Ünite 3: Talep Tahminleri İşletme Bölümü GÜZ 2014-2015 Görüyorum ki bu ders’ den A alacaksın. Ünite 3: Talep Tahminleri

Outline: What You Will Learn . . . Talep Tahmin tanımı ve önemi. Talep Tahmin prensipleri. Talep Tahminde yapılacak işlemler. Talep Tahmin Yöntemleri. Zaman Serileri Analizi. Hareketli Ortamalar. Duyarlılık Analizleri. Trend Analizi Regresyon Analizi ve uygunluk derecesi

Talep Tahmini nedir? Niye kullanılmaktadır? Talep tahmin, bir firmanın gelecekteki satış hacmini belirlemek için bir değişkeni hesaplama işlemidir. Talep Tahmin, özel işletmelerde, devlet sektöründe ve hayır kurumlarında alınacak idari ve yönetsel kararlarda riski ve belirsizliği azaltan bir yöntemdir. Talep tahminlerinin kullanılması sayesinde, firmalar kendi büyümesini gerçekleştirebilmesi için ne kadar mal üreteceğini, bu malı hangi oranda fiyatlayacağını ve ilgili malın pazarlanması için ne kadar para harcayacağını belirler

Taleb Tahminin Amacı Firmanın karşılaşacağı kısa dönem işletim kararları ve uzun dönem büyüme planları için riskin ve belirsizliğin azaltılmasıdır. Taleb Tahminlerini kullanmak işletme hayatının vazgeçilmez unsurlarından biridir. Bunları kullanırken daha doğru tahminler yapıp, mümkün mertebe riski ve belirsizliği azaltmak bir işletmenin hayatta tutunabilmesinin en temel noktasıdır.

Talep Tahmin Yöntemi Haritası Bilgi etkileyen Faktörler Statistiksel Model Pazarlama satış Finans Üst yönetim Stok yönetimi Fikir birliği Talep Tahmin kararı

Talep Tahmin Prensibleri Nedensellik (sebeb sonuç ilişkisi) Geçmiş ==> Gelecek Talep Tahmin tesadüfi etkilerden dolayı, sonuçları çok hassas olmaz. Tahminler çok nadir olarak kusursuzdur Talep Tahmin çalışmaları kişilere oranla gruplar üzerinde daha hassas sonuçlar verir. Zaman horizonu artığı sürece, Talep Tahmin ölçümleri daha az hassas olur.

İyi bir Talep Tahminin Elemanları Zaman Hassasiyet Güvenilirlik Anlamlılık Yazılım Kolay kullanılış

Talep Tahmin Araştırılmasında Yapılacak Adımlar Adım 1 Talep tahmin amacının belirlenmesi Adım 2 Zaman horizonunu belirlenmesi Adım 3 Talep Tahmin tekniklerinin seçilmesi Adım 4 Veri’yi analiz yapma Adım 5 Talep Tahminin yapılması Adım 6 Raporun yazılması “Talep Tahmin”

Talep Tahminleri Yöntemleri Naïve (düz) metod’dan en Zor model ve tekniklere kadar Talep Tahmin yöntemleri mevcuttur. Üç ana başlıkta toplanır: Yargısal Tahminler Zaman Serileri İlişkisel Modeller

Talep Tahmin Araştırma Yöntemleri Yargısal Tahminler- Kantatif modellerin kullanılmadığı zamanlar yönetici görüşlerini, müşteri anketlerini, uzman görüşleri gibi yargısal yöntemlerin kullanılmasıdır. Zaman Serileri – Geçmişe ait bilgilerin geleceği tahmin için kullanılması prensibine dayanır. İlişkisel Modeller – Bağımsız değişkenlerin kullanılarak geleceğin tahmin edilmesidir.

Kalitatif (Yargısal) Modeller Kalitatif talep tahmini bir değişkenin gelecek değerini anket araştırma ve görüş toplama yöntemlerini kullanarak belirleme yöntemidir. Anket teknikleri Toplanılan bilgi, tecrübe, kişisel yargı, ve sezgiye dayanır. Görüş toplama Pazar’daki bir çok uzman kişilerin, yöneticilerin, satış memurları gibi elemanların verdiği görüşlere dayanan bir bilgi toplama yöntemi.

Kalitatif (Yargısal) Modeller Görüş toplama yöntemi basit oluşu ve düşük maliyetli olma avantajları vardır. Bandwagon etkisi: (tercübe, sezgiye ve uzman görüşlere dayandığı için subjektif olabilir). Delphi Methodu : Bu metod kullanılarak uzman görüşleri ayrıştırılıp subjektif görüşler engellenebilinir.

Kantitatif (Nicel) Tahmin Yaklaşımları Temel varsayım: Geçmiç bilgi yoksa, gelecekteki bilgi tahmin edilemez. İyi bir geçmiş örnek analizi, etkili bir gelecek örnek analizi teşkil eder. Kantitatif yaklaşımların büyük çoğunluğu zaman serileri analizi olarak adlandırılır.

Zaman Serileri Analizi Bir zaman serisi ardışık ve eşit aralıklı zamanlarda bir bağımsız değişkenin aldığı değerleri gösteren bir küme şeklinde tanımlanır. Geçmişteki davranış biçiminin gelecekte de devam edeceği varsayılır. İstikrarsız, ani ve beklenmedik değişikliklerin olduğu ortamlarda bu yöntemin kullanılması doğru olmaz.

Talep Tahmin süresi Kısa vadeli tahminler Orta vadeli tahminler 1 yıla kadar Orta vadeli tahminler 1 ile 5 yıl arası Uzun vadeli tahminler 5 yıldan fazla olan süreler için

Zaman Serilerinin değişimde görünen ana sebebler Trend : zaman serisinin uzun vadedeki pozitif yada negatif değişimini gösterir (Nüfus, gelir ve kültürdeki değişimleri). Uzun vadeli dalgalanmalar: ulusal ekonomideki hızlı gelişmeler, depresyon, durgunluk gibi faktörleri içeren dalgalanmalardır. Mevsimlik değişmeler : Bayram öncesi satışlar, giyim, hediyeli eşyalar, turizme ait faaliyetler.. Düzensiz değişmeler ciddi hava muhalefeti, grevler mal ve hizmetlerdeki radikal değişmeler. Tesadüfi değişmeler: sebebleri tam olarak belli olmayan ve sistematik bir değişim şekli göstermeyen etkenlerdir.

Talep Tahmin Değişimleri Düzenli olmayan Trend Uzun vadeli 90 89 88 Mevsimlik değişmeler

Talep Tahmin Yapıları Zaman serisi F(t) = A(t-1) Mevsimlik Değişmeler F(t) = A(t-n) Verilerin trend ile kullanılması F(t) = A(t-1) + (A(t-1) – A(t-2))

Ortalama Teknikleri Hareketli ortalama Ağırlıklı hareketli ortalama Üstel Düzeltmeler yöntemi

Ortalama Teknikleri GTt-n + … GTt-2 + GTt-1 TTt = HOn= n n Hareketli ortalama – Gerçek değerlerin ortalamasını alırken yeni değerleri bünyesine alan bir tekniktir. Yeni değerler oluşurken eski değerler kayboluyor. GTt-n + … GTt-2 + GTt-1 TTt = HOn= n Ağırlıklı Hareketli ortalama – Son dönem verilerini belirli bir ağırlıkla işleme koyan bir tahmin tekniğidir. AnGTt-n + … An-1GTt-2 + A1GTt-1 TTt = AHOn= n

Basit Hareketli Ortalama Gerçek Değer HO5 HO3 GTt-n + … GTt-2 + GTt-1 TTt = HOn= n

Basit Hareketli Ortalama TT yada OT döneme ait talep tahmini GT döneme ait gerçekleşen talep n dönem sayısı ve A ise ağırlık değeri Basit denmesinin sebebi eşit ağırlıkta kolay bir şekilde ortalanmasının hesaplanmasıdır. Hareketli denmesinin sebebi yeni veri hesaplandığı zaman eski verilerin kullanılmamasıdır. Dönem sayısı artığı zaman, tahmin dalgalanmalara daha az karşılık verecektir. Dönem sayısı azaldığı zaman, tahmin dalgalanmalara daha fazla karşılık verecektir.

Üstel (Eksponensiyal) Düzeltmeler Yöntemi ÜDY TTt = TTt-1 + (GTt-1 - TTt-1) TTt = döneme ait talep tahmini TTt-1 = Bir önceki döneme ait talep tahmin = düzeltme sabiti GTt-1 = Bir önceki döneme ait gerçekleşme değeri  düzgünleştirme sabiti olup 0 ile 1 değerleri arası değişmektedir. GT-TT farkı hata terimini belirler

Üstel(Eksponensiyal) Düzeltmeler Yöntemi Ağırlıklar kullanılarak hesaplanır ve üstel bir yayılım grafiği özelliği gösterir. (GT t-1 - TTt-1) farkı hata tahmin ölçümünü gösterir. Düzgünleştirme katsayısı 0.0 ile 1.0 arasında değişir.  değeri artıkça, tahminde yüksek dalgalanmalar yaratır.  değeri azaldıkça, tahminde düşük dalgalanmalar yaratır.

Örnek 1 Bir çağrı merkezinin 12 günde elde ettiği verileri gösteriyor. Bu veriler kullanılarak gelecek dönemki veriler tahmin edilmek istenmektedir. Hareketli ortalama, Ağırlıklı hareketli ortalama ve üstel düzeltmeler yöntemini kullanarak gelecek dönemi tahmin ediniz. Gün Çağrı Hacmi 1 159 2 217 3 186 4 161 5 173 6 157 7 203 8 195 9 188 10 168 11 198 12

Örnek 1-Hareketli ortalama Hareketli ortalama yöntemini kullanarak diğer dönemi (13. gün) tahmin ediniz. Bu dönemi tahmin ederken en yakın üç veriyi kullanınız. TT13 = (168 + 198 + 159)/3 = 175.0 çağrı

Örnek1- Ağırlıklı hareketli ortalama Ağırlıklı hareketli ortalama yöntemi ile gelecek dönemi tahmin ediniz. En yakın üç dönemi kullanırken en eski veriyi sırası ile 0.1, 0.3 ve 0.6 ağırlık değerinde alınız. TT13 = .1(168) + .3(198) + .6(159) = 171.6 çağrı Not: Bu tekniği kullandığınız zaman, diğer tekniğe göre tahmin değeri daha az bulunmuştur. Modeller daha kapsamlı olduklarında, çıkan sonuçlar daha hassas olabilir. 1

Örnek1-Üstel düzeltme Düzeltme sabitinin 0 .25 verildiği bu çağrı merkezinde 11. gün 180.76 olarak tahmin ediliyor. 13. gün değerini üstel düzeltme yöntemi ile tahmin ediniz? TT12 = 180.76 + .25(198 – 180.76) = 185.07 çağrı TT13 = 185.07 + .25(159 – 185.07) = 178.55 çağrı

Trend Analizi Zaman serilerini analizinde kullanılan regresyon modelinin en basit şeklidir. Regresyon analizi bağımlı değişkenle bağımsız değişken arasındaki ilişkiyi belirler. En basit bağlamdaki regresyonda bir bağımsiz değişken mevcuttur. Veriler zaman serilerinden oluşursa, bağımsız değişken zaman değişkeni olur. Bağımlı değişken tahmin edilen herhangi bir değer olabilir.

Trend denklemi TTt = a + bt TTt = Talep Tahmini t = dönem a = sabit değeri alır t = 0 olduğu zamanlar b = Denklemin eğimi

Regresyon Doğrusu Regresyon denklemi model: Y = a + bX Y = Bağımlı değişken X = Bağımsız değişken a = dikey eksenin eğimi b = regresyon doğrusunun eğimi

Trend analizi- a ve b sabitlerinin hesaplanması Sabit sayılar a ve b Sabit sayılar a and b yandaki formuller kullanılarak hesaplanır Sabit değerler a ve b tahmin edildikten sonra, X bağımsız değişkenine değer verilerek Y bağımlı değişkenin değerleri tahmin edilir.

Örnek2-Trend Analizi- Elektrik enerjisi satışları Elimizdeki veriler bir şehrin 1997.1 ve 2000.4 yılları arasındaki elektrik enerjisi tüketimini (milyon kilowatt) göstermektedir. Veriler aşağıdaki tabloda verildiği gibidir. Trend analizini kullanarak diğer 4 çeyrek dönemi tahmin ediniz. Yıl 1997 Q1 1997Q2 1997Q3 1997Q4 1998Q1 1998Q2 1998Q3 1998Q4 1999Q1 1999Q2 1999Q3 1999Q4 2000Q1 2000Q2 2000Q3 2000Q4 ELEKTÜK (Y) 11 15 12 14 17 13 16 18 20 19

Örnek 2-Trend Analizi Yıl Trent (t) ELEKTÜK (Y) (t )kare Y*t (y) kare (Σt) karesi (ΣY) karesi 1997Q1 1 11 121   1997Q2 2 15 4 30 225 1997Q3 3 12 9 36 144 1997Q4 14 16 56 196 1998Q1 5 25 60 1998Q2 6 17 102 289 1998Q3 7 13 49 91 169 1998Q4 8 64 128 256 1999Q1 81 126 1999Q2 10 18 100 180 324 1999Q3 165 1999Q4 204 2000Q1 195 2000Q2 20 280 400 2000Q3 240 2000Q4 19 304 361 (Toplam) Σ 136 244 1496 2208 3820 18496 59536 a 11.9 b 0.394

Örnek 2-Trend Analizi Y = 11.90 + 0.394X Y17 = 11.90 + 0.394(17) = 18.60 ilk çeyrek-2001 Y18 = 11.90 + 0.394(18) = 18.99 ikinci çeyrek-2001 Y19 = 11.90 + 0.394(19) = 19.39 üçünçü çeyrek- 2001 Y20 = 11.90 + 0.394(20) = 19.78 dörtünçü çeyrek-2001 Not: Elektrik enerji tüketimi 0.394 katsayısı bağlamında her çeyrekte milyon kilowatt-saat birimi şeklinde artış gösterecektir.

Örnek 2-Trend Analizi Örnek’deki bilgileri kullanarak, Standart sapmayı bulunuz (Sxy) Korelasyon katsayısını yani güçlülük katsayısını bulunuz (r). Değişim katsayısını (tayin katsayısı) bulunuz (R2).

Örnek 2-Trend Analizi Örnek’deki bilgileri kullanarak, Standart sapmayı bulunuz (Sxy). Sxy = kare kök( [3820-(11.9) (244)- (0.394) (2208)]/(16-2))=1.82 Sxy trend etrafındaki verinin nasıl dağıldığını gösterir. Averaja göre büyük bir standard hata varsa, veri noktaları geniş bölgeye yayılır. Eğer küçükse, daha sıkı bir şekilde trend etrafında kümelenirler. Sonuçu yanıltıcı olabilir.

Örnek 2-Trend Analizi Örnek’deki bilgileri kullanarak, (b)Korelasyon katsayısını yani güçlülük katsayısını bulunuz (r). r= ((16) (2208)- (136) (244))/kare kök( [(16) (1496)-(18496)*((16)(3820-59536)]=0.73 r -1 ile 1 arası değişen bir sayı olup, -1 ise güçlü negatif, 1 ise güçlü positifdir. 0 ise değişkenler arası herhangi bir ilişki yok demektir. Burada güçlü bir ilişki vardır bağımsız değişken artarsa, bağımlı değişkende artmaktadır.

Örnek 2-Trend Analizi Örnek 1 deki bilgileri kullanarak, (c) Değişim katsayısını (tayin katsayısı) bulunuz (R2). R2=r2 R2=0.533. 0 ile 1 arası değişen değer, 0 olduğu zaman iki değişken arası ilişkinin olmadığını 1 olduğu zamanda mükemmel bir ilişki olduğunu gösterir. Bu değer aslında iki değişken arasındaki değişim katsayısını gösterir. %53 oranında meydana gelen bağımlı değişkendeki farklılıkları bağımsız değişkendeki farklılıklar açıklar. Yani bağımlı değişkendeki artışlar, bağımsız değişkendeki artışlardan kaynaklanmaktadır.

Talep Tahminlerindeki Duyarlılık Duyarlılık modelleri Talep tahmin yöntemlerinin performansını ölçen modellerdir. Gerçek değerlerin tahmin değerleri üzerine ne kadar iyi bir şekilde yaklaştığını gösterir. En az hata payı gösteren tahmin modelleri, en iyi duyarlılığı ölçen modellerdir. En çok Kullanılan hata tahmin ölçüm modelleri Ortalama Mutlak sapma (OMS) Mean absolute deviation (MAD) Hata karelerinin ortalaması (HKO) Mean squared error (MSE) Kare kökü hata karelerinin ortalaması (KKHKO) Root mean squared error (RMSE)

OMS, HKO, and KKHKO  Gerçek  Tahmin OMS = n HKO = Gerçek Tahmin) - 1 2   n (  

Örnek- Hata tahmin modelleri Aşağıdaki gerçek ve tahmini değerleri kullanarak, ortalama mutlak sapma (OMS), Hata karelerinin ortalaması (HKO) ve Kare kökü hata karelerinin ortalaması (KKHKO) hesaplayınız. Zaman Gerçek Tahmin 1 217 215 2 213 216 3 4 210 214 5 211 6 219 7 8 212

Örnek- Hata tahmin modelleri Gerçek Tahmin G-T (G-T) mutlak (G-T) karesi Karekök 217 215 2 4   213 216 -3 3 9 1 210 214 -4 16 211 219 5 25 -1 212 Toplam Σ -2 22 76 3.082207 OMS 2.75 22/8 HKO 10.85714 76/7 KKHKO 3.08 karekök(76/8) G-T= HATA

Örnek 3- Trend Analizi- Petrol satışları Aşağıdaki tablo 2004 and 2011 yılları arası bir kente ait petrol satışlarını gösteriyor. Trend analizini kullanarak diğer 4 yılı tahmin ediniz. YIL 2004 2005 2006 2007 2008 2009 2010 2011 PETROLSATIŞI(Y) 1 3 4 2 5

Örnek 3- Trend Analizi- Petrol satışları Yıl Trend (t) PETROLSATIŞI (Y) (t )KARESİ Y*t (y) KARESİ (Σt) KARESİ (ΣY) KARESİ 2004 1   2005 2 3 4 6 9 2006 12 16 2007 8 2008 5 25 2009 36 18 2010 7 49 35 2011 64 24 (TOP) Σ 22 204 109 74 1296 484 a 1.678 b 0.238

Örnek 3- Trend Analizi- Petrol satışları Y = 1.678 + 0.238X Y9= 1.678 + 0.238(9) = 3.83 in 2012 Y10 = 1.678 + 0.238(10) = 4.06 in 2013 Y11 = 1.678 + 0.238(11) = 4.30 in 2014 Y12 = 1.678 + 0.238(12) = 4.54 in 2015 Not: Petrol satışları milyon galon cinsinden yıllık olarak 0.238 katsayısı ile artmaktadır.

Korelasyon katsayısı, değişim katsayısı ve standart sapma   Std.sap Sxy = Sxy trend etrafındaki verinin nasıl dağıldığını gösterir. Averaja göre büyük bir standard hata varsa, veri noktaları geniş bölgeye yayılır. Eğer küçükse, daha sıkı bir şekilde trend etrafında kümelenirler. Sonuçu yanıltıcı olabilir. 1.36

Korelasyon katsayısı, değişim katsayısı ve standart sapma kor. kat r=0.42 r -1 ile 1 arası değişen bir sayı olup, -1 ise güçlü negatif, 1 ise güçlü positifdir. 0 ise değişkenler arası herhangi bir ilişki yok demektir. Burada güçlü bir ilişki vardır bağımsız değişken artarsa, bağımlı değişkende artmaktadır.

Korelasyon katsayısı, değişim katsayısı ve standart sapma Değişim katsayısını (tayin katsayısı) bulunuz (R2). R2=r2 R2=0.18. 0 ile 1 arası değişen değer, 0 olduğu zaman iki değişken arası ilişkinin olmadığını 1 olduğu zamanda mükemmel bir ilişki olduğunu gösterir. Bu değer aslında iki değişken arasındaki değişim katsayısını gösterir. %18 oranında meydana gelen bağımlı değişkendeki farklılıkları bağımsız değişkendeki farklılıklar açıklar. Yani bağımlı değişkendeki artışlar, bağımsız değişkendeki artışlardan kaynaklanmaktadır. Açıklanmayan kesim ise (100-18=) %82. Yani başka faktörlerde etken olabilir.

Örnek- HO, AHO ve ÜDY (a) Gelecek dönemin 3 dönem hareketli ortalamalarını bulunuz. (HO) (b) Gelecek dönemin 3 dönem ağırlıklı hareketli ortalamalarını bulunuz. 0.50 (en yakın değer için kullan), 0.30, ve 0.20. (AHO) (c) Gelecek dönemin üstel düzeltmeler yöntemi ile bulunuz. 5. dönem tahmin değeri ve düzgünleştirme sabiti sırası ile 0.4 ve 58.60 dır. (d) Kare kökü hata karelerinin ortalaması (KKHKO) yöntemini kullanarak hangi tahmin tekniğinin veriyi daha iyi açıkladığını gösteriniz. Kısaca açıklayınız. (e) Gerçek Veriyi, hareketli ortalamaların tahmin değerlerini ve üstel düzeltmeler yönteminin tahmin verilerini bir grafik üzerinde gösteriniz ve kısaca açıklayınız. Dönem Mahkeme dosyaları 1 60 2 64 3 55 4 58 5

Örnek- HO, AHO ve ÜDY a-b-c Dönem Mahkeme Dosyaları HO3 AHO3 ÜDY 0.4 1 60   60.2 2 64 60.12 3 55 61.67 4 58 59.67 59.00 5 59 58.60 Diğer dönem 60.4 60.76 İlk tahmin değerleri serinin ortalaması olarak alınır- (60+64....+64)/5=60.2.

Örnek- HO, AHO and ÜDY -d- Hata HO3 Karesi(hata HO3) Hata ÜDY0.4 Karesi(Hata ÜDY0.4)   -0.2 0.04 3.88 15.0544 -6.672 44.515584 -1.666666667 2.777777778 -1.0032 1.00641024 5 25 5.39808 29.13926769 Toplam 27.77777778 89.73567793 KKHKO 3.726779962 4.235429817 Daha az hata verdiği için hareketli ortalama yöntemi veriyi daha anlamlı ve hassas ölçmektedir.

Örnek- HO, AHO ve ÜDY -e-

Teşekkürler