You are on page 1of 28

Kolegij

:

IS malih i srednjih
•FAKULTET poduzeća
•ORGANIZACIJE Predavanje 2:

Planiranje i prodaja
•I INFORMATIKE proizvoda
•Pavlinska 2
•42 000 Varaždin
•EST. 1962.
•Hrvatska

Primjer poslovnih procesa
I14,o
F14,o Fo,14
proizvodnog poduzeća
Fd,14 Financi- 14 F14,k
(S11,d) R13,o ranje (S11,d)
I13,o poslovanja i
Osiguranje 13 razvoja Održavanje 11
kadrova S6,11 tehničke S8,11 (I10,8)
(N14,12) (N14,4) (I12,14) (I10,6) osnovice proiz.
sustava
(N11,10) (I12,11)
I13,i (I12,13) Prijem, 5 Izrada 6 M8,6
M5,d Ri,13 M6,5
kontrola i dijelova i
dobavljači skladištenje međufazna
M7,6
(N14,4) materijala kontrola

I12,5 N5,2 N6,2
I2,5 I2,6 Skladi- 7
I4,d Nabavljanje 4 I4,5
materijala I2,4 N7,2 (I12,6) štenje
Nd,4 proizvoda

I3,4 (I12,4) M8,7
(I1,3) N4,2 I2,7 (I12,7)
Oblikovanje 3 Planiranje i 2 Montaža i 8
proizvoda i N3,2 priprema I2,8 kontrola
teh. procesa
I2,3
proizvodnje N8,2 proizvoda
(I12,8)
(N11,10) I12,3 (I12,14) (I12,13) M9,8
I3,10 (I12,11) (I12,6) N2,1 (I12,9)
N9,1 Skladištenje 9 Mk,9
Razvoj 10
proizvoda i I12,10 (N14,12) (I12,9) (I12,5) (I1,3) I1,9
i otprema kupci
N10,d (I12,8) (I12,4) proizvoda
proizvodnje
Nd,10 (I12,7) I12,2
Knjigo- 12 Planiranje 1
(I10,8) (I10,6) vodstvo i I1,12 i prodaja Nk,1
analiza I12,1 proizvoda
N1,k
poslovanja
I10,o I12,o I1,o
www.FOI.unizg.hr

• Provodi politiku prodajnih cijena. • Ugovara.9 Stanje zaliha gotovih proizvoda proizvoda I12.12 Proizvodna cijena proizvoda i prodaja Nk.k Narudžba kupca I1.1 Nalog za izradu proizvoda N1. otprema i fakturira proizvode/usluge.3 Informacije o TK proizvoda 1 N9.1 Informacije o prodaji I1. zaračunatim (i naplaćenim) proizvodima/uslugama.Planiranje i prodaja proizvoda N2. • Upravlja zalihama gotovih proizvoda (daje naloge za izradu proizvoda i naloge za otpremu robe kupcima).unizg.hr .1 Račun kupcu I1.o Informacije za procjenu potražnje • Promovira proizvode/usluge i nudi ih kupcima. • Održava prodane proizvode (vlastiti servis ili outsourcing) i • Izvještava o ugovorenim.1 Nalog za otpremu proizvoda kupcu Planiranje I1. • Prikuplja podatke o mogućnostima plasmana. • Planira vrstu. količinu i vrijeme proizvodnje. • (Naplaćuje fakturirane proizvode). www. otpremljenim.FOI.

zauzeće strojeva na kojima se proizvod proizvodi.hr .5 greška.FOI. što ako je to broj u tisućama komada proizvoda) www.…) prilikom razvoja novog IS-a (poznavanje podataka) • mogli usporediti ponuđene gotove ISove za poduzeće u kojem radite • mogli dati podršku poslovnim korisnicima koji se oslanjaju na točnost podataka (100 proizvoda +/.unizg.Kontekst poznavanja metode • Kao informatičari nećete primjenjivati metodu predviđanja (osim ako ste „prodaja” u vlastitom poduzeću) nego morate poznavati metodu kako biste: • mogli predlagati unapređenje procesa temeljem poznavanja i tehnoloških i tehničkih mogućnosti • preveli provedbu metode u algoritam kojeg treba implementirati u razvoju novog IS-a (poznavanje procesa) • uzeli u obzir sve podatke matičnog zapisa o Artiklima (trošak i vrijeme izrade.

www. njegovih dobavljača i dobavljača njegovih dobavljača. Forecasting) • Previđanje je promišljanje o onom što će se dogoditi u budućnosti: • Meteorolozi predviđaju vrijeme.hr . naših kupaca i kupaca naših kupaca (Supply Chain). • Poduzeća predviđaju kolika će biti potražnja (demand) za njihovim proizvodima ili uslugama. • O potražnji zavise: • Strategija razvoja i dugoročni poslovni planovi. • Radna snaga itd. zavisi od poznavanja buduće potražnje.unizg.Previđanje (engl. • Proizvodnja i nabava. • Zalihe gotove robe i sirovina. • Igrači sportske prognoze predviđaju ishode utakmica.FOI. • Uspostavljanje modernog odnosa između našeg poduzeća.

tjedan. mjesec. • Srednjeročno (mid-range forecasting): nekoliko mjeseci do 2 godine. • Sezonalno s trendom: periodičko povećanje potražnje. vremenski period za koji se predviđa pojava: • Kratkoročno (short-range forecasting): dan. • Dugoročno (long-range forcasting): više od dvije godine.hr . • Slučajna odstupanja (random variations): vrijednosti potražnje koje odstupaju od predloška.unizg. • Sezonalno:periodičko povećanje potražnje koje ovisi o određenim uvjetima (npr. a nisu pod utjecajem poduzeća. • Oblici promjene potražnje: Potražnja Potražnja Vrijeme Vrijeme Potražnja Vrijeme a) Trend b) Sezonalna c) Sezonalna s trendom www. s naglašenim smjerom kretanja na više ili niže. • Kretanje potražnje na tržištu: • Trend: trajna promjena razine potražnje na više ili na niže.Osnovni pojmovi • Vremenski doseg (time frame). vrijeme).FOI.

FOI. www. promatrane pojave jedne ili više nezavisnih pojava (uzroka).unizg. Metode predviđanja Metode predviđanja Kvalitativne Kvantitativne Vremenske serije Regresijska analiza O budućem kretanju pojave se Matematički odnos između zaključuje na bazi prošlih podataka.hr .

Izbor modela predviđanja 5. Izbor nove ili podešavanje 6. Razvoj/izračun predviđanja iz podataka 8b. Analiza podataka i identificiranje predložaka 4.FOI. Provjera točnosti predviđanja određenim mjerama parametara postojeće metode predviđanja Ne Točnost predviđanja prihvatljiva? Da 8a.hr .Struktura procesa predviđanja 1. Prilagođavanje predviđanja kvalitativnim spoznajama 10.unizg. Identificiranje svrhe predviđanja 2. Predviđanje za planirani period 9. Nadzor rezultata i mjerenje točnosti predviđanja www. Prikupljanje povijesnih podataka 3.

FOI.unizg. • Pomična aritmetička sredina (Moving Average): Prognozirana potražnja u istraživanom periodu biti će jednaka prosječnoj potražnji u n prethodnih intervala: n Primjer: Tvrtka MKA. koja proizvodi male ∑ Di Di = potražnja u periodu i i=1 kućne alate. Metode vremenskih serija (1) • Naivno ili intuitivno predviđanje: Prognozirana potražnja u istraživanom periodu biti će jednaka stvarnoj potražnji iz prethodnog intervala. Vrijeme Koliko trebati proizvesti tijekom studenog? Sij Vel Ožu Tra Svi Lip Srp Kol Ruj Lis Stu www.hr . prodala je tijekom protekle MAn = n = broj razdoblja godine slijedeće količine proizvoda: n Siječanj 120 Potražnja Veljača 90 Ožujak 100 Travanj 75 120 Svibanj 110 100 Lipanj 50 Srpanj 75 80 Kolovoz 130 60 Rujan 110 Listopad 90 U zadnjem ste radnom danu listopada.

0 80 Prosinac 60 40 20 0 Svibanj Lipanj Ožujak Kolovoz Listopad Studeni Prosinac Veljača Rujan Siječanj Srpanj POTRAŽNJA Travanj PREDVIĐANJE 3-MJESEČNI POMIČNI PROSJEK PREDVIĐANJE 5-MJESEČNI POMIČNI PROSJEK www.0 88.3 Svibanj 110 88.0 Metoda predviđanja pomičnim prosjecima Srpanj 75 78.0 Kolovoz 130 78.0 95.0 99.Pomična aritmetička sredina (Moving Average) n ∑ Di Di = potražnja u periodu i i=1 MAn = n = broj razdoblja n PREDVIĐANJE 3.0 100 Studeni 110.unizg.0 120 Listopad 90 105.0 91.0 140 Rujan 110 85.3 Lipanj 50 95.FOI. PREDVIĐANJE 5- MJESEČNI POMIČNI MJESEČNI POMIČNI MJESEC POTRAŽNJA PROSJEK PROSJEK Siječanj 120 Veljača 90 Ožujak 100 Travanj 75 103. Primjer .hr .3 85.3 82.

Metode vremenskih serija (2)  Ponderirana aritmetička sredina (Weighted Moving Average): Polazi od toga da sve vrijednosti koje ulaze u račun aritmetičke sredine nemaju isti značaj.hr .00 n ∑ Wi = 1.FOI. Zato vrijedi: n Wi = težinski faktor za period i WMAn = ∑ Wi Di Di = potražnja u periodu i i=1 Wi = težinski faktor za period i se kreće od 0.unizg.00 i=1 www.00 do 1.

33 36.00 do 1. Primjer .50 45.00 ponderiranog Studeni 103.FOI.00 n ∑ Wi = 1.17 22.30 studeni na temelju Listopad 90 0.Ponderirana aritmetička sredina (Weighted Moving Average): n Wi = težinski faktor za period i WMAn = ∑ Wi Di Di = potražnja u periodu i i=1 Wi = težinski faktor za period i se kreće od 0.10 potražnje za Rujan 110 0.hr .00 i=1 MJESEC POTRAŽNJA D TEŽINE PERIODA W POTRAŽNJA * TEŽINA Wi*Di PREDVIĐANJE Siječanj 120 Veljača 90 Ožujak 100 Travanj 75 Svibanj 110 Lipanj 50 Srpanj 75 Predviđanje Kolovoz 130 0.40 Prosinac tromjesečnog pomičnog prosjeka www.unizg.

hr .00 Za α=0.α)*Ft Ft = ranije utvrđeno predviđanje za tekući period α = težinski faktor za izglađivanje.20*Dt + 0.FOI. jer prognozira potražnju za naredni period na osnovu: • Predviđene potražnje za tekući period.80*Ft www.00 do 1. F t+1 = predviđanje za naredni period Dt = stvarna potražnja u tekućem periodu F t+1 = α*Dt + (1. od 0. • Stvarne potražnje za tekući period i • Težinskog faktora za izglađivanje.20 imamo: F t+1 = O.unizg. Metode vremenskih serija (3) • Eksponencijalno izglađivanje (Exponential Smoothing): jednostavna i često korištena metoda. Traži malo podataka.

3 PROGNOZA α=0.5 www.00 do 1.FOI.43 Prosinac 54 50.83 39.21 35 Siječanj 51.79 53.30 45. od 0.Eksponencijalno izglađivanje (Exponential Smoothing): F t+1 = predviđanje za naredni period Dt = stvarna potražnja u tekućem periodu F t+1 = α*Dt + (1.5 Siječanj 37 Veljača 40 37.38 60 Lipanj 50 40.5 Svibanj 45 38.28 38.42 50 Rujan 56 44.84 55 Kolovoz 47 43.69 Srpanj 43 43. Primjer .3 i a=0.hr .81 50.00 PROGNOZA MJESEC POTRAŽNJA α=0.00 Ožujak 41 37.90 38.50 Travanj 37 38.75 Prognoza eksponencijalnim izglađivanjem za a=0.15 44.unizg.3 PROGNOZA α=0.07 51.61 30 Lipanj Ožujak Svibanj Studeni Prosinac Kolovoz Listopad Veljača Siječanj Rujan Siječanj Srpanj Travanj POTRAŽNJA PROGNOZA α=0.21 45.α)*Ft Ft = ranije utvrđeno predviđanje za tekući period α = težinski faktor za izglađivanje.00 37.30 41.86 40 Studeni 55 49.71 45 Listopad 52 47.85 53.

Regresijska funkcija se računa po metodi najmanjih kvadrata. izraženo odsječkom vremena (period) x n y = predviđanje potražnje za period x Σ y y n Pored linearnog trenda mogu se računati nelinearni trendovi: eksponencijalni. www. apsolutni prirast ili a  y  bx pad pojave). s potencijom. Σ x x = vrijeme. Metode izračunavanja trendova • Linearni trend (Linear Trend Line): kauzalna metoda. logaritamski i sl. b 2 2 Σx  n x b = nagib (koeficijent smjera. Često je taj faktor vrijeme.unizg. y = a + b*x Za koeficijente a i b vrijedi:  xy  n x y a = odsječak na osi y (vrijednost trenda u ishodištu).FOI.hr . kojom se određuje matematička zavisnost između potražnje i nekog drugog nezavisnog faktora koji uzrokuje promjenu potražnje.

13 30 Prosinac 12 54 648 144 55.81 y = 1.212 Lipanj 6 50 300 36 45.85 0 2 4 6 8 10 12 14 srednji x 6.unizg.25 55 Kolovoz 8 47 376 64 48.69 40 Listopad 10 52 520 100 52. apsolutni Σ x prirast ili pad pojave).5 srednji y 46.72 a 35.Linearni trend (Linear Trend Line): y = a + b*x Za koeficijente a i b vrijedi:  xy  n x y b  2 2 a = odsječak na osi y (vrijednost trenda u Σx  n x ishodištu).hr .09 Predviđanje .72x Siječanj 1 37 37 1 36.21 + 1.53 60 Srpanj 7 43 301 49 47. Primjer .97 50 45 Rujan 9 56 504 81 50. a  y  bx b = nagib (koeficijent smjera.linijski trend Svibanj 5 45 225 25 43. izraženo odsječkom vremena Σ y (period) y  n y = predviđanje potražnje za period x MJESEC PERIOD (x) POTRAŽNJA (y) x*y x2 y = 35.93 Veljača 2 40 80 4 38.41 35 Studeni 11 55 605 121 54.21 www.65 Ožujak 3 41 123 9 40.42 POTRAŽNJA (y) Linearni (POTRAŽNJA (y)) suma x*y 3867 suma x*x 650 b 1.37 Travanj 4 37 148 16 42.7238x + 35. x  n x = vrijeme.FOI.

unizg.FOI.hr . • Računamo jačinu sezonalnog utjecaja pojedinog perioda izračunavanjem odnosa potražnje u određenom vremenskom periodu i ukupne potražnje Di Si = sezonalni faktor za i-ti vremenski period Si  Di = ukupna potražnja za i-ti vremenski period ΣD D = pojedinačna potražnja Sezonalni faktor broj je između 0 i 1 i pokazuje udio u cjelokupnoj potražnji. koji se odnosi na svaki pojedini vremenski period.Metode izračunavanja trendova • Linearni trend sa sezonalnim ujecajem (Linear Trend Line with seasonal adjustments): metoda koju koristimo kod primjećenog sezonalnog pada ili rasta potražnje. Množenjem linearnim trendom predviđene potražnje i sezonalnih faktora izračunavamo potražnju u svim sezonalnim periodima. www.

28 0.37 0.Linearni trend sa sezonalnim ujecajem (Linear Trend Line with seasonal adjustments): Di Si = sezonalni faktor za i-ti vremenski period Si  Di = ukupna potražnja za i-ti vremenski period ΣD D = pojedinačna potražnja TJEDAN 8:00 .5 UKUPNO Linearni (UKUPNO) www. TJEDAN 1543.unizg.hr .29 5602.5 1 1.7 5520 5510 5500 5490 5480 5470 0 0.23:00 UKUPNO 1 1509 2020 1950 5479 2 1528 2021 1997 5546 3 1530 2020 2005 5555 UKUPNO 4567 6061 5952 16580 Linearni trend rasta potražnje po tjednima SEZONSKI FAKTOR 0.FOI.5 3 3.13 2011.5 2 2. Primjer .13:00 13:00 .18:00 18:00 .28 2048.7 5540 5530 y = 38x + 5450.36 5570 5560 PREDVIĐANJE: 5550 4.

učinjenih tijekom duljeg razdoblja.FOI. • Srednje kvadratno odstupanje (Mean Squared Error-MSE). • Točnost predviđanja se procjenjuje s više pokazatelja: • Srednje apsolutno odstupanje (Mean Absolute Deviation-MAD). • Ako je izabrani model dobar onda bi zbroj svih grešaka.unizg. www. morao biti blizu nule. • Kumulativna greška (Cumulative Error. E) • Prosječna greška (Average Error. • Srednje apsolutno postotno odstupanje (Mean Absolute Percent Deviation-MAPD).Točnost predviđanja (1) • Stvarne vrijednosti u intervalu predviđanja gotovo uvijek se razlikuju od vrijednosti koje su za taj period izračunate nekom od metoda predviđanja.hr . Bias). • Ponašanje modela (Tracking Signal).

unizg.Točnost predviđanja (2) Srednje apsolutno odstupanje (Mean absolute deviation): prikazuje apsolutnu prosječnu razliku između stvarne i predviđene potražnje.hr .FOI.  t = broj perioda D F Dt = potražnja u periodu t t t Ft = predviđanje za period t MAD  n = ukupni broj svih intervala n www.

50 0.69 11.Ft│ Siječanj 1 37 36.63 Travanj 4 37 38.87 Prosinac 12 54 50.30 45.25 0.50 40.31 4.70 8.41 Studeni 11 55 49.42 48.19 Lipanj 6 50 40.00 1.21 55.Ft│ │Dt .63 1.Srednje apsolutno odstupanje (Mean absolute deviation)  t = broj perioda D F Dt = potražnja u periodu t t t Ft = predviđanje za period t MAD  n = ukupni broj svih intervala n EKSPONENCIJALNO IZGLAĐIVANJE LINEARNI TREND α=0.unizg.72x │Dt .hr .43 54.00 37.15 0.13 5.00 3.75 42.29 Najbolja metoda predviđanja – min MAD: Linearni trend www.85 53.FOI.14 0.79 1.97 3.70 10.19 1.21 + 1.72 6.85 2.47 Srpanj 7 43 43.31 Listopad 10 52 47.97 Rujan 9 56 44.38 43.30 41.71 50.84 4.81 50.3 α=0.35 Ožujak 3 41 37.81 6.41 4.25 Kolovoz 8 47 43.83 2.10 2.00 38.57 0.21 45.83 39.28 38.07 51.86 52.15 44.04 2.Ft│ │Dt .37 3.Primjer .5 L.07 Veljača 2 40 37.85 4.29 5. trend MJESEC PERIOD POTRAŽNJA PROGNOZA GREŠKA GREŠKA GREŠKA α=0.09 1.85 3.85 MAD: 4.3 PROGNOZA α=0.5 y = 35.69 45.84 47.58 1.90 38.75 5.65 3.09 Svibanj 5 45 38.93 3.21 2.93 0.53 9.

hr .Točnost predviđanja (3) Srednje apsolutno postotno odstupanje (Mean Absolute Percent Deviation-MAPD): prikazuje postotak prosječne razlike između stvarne i predviđene potražnje. Σ D t  Ft t = broj perioda Dt = potražnja u periodu t MAPD  Ft = predviđanje za period t ΣD t www.unizg.FOI.

unizg.21 + 1.31 Listopad 10 52 47.50 40.07 Veljača 2 40 37.42 48.71 50.Primjer .Srednje apsolutno postotno odstupanje (Mean Absolute Percent Deviation) Σ D t  Ft t = broj perioda Dt = potražnja u periodu t MAPD  Ft = predviđanje za period t ΣD t EKSPONENCIJALNO MJESEC PERIOD POTRAŽNJA IZGLAĐIVANJE LINEARNI TREND α=0.58 1.00 1.85 2.07 51.25 Kolovoz 8 47 43.00 37.13 5.69 11.81 6.FOI.85 53.28 38.58 7.41 4.93 0.5 y = 35.30 41.50 0.84 47.92 Najbolja metoda predviđanja – min MAPD: Linearni trend www.10 2.35 Ožujak 3 41 37.31 4.70 8.hr .09 1.19 1.63 1.85 3.5 L.97 Rujan 9 56 44.75 42.97 3.00 3.30 45.81 50.21 55.3 PROGNOZA α=0.97 4.83 39.14 0.41 Studeni 11 55 49.83 2.09 Svibanj 5 45 38. trend PROGNOZA GREŠKA │Dt GREŠKA │Dt .85 UKUPNO: 557 MAPD: 9.25 0.72 6.21 2.75 5.19 Lipanj 6 50 40.93 3.Ft│ Siječanj 1 37 36.15 44.86 52.43 54.29 5.72x .87 Prosinac 12 54 50.Ft│ Ft│ .57 0.70 10.15 0.53 9.47 Srpanj 7 43 43.65 3.63 Travanj 4 37 38.84 4.38 43.GREŠKA │Dt α=0.3 α=0.79 1.90 38.00 38.69 45.37 3.21 45.

FOI.   t = broj perioda Dt = potražnja u periodu t E  Σe t   D  F Ft = predviđanje za period t t t et = greška za period t Prosječna greška (Average Error.unizg. Bias): prikazuje prosječnu razliku između stvarne i predviđene potražnje.Točnost predviđanja (4) Kumulativna greška (Cumulative Error): prikazuje zbroj svih razlika stvarne i predviđene potražnje.  Σ D t  Ft  t = broj perioda Dt = potražnja u periodu t BIAS  Ft = predviđanje za period t n = ukupni broj svih intervala n www.hr .

90 38.87 Prosinac 12 54 50.hr .81 6.00 1.35 Ožujak 3 41 37.85 3.58 -1.Ft) (Dt .72 6.48 3.47 Srpanj 7 43 43. trend MJESEC PERIOD A PROGNOZA GREŠKA GREŠKA GREŠKA α=0.Ft) (Dt .85 2.30 45.13 5.02 0.75 42.15 44.3 α=0.14 -0.41 4.69 11.00 37.93 0.5 y = 35.25 Kolovoz 8 47 43.21 0.86 52.70 8.00 3.21 55.53 9.28 38.70 10.31 33.79 -1.50 40.FOI.43 54. Bias) E  Σe t   D  F t t   t = broj perioda Dt = potražnja u periodu t Ft = predviđanje za period t et = greška za period t  Σ D t  Ft  t = broj perioda Dt = potražnja u periodu t BIAS  Ft = predviđanje za period t n = ukupni broj svih intervala n POTRAŽNJ EKSPONENCIJALNO IZGLAĐIVANJE LINEARNI TREND α=0.71 50.5 L.63 Travanj 4 37 38.25 -0.00 38.3 PROGNOZA α=0.37 3.85 UKUPNO: 557 E: 49.41 Studeni 11 55 49.32 BIAS: 4.93 3.69 45.30 41.03 Najbolja metoda predviđanja – min E: Linearni trend min BIAS: Linearni trend www.63 1.07 51.42 48.21 + 1.65 3.09 Svibanj 5 45 38.Ft) Siječanj 1 37 36.75 -5.07 Veljača 2 40 37.97 Rujan 9 56 44.09 -1.19 1.31 Listopad 10 52 47.50 0.81 50.29 5.21 45.83 39.38 43.57 0.10 2.unizg.84 47.Primjer Kumulativna greška (Cumulative Error) i Prosječna greška (Average Error.84 -4.21 -2.19 Lipanj 6 50 40.31 4.85 53.72x (Dt .83 -2.15 0.97 3.

Točnost predviđanja (5) Ponašanje modela (Tracking Signal): predstavlja mogućnost praćenja grešaka kroz postupak predviđanja.hr .  Σ D t  Ft  E t = broj perioda Dt = potražnja u periodu t Ft = predviđanje za period t TS   E = kumulativna greška (Cumulative Error) MAD = Srednje apsolutno odstupanje MAD MAD (Mean absolute deviation) Srednje kvadratno odstupanje (Mean Squared Error-MSE):  Σ D t  Ft 2 t = broj perioda MSE  Dt = potražnja u periodu t Ft = predviđanje za period t n1 n = ukupni broj svih intervala www.unizg.FOI.

93 Veljača 2 40 37.28 38.66 Svibanj 5 45 38.unizg.00 1.50 40.00 10.00 3.93 46.25 -0.00 3.48 3.04 4.41 4.21 45.05 2.42 3.69 11.00 3.15 44.00 38.72x (Dt .85 Rujan 9 56 44.97 3.21 + 1.48 11.00 38.83 39.ponašanje modela (Tracking Signal)  Σ D t  Ft  E t = broj perioda Dt = potražnja u periodu t Ft = predviđanje za period t TS   E = kumulativna greška (Cumulative Error) MAD = Srednje apsolutno odstupanje MAD MAD (Mean absolute deviation) EKSPONENCIJALNO IZGLAĐIVANJE LINEARNI TREND α=0.81 50.62 10.21 55.14 5.00 53.30 45.30 41.65 3.69 4.13 5.85 53.07 51.06 Listopad 10 52 47.50 8.10 Studeni 11 55 49.Ft) (Dt .86 52.69 Prosinac 12 54 50.05 Ukoliko je dobivena vrijednost TS unutar prije definiranih granica (obično +-2 do +-5 razlike od MAD).82 Ožujak 3 41 37.98 Lipanj 6 50 40.38 43.85 24.47 9.3 PROGNOZA α=0.FOI. postupak predviđanja daje zadovoljavajuće rezultate.10 6.90 38.99 2.00 0.00 1.23 4.84 47. Primjer .27 1.00 118.70 36.38 Travanj 4 37 38.71 50.75 4.19 40.00 38.09 -1.85 3.42 48.00 193.31 4.37 3.53 9.21 20.Ft) MAD TS MSE Siječanj 1 37 36.92 Srpanj 7 43 43.00 37.81 6.75 42.41 6.00 147.34 3.hr .10 3.43 54.3 MJESEC PERIOD POTRAŽNJA GREŠKA E = SUMA PROGNOZA α=0.83 4.5 y = 35.15 Kolovoz 8 47 43.72 10.48 7.15 49.69 45. www.16 4.70 20.00 221.

koliko smo koncentrirani na učenje i sl.Regresijska analiza  Linearna regresija (Linear Regression): koristimo ju kad između dvije varijable postoji linearna zavisnost (povećanje jedne uvjetuje povećanje druge i obratno). Ukoliko je on jednak 1.FOI. Npr. www.hr .  Korelacija (Correlation): pokazuje jačinu ovisnosti zavisne varijable o nezavisnoj. to znači da svaka promjena varijable X uvjetuje linearnu promjenu varijable Y. pri čemu bi koristili višestruku regresiju za predviđanje. Utjecaj bi mogla biti količina sati provedenih u učenju (što bi onda računali linearnom regresijom).unizg. • Višestruka regresija (Multiple Regression): prikazuje odnos između jedne zavisne i dvije ili više nezavisnih varijabli. na osnovu podataka od prošlih 9 mjeseci. ali i koliko koncerata se održava u gradu za vrijeme ispita. povezanost je slaba. želimo predvidjeti koliko ispita ćemo dati u sljedećih 3 mjeseca. Prima vrijednost između 0 i 1. Ukoliko je koeficijent korelacije bliži 0.