih serija
3. Za odstupanja oko linije najmanjih kvadrata (vidi sliku
3.14) se pretpostavlja da su sluajne.
One imaju normalnu raspodelu, sa veinom taaka
bliskih liniji i samo mali broj njih odstupa neto vie.
3.8. Softveri za predvianje
Postoje tru naina za reavanje prognostikih problema
primenom raunarskog softvera, i to:
1. Kreiranje sopstvenog Excel dijagrama za razvijanje
prognoza.
2. Korienje Excel OM software (dostupan na
mnogim sajtovima, na primer, sajtu Pearson-a).
3. Korienje POM for Windows softvera koji se moe
nai na www.pearsonglobaleditions.com/heizer
Kreiranje sopstvenog dijagrama se esto koristi u
prognoziranju.
Eksponencijalno ravnanje i analiza trenda su podrane i
ugraene u Excel funkcije (kao i regresiona analiza).
Slika 3.16 ilustruje takvu primenu na bazi Primera 3.4.
3.8. Softveri za predvianje
Slika 3.16. Primena Excela-a za razvijanje vae sopstvene prognoze za Primer 3.4
3.8. Softveri za predvianje
Excel-ov OM moduo za predvianje ima 5 komponenti:
1. Proste pokretne proseke,
2. Ponderisane pokretne proseke,
3. Eksponencijalno ravnanje,
4. Regresiju, i
5. Razlaganje (dekompoziciju).
Excel-ov OM moduo poseduje znatno kompletniju analizu
greke nego klasini Excel.
3.9. Predvianje u uslunom sektoru
Predvianje u uslunom sektoru predstavlja neke neobine
izazove.
Glavna tehnika u prodajnom sektoru je praenje potranje
odravanjem dobrih kratkoronih rekorda.
PRIMER: Frizerske radnje oekuju vrh potranje petkom i
subotom, zatvarajui radnje nedeljom i ponedeljkom.
Restorani u gradu prate dogaaje i praznike radi efektivnih
kratkoronih predvianja.
3.9. Predvianje u uslunom sektoru
Specijalne maloprodajne radnje, kao prodavnice cvea,
mogu imati neobine zakonitosti potranje u zavisnosti od
pozicije praznika u nedelji.
PRIMER: Ako Dan svetog Valentina pada u vikend, cvee
se ne isporuuje u kancelarije, i oni koji ovo obeleavaju
tada rae negde izlaze nego to naruuju cvee.
Ako ovaj dan pada u ponedeljak, neke od proslava se opet
dogode tokom vikenda, smanjujui prodaju cvea.
Meutim, ako Dan svetog Valentina padne u sredinu nedelje
onda i cveare imaju praznik.
Vremenske prilike i neobini dogaaji mogu takoe uticati
na potranju.
3.9. Predvianje u uslunom sektoru
Restorani brze hrane su potpuno svesni da ne samo
nedeljne, dnevne, ili asovne varijacije utiu na prodaju, ve
i one od svega etvrt asa.
Stoga su im neophodna detaljna predvianja.
Slika 3.17 pokazuje asovnu prognozu za tipini restoran
brze hrane.
Treba uoiti vrh prodaje u vreme ruka i veere.
Ovo je u kontrastu sa podnevnim i ranim poslepodnevnim
vrhom aktivnosti u FedEx-ovom kol centru, na slici 3.18.
3.9. Predvianje u uslunom sektoru
Slika 3.17. Prodaja po satima u restoranima brze hrane
20%
15%
10%
5%
11-12 1-2 3-4 5-6 7-8 9-10
12-1 2-3 4-5 6-7 8-9 10-11
(Vreme ruka) (Vreme veere)
Sat u danu
Procenata
od prodaje
3.9. Predvianje u uslunom sektoru
Slika 3.18. Broj poziva izraen u procentima od ukupnog dnevnog broja poziva
ponedeljkom u FedEx-ovom call centru
12%
10%
8%
6%
4%
2%
0%
Sat u danu
A.M. P.M.
2 4 6 8 10 12 2 4 6 8 10 12
Procenata od
ukupnog dnevnog
broja poziva
3.9. Predvianje u uslunom sektoru
PRIKAZ: Prognoze su jedinstvene. Uoite varijaciju izmeu (a) i (b) dijagrama
3.9. Predvianje u uslunom sektoru
PRIMER: Firma Taco Bell sada koristi Point-Of-Sale
raunare koji prate prodaju na etvrt asa.
Taco Bell je otkrio da je 6-nedeljni pokretni prosek najbolja
tehnika za izradu njihovih etvrtsatnih prognoza.
Ugraujui ovu prognostiku metodologiju u svaku od 6500
prodavnica, model pravi nedeljne projekcije transakcija
kupaca.
Ovo, potom, koriste menaderi prodavnica da angauju
ljudstvo sa smenama utvrenim na 15 minuta.
Prognostiki model je toliko uspean da je Taco Bell
poveao kvalitet korisnikog servisa uz utedu od preko 50
miliona $ u radnoj snazi za 4 godine od uvoenja.
3.10. Principi predvianja
TABELA3.7. PRINCIPI PREDVIANJA|
Bolji procesi daju bolje prognoze.
Prognoze potranje se rade u praktino svakoj kompaniji, bilo formalno,
bilo neformalno. Izazov je uraditi to dobro bolje od konkurencije.
Bolje prognoze rezultuju boljim korisnikim servisom i niim trokovima,
kao i boljim odnosom sa snabdevaima i korisnicima.
Prognoza moe i mora da bude izraena na bazi velike slike, ekonomske
perspektive, trinog udela, itd.
Najbolji nain za unapreenje tanosti prognoze je fokusiranje na
smanjenje greke prognoze.
Sklonost je najgora vrsta greke prognoze; Treba teiti nultoj sklonosti.
Kada god je mogue treba predviati na to viim spojenim nivoima.
Predvianje u pojedinostima ostaviti samo kada je neophodno.
Daleko vie se moe stei dobrom saradnjom i komunikacijom sa ljudima
nego korienjem najnaprednijih tehnika ili modela predvianja.
3. PREDVIANJE POTRANJE
Ova prezentacija je nekomercijalna.
Slajdovi mogu da sadre materijale preuzete sa Interneta i
iz strune i naune grae, koji su zatieni Zakonom o
autorskim i srodnim pravima. Ova prezentacija se
moe koristiti samo privremeno tokom usmenog
izlaganja nastavnika u cilju informisanja i upuivanja
studenata na dalji struni, istraivacki i nauni rad i u
druge svrhe se ne sme koristiti
lan 44 - Dozvoljeno je bez dozvole autora i bez plaanja
autorske naknade za nekomercijalne svrhe nastave:
(1) javno izvoenje ili predstavljanje objavljenih dela
u obliku neposrednog pouavanja na nastavi;
- ZAKON O AUTORSKOM I SRODNIM PRAVIMA
("Sl. glasnik RS", br. 104/2009 i 99/2011)