Elő rejelzé si mó dszerek elemzé se é s ö sszehasonlítá sa

egy kisvá llalat szá má ra

Analysis and comparison of forecast methods for a
small enterprise

L, TÖ RŐ , L. PUSZTAI
Debreceni Egyetem, Mű szaki Kar, Mű szaki Menedzsment és Vá llalkozá si Tanszék, pusztai.laszlo@eng.unideb.hu

Absztrakt: Az előrejelzési módszerek alkalmazása alapvető elem egy vállalat hosszútávú nyereséges működéséhez,
amelyre jellemzően nem fordítanak kellő figyelmet a cégek. A kutatásban egy esettanulmányon keresztül mutatjuk
be egy kereskedelemmel foglalkozó vállalat előrejelzését. Célunk a kutatás során egy olyan módszer megtalálása
volt, amellyel pontosabban számíthatóvá, előrejelezhetővé válik a jövőben várható kereslet a cég termékei iránt, és
így átgondoltabb készletgazdálkodási stratégiát kiválasztva csökkenhet a vállalat költsége. Hét különböző modellt
vizsgáltunk: mozgó átlagos, és súlyozott mozgó átlagos előrejelzést különböző tagszámmal, illetve exponenciális
simítást. A négytagú súlyozott mozgó átlagos előrejelzés bizonyult a legpontosabbnak, ezt követőjellel vizsgálva is
helyesnek találtuk.

Abstract.: The application of forecasting models is an essential part of the profitable operations of every company.
However, today’s small and medium sized enterprises (SMEs) does not pay enough attention to this field. This
research presents a case study in which we tried to determine the sequence of a forecasting process, furthermore,
determine the best applicable method to the dataset. Seven dissimilar forecasting method was applied: moving
average and weighted moving averages with different periods (2-3-4 weeks), as well as exponential smoothing. The
four-week-long weighted moving average served the best solution, which was tested by tracking signal as well.

Bevezeté s
Minden vá llalat alapvető célja a vevő igények felkutatá sa, és azok minél magasabb szinten tö rténő
kielégítése, hiszen csak így érhet el profitot mű kö dése sorá n. Azonban ez a folyamat – fő leg, ha a
piacon erő s konkurensekkel kell felvennie a versenyt – rendkívü l ö sszetett, és nagyon precíz és alapos
tervezést igényel. A logisztika 9 M-je fogalmazza meg mindazt, ami szü kséges ahhoz, hogy a vevő
elégedett legyen a cég á ltal nyú jtott termékkel és/vagy szolgá ltatá ssal: a megfelelő informá ció , a
megfelelő anyag, a megfelelő energia, a megfelelő személyek jussanak el, a megfelelő mennyiségben, a
megfelelő minő ségben, a megfelelő idő pontban, a megfelelő helyre, a megfelelő kö ltséggel []. Ehhez
magas színvonalú termelésmenedzsment szü kséges, aminek elengedhetetlen része a pontos
elő rejelzés, kapacitá selemzés, és ennek megfelelő készletgazdá lkodá s.

1. Szakirodalmi á ttekinté s

1.1. Elő rejelzé s

1.1.1. Az előrejelzés szerepe egy vállalat életében
Az elő rejelzés a vá sá rló i igények jö vő beni alakulá sá nak megjó solá sa, legyen szó aká r termékrő l, vagy
szolgá ltatá sró l. Célja, hogy a vá llalat fel tudjon készü lni a beérkező megrendelésekre, hiszen a
termelésmenedzsment az igényekhez alakítja a termelő kapacitá sokat, a szü kséges alapanyag- és
munkaerő mennyiséget. Segítségével felmérhetjü k, és ü temezhetjü k a vá rható kö ltségeket,
elkerü lhetjü k a felesleges készlet felhalmozá sá t, valamint az esetleges hiá ny kialakulá sá t is
csö kkenthetjü k [1]. Ezért nélkü lö zhetetlen elem a készletgazdálkodá sban is. Természetesen egyik
elő rejelzési mó dszer sem lehet tö kéletesen pontos, viszont egy jó l megvá lasztott elő rejelzési stratégia
jelentő s mértékben nö velheti a termelés hatékonysá gá t, illetve csö kkentheti a kö ltségeket. [2]

A vevő i igénynek tö bb komponensét kü lö nbö zteti meg a szakirodalom, amelyek segíthetnek

beazonosítani az adatsor mintá zatá t: az első a konstans, vagyis á llandó igény, amely kö rü l a vizsgá lt
idő szakban a kereslet ingadozhat [3]. Az idő sorban elő fordulhat trendelem, amely az idő
elő rehaladtá val szisztematikus vá ltozá st, monoton csö kkenést vagy nö vekedést jelent [4]. Szezonalitá s
is szerepet já tszhat a megrendelések számá nak vá ltozá sá ban, ez ö sszefü gghet pl. az évszakok
vá ltakozá sá val, illetve a véletlen szerepérő l sem feledkezhetü nk meg [1]. Mivel szá mos tényező
befolyá solja az igény alakulá sá t, ezért érdemes mindig tö bb lehető séget is figyelembe venni, tehá t a
tervidő szakra pá rhuzamosan tö bb elő rejelzési mó dszert is alkalmazni, mivel minden mó dszer má s-
má s ö sszetevő ket, vagy má s sú llyal vesz figyelembe [2]. A megfelelő en pontos elő rejelzés
nagymértékben javítja a vevő i kiszolgá lá s színvonalá t, hiszen a jó l ü temezett gyá rtá snak kö szö nhető en
gyorsul a megrendelések feldolgozá sa, és ritká n lép fel jelentő s készlethiá ny. [3]

1.1.2. Előrejelzések csoportosítása

Kereslet elő rejelzésére szá mos mó dszer á ll rendelkezésre, melyek kö zü l azokat érdemes kivá lasztani,
amelyekhez elegendő adatunk van, valamint a legjobb értéket szolgá ltatja szá munkra [1]. Az első nagy
csoportot képző kategó ria a rendelkezésre á lló adatok minő ségére utal. Ezen belü l
megkü lö nbö ztethetü nk minő ségi (kvalitatív) valamint mennyiségi (kvantitatív) techniká kat. Kvalitatív
mó dszereket á ltalá ban akkor alkalmazunk, ha nem á llnak rendelkezésü nkre mú ltbéli adatok a vevő
igényrő l, és annak vá ltozá sá ró l, valamint ha ezek az adatok nem megfelelő ek ahhoz, hogy egy
elő rejelzés alapjá t alkossá k. Emiatt szakértő i becslésre, csoportmunká ra, esetleg tö rténelmi analó giá ra
kell hagyatkoznunk. Kvantitatív mó dszerek: Ezeket akkor haszná ljuk, ha visszamenő leg vizsgá lni
tudjuk az igény alakulá sá t. Az adatok jellegétő l fü ggő en tová bb tudjuk csoportosítani a kvantitatív
mó dszereket [4]:

 Kauzá lis mó dszerek: Az igény alakulá sá t valamilyen kü lső tényező vá ltozá sa (pl. idő já rá s, stb.)
befolyá solja, és ennek a vá ltozó nak a megfigyelésével alkotunk elő rejelzést. Fontos valamilyen
viszonylag á llandó ö sszefü ggést megá llapítani az igény oka és az igény kö zö tt, hogy elég pontos
legyen az elő rejelzés.[1]

 Projektív mó dszerek: Matematikai modellekkel szá moljuk az igény jö vő ben vá rható nagysá gá t,
a modell kivá lasztá sá ná l fontos figyelembe vennü nk, hogy van-e valamilyen trendvonal az
igényben. [7]

o Stacioná rius modellek: Amennyiben nem tartalmaz trendet az igény, ilyet haszná lunk,
ezek a legegyszerű bb modellek.[4][7]
 o Trend modellek: Az igényben megfigyelhető trendet figyelembe véve készítü nk
elő rejelzést. [4][7]

1.1.3. Előrejelzések értékelése

A kvantitatív, ezen belü l is a projektív mó dszerek alkalmazá sa sorá n kü lö n eredményeket kaphatunk
elő rejelzéskén. Rö vid tá vú tervezés esetén ki kell talá lnunk, melyik mó dszer szolgá ltatja a legjobb
értékeket. Ezen mó dszerek kö zü l léteznek olyan mutató k, amelyek csupá n egy idő szak pontossá gá t
mutatja meg (pl. elő rejelzés hibá ja), tudunk relatív hibá t számolni, azonban ezek nincsenek
segítségü nkre az értékelés sorá n. A termelésmenedzsmentben alkalmazott á tlagos négyzetes hiba
(Mean Squared Error – MSE) mutató azonban teljeskö rű en megmutatja, hogy mennyivel térü nk el a
tényleges igényhez képest, aká r tö bb idő szakot felö lelő en [1][3]. Ennek a mó dszernek az egyik nagy
elő nye, hogy bü ntető leg hat egy nagyobb hiba megléte az elő rejelzésben, tová bbá a mutató gyö ke
felhaszná lható tová bbi készletgazdá lkodá si mutató k meghatá rozá sá hoz, mint példá ul a biztonsá gi
készletszint. [3]

MSE=
∑ ( Et )
2
(1)
n
Ahol: Et = Elő rejelzés hibá ja t-ik idő szakban

n = idő szakok száma

Tová bbi mó dszerként ismeretes a kö vető jel, amelyet az elő rejelzésü nkre illeszthetü nk. Ezen mó dszer
megmutatja számunkra, hogy az tényleges és elő rejelzett igények kö zö tti eltérés a mó dszer vagy a
véletlen mű ve-e. A mutató hoz alsó - és felső hatá r meghatá rozá s is tá rsul, így a kiugró értékkel
rendelkező modellek elvetésre kerü lnek a végső értékelésnél [4][5].

2. Anyag é s mó dszer

2.1. A vizsgá lt vá llalat bemutatá sa

A cég egy magyar kisvá llalat, ami 2010 ó ta foglalkozik a vizsgá lt termékek forgalmazá sá val. Emellet
projektek kivitelezésével is foglalkoznak, melyek sorá n természetesen a termékeket is alkalmazzák.
Hét termékkel foglalkoznak, ezek kö zü l kettő t az Amerikai Egyesü l Á llamokbó l importá lnak, tehá t a
készletgazdá lkodá s sorá n kiemelt figyelmet igényel a megfelelő raktá rkészlet fenntartá sa a hosszú és
kö ltséges szá llítá s miatt. Az elmú lt évek sorá n egyre bő vü lt a cég, folyamatosan nő a megrendelések
mértéke és száma is, szezontó l fü ggő en ö sszesen 7-10 fő vel dolgoznak.

2.2. Problé mafelveté s, a kutatá s cé lkitű zé sei

Ahogy a fentiekben olvasható , a logisztikai folyamatok jelentő s szervezést igényelnek a termékek egy
része beszerzésének hosszú teljes á tfutá si ideje miatt. Eddig a vá llalat nem foglalkozott az igény
elő rejelzésének kalkulá lá sá val, viszont a menedzsment szerint jelentő sen javulhatna a vevő kiszolgá lá s
színvonala, illetve a kö ltségek is csö kkenthető k lennének elő rejelzési mó dszerek alkalmazá sá val.
A kutatá si célkitű zésü nk az elő rejelzési mó dszerek kü lö nbö ző indiká torokkal tö rténő ö sszevetése, a
legjobb mó dszer megtalá lá sa, melyet a vá llalat a jö vő ben aká r hosszú tá von is eredményesen, és
hatékonyan tud alkalmazni, ezzel javítva, illetve gyorsítva a logisztikai folyamatok menetét.

2.3. Kutatá s lé pé sei

Előrejelzések
Adatgyűjtés ABC elemzés
elkészítése

Előrejelzések
Legjobb előrejelzési
pontosságának
modell kiválasztása
megállapítása

1.ábra. A kutatás folyamatábrája (forrás: saját kutatás)

A kutatá s adatgyű jtéssel kezdő dö tt, amelyet a vá llalat szá mító gépes ü gyviteli rendszerben végeztü nk,
innen kiimportá ltuk 2017-es és 2018-as években megrendelt mennyiséget a vizsgá lt termékekbő l. Ezt
kö vető en a kinyert adatokbó l egy ABC elemzést készítettü nk. Az elemzés eredményeként kapott 2 “A”
kategó riá s termék kö zü l a cég prioritá sa alapjá n a 2-es termékre készítettü nk el hét kü lö nbö ző
elő rejelzést. Az elő rejelzések szá mítá sa sorá n az egyes sú lyok és simító paraméterek értéke nem
szakértő i becslés ú tjá n kerü lt megítélésre, hanem az á tlagos négyzetes hiba (Mean Squared Error –
MSE) célfü ggvénye alapjá n optimalizáltuk ezen értékeket. A kapott elő rejelzési eredményeket
indiká torok segítségével elemeztü k, megállapítottá k az elő rejelzési modellek pontossá gá t, és a kapott
mutató k alapjá n kivá lasztottuk a legkedvező bbet. Ezt végü l kö vető jellel is megvizsgá ltuk, hogy
megbizonyosodjunk a modell helyességérő l, és hosszú tá von való haszná lható sá gá ró l.

3. Eredmé nyek é s azok é rté kelé se

A munka sorá n Microsoft Excelben dolgoztunk, melynek Solver bő vítményét is alkalmaztuk az
elő rejelzési mó dszereknél. Első lépésként a termékek kategorizá lá sá hoz ABC elemzést végeztü nk, ami
fontos ahhoz, hogy meg tudjuk á llapítani, melyik termék/termékcsoport a leghangsú lyosabb a cég által
forgalmazott termékek kö zü l. Az elemzés eredményei a kö vetkező diagrammon (1. ábra) lá tható k:
 ABC elemzés eredménye
45,000 100%
40,000
Értékesített mennyiség (nm)

Kumulált relatív gíakoriság

35,000 80%
30,000
60%
25,000
20,000
40%
15,000
10,000 20%
5,000
0 0%
Termék 1 Termék 2 Termék 3 Termék 4 Termék 5 Termék 6 Termék 7

Értékesítés Kumulált relatív gyakoriság

1.ábra ABC elemzés eredménye. (forrás: saját kutatás)

A termékeket kumulá lt relatív gyakorisá g alapjá n sorba rendezve alakítottuk ki a kategó riá kat, az első
két termék kerü lt az “A” kategó riá ba, ezek az értékesített négyzetméter 77,46%-á t teszik ki. A
kö vetkező 16,55%-ot a két “B” kategó riá s termék jelenti, az utolsó 5,99%-ot pedig a maradék 3 termék
adja, amik a “C” kategó riá ba kerü ltek. A vá llalat vezetésével való egyeztetést kö vető en az elő rejelzést
csak az egyik “A” kategó riá s termékre szá moltunk, hiszen elmondá suk szerint ennek a terméknek a
legfontosabb a vá rható kereslete a hosszú á tfutá si idő miatt. Az elemzés alapja a Pareto-elv, ez a
vizsgá lt termékeknél is jó l lá tható an érvényesü l, hiszen a 28%-uk adja az igény tö bb, mint 77%-á t.
Tehá t az erő forrá sok csoportosítá sá ná l mindenképp az A kategó riá s termékekre kell a legnagyobb
hangsú lyt fektetni, hogy a rá fordítá sok és az eredmények ará nya optimá lis legyen.

A termékre való keresletet visszamenő leg két évre vizsgá ltuk meg, ez a kö vetkező diagramon (2. ábra)
lá tható :
 Termék 2
8000
7000
6000
Értékesített menniység (nm)

5000
4000
3000
2000
1000
0
ár ár us lis us us us us er er er er ár ár us lis us us us us er er er er
a nu bru árci pri Máj Júni Júli szt mb tób mb mb anu bru árci pri Máj Júni Júli szt mb tób mb m b
J Fe Á 7 gu te k ve ce J Fe Á 8 g u te k ve ce
17 7 7 M 17 17 17 01 Au ep 7 O o De 18 8 8 M 18 18 18 01 Au ep 8 O o De
20 201 201 20 20 20 2 17 Sz 201 17 N 17 20 201 201 20 20 20 2 18 Sz 201 18 N 18
7 8
20 01 20 20 20 01 20 20
2 2

2.ábra. Termék 2 igények 2017-18-ban (forrás: saját kutatás)

Az igényben enyhe csö kkenő trend figyelhető meg, ezt azonban csupá n egyetlen, a tö bbi hó naptó l
szignifiká nsan magasabb megrendelés okozza 2017 má rciusá ban. Ezen kívü l ö sszességében csak
szezonalitá st figyelhetü nk meg az évszakok vá ltozá sa kö vetkeztében. Mivel a vá llalat fel van készü lve
megfelelő mennyiségű alapkészlettel egy-egy ilyen nagyobb léptékű megrendelésre, ezért nem
szá moltunk trenddel. A mó dszereket ennek megfelelő en vá lasztottuk meg, stacioná rius modelleket
haszná ltunk: mozgó á tlagos elő rejelzést (2,3, és 4 taggal), sú lyozott mozgó á tlagos elő rejelzést (2,3, és
4 taggal), és exponenciá lis simítá st.

A sú lyozott mozgó á tlagos elő rejelzés esetén a sú lyokat nem szakértő i becsléssel adtuk meg, hanem a
Solvert alkalmazva számítottuk ki ő ket, a kö vetkező célfü ggvény:

0 ≤ w1 , w 2 , … , w n ≤ 1 (2)

és korlá tozó tényező segítségével: n

∑ (e t )2 (3)
i=1
Min z =
n dolgoztunk, az alfa simító paraméter
Az exponenciá lis simítá ná l is a Solver segítségével
meghatá rozá sá nak célfü ggvénye a kö vetkező volt:
n
(4)
∑ (e t )2
i=1
Minsáz =
A korlá tozó tényező pedig a sú lyok szá mítá hoz hasonló an:
n
0≤α≤1 (5)

Minden mó dszernél eltérő eredményt kaptunk, azonban a kéttagú mozgó á tlagos elő rejelzés MA(2), és
a kéttagú sú lyozott mozgó á tlagos elő rejelzés WMA(2) eredménye nagyon kö zel á ll egymá shoz. Ez
annak kö szö nhető , hogy a Solver á ltal számított sú lyok 0,48 és 0,52 voltak, tehá t kö zel azonos ará nnyal
szerepelt a legutolsó és az azt megelő ző érték a képletben.

Az elő rejelzések pontossá gá t kü lö nbö ző indiká torokkal vizsgá ltuk; első ként az á tlagos négyzetes
eltérést (MSE) szá mítottuk, majd ennek négyzetgyö két véve az RMSE-t á llapítottuk meg. Ez az
illeszkedés szá molá sá hoz szü kséges, ugyanis azt az á tlagos eltérés négyzetének gyö ke, és az á tlag
há nyadosaként kapjuk meg. Ez a mutató nagyon szemléletesen, szá zalékos formá ban jelzi szá munkra,
hogy mennyire pontos az elő rejelzésü nk (minél kö zelebb van a 0-hoz, anná l jobban illeszkedik a
modell a tényleges adatsorra).

A legpontosabb eredményt a sú lyozott négytagú mozgó á tlagos elő rejelzés WMA(4) adta, ennek lett a
legalacsonyabb MSE értéke, tehá t a jelenlegi kö rü lmények kö zö tt ez a legjobb mó dszer a cég számá ra a
jö vő ben vá rható kereslet felbecsü léséhez. Emellett a kéttagú mozgó á tlagos elő rejelzés, és a kéttagú
sú lyozott mozgó á tlagos elő rejelzés eredményei is megkö zelítik a WMA(4)-ét.

Az ö sszes mó dszer ö sszehasonlítá sá t a kö vetkező tá blá zatró l olvashatjuk le, a mó dszerek kö zö tt

viszonylag kis eltérés mutatkozik (1. táblázat):

MA(2) MA(3) MA(4) WMA(2) WMA(3) WMA(4) Exp. Simítás

MSE 848 811,84 1 300 477,71 1 189 496,51 847 162,08 847 162,08 783 058,53 910 719,98

RMSE 921,31 1 140,38 1 090,64 920,41 920,41 884,91 954,32

Átlag 1310 1310 1310 1310 1310 1310 1310

Illeszkedés
70,33% 87,05% 83,25% 70,26% 70,26% 67,55% 72,85%
(RMSE / Átlag)

1.táblázat. Előrejelzések hibaindikátorainak összehasonlítása (forrás: saját kutatás)

A négytagú sú lyozott mozgó á tlagos elő rejelzést – mivel az bizonyult a legpontosabbnak – kö vető jellel
is megvizsgá ltuk, ezt a kö vetkező diagramon lá thatjuk (3. ábra):

Követőjel a 4-tagú súlyozott mozgóátlagra

4
3 3 3 3 3 3 3 3 3 3 3 3 3
2
1
0
ár ár s i s us us s s
be
r er be
r
be
r
-1 nu ru ciu ril áj ni liu sz
tu ób
ja e b ár áp m jú jú
gu te
m
ok
t
ve
m em
-218 8
f m 18 18 18 18 u ep 8 no de
c
20 01 01
8
20 20 20 20 a
sz 01
-3 -3 2 -32 -3 -3 -3 -3 -3 18 -318 -3 2 -3 18 -3 18 -3
20 20 20
20
-4

Követőjel Alsó h. Felső h.

3.ábra. Követőjel a négytagú súlyozott mozgó átlagra (forrás: saját kutatás)

A kö vető jel kivá ló an alkalmas arra, hogy megvizsgá ljuk, mennyire helyes az á ltalunk kivá lasztott
mó dszer az igények elő rejelzésére. Hiszen abban az esetben, amikor a kö vető jel á tlépi a korlá tokat,
má r nem az igény szó rá sa jelenti a problémá t, hanem az elő rejelzési modellt vá lasztottuk meg rosszul
az adott adatokhoz. A kö vető jelben nem lelhető fel szisztematikus vá ltozá s az idő elő rehaladtá val,
valamint a megadott hatá rokon se lép tú l. A 3. ábrán lá tható kö vető jel értéke megfelelő , így a
kivá lasztott négy tagú sú lyozott mozgó á tlag helyesnek mondott, haszná lata ajá nlott a vá llalat szá má ra.
4. Ö sszegzé s
A kiinduló pontunk az volt, hogy a vá llalat a korá bbiakban nem alkalmazott elő rejelzési mó dszereket,
ez adta a kutatá sunk alapjá t, célunk egy hosszú tá von, eredményesen és hatékonyan mű kö dő
elő rejelzési mó dszer megtalá lá sa volt. Ö sszesen hét vá ltozatban haszná ltunk mozgó és sú lyozott
mozgó á tlagos elő rejelzést, illetve exponenciá lis simítá st, ezekhez a Microsoft Excel Solver
bő vítményét haszná ltuk. A négytagú sú lyozott mozgó á tlagos elő rejelzés bizonyult a legpontosabbnak,
ennek helyességét kö vető jellel is igazoltuk. A kutatá st behatá rolta, hogy csupá n két évre
visszamenő leg rendelkeztü nk adatkkal, viszont a cég má r kö zel tíz éve mű kö dik. Ezenkívü l, forrá sok
hiá nyá ban nem foglalkoztunk komplexebb elő rejelzési modellekkel, a tová bbiakban még ezekkel
tová bb lehet folytatni a kutatá st.

Hivatkozá sok
[1] Koltai Tamá s (2006): Termelésmenedzsment, Typotex Kiadó

[2] Olá h et al. (2017): A készlettervezés és az elő rejelzési modellek kapcsolata, Acta Carolus Robertus

[3]Render, B. – Heizer, J. (1996): Principles of operations management. NJ: Prentice Hall.

[4] Russsel, S. R. – Taylor, W. B. (2011): Operations Management. John Wiley and Sons Inc.

[5] Dobos I. – Gelei A. (2015): Biztonsá gi készletek megá llapítá sa elő rejelzés alapjá n.
Vezetéstudomá ny. XLVI. évf. 4

[6] Cliff T. Ragsdale: Spreadsheet modelling and decision analysis. Thomson-South Western 2007