Scribd Logo
Carica

Benvenuto in Scribd!

  • 02 - Previsione Della Domanda 2

    Caricato da

    Daniel Reese
    6 visualizzazioni35 pagine
    g

    Titolo originale

    02_-_Previsione_della_domanda__2

    Copyright

    © © All Rights Reserved

    Formati disponibili

    PDF o leggi online da Scribd

    Hai trovato utile questo documento?

    Questo contenuto è inappropriato?

    Segnala questo documento
    g

    Copyright:

    © All Rights Reserved
    Scarica in formato PDF o leggi online su Scribd
    Segnala contenuti inappropriati
    6 visualizzazioni35 pagine

    02 - Previsione Della Domanda 2

    Caricato da

    Daniel Reese
    g

    Copyright:

    © All Rights Reserved
    Scarica in formato PDF o leggi online su Scribd
    Segnala contenuti inappropriati
    di 35
    Richard B. Chase F. Robert Jacobs Nicholas J. Aquilano Alberto Grando Andrea Sianesi Operations Management nella produzione e nei servizi Seconda edizione McGraw-Hill CAPITOLO 12 Previsione La grandezzae il potere di Wal-Mart nel commercio al detta- lio stanno eserctando una colossale influenza nel settore dei database. 'azienda gestisce ole 35 terabyte di dati La formula del successo Wal-Mart, collocare il givsto pro- Lotto sulle scatfale appropriata al minimo prezzo, deve molto i plurimilionari investimenti aziendali in data warehouse. Wal- Mart possiede informazioni pid dettagliate di quasi wtta la con- cortenza su cosa accale, giorno per giomo, al singolo prodot- to nel singolo negozio. | sistem contengono dati sul punto vendita, le corte, i pro- ott in ransito, le statistiche di mercato, i dati demografic dei client, gi aspett finanziar, resi, le prestazioni dei fornitr. | dati vengono utlizati in tre macroaree di supporto decisio- ale: analisi dei trend, gestione delle scort © conoscenza del- Ja clientela. Ne emergono i “profil” (wrati di personalita”) di . Destagionalizzare la domanda. © Individuare il componente di trend. 2, Prevedere i valori futuri di ogni componente fa. Proiettare il componente di trend nel futur. }». Moltiplicare il componente di trend per il componente stagionale 338 Parte 1VPianticazione e contrallo della supply chain Notate che ka componente castle non & inserts nell lista, Quando si caleola ka me dia della serie storica, di fatto si rimuove fa componente Casuale dall"analist tempo rale, Infatti, non ha senso (entare unit proievione della componente casuale (proprie perché “casuale™), at meno di non possedere informazioni su un qualehe evento par ticolare, come una Filevante vertenza sindcale, che potrebbe incidere neg: sulla domand di prodotto (e questo in effetti non sarebhe an elemento exsbale. La Figura 12.15 mostea ka seomposizione di una serie storiea mediante sess ca hase usati negli esempi precedent, Cis scum dato corrisponde all domanda dun trimestre: Forizzonte & dite ann (12 time Mir. H nostro obiettive & prevedere ki donianda nei quattro timestri del quarto an, Fase 1. De writ 12,15 riassume i ealeol necessari, La colonnt 4 ealeoka kt media relativa al medesimo trimestre sull oriz zonte di tre anni, Per esempio, si sommano i primi trimestei det te anni, che por vengono divisi per tre, Quindi, dividendo quella: media per ka media i Wi dodici trimestri (33.350 / 12, ovvero 2.779) si otengono gt indici di st Tita. Quest vengono inseriti nella colonn 5, Notte che gli indict dh st i (rimestri omologhi (gli swessi rimesti Ui ogni annoy sono identici ionalita per o e ° “ © © ” ® Domanda Domanda Media tra gl Indice destagionalizzata wry Periodo effettiva. —stessi trimestri i Va x? Col. (i) x | ) Timestre diogni anno stagionalita Col. (3)/'Gol. (5) (Col. 1 Cal. (6) t T 1 600 (600 + 2.400 + 082 735.7 7 7357 S.800V3 = 2.266,7 2 " 411550 (1.850+,100+ 10 14124 20047 4500/3 = 3.050 3 uw 11500 (1.500 + 2.600 + oar 1.5480 9 16319 ; 4.0003 = 2.700 H 4 v 1.500 (1.500 + 2.900 + 132 13448 16 53780 ' 4.9003 = 3.100 5 1 2.400 oe 29426 2 14.7132 } 6 u 3.100 140 2.8287 36 t6.980,4 | 7 2.600 oor 26762 4 187336 8 wv 2.900 12 2599.9 62 20,7989 | 9 f 3.800 082 46592 Bt 41.932,7 t 10 u 4.500 110 41004 © 100 41.006.1 n MW 4.000 or ais tat 45,200,1 7 wv 4.900 ae 4ag9 148 5.7145 78 33.350 1208 33.350,1" 650-——-265,705.9 65-1265) 27792 342 96,5)=554.9 Pertanto, ¥=a+bx =554,94:342.2x totale dalle colonne (3) (8) dowrebbe essere 53.350, Valor diferent sono dows al'arotondamento. La colonna (5) stata avrondala ala soconda dita docmale, Figura 12.18 Domanda destagionalizzata Capitolo 12. Provisions 339 Kase 2. Destagionalizzare i dati originali. Per rimuovere I'effetto stagionale dai lati, si dividono i dati originali per l'indice di stagionalita. Questa fase, detta desta- ‘onalizzazione della domanda, & presentata nella colonna 6 della Figura 12.15. -tagionalizzati. In questa fase 1o scopo & sviluppare un’ equazione per 1a linea di trend Y, da modificarsi poi secondo I'indice di stagionalita. Il procedimento & quel- | Fase 3. Elaborare una linea di regressione dei minimi quadrati per i dati de- lo gi adotato in precedenza: Yeatbx fb wove va domanda destagionalizzata (vedi Figura 12.13) * Yodomunda caleolaua mediante equazione i ean inclinazione della retta ne Y= a+ bx; f° La sezione inferiore della Figura 12.15 riporta i calcoli dei minimi quadrati, ottena- {i dalle colonne 1, 7 € 8. Liequazione finale destagionalizzata dei nostri dati & Y'= 584.9 + 342,21. Questa retia € mostrata nella Figura 12.16. t Fase 4. Proiettare la retta lungo Vorizzonte di previsione, Liobiettivo @ effettua- * ela previsione dal periodo 13 al periodo 16. Si inizia risolvendo I'equazione e tro- ¥ _vando ¥ per ciascuno di questi periodi (vedi pid avanti la Fase 5, terza colonna) ' Fase 5. Costruire la previsione finale adeguando ta retta di regressione con Vindice di stagionalita. L’equazione ¥ & stata destagionalizzata: si inverte quindi il § procedimento moltiplicando i dati trimestrali ottenuti per I'indice di stagionalita re- lativo al trimestre in oggett: i Fattore stagionat 082 180 1 O37 12 son —— ! 400 fey ‘ murine desapionizts 9 wo YESS SS : san Q ‘ , 000 ata t | Domanda =f o @? e i 2000 f | tof 9 eg vo Da xg sa & * Dat destugonalizza ceo ee Figura 12.16 ry as@? es ow Gratico dela reta deta do Frimestre ‘manda destageonaizzata 340 Parte IV Pianiicazione e contol dela supply chain ge] Ut previsone yest Intervals ooo 9° Domania [8 PRsIone Pasa Proven Futura i Figura 2:17 Lrmte trace evisone per trend tineare Temps (Ora la previsione & completa. Generalmente il procedimento & analogo a quello se guito nell‘esempio precedente con linea tracciata manualmente, Nel caso in ogget to. invece, si seguito un procedimento pit formale, caleolando anche la regressio~ ne dei minimi quadrat I procedimemto porta a una previsione che comunque affetta da errori. Gli errori possono provenire da due fomti. Uno: esistono gli errori naturali, assimila bill alla deviazione standard di qualsivoglia serie di dati. Due: esistono gli errori sistematici, che insorgono dato che la retta & imprecisa, La Figura J2.37 mostra questa range di errore ed evidenzia come, addentrandoci nel futuro. il range di er rore siallarghi 12.6 PREVISIONE MEDIANTE RELAZIONE CAUSALE Afinché sia utile a scopi di previsione, qualsiasi variabile indipendente deve esse re-un indicatore significativo, Per eempio, possiamo attenderei che un prolungato periodo di pioggia incrementi le vendite di ombrelli e impermeabil. La piogpia cau sa la vendita di abbigliamento anti-pioggia. Questa & uma Felazione eausale, dove lun evento ne produce um altro, Se elemento causante & noto con sufficiente antic po, lo si pud usare come base di previsione Il primo passo da compiere nella previsione mediante relazin te quegli event costituemt le cause effettve. Spesso gli indicator signifcativi won somto vere e proprie relazioni causali, ma, in qualche maniera indireta,lasciano pre- Sagire che ceri altri fatti potrebbero verificarsi Altre relazioni non causal sembra no invece pura coincidenza, Uno studio di qualche anno fa segnatava che ly quan- {i di alco! venduto in Svezia era diretamente proporzionale allo stipendio degli insegnansi. Presumibimente si ratava di una refazione falsa (0 spuria)... Di seg to, un esempio di previsione condotta tramite reluzione causale sausale @ trovae Esempio 12.4 Previsione condotta mediante relazione causaie Il Carpet City Store di Carpet City ha registrato le proprie vendite an. nuali (espresse in metri quadrati), assieme al numero di autorizzazioni a nuove costruzioni residenziali nella zona, sett iter | | Capitolo 12 Previsione gat Numero dl costruzioni avviate: Vendite Anno Permess! (in metri quadrati) 1988) i +3.000 1990 18 12.000 1991 2 11.000 1992 10 40.000 1903 20 14,000 1994 28 16.000 1995, 35 79.000 1998, 80 37.000 1997 20 13.000, 11 responsabile delle operations di Carpet City ritiene di poter prevedere le vendite, dato il numero di costruzioni avviate nell’anno in corso. Dap- prima vengono “plottati” i dati (Figura 12.18), co x = numero di permessi di costruzione; ¥ = vendite di moquette Poich€ i punti si cotlocano lungo ung tinea retta, il responsable decide di usare la relazione lineare Y= a + bx. Risolviamo questo problema tracciando manvalmente Ja reta. Potrernmo anche risotvere U'equazione ccon la regressione dei minimi quadrati, come fatto in precedenza, Soluzione La proiezione della linea tracciata manualmente interseca 'asse delle ¥ 1 circa 7.000 metri. valore interpretabile come domunda in assenz tli nuove costruzioni di case: vale a dire ~ probabilmente — come sostitu- zione della moquette veechia, Per una stima delt"inclinazione. selezio- samo due punti, come questi: 0 — acy F . mee ae | 7.090 1000 a5 : came O24 6 * WD WM Figura 12.18 otazione causle tra vendita x ‘eruove costuzion’ di case, Numero gi nave concen eile 342. Analisi i regressione multipla Parte IV. Pianificazione e contollo dalla supply chain Anno x y 1904 70 70.000 1998, 20 17.000 Lialgebra ci permette di calcolare I'inclinazione p< 2(98)= 3194) _ 17.000 10.000 _ 7.000 _ 55 “x@8)-x94) 30-1020 Il responsabile pud interpretare l'inclinazione come il numero medio di ‘metri quadrati di moquette venduti per ogni nuova casa costruita nella zona, L'equazione di previsione & dunque: ¥-=7.000 + 350x (Ora supponete che vi siano 25 nuove concessioni edilizie per il 2000. La Previsione di vendita per il 2000 risulta dungue: 7.000 + 350(25) = 15.750 metri quadrati In questa situazione, il periodo intercorrente da quando i nuovi propre- tari di casa registrano il permesso di costruzione presso un apposito uf- ficio a quando si recano a Carpet City per acquistare la moguette gene- ra una relazione causale passibile di previsione. Un altro strumento previsionale & l'analisi di regressione multipla, in cui si consi-

    Potrebbero piacerti anche