Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

1 Üretim Planlaması ve Kontrolü Öngörüleme (Tahminleme)

Benzer bir sunumlar


... konulu sunumlar: "1 Üretim Planlaması ve Kontrolü Öngörüleme (Tahminleme)"— Sunum transkripti:

1 1 Üretim Planlaması ve Kontrolü Öngörüleme (Tahminleme)

2 Öngörüleme (Tahminleme-Forecasting) Öngörüleme: gelecek olayların önceden kestirilmesi süreci, sanat ve bilimidir. Öngörüleme, gelecekte olacak farklı şeyleri belirleme ve bu farklı şeylerin her birinin nasıl olacağını (neye benzeyeceğini) önceden belirleme sürecidir. Tüm işletme kararlarının temelini oluşturur: –Üretim –Envanter –İnsan kaynakları –Tesis.... 2

3 Yargı ve sezgi, öngörüleme için gerekli ise de günümüzde birçok öngörüleme yöntemi geliştirilmiş, öngörüleme falcılıktan ayrılıp epey yol kat etmiştir. Sales will be $200 Million! 3

4 Öngörüleme Öngörüleme bölümünün sonunda neler öğrenilmiş olacak: –Öngörüleme –Öngörü türleri –Öngörülemede zaman boyutu –Öngörüleme yaklaşımları –Hareketli ortalamalar –Üssel düzeltim –Trend projeksiyonları –Mevsimlik indeksler –Regresyon ve korelasyon analizi –Öngörü doğruluğunun ölçülmesi 4

5 Kötü öngörünün sonuçları? Markette istediğiniz ürün yok Kitapçıda istediğiniz kitap yok Restoranda menüdeki istediğiniz bir yemek yok..... Hiçbir işletme işi şansa bırakıp, bekleyip görelim diyemez, bunların tümü yağmura hazırlıksız yakalanma gibi, kötü öngörünün sonucudur. 5

6 Öngörüleme ve Planlama Hepimiz, işletmede ya da yaşamımızda gelecek olaylara ilişkin tahminler yaparız ve bu tahminleri esas alarak plan yapar, adım atarız. Bir olayı planlamak, geleceği öngörmeyi gerektirir. Öngörüleme ile planlama birbirinden farklıdır. Öngörüleme gelecekte ne olabileceği ile ilgili iken, planlama gelecekte ne olması gerektiğini düşünme ile ilgilidir. Öngörü planlama faaliyetlerinde girdidir. Kötü öngörü kötü planlama ile sonuçlanır. 6

7 Öngörü Türleri Ekonomik öngörüler –Enflasyon oranı, para arzı, planlama göstergeleri..vs Teknolojik öngörüler –Teknolojik gelişme oranı –Yeni ürünlerin kabul görmesi Talep öngörüleri –Mevcut ürünün satışlarını kestirme- öngörme (talep kısıtlanmaz ise satış öngörümü ile aynı olur) 7

8 Talep Öngörümü Gelecekte talep edilecek mal ve hizmetlerin ve bu mal ve hizmetleri üretmek için gerekecek kaynakların önceden kestirilmesidir. Talep öngörümü üretim yönetimindeki tüm öngörülerin başlangıç noktasını oluşturmakta, üretim planlama ve kontrol sisteminin fonksiyonlarına temel girdiyi sağlamaktadır. Üretim faaliyetleri öngörüleme yardımı ile ne kadar uygun planlanır ise kontrolleri de o ölçüde kolaylaşır. Pazar değişikliklerine ayak uydurmaya, maliyetlerin azaltılmasına, etkinliğin artmasına olanak verir. 8

9 Talep Öngörümü Nedenleri Tüm işletme kararları öngörüler esas alınarak yapılır: –Hangi pazara girilecek –Hangi ürün üretilecek –Hangi süreç ile üretilecek –Ne kadar kapasite gerekecek (makine ekipman..) –Yerleşim düzeni nasıl olacak –Ne kadar stok bulundurulacak –Ne kadar işgören alınacak İşletmede örgütün farklı düzeylerinde, farklı amaçlar için farklı zamanlarda öngörüler yapılır. Stratejik öngörüler üst düzeyde uzun döneme ilişkin Daha alt kademelerde daha kısa süreli öngörüler, haftalık satışlar gibi.. 9

10 Kısa dönem öngörüler –1 yıla kadar, genelde 3 aydan az –Görevlerin programlanması, işgücü tahsisleri Orta dönem öngörüler –3 ay -3 yıl –Satış ve üretim planlama, bütçeleme Uzun dönem öngörüler –3 yıl üzeri –Yeni ürün planlama, tesis kuruluş yeri Zaman Boyutuna Göre Öngörü Türleri 10

11 Kısa Dönem- Uzun Dönem karşılaştırma Orta/uzun dönem öngörüler, planlama ve ürünlere, fabrika ve süreçlere ilişkin yönetim kararlarını destekler. Kısa dönem öngörüleme için uzun dönemli öngörülemeden farklı yöntemler kullanılır. Kısa dönem öngörüler uzun dönem öngörülerden daha doğru olurlar. 11

12 Öngörülemenin Esasları Öngörüler nadiren mükemmeldir. Öngörüler geleceğe ilişkin belirsizliklere karşı yapıldığından mükemmel öngörü çok zordur. Her zaman hata vardır. Amaç öngörü hatalarını en aza indirmektir. Öngörüler, tek tek kalemler yerine ürün grupları için yapılırsa daha doğru olur. Tek bir ürün tipi için öngörü, gruba oranla daha zordur.(uzun kollu polo yaka yeşil t- shirt yerine polo t-shirt) Kısa dönem öngörüler uzun döneme oranla daha doğru, geçerlidir. Kısa dönem belirsizliği azaltır. Veriler kısa dönemde çok değişmez, süre uzadıkça belirsizlik artar. 2 yıl sonraki ürün satışını öngörme 2 hafta sonrakini öngörmeden daha zordur. 12

13 Ürün Yaşam Süreci Eğrisinin Öngörülere Etkisi Giriş ve büyüme dönemleri, olgunluk ve düşüş dönemlerinden daha uzun süreli öngörüler gerektirir. Ürün farklı evrelere geçerken: –işgücü düzeyi, –stok düzeyleri, –tesis kapasitesi için yapılan öngörüler yararlı olur. Giriş, büyüme, olgunluk, düşüş 13

14 Ürün Yaşam Sürecinde Stratejiler GirişBüyüme Olgunluk Düşüş Standardizasyon Daha az hızlı ürün değişimleri-daha çok küçük değişiklik Optimum kapasite Süreçlerin istikrarlılığını arttırma Uzun üretimler Ürün iyileştirme ve maliyet azaltma Ürün farklılaşması azdır. Maliyetlerin minimizasyonu Sanayi kolunda aşırı kapasite İyi kar getirmeyen öğelerin üretim hattından çıkarılması Kapasite azaltma Öngörüleme kritik önemdedir. Ürün ve süreç güvenilirliği Rekabetçi ürün iyileştirmeleri ve seçenekleri Kapasite arttırımı Ürün odaklı yapıya kayma Dağıtımın geliştirilmesi Ürün tasarımı ve geliştirmesi kritik önem taşır. Ürün ve sürece ilişkin tasarım değişiklikleri sıktır. Kısa üretimler Yüksek üretim maliyetleri Sınırlı sayıda model Kaliteye odaklanma Pazar payını arttırmak için en iyi dönemdir. Ar-Ge ve ürün mühendisliği kritik önemdedir. Fiyat veya kalite imajı değiştirilebilir. Niş pazarlar güçlendirilir. Maliyet kontrolü büyük önem taşır. İmaj, fiyat veya kaliteyi değiştirmek için kötü bir dönemdir. Rekabetçi fiyatlama önemlidir. Pazar konumları korunmalıdır. Üretim Yönetimi Stratejileri İşletme Stratejileri 3D LED TV Internet Blue-Ray Taşınabilir Bilgisayarlar Faks Makineleri Filmli fotoğraf makineleri Satışlar CD-ROM Tablet Bilgisayarlar 14

15 Öngörülemede İzlenecek 7 Adım Öngörüleme yapılacağına karar verme Öngörülenecek kalemleri seçme Öngörü zaman boyutunu belirle Öngörüleme model/modellerini seç Verileri topla Öngörüyü yap Sonuçların geçerliliğine bak ve uygula 15

16 Öngörüleme Yöntemleri En çok kabul gören sınıflandırma: 1.Kalitatif (subjektif-yargısal–nitel) yöntemler 2.Kantitatif (objektif-istatistiki-nicel) yöntemler Tek bir yöntem yerine yöntemlerin birleştirilmesi veya sonuçlarının ortalanması doğruluk derecelerini artırır. Uygulamada yönetimin yargısından gelen öngörülerle, geçmiş verilere dayanan kantitatif öngörüler birleştirilir. 16

17 Öngörüleme Sistemi 17 Geçmiş Veriler Kantitatif Öngörü Kalitatif Öngörü Yönetimin (kanaati) yargısı, tecrübesi DeğerlendirmeÖngörüGözlem Analiz Geri Bildirim

18 Kalitatif Yöntemler Kişi veya grupların görüş ve yargılarına dayanan, çoğunlukla verilerin olmadığı veya az olduğu durumlarda veya geçmiş veriler geleceği öngörmede duyarlı değilse veya kantitatif yöntemlerle birlikte kullanılan yöntemlerdir. Yeni ürünler, yeni teknoloji Subjektiftir, matematiksel değildir. Çevredeki son değişiklikler ile ilişkilendirilebilir ve içimizdeki hissi, deneyimi aktarabiliriz. Öngörüyü yanıltabilir, yanlış yönlendirebilir, doğruluğu azaltabilir. Örnek: Internet üzerinden satışların öngörülmesi 18

19 Kantitatif Yöntemler Geçmiş dönemlerdeki verileri esas alan matematiksel modellere dayanır. Geçmiş veriler vardır ve durumun değişmeyeceği (dengede olacağı) kabul edilir. Mevcut ürünler, mevcut teknoloji Objektif ve açıktır. Kişiye göre değişmez. Bir defada daha çok veri ve bilgiyi dikkate alabilir. Çoğunlukla sayısal veriler elde edilemez. Öngörünün esas alındığı veriler iyi olduğu ölçüde doğrudur. Örnek: LCD televizyon satışlarının öngörülmesi 19

20 Yöntemleri karakterize eden 6 faktör (yöntemlerin seçilmesinde etkili) 1.Zaman dilimi: Öngörünün yapılacağı, gelecekteki zaman aralığı (uzun dönem- kalitatif; kısa/orta dönem-kantitatif) ve öngörülerin gelecek kaç dönem için yapılacağı (bazı yöntemler gelecek 1 dönemi bazıları birçok dönemi öngörebilir) 20

21 2. Verilerin izlediği yol: Verilerin izlediği yola göre farklı yöntemler kullanılır. Veriler bir trend izleyebilir, rasgele dağılmış olabilir...vs 3. Maliyet: Öngörüleme modelinin geliştirilmesi, verilerin hazırlanması ve uygulamanın yapılması için çeşitli maliyetler gerekmektedir. Maliyetler kullanılan yönteme göre değişmektedir. 21

22 4. Doğruluk derecesi: Öngörülemede istenen doğruluk derecesi, yöntemleri farklılaştırmaktadır. 5. Basitlik, uygulama kolaylığı: Kolay anlaşılan ve uygulanabilen yöntemler tercih edilmekte, anlaşılamayan yöntemlere güven azalmaktadır. 6. Bilgisayar yazılımının olması: Kantitatif yöntemlerde yazılım paketi olmadan uygulama yapmak güçtür. Paketlerin kolay uygulanabilir ve yorumlanabilir olması gerekmektedir. 22

23 Kalitatif Yöntemler Uzmanların görüşü (tepe yönetimin görüşü) Satış elemanlarının görüşleri (öngörüsü) Delphi yöntemi Tüketici pazar araştırması Yaşam eğrilerinin benzeşimi (geçmişle paralellik kurmak) 23

24 Küçük bir grup üst düzey yöneticiyi kapsar –Grup, talebi birlikte çalışarak tahminler İstatistiki modellerle yönetsel tecrübeyi birleştirir. Oldukça çabuk ‘grupça-düşünme’ dezavantajı Uzmanların Görüşü 24

25 Uzmanların Görüşü ( Tepe Yönetimin Fikri) Grup öngörüsü Grup bileşimi –Üst düzey yöneticiler –Uzmanlar Öngörü kapsamı –Yeni ürünler –Teknolojik öngörüler –Mevcut öngörüler Dezavantajlar –Denetimi zor –Sonradan yapılan müdahaleler Çözüm –Konsensus 25

26 Satış Elemanlarının Görüşleri Her satış elemanı kendi satışlarını tahminler. Bölge ve ülke düzeyinde birleştirilir. Satış elemanları müşteri isteklerini bilir. Fazla iyimser olunabilir. 26

27 Satış Elemanlarının Öngörüsü Üstünlükler –Talebe en yakın personel –Talepte yerel farklılıklar –Farklı talepler toplanabilir Dezavantajlar –Bireysel önyargılar –İyimserlik-kötümserlik –Müşteri gereksinmesi- istekleri arasındaki fark –Performans kaygısı Bireysel öngörüler 27

28 Delphi Yöntemi Ardışık grup süreci 3 tür kişi –Karar vericiler –Personel (yürütücü) –Cevap verenler ‘Grup-düşüncesini’ azaltır. Cevap Verenler Personel Karar Vericiler (Satışlar?) ( Satışlar ne kadar olacak? Anket) (Satışlar 45, 50, 55 olacak) (Satışlar 50 birim olacak!) 28

29 Delphi Tekniği Üstünlükler –Uzun dönemli öngörüler –Yeni ürünler için fena değil –Teknolojik öngörüler Dezavantajlar –Turlar uzayabilir –Yeni ürünler dışında isabetliliği kuşkuludur –İsabetliliği anket kalitesine bağlı Bir hakem ve uzmanlar grubu Birkaç turlu (raund) grup konsensusu 29

30 Yaşam Eğrilerinin Benzeşimi Bir ürünün gelecekteki satışları, benzer ürünlerin satış bilgilerinden esinlenerek belirlenebilir. Benzer ürünlerin yaşam eğrilerindeki çeşitli dönemlerdeki satışları, özellikle yeni ürünlerin satışlarını öngörmede kullanılır. 30

31 Operasyon Yönetimi314/1/2015 Geçmişle Paralellik Kurmak / Yaşam Eğrilerinin Benzeşimi SunuşGelişmeOlgunlukGerileme 3. Kuşak cep telefonları El bilgisayarları Kişisel bilgisayarlar Hesap makineleri Acaba 3. kuşak cep telefonlarına olan talep 2. kuşak telefonlara benzer bir yapıda ve düzeyde mi olacak? 31

32 Pazar Araştırması Müşterilere satın alma planları hakkında sor Tüketicilerin söyledikleri ile yaptıkları farklı olabilir. Soruları cevaplamak zor olabilir. Gelecek hafta ne kadar süreyle Internet kullanacaksınız? 32

33 Pazar Araştırması Öngörüye müşteri katkısı Adımlar 1.Anket Ürün bilgileri Müşteri bilgileri 2.Örnekleme 3.Anket dışı veriler 4.İstatistiksel analiz Üstünlükler –Kısa dönemde çok iyi sonuç –Orta dönemde iyi sonuç Dezavantajlar –Uzun dönemde şöyle-böyle sonuç –Senaryo analizine elverişsizlik –Müşterinin aldırmazlığı –Müşteri önyargıları ve beklentileri 33

34 Kantitatif Yaklaşımlar Naif-basit yaklaşım Hareketli ortalamalar Üssel düzeltim Trend projeksiyonu Mevsimlik indeksler Doğrusal regresyon Zaman serisi modelleri Nedensel (ilişkisel) modeller 34

35 Kantitatif Öngörüleme Yöntemleri (Naif Olmayan Yöntemler) Kantitatif Öngörüleme Nedensel Modeller 35 Zaman Serileri Modelleri Hareketli Ortalamalar Üssel Düzeltim Trend Projeksiyonu Doğrusal (Lineer) Regresyon

36 Zaman Serisi Kantitatif öngörüleme yöntemlerinde birinci grup zaman serisi modelleridir. İyi yargı, sezgi, tecrübe, ekonomiden haberdar olma yöneticilere gelecekte ne olabileceğine dair kabaca bir fikir verebilir. Ancak bu hissi verilere dönüştürmek güçtür. Örneğin gelecek yıl 3’er aylık satışlar ne olacak? Gelecek yılın ünite başına hammadde maliyeti ne olacak?? 36

37 Zaman Serisi Gelecek yıl için 3’er aylık satış hacmini nasıl öngörebiliriz? Geçmiş dönemlerdeki gerçek satış verilerini gözden geçirmemiz gerekir. Son 3 yılın 3’er aylık satış verileri mevcut… Bu verilere bakarak satışların genel düzeyini belirleyebiliriz. Artma veya azalma eğilimi (trend) olup olmadığını görebiliriz. Daha iyi incelemeyle mevsimlik (dönemlik) durumu izleyebilir, örneğin her yıl 3. dönem satışların en yüksek olduğunu görebiliriz. 37

38 Zaman Serisi Zaman içindeki geçmiş verileri gözden geçirerek, o ürün için gelecek satışları daha iyi öngörebiliriz. Satışların geçmiş dönemlerdeki verileri, bir zaman serisi formundadır. Zaman serisi, zaman içinde birbiri ardı sıra noktalarda ya da zamanın birbirini izleyen dönemlerinde ölçülmüş gözlemler setidir. 38

39 Zaman Serisi Zaman serisi verileri ile geleceğe ilişkin öngörülerde bulunulacak... Verileri analiz etmek için bazı yöntemler incelenecek.. Analizin amacı zaman dizisinin gelecek dönem değerlerinin iyi öngörülenmesini sağlamak!!! 39

40 Trend ve Mevsimselliğe Bağlı Olarak Dört Yıllık Ürün Talep Grafiği Yıl 1 Yıl 2 Yıl 3 Yıl 4 Mevsimsel Tepe NoktalarıTrend bileşeni Gerçek talep çizgisi Dört yıldaki ortalama talep Ürün veya hizmet talebi Rassal değişim 40

41 Gerçek Talep, Hareketli Ortalamalar, Ağırlıklı Hareketli Ortalamalar Gerçekleşen Satışlar Hareketli ortalamalar Ağırlıklı hareketli ortalamalar 41

42 Eşit aralıklarla ayrılmış rakamsal veri seti –Gözlenen değişkeni eşit zaman aralıklarında izleyerek elde edilir Geçmiş değerlere dayalı tahmin yapma –Geçmişteki ve mevcut durumu etkileyen etkenlerin gelecekte de etkili olacağını varsayar Örnek: Yıllar: Satışlar (bin TL): Bir Zaman Serisi Nedir? 42

43 Trend (Eğilim) Mevsimsel Devri Rassal Zaman Serisi Bileşenleri 43

44 Devamlı bir şekilde tamamen yukarı yönlü ya da tamamen aşağı yönlü bir yapı Nüfusa, teknolojiye vb. bağlı olarak Birkaç yıl süreli Ay, Çeyrek, Yıl Yanıt Trend Bileşeni 44

45 Düzenli aralıklarla azalan ve artan dalgalanmalar Hava koşullarına, vergilere vb. bağlı olarak 1 yıllık dönem içerisinde oluşur Ay, Çeyrek Yanıt Yaz Mevsim Bileşeni 45

46 Mevsimler Yapının Dönemi “Mevsim” Uzunluğu Yapıdaki “Mevsimlerin” Sayısı HaftaGün7 AyHafta4 – 4 ½ AyGün28 – 31 Yıl3’er ay4 YılAy12 YılHafta52 46

47 Tekrarlanan yukarı ve aşağı hareketler Ekonomiyi etkileyen etkenlerin etkileşimlerinden dolayı Genellikle 2-10 yıl süreli Ay, Çeyrek, Yıl Yanıt Devir  Devri Bileşen 47

48 Düzensiz, sistematik olmayan, “artık”dalgalanmalar Öngörülemeyen olayların etkilerine bağlı olarak –Grev –Kasırga Kısa süreli ve tekrarlanmayan Rassal Bileşen 48

49 Zaman serisi içerisinde gözlenen herhangi bir değer, zaman serisi bileşenlerinin bir ürünüdür (ya da toplamıdır). Çoğaltan (multiplicative) model –Y i = T i · S i · C i · R i (çeyreklik ya da aylık veri söz konusu ise) Artırımlı (additive) model –Y i = T i + S i + C i + R i (çeyreklik veya aylık veri söz konusu ise) Zaman Serisi Modelleri 49

50 Naif Yaklaşım Gelecek dönemdeki talebin geçmiş son dönem ile aynı olacağını varsayar. –örneğin, Mayıs satışları 48 birimse, Haziran satışları da 48 birim olacaktır. Bazı durumlarda maliyet etkin ve verimli olabilir. © 1995 Corel Corp. 50

51 Naif Yaklaşım y t+1 = y t Gelecek dönemdeki talep en yakın dönemdeki talebe eşittir.Gelecek dönemdeki talep en yakın dönemdeki talebe eşittir. Ör. Aralık talebi, Kasım talebine eşit olacaktır.Ör. Aralık talebi, Kasım talebine eşit olacaktır. t, zamanşimdit +1t 51

52 Hareketli ortalamalar (moving average- MA), aritmetik ortalamalardan oluşan bir seridir. Trend yoksa veya çok az ise kullanılır. Genellikle düzeltim için kullanılır. Eşitlik: HO (MA) n  Geçmiş n Dönemdeki Talep Hareketli Ortalamalar Yöntemi 52

53 Basit Hareketli Ortalamalar Varsayım –Talep zaman içinde görece kararlı bir yönde seyredecektir. –Gerçekleşen son birkaç ( n ) talep düzeyi, gelecek dönemin talebi için anlamlı olacaktır. 53

54 Tarihi eser taklitleri satan bir hediyelik eşya dükkanı sahibisiniz. 3-dönemli hareketli ortalamaları kullanarak 2003 yılı için talebi tahminlemek istiyorsunuz. Yıl Adet Hareketli Ortalama Örneği 54

55 Hareketli Ortalama-Çözüm 55

56 Hareketli Ortalama-Çözüm 56

57 Hareketli Ortalama-Çözüm 57

58 Yıllar Satışlar Gerçek Tahmin Hareketli Ortalama Grafiği 58

59 Öngörü Hataları Amaç öngörünün az hatalı olmasıdır. Bunun için öngörü hatalarının küçük olması gerekir. Hataları toplayarak hatayı ölçmeye çalışabiliriz. Bu bizi yanıltır (+ ve –’ler sonucu toplam küçük çıkabilir) Hataların karelerini veya mutlak değerlerini almak daha doğru olur. 59

60 Örnek – 12 haftalık benzin satışları haftasatışlar (m 3 ) HOöng (n=3)Öng. hatası I H I(H) ??19Σ = 24Σ = 92 60

61 Öngörü Hataları Hataların karelerinin toplamının ortalaması ortalama hata kare (MSE) Hataların mutlak değerlerinin ortalaması ortalama mutlak sapma (MAD) Örnek için: MSE=92/9= 10,22 MAD=24/9= 2,67 61

62 Ortalama Mutlak Yüzde Hata (MAPE) Hataların mutlak değerlerinin ortalamasının, gerçek değerlerin yüzdesi olarak gösterilmesi. MAPE, hatayı gerçek değerin %’si olarak ifade eder. 62

63 Örnek DönemGerçek değeröngörüI hata II hata I/gerçek /180=0, /168=0, , , , , , ,0220 Toplam0,

64 MAPE= ,4562 / 8 = 5,70 % 64

65 Ortalama Hata Kare (MSE) Ortalama Mutlak Sapma (MAD) Ortalama Mutlak Yüzde Hata (MAPE) Tahmin Hatası Denklemleri 65

66 Geçmiş veriler daha az önemliyse Ağırlıklar 0-1 arasında toplamı 1 olacak şekilde (genelde son döneme daha fazla ağırlık vererek) Eşitlik: AHO (WMA) = Σ(n. dönemin ağırlığı) (n. dönemdeki talep) ΣAğırlıklar Ağırlıklı Hareketli Ortalama Yöntemi 66

67 Varsayım –Talep zaman içinde görece kararlı bir yönde seyredecektir. –Gerçekleşen en son talep düzeyi, gelecek dönemin talebi için en anlamlı girdi olacaktır. Ağırlıkların belirlenmesi deneme-yanılma ile Ağırlıklı Hareketli Ortalamalar 67

68 Örnek – 12 haftalık benzin satışları haftasatışlar (m 3 ) AHOöng (n=3)Öng. hatası I H I( H ) ,333,67 13, ,33-3,333,3311, ,83-3,833,8314, ,832,17 4, ,33-0,330,330, ,333,67 13, ,33-0,330,330, ,33-5,335,3328, ,834,17 17,39 13??19,33Σ = 26,83Σ =103,43 68

69 Ağırlıklı Hareketli Ortalama 4. hafta ağırlıklı hareketli ortalama öngörüsü=( )/6=19,33 MSE=103,43/9=11,49 MAD=26,83/9=2,98 69

70 70

71 Dönem sayısını (n) arttırmak, tahminleri değişimlere daha az duyarlı hale getirecektir. Trendi iyi bir şekilde tahminleyemez Daha fazla geçmiş veriye ihtiyaç duyulur Hareketli Ortalama Yöntemlerinin Olumsuz Yönleri 71

72 Ağırlıklı hareketli ortalamanın bir şekli –Ağırlıklar üssel olarak azalır –Son verilere daha fazla ağırlık verilir Düzeltim sabiti kullanılır (  ) –0-1 arasında –Deneme yanılma ile seçilebilir Geçmiş verilere ilişkin daha az kayıt gerektirir Üssel Düzeltim Yöntemi 72

73 F t =  A t  (1-  )A t  (1-  ) 2 ·A t  (1-  ) 3 A t  (1-  ) t-1 ·A 0 –F t = t dönemindeki tahmin değeri –A t = t dönemindeki gerçek değer –α = Düzeltim sabiti F t = F t-1 +  (A t-1 - F t-1 ) –Tahmini hesaplamak için kullanılır. Üssel Düzeltim Denklemleri 73

74 Üssel Düzeltim Modeli F t+1 = α A t + ( 1- α ) F t veya F t+1 = α A t + F t - α. F t = F t + α (A t – F t ) = F t + α. e t e t = Hata A t = Gerçek değer F t = Öngörü 74

75 Üssel Düzeltim Daha gelişmiş bir yöntem Daha az veri gereksinmesi Gerçekleşen en son talep düzeyi ve o dönem için yapılmış öngörü, gelecek dönemin talebi için en anlamlı girdiler olacaktır. 75

76 Geçtiğimiz sekiz çeyrekte, İzmir Limanı’na büyük miktarda tahıl indirilmiştir. (  =.10). İlk çeyrek için yapılan öngörü 175 tondur. Çeyrek Tahıl Miktarı (ton) ? Üssel Düzeltim-Örnek 9. Çeyrekte ne kadar tahıl geleceğini tahminleyiniz. 76

77 F t = F t ( A t -1 - F t -1 ) Çeyrek Gerçek Değer Tahmin, F t ( α =.10) (Verilen) Üssel Düzeltim-Çözüm 77

78 ( Üssel Düzeltim-Çözüm F t = F t ( A t -1 - F t -1 ) 78 Çeyrek Gerçek Değer Tahmin, F t ( α =.10) (Verilen)

79 ( Üssel Düzeltim-Çözüm F t = F t ( A t -1 - F t -1 ) 79 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

80 (Verilen) ( ) Üssel Düzeltim-Çözüm F t = F t ( A t -1 - F t -1 ) 80 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

81 (Verilen) ( ) = Üssel Düzeltim-Çözüm F t = F t ( A t -1 - F t -1 ) 81 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

82 F t = F t ( A t -1 - F t -1 ) (Verilen) ( ) = ( ) = Üssel Düzeltim-Çözüm 82 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

83 F t = F t ( A t -1 - F t -1 ) (Verilen) ( ) = ( ) = ( )= Üssel Düzeltim-Çözüm 83 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

84 F t = F t ( A t -1 - F t -1 ) (Verilen) ( ) = ( ) = ( ) = ( ) = Üssel Düzeltim-Çözüm 84 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

85 F t = F t ( A t -1 - F t -1 ) (Verilen) ( ) = ( ) = ( ) = ( ) = ( ) = Üssel Düzeltim-Çözüm 85 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

86 F t = F t ( A t -1 - F t -1 ) ( ) = ( ) = ( ) = Üssel Düzeltim-Çözüm ( ) = Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

87 F t = F t ( A t -1 - F t -1 ) ( ) = ( ) = ( ) = Üssel Düzeltim-Çözüm ( ) = ( ) = ( ) = ? 87 Çeyrek Gerçek Değer Tahmin, F t ( α =.10)

88 Örnek – 12 haftalık benzin satışları Hafta(t) Satışlar(Yt) (m 3 ) Ft (α=0,2)Öng. hatası I H I( H )2 117 * ,801,2 1, ,044,96 24, ,03-1,031,031, ,83-2,832,838, ,261,74 3, ,61-0,610,610, ,493,51 12, ,190,81 0, ,35-4,354,3518, ,483,52 12,39 13??19,18Σ = 28,56Σ = 98,08 88

89 MSE= 98,8/11=8,98 α=0,3 için MSE= 9,35 En iyi α= 0,2 olduğu hesaplanmış. 89

90 F t =  A t  (1-  ) A t  (1-  ) 2 A t  Düzeltim Sabitinin Tahmin Etkileri Ağırlıklar Bir önceki dönem  İki önceki dönem  (1 -  ) Üç önceki dönem  (1 -  ) 2 ==  = 0.10  = % 90

91  Düzeltim Sabitinin Tahmin Etkileri ==  = 0.10  = % 9% 91 Ağırlıklar Bir önceki dönem  İki önceki dönem  (1 -  ) Üç önceki dönem  (1 -  ) 2 F t =  A t  (1-  ) A t  (1-  ) 2 A t

92  Düzeltim Sabitinin Tahmin Etkileri ==  = 0.10  = % 9% 8.1% 92 Ağırlıklar Bir önceki dönem  İki önceki dönem  (1 -  ) Üç önceki dönem  (1 -  ) 2 F t =  A t  (1-  ) A t  (1-  ) 2 A t

93  Düzeltim Sabitinin Tahmin Etkileri ==  = 0.10  = % 9% 8.1% 90% 93 Ağırlıklar Bir önceki dönem  İki önceki dönem  (1 -  ) Üç önceki dönem  (1 -  ) 2 F t =  A t  (1-  ) A t  (1-  ) 2 A t

94  Düzeltim Sabitinin Tahmin Etkileri ==  = 0.10  = % 9% 8.1% 90%9% 94 Ağırlıklar Bir önceki dönem  İki önceki dönem  (1 -  ) Üç önceki dönem  (1 -  ) 2 F t =  A t  (1-  ) A t  (1-  ) 2 A t

95  Düzeltim Sabitinin Tahmin Etkileri ==  = 0.10  = % 9% 8.1% 90%9%0.9% 95 Ağırlıklar Bir önceki dönem  İki önceki dönem  (1 -  ) Üç önceki dönem  (1 -  ) 2 F t =  A t  (1-  ) A t  (1-  ) 2 A t

96  ’nın Etkisi 96 Düşük bir  değeri, geçmiş ortalamaya daha fazla ağırlık verir ve rassal dalgalanmaların etkisini azaltır. Yüksek  değeri ise talepteki değişikliklere daha fazla tepki verilmesini sağlar.

97  ’nın Seçimi Ortalama Mutlak Sapma’nın (MAD) en küçüklenmesi hedeflenir. Eğer:Tahmin hatası = talep - tahmin ise: 97

98 Trend Ayarlamalı Üssel Düzeltim Eğilim varsa, basit üssel düzeltim yetersiz kalır. Trend içeren öngörü (FIT) oluşturulmalıdır. İki bileşen –Üssel düzeltilmiş talep (F) –Üssel düzeltilmiş eğilim-trend (T) Adımlar 1.Üssel düzeltilmiş talebi hesapla (F) 2.Üssel düzeltilmiş eğilimi hesapla (T) 3.Taleple eğilimi topla 98

99 Trend Ayarlamalı Üssel Düzeltim Trend düzeltme faktörünün hesaplanması için ikinci bir düzeltim katsayısı (β) gereklidir. β, düzeltmenin ne ölçüde son tahmin değerlerinin farkına, ne ölçüde önceki trende bağlı olduğunu belirler. 99

100 Trend Ayarlamalı Üssel Düzeltim 100

101 Trend Ayarlamalı Üssel Düzeltim Düşük β değeri, trendin daha fazla düzeltilmesini sağlar ve belirgin bir trend olmaması durumunda yararlıdır. Yüksek β değeri ise son trende ağırlık verir ve son değişikliklere daha duyarlıdır. 101

102 α = 0.2 β =

103 Örnek Ay Talep (Y t ) (adet)FtFt TtTt FIT t ,81,9214, ,182,1017, ,822,3220, ,912,2322, ,512,3824, ,112,0726, ,142,4529, ,282,3231,60 10?32,482,6835,16 103

104 104

105 105

106 Gerçek Değerlerin ve Tahminlerin Karşılaştırılması 106

107 Örnek Hukuk firması gelirleri: (α=0,1 β=0,2) alarak trend ayarlı üssel düzeltim ile ağustos ayı gelirlerini tahminleyiniz. Ay(t) Talep(Y) (bin TL) FtTFITYt-FIT(Y-FIT) 2 Şubat Mart 68,5 Nisan 64,8 Mayıs 71,7 Haziran 71,3 Temmuz 72,8 107

108 Trend Analizi Eğer zaman serisi rasgele dağılmış değil ise, genel bir eğilim (trend) gösteriyorsa bu seriye uygun doğru ya da eğriyi bulmaya çalışırız. Trend orta-uzun dönemde her iniş-çıkışı yansıtmayacak, genel olarak dereceli artış veya azalışları yansıtacaktır. Biz zaman serisi değerlerine en uygun trend doğrusunu bulmaya çalışacağız. 108

109 Trend Analizi Verilere uyan bir trend doğrusu elle göz kararı çizilebilir. Trend doğrusu yarı ortalamalar ile çizilebilir. Trend doğrusu, gerçek talep değerleri ile çizilecek (öngörü) talep doğrusu üzerindeki noktalar arasındaki farkın (hatalar) kareleri toplamını minimum yapacak şekilde en küçük kareler yöntemi ile çizilebilir... Trend doğrusunun en küçük kareler yöntemi ile bulunması 109

110 En Küçük Kareler Yöntemi Talep, zamanın fonksiyonu Amaç –Matematiksel olarak öngörme hatasının minimuma indirilmesi Bulgular –Talep doğrusu denklemi –Eğilim –Kesişim noktası 110

111 En Küçük Kareler Sapma Deviation Sapma Zaman Bağımlı Değişkenin Aldığı Değerler Gerçek Gözlem Regresyon doğrusu üzerindeki noktalar 111

112 Doğrusal trend doğrusunun tahmininde kullanılır. Cevap değişkeni Y ile zaman X arasındaki ilişkinin doğrusal bir fonksiyon olduğunu varsayar… En küçük kareler yöntemiyle tahminlenir. –Hata kareleri toplamını en küçükler i YabX i  Doğrusal Trend Projeksiyonu 112

113 b > 0 b < 0 a a Y Zaman, X Doğrusal Trend Projeksiyonu Modeli 113

114 En Küçük Kareler Eşitlikleri Eşitlik: Eğim: Y-eksen kesmesi: 114

115 Tahminin Standart Hatası 115

116 Hesaplama Tablosu 116

117 Örnek: Bisiklet Satışları Yıl (t)Satışlar (000 TL) Y t 121,6 222,9 325,5 421,9 523,9 627,5 731,5 829,7 928,6 1031,4 117

118 118

119 119

120 120

121 Trend Doğrusunun Kullanımı Yıl Talep (MW) Solda, N.Y. için 1997 – 2003 yılları arasındaki elektrik gücü ihtiyacı görülmektedir. Trendi bulunuz. 121

122 Trend Doğrusunun Bulunması YılZaman Dönemi Güç Talebi (MW) x2x2 xy  x=28  y=692  x 2 =140  xy=3,

123 Trend Doğrusu Eşitliği 123

124 Gerçek Durum ve Trend Tahmini 124

125 Mevsimsellik Mevsimselliğin derecesi ya da düzeyi demek, gerçek verilerin, ortalama veri değerinden ne kadar saptığıdır. Ortalamadan % sapma olarak gösterilir. Her mevsimin değerinin ortalamanın ne kadar üstünde veya altında olduğunu % olarak gösterme mevsimlik indekstir. Örneğin bir mevsim satışları ortalamanın 1,3’ü ise, bu ortalamanın %30 üstünde demektir. 125

126 Mevsimsellik Her mevsim (ör. ay) için ortalama tarihsel talebi ayrı ayrı hesapla. Her dönem (ör. yıl) için ortalama mevsimsel talebi hesapla. Her bir mevsim için mevsimsellik göstergesini hesapla. Gelecek döneme ilişkin toplam talebi öngör. Dönemsel öngörüyü mevsim sayısına böl. Ortalama mevsimsel öngörüyü mevsimsellik göstergesi ile çarp. 126

127 Örnek Bir dershane gelecek yılın kayıtları için öngörü yapmak istemektedir. Geçmiş iki yılın mevsimlik kayıtlarını inceleyerek ve gelecek yılın toplam kayıt sayısını öğrenci olarak tahminleyerek gelecek yıl her dönemdeki öngörüyü hesaplayınız. Kayıtlar (000 kişi) DönemYıl 1Yıl 2 Sonbahar 2426 Kış 2322 İlkbahar 19 Yaz 1417 Toplam

128 Adımlar 1) Her dönem için ortalama talebi hesapla Örnekte yıllık talebi 4 e böl. Yıl /4=20 Yıl /4=21 2) Yılın her dönemi için mevsimlik indeks hesapla. Örnekte her mevsimdeki gerçek talebi, mevsimlik ortalama talebe böl. Dönem mevsim Yıl 1Yıl 2 Sonb.24/20= 1,2 26/21= 1,238 Kış23/20= 1,15 22/21= 1,048 İlkb.19/20= 0,95 19/21= 0,905 Yaz14/20= 0,70 17/21= 0,

129 Adımlar-devam 3 ) Her dönem için ortalama mevsimlik indeks hesapla. Örnekte kaç yıllık endeks varsa endeksleri topla, yıl sayısına böl. DönemOrt. Mevsimlik İndeks Sonb(1,2+1,238)/2=1,22 Kış(1,15+1,048)/2=1,10 İlkb(0,95+0,905)/2=0,928 Yaz(0,70+0,810)/2=0,

130 Adımlar-devam 4) Gelecek yıl için mevsimlik ortalama talebi hesapla. Yıllık talebi herhangi bir yöntemle hesapla ve mevsim sayısına bölerek gelecek yılın ortalama mevsimlik talebini bul. 90(000)/4=22,5 (000) kişi 5) Gelecek yılın ortalama mevsimlik talebini, ortalama mevsimlik indeksler ile çarp. Gelecek yıl için öngörüyü hazırla. DönemÖngörü (yıl3) (000 kişi) Sonb22,5x1,22=27,45 Kış22,5x1,10=24,750 İlkb22,5x0,928=20,880 yaz22,5x0,755=16,

131 Aylık Taşınabilir Bilgisayar Satışları Satış Tahmini (adet)Ortalama Talep (adet) Ay AylıkMevsimsel İndeks Ocak Şubat Mart Nisan Mayıs Haziran Temmuz Ağustos Eylül Ekim Kasım Aralık

132 Taşınabilir Bilgisayar Talebi 132

133 San Diego Hastanesi – Yatan Hastalar 133

134 Çoğaltan (Multiplicative) Mevsimsel Model Her “mevsim” için, her yılda o mevsimde gerçekleşmiş talebi toplayıp verilerdeki yıl sayısına bölerek ortalama geçmiş talebi bul. Toplam ortalama yıllık talebi mevsim sayısına bölerek tüm mevsimlerdeki ortalama talebi hesapla. Mevsimin geçmiş talebini (1. adımdan) tüm mevsimlerdeki ortalama talebe bölerek bir mevsimsel indeks hesapla. Gelecek yılın toplam talebini tahminle Toplam talep tahminini mevsim sayısına böl, daha sonra çıkan sayıyı her mevsimin mevsimsel indeksi ile çarp.Böylece mevsimsel talebi hesaplanmış olur. 134

135 Nedensel (İlişkisel) Modeller Bu modeller, öngörülemek istediğimiz değişkenin, bir şekilde çevredeki diğer değişkenlerden etkilendiğini, onlarla ilişkilendirilebileceğini varsayar. Öngörüleyicinin işi, bu değişkenlerin matematiksel olarak nasıl ilişkilendirileceğini bulmak ve bu bilgiden yararlanarak gelecek için öngörü yapmaktır. 135

136 Nedensel Modeller Örneğin satışların, reklam harcamalarından ve kişi başına milli gelirden etkilenebileceğine karar verebiliriz. Geçmişteki verilerden yararlanarak bu değişkenler arasındaki ilişkiyi açıklayan bir model kurabiliriz, böylece satışları tahminleyebiliriz. 136

137 Nedensel Modeller Nedensel modellerin, zaman serisi modellerine oranla kullanılmaları daha zor ve karmaşıktır. Özellikle birden çok değişken arasında ilişki kurmayı düşünürsek... En basit ve en çok bilinen nedensel model doğrusal regresyondur. 137

138 Regresyon Modellerini Kullanarak Öngörüleme Regresyon analizi istatistiki bir tekniktir. İki ya da daha fazla değişken arasındaki ilişkiye dayanarak öngörü yapmak için kullanılır. Regresyon terminolojisinde : –Y bağımlı değişken, öngörülemek istediğimiz değişken –X (x 1, x 2, x 3,.....) bağımsız değişken Y nin öngörümü bir ya da daha fazla bağımsız değişkene (x) bağlıdır. Bağımlı ve bağımsız değişkenler için bir takım veriler sağlayabilirsek, regresyon analizi bize bir eşitlik sağlayacak, bu eşitlik x değerleri verildiğinde y’nin değerini öngörmede kullanılacaktır. 138

139 Regresyon Bağımlı değişken: y Bağımsız değişken(ler): x i y = a +  b i x i Yaygın kullanım 139

140 Basit Doğrusal Regresyon Bağımlı değişken: y, ör. satış Bağımsız değişken: x, ör. reklam giderleri y = a + bx Bağımlı Bağımsız değişken Sabit Eğim 140

141 Çoklu Doğrusal Regresyon Bağımlı değişken: y Bağımsız değişkenler: x 1, x 2, x 3 y = a + b 1 x 1 + b 2 x 2 + b 3 x 3 Bağımlı Sabit değişken Katsayılar Bağımsız değişkenler 141

142 Çoklu Regresyon Örneği Talep birden çok değişkenle ilişkili Örnekler –Reklam giderleri –Satış elemanı sayısı –Nüfus artışı –Enflasyon hızı –v.b. 142

143 Doğrusal Regresyon Doğrusal regresyon, iki değişken arasındaki ilişkinin bir doğru ile modelleneceği esasına dayanır. Öngörülecek bağımlı değişken Y, diğer değişkene (X-bağımsız değişken) bir doğru şeklinde ilişkilendirilir. İki değişken arasındaki ilişki: Y= a + b.X a ve b, doğrudan sapmaları –hataların kareleri toplamını- minimum yapacak şekilde seçilir a= doğrunun Y’yi kestiği yer b= doğrunun eğimi 143

144 Eğim(b) –X’teki her 1 birim artış için Y’de b ile öngörülenen değişimler b = 2 ise reklam harcamalarındaki (X) her 1 birim artış için satışların (Y) 2 kat artması beklenir. Y-eksen kesimi (a) –X = 0 ikenY’nin ortalama değeri a = 4 ise reklam harcamaları (X) 0 olduğunda, ortalama satışların (Y) 4 olması beklenir. Sabitlerin Açıklaması 144

145 Y X Y a i ^ ii bX i =+ + Hata Gözlenen Değer YabX =+ Regresyon Doğrusu Doğrusal Regresyon Modeli 145

146 Doğrusal Regresyon Eşitlikleri Eşitlik: Eğim: Y-eksen kesimi: 146

147 Hesaplama Tablosu 147

148 Örnek Bir inşaat firması, satışları ile o bölgenin gelirleri arasında bir ilişki olduğunu düşünmektedir. Geçmiş 6 yıldaki satışları ile bölge gelirlerine ilişkin yandaki verileri toplamıştır: Satışlar ( ) TL Bölge gelirleri ( ) TL , ,57 148

149 Dağılım Diyagramı 149

150 Örnek Satışlar ( ) TL y Bölge gelirleri ( ) TL x x2x2 xyy2y , , ,574924,512, ,539,5 150

151 Örnek 18/6=3 15/6=2,5 b=0,25 a=1,75 Ŷ= 1,75+0,25 X Gelecek yıl bölge gelirleri 6 ( )$ olacağına göre firmanın satışları: Ŷ = 1,75 + 0,25.6= 3,25 ( ) TL olacak 151

152 Örnek Tahminin standart hatası: Satışların Ŷ =3,25 olması; tahmini regresyon doğrusu üzerinde bir nokta tahminidir. Tahminin doğruluğunu ölçmek için tahminin standart hatası hesaplanır. Buna regresyonun standart sapması da denir. 152

153 Tahminin Standart Hatası Örnekte: Örnek hacmi n>30 için y’nin öngörü aralığını bulmada normal dağılım tablosu Örnek hacmi n<30 için t dağılımı uygundur. 153

154 Basit Doğrusal Regresyon Örneği Aylar Reklam gideri (€) Satış tutarı (€) Ocak120,0002,780,000 Şubat240,0004,500,000 Mart310,0005,000,000 Nisan200,0003,750,000 Mayıs440,0005,200,000 Haziran120,0002,440,

155 Grafiksel Çözüm 155

156 POM for Windows Çözümü ÖlçütDeğer Hata Ölçütleri Eğilim (Ortalama Hata) MAD (Ortalama Mutlak Sapma) MSE (Ortalama Hata Kare) 165, Standart Hata (denom=n-2-0=4) Regresyon doğrusu Bağımlı değ, Y = 1, * X1 İstatistikler Korelasyon katsayısı Belirlilik katsayısı (r 2 )

157 Gerçek Y değerinin tahminlenen Y değerine göre değişkenliği Tahminin standart hatası ile ölçülür –Örneklem hatalarının standart sapması –S Y,X olarak ifade edilir Birkaç faktörü etkiler –Parametrelerin anlamlılığını (significance) –Tahmin doğruluk derecesini Rassal Hata Varyasyonu (Değişimi) 157

158 En Küçük Kareler Varsayımları İlişkinin doğrusal olduğu varsayılır. Öncelikle verilerin grafiğini çizin – eğer bir eğri ortaya çıkıyorsa, doğrusal olmayan (curvilinear) analizi kullanın. Bulunan ilişkilerin veri aralığının içinde ya da biraz dışında tutarlı olduğu varsayılır. Bu nedenle veritabanı aralığının çok dışındaki bir zaman aralığı için tahmin yapmaya çalışmayın. En küçük kareler yöntemiyle çizilen doğrunun etrafındaki sapmaların rassal olduğu varsayılır. 158

159 Tahminin Standart Hatası 159

160 Korelasyon İki değişken arasındaki doğrusal ilişkinin yönünü ve gücünü ölçen bir istatistiktir. Regresyon iki değişken arasındaki ilişkiyi ve ilişkinin yapısını gösterir (Bir değişkendeki değişkenliğin diğer değişkende yarattığı değişikliği gösterir). İki değişken arasındaki ilişkiyi değerlendirmenin diğer bir yolu korelasyon katsayısını hesaplamadır. Korelasyon katsayısı r ile gösterilir ve r (-1 ile +1) arasındadır. 160

161 Korelasyon r=+1 iki değişken arasındaki mükemmel bir pozitif ilişkiyi r=-1 mükemmel bir negatif ilişkiyi gösterir. r=0 değişkenler arasında ilişki yoktur. 161

162 +1.00 Mükemmel Pozitif Korelasyon Negatif korelasyon derecesi artar Mükemmel Negatif Korelasyon Korelasyon yok Pozitif korelasyon derecesi artar Korelasyon Katsayısı Değerleri 162

163 Örneklemin Korelasyon Katsayısı 163

164 Korelasyon Katsayısı ve Regresyon Modeli r 2 = korelasyon sabitinin(r) karesi, y’deki değişimin regresyon denklemiyle açıklanan kısmının yüzdesini verir. 164

165 Determinasyon (Belirlilik) Katsayısı İki değişken arasındaki ilişkiyi açıklamak için diğer bir ölçü determinasyon katsayısıdır. r 2 ile gösterilir. Bağımsız değişkenin, bağımlı değişkendeki değişiklikleri ne derece iyi açıkladığını belirler. Regresyon doğrusunun verilere ne kadar iyi uyduğunu gösterir. r büyüdükçe daha iyi olur. r 2 daima pozitiftir ve 0 ile 1 arasındadır r=0,9 ise r 2 = 0,81 (y deki değişkenliğin %81 i regresyon eşitliği ile açıklanır). Yani y’deki değişkenliğin %81 i x’e bağlı. 165

166 Örnek İnşaat firması satışları örneğinde korelasyon katsayısını bulmak istersek: r= 0,901 Determinasyon katsayısı: r 2 =0,81 olarak hesaplanır. Yani toplam değişikliğin %81’i regresyon eşitliği ile açıklanabilir. y’nin değişmesi % 81 “x”e (bölge gelirlerine) bağlı, %19 diğer nedenlerle değişiyor. 166

167 Çoklu Regresyon İnşaat firması satışlarının bölge gelirleri yanı sıra faiz oranlarına da bağlı olduğunu düşünürse: Ŷ= a+b 1 x 1 +b 2 x 2 x 1 = bölge gelirleri x 2 = faiz oranları Ŷ= 1,8+0,3x 1 -5x 2 ve r= 0,96 olarak bulunursa Faiz oranlarının hesaplamaya katılması doğrusal ilişkiyi daha da güçlendirmiştir. Gelecek yıl satışları; bölge geliri 600 milyon ve faizler %12 olacaksa: 1,8+0,3.(6)- 5.(0,12)=3 (00.000) TL olarak tahminlenir. 167

168 İki amacı sağlamak isteriz: –Tahmin hatasında belli bir şablon (model- pattern) veya yön olmamalı Hata = (Y i - Y i ) = (Gerçek - Tahmin) Hataların zamana karşılık grafiği çizilerek görülebilir. –Tahmin hatası en küçük olmalı Ortalama hata kare (MSE) Ortalama mutlak sapma (MAD) Tahminleme Modelinin Seçilmesi İçin… ^ 168

169 Zaman (Yıl) Hata 0 0 İstenen Şablon Zaman (Yıl) Hata 0 Trend tam olarak açıklanamıyor Tahmin Hataları Şablonu 169

170 Ortalama Hata Kare (MSE) Ortalama Mutlak Sapma (MAD) Ortalama Mutlak Yüzde Hata (MAPE) Tahmin Hatası Eşitlikleri 170

171 Hasbro Oyuncakları’nda çalışan bir pazarlama araştırmacısısınız. Satışları doğrusal bir modelle ve üssel düzeltimle tahminlediniz. Hangi modeli kullanırsınız? GerçekDoğrusal ModelÜssel Düzeltim YılSatışlarTahminiTahmini (.9) Tahminleme Modelinin Seçimi Örnek 171

172 MSE = Σ Hata 2 / n = 1.10 / 5 = MAD = Σ |Hata| / n = 2.0 / 5 = MAPE = 100 Σ|mutlak yüzde hatalar|/ n = 1.20/5 = Doğrusal Modelin Değerlendirilmesi Y i ^ Y i ^ Yıl Toplam Hata Hata |Hata| Gerçek

173 MSE = Σ Hata 2 / n = 0.05 / 5 = 0.01 MAD = Σ |Hata| / n = 0.3 / 5 = 0.06 MAPE = 100 Σ |mutlak yüzde hatalar|/ n = 0.10/5 = 0.02 Üssel Düzeltim Modeli Değerlendirmesi 173

174 Karşılaştırma Doğrusal Model: MSE = Σ Hata 2 / n = 1.10 / 5 =.220 MAD = Σ |Hata| / n = 2.0 / 5 =.400 MAPE = 100 Σ|Mutlak yüzde hatalar|/ n = 1.20/5 = Üssel Düzeltim Modeli: MSE = Σ Hata 2 / n = 0.05 / 5 = 0.01 MAD = Σ |Hata| / n = 0.3 / 5 = 0.06 MAPE = 100 Σ |Mutlak yüzde hatalar|/ n = 0.10/5 =

175 İzleme Sinyali Öngörüleme yönteminin performansını değerlendirmek için gerçekleşen değerler, öngörü değerleriyle karşılaştırılır. Öngörüleme yönteminin yeterli olup olmadığını belirleyen bir yöntem; yeni gerçekleşen verileri öngörü değeriyle gözle karşılaştırmaktır. Diğer bir yöntem izleme sinyali kullanmaktır. 175

176 İzleme Sinyali İzleme sinyali, öngörü hatalarının kümülatif toplamının (RSFE) ortalama mutlak sapmaya (MAD) bölünmesiyle hesaplanan bir rasyodur. İzleme sinyali=Σ(gerçek-öngörü) / ort.mutlak sapma Öngörülemede izleme sinyali; öngörü değerinin gerçek değerin altında ya da üstünde olduğunu gösteren ortalama mutlak sapma sayısıdır. İzleme sinyalinin kabul edilebilir sınırları, öngörülen talebin büyüklüğüne (önemine), ve bu işe ayrılan zamana göre değişir. Genelde 1-4 MAD sınırları alınır. Mükemmel bir modelde öngörü hataları toplamı 0 olur. Gerçeğin altında ve üstünde değerler birbirini dengeler. İzleme sinyali o zaman 0 olur. 176

177 İzleme Sinyali Eşitliği 177

178 İzleme Sinyalinin Hesaplanması 178

179 İzleme Sinyalinin Hesaplanması 179 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

180 İzleme Sinyalinin Hesaplanması 180 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

181 İzleme Sinyalinin Hesaplanması 181 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

182 İzleme Sinyalinin Hesaplanması 182 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

183 İzleme Sinyalinin Hesaplanması 183 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

184 İzleme Sinyalinin Hesaplanması 184 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

185 İzleme Sinyalinin Hesaplanması 185 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

186 İzleme Sinyalinin Hesaplanması 186 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

187 İzleme Sinyalinin Hesaplanması 187 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

188 İzleme Sinyalinin Hesaplanması 188 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

189 İzleme Sinyalinin Hesaplanması 189 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

190 İzleme Sinyalinin Hesaplanması 190 AyTahm.Gerç.HataRSFEMutlak Hata Küm.MADTS |Hata|

191 İzleme Sinyali DönemTalep öngörüsü Gerçek talep Hata RSFE- Kümülatif öngörü hataları IHataI Kümülatif mutlak hata MAD/rt mutlak hata İzleme sinyali , , ,22,5 191

192 İzleme Sinyalinin Çizilmesi Zaman Alt kontrol sınırı Üst kontrol sınırı Sınır dışına çıkan sinyal İzleme sinyali Kabul edilebilir aralık MAD

193 İzleme Sinyalleri İzleme Sinyali Tahmin Gerçek talep 193

194 Hizmet Sektöründe Tahminleme Olağandışı durumları yansıtır –Özellikle kısa dönemli kayıt gereksinimi vardır –Gereksinimler, endüstri koluna ya da ürüne göre büyük ölçüde değişir –Tatiller ve takvimsel olaylarla ilgilidir –Olağandışı olaylar 194

195 Bir Fast Food Restoranının Saatlere Göre Satışları


"1 Üretim Planlaması ve Kontrolü Öngörüleme (Tahminleme)" indir ppt

Benzer bir sunumlar


Google Reklamları