Tehnici de Previziune
-
Upload
angelica-mariana-radulescu -
Category
Documents
-
view
249 -
download
0
Transcript of Tehnici de Previziune
-
8/2/2019 Tehnici de Previziune
1/93
1
Tehnici de PREVIZIUNE
-
8/2/2019 Tehnici de Previziune
2/93
2
PREVIZIUNEATehnica prin care un
eveniment viitor esteprevizionat
St la baza majoritiideciziilor financiare,
privind:
- investiiile- finanarea- managementul
activelorntreprinderii;
Vnzrile anulviitor vor fi 1miliard RON!
-
8/2/2019 Tehnici de Previziune
3/93
3
apte pai ai previziuniiidentificarea utilizrii previziunii;selectarea indicatorilor ce vor fi previzionai;determinarea orizontului de timp de-a lungulcruia se face previziunea;
selectarea modelului de previziune;obinerea datelor istorice necesare;
realizarea previziunii;validarea rezultatelor obinute;
-
8/2/2019 Tehnici de Previziune
4/934
Punctele slabe ale oricrui modelde previziune
Previziunea este ntotdeauna greiti caurmare ntotdeauna trebuie avut n vedereatt valoarea estimat ct i eroarea deestimare;
Majoritatea modelelor de previziune presupunexistena unei stabiliti a evoluiei viitoare a
indicatorilor previzionai;
Previziunile pe termen lung sunt mai puin
precise dect cele pe termen scurt.
-
8/2/2019 Tehnici de Previziune
5/93
5
METODE DE PREVIZIUNEFolosite atunci cnd situaia
analizat este stabiliexist data istorice;
- cazul produselor deja
existente pe pia;- cazul punerii n aplicare a
tehnologiilor deja folosite
de ctre ali competitori;Implic utilizarea unor tehnici
matematice (de ex:
previziunea aparaturiielectrocasnice)
Metode Cantitative
Folosite atunci cnd evoluiaviitoare este neclar,respectiv sunt disponibile
puine informaii;
- Cazul produselor noiintroduse pe pia;
- Cazul noilor tehnologii puse
n aplicare;
Implic mult intuiie,experien (de ex:previziunea vnzrilor prinintermediul internetului)
Metode Calitative
-
8/2/2019 Tehnici de Previziune
6/93
6
Abordrile CalitativeAbord
rile Calitative
Bazate pe judeci privind factorii determinai
ai cererii pentru un anumit bun sau serviciu;Nu sunt necesare informaii istorice privindevoluia cererii pentru bunul sau serviciul
studiat;Presupun realizarea de studii prin intermediulunor chestionare ce ncearc s surprind
direcia de evoluie a evenimentelor, aa cumeste vzut de ctre cei implicai n domeniulanalizat.
-
8/2/2019 Tehnici de Previziune
7/93
Abordri CalitativeAbordri CalitativeSupoziii educate
Consensul unui grup de top manageri
Metoda Delphi
Studiu la nivelul departamentului de vnzriStudiu la nivelul clienilor
Analogia cu evenimente istorice
Studiu de pia
Construirea de scenarii
-
8/2/2019 Tehnici de Previziune
8/93
8
Implic organizarea unei ntlniri a top-managerilor din
acelai domeniu de activitate;Este combinat experiena managerial cu tehnicile
statistice de analiz a datelor;Exist dezavantajulpolarizrii opiniilor;
1995 Corel Corp.
Abordri calitative
Consensul unui grup de top-manageri
-
8/2/2019 Tehnici de Previziune
9/93
Abordri calitative
Metoda Delphi
Judecata unui grup de experiSerii de ntrebri adresate grupului Rspunsuri individuale anonime;
Reconcilierea rspunsurilor primite, organizareade runde suplimentare de ntrebri pn cndconsensul este atins;
Rspunsurile primite de la experi pot fiponderate n funcie de experiena, expertizafiecruia n domeniul respectiv., etc.
-
8/2/2019 Tehnici de Previziune
10/93
10
Elimin efectele interaciunii dintremembrii grupului intervievat;Experii nu cunosc care sunt ceilali
membri ai grupului intervievat;Coordonatorul cere membrilor
grupului, prin intermediul unuichestionar, s-i exprime opinia nlegtur cu fenomenul analizat.
Abordri calitative
Metoda Delphi
-
8/2/2019 Tehnici de Previziune
11/93
11
Coordonatorul:Stabilete obiectivul previziunii;
Stabilete numrul de participani;Selecteazi contacteaz participanii;Creeaz un chestionar pe care l propune spre
analiz;Analizeaz rspunsurile primite;Creeaz un al doilea chestionar, n funcie de
informaiile primite n cadrul primului chestionar;Analizeaz rspunsurile primite;Chestionarea experilor continu pn cnd se ajunge
la un consens sau prerile acestora nu se mai
modific.
Abordri calitative
Metoda Delphi
-
8/2/2019 Tehnici de Previziune
12/93
12
Fiecare agent de vnzri faceo previziune a vnzrilorsale probabile;
Agenii de vnzare cunoscmai bine cererea pieei
ns tind sa fie preaoptimiti;
SalesSales
1995 Corel Corp.
Abordri calitative
Studiul la nivelul departamentului
de vnzri
-
8/2/2019 Tehnici de Previziune
13/93
13
Intervieveaz clienii
privind opiunileacestora de
cumprare;Ceea ce spun clienii iceea ce ntreprind n
realitate este demulte ori diferit;
Ct navighezin
medie pe zi peinternet?
Ct navighezin
medie pe zi peinternet?
1995 CorelCorp.
Abordri calitative
Studiul la nivelul clienilor
-
8/2/2019 Tehnici de Previziune
14/93
Sunt identificai factorii determinai ai
variabilei analizate;Sunt luate n considerare diferite ipoteze deevoluie a acestor factori;
Sunt identificate scenariile de evoluie aacestor factori, i implicit a variabileianalizate;Sunt analizate implicaiile i probabilitile derealizare a fiecrui scenariu;Sunt identificare deciziile/aciunile aferentefiecruia dintre scenariile respective;
Abordri calitative
Construirea de scenarii
-
8/2/2019 Tehnici de Previziune
15/93
15
Tehnica de previziune PERT(Program Evaluation and Review Technique)
sunt obinute estimri ale indicatoruluianalizat de la experi n domeniu pentrutrei scenarii posibile: pesimist (a), cel
mai probabil (m), optimist (b)valoarea ateptat a indicatorului:
EV = (a+4m+b)/6nivelul abaterii medii ptratice:
=(b-a)/6
-
8/2/2019 Tehnici de Previziune
16/93
16
Tehnica de previziune PERT(Program Evaluation and Review Technique)
exemplu: Sa presupunem ca n situaia unei economii n
recesiune, managementul unei companii estimeaz cvnzrile vor fi de 3 mil euro, iar dac economia va fii
n cretere vnzrile vor fi de 3,3 mil euro. Valoareacea mai probabil a vnzrilor este de 3,1 mil.
In aceste condiii, valoarea ateptat a vnzriloreste: EV = (3+4*3,1+3,3)/6 = 3,12 mil. euro
Abaterea medie ptratic = (3,3-3)/6 = 0,05 mil. euro
Ab d i tit ti
-
8/2/2019 Tehnici de Previziune
17/93
17
Abordri cantitative n
previziune
Abordri cantitative n
previziuneSunt bazate pe ipoteza conform creia factorii
forele ce au generat cererea n trecutpentru bunul analizat o vor determina i pecea din viitori ca urmare istoria se va
repeta;Se presupune c analiza cererii istoricereprezint o referin corect n ceea ce
privete evoluia cererii viitoare;Majoritatea modelor de analizi previziune
utilizate se ncadreaz n categoria modelelor
seriilor de timp.
-
8/2/2019 Tehnici de Previziune
18/93
18
Modele
Cauzale
Abordri cantitative n
previziune
Abordri cantitative n
previziuneAbordri
Cantitative
Modele
Serii de timp
RegresiaAjustare
Exponenial
ModeleTrend
MedieMobil
-
8/2/2019 Tehnici de Previziune
19/93
19
Orizontul planificat
Cererea
previzionat
acum
Cererea
istoric
Cerere
TIMP
Cererea actual?
Cererea actual?
Abordri cantitative n
previziune
Abordri cantitative n
previziune
Ab d i tit ti
-
8/2/2019 Tehnici de Previziune
20/93
20
Selectarea de diverse modele depreviziunePreviziunea trecutului
Evaluarea previziuniiSelectarea celei mai bune metode
Previziunea viitoruluiMonitorizarea acurateei previziunii
Abordri cantitative n
previziune
Abordri cantitative n
previziune
-
8/2/2019 Tehnici de Previziune
21/93
21
Previziunea pe termen scurtPreviziunea pe termen scurtIntervalul de timp este reprezentat decteva zile pn la cteva sptmni;
Ciclurile economice, sezonalitatea i
trendul pot avea efecte reduse;Fluctuaia nesistematic este
principala caracteristic a dateloranalizate;
M t d d i iMetode de previziune pe
-
8/2/2019 Tehnici de Previziune
22/93
22
Metode de previziune pe
termen scurt
Metode de previziune pe
termen scurtAbordarea naiv
Media mobila simpl
Media mobila ponderat
Ajustarea (netezirea) exponenial adatelor
-
8/2/2019 Tehnici de Previziune
23/93
23
Abordarea naivPresupune c cererea
viitoare este similar cu ceantlnit n perioada recent
(de ex: dac
vnz
rile n aprilie au
fost de 200 mil. RON, atunci i cele
din mai vor fi tot 200 mil. RON)
Este puin costisitoare iuneori eficient;
1995 Corel Corp.
-
8/2/2019 Tehnici de Previziune
24/93
24
Media Mobil SimplMedia Mobil Simpl
Se ia n considerare o perioad pentru
care se realizeaz media valorilorindicatorului;Previziunea pentru perioada urmtoare
este reprezentat de media aritmetic acelor mai recente valori ale indicatoruluipentru perioada luat ca referin;are denumirea de medie simpl pentru c
nu face apel la coeficieni de ponderare,valorile indicatorului pentru perioadeleanterioare au o importan egal;
-
8/2/2019 Tehnici de Previziune
25/93
25
Utilizat n cazul n care nu se remarcexistena unui trend sau acesta nu estepregnant;Utilizat adesea pentru netezirea datelor
Ecuaia utilizat
MAMAnn
== CereareaCerearea aferent celoraferent celornn perioade luateperioade luaten calculn calcul
Metoda mediei mobile
-
8/2/2019 Tehnici de Previziune
26/93
26
Media Mobil SimplMedia Mobil SimplAre denumirea de medie mobil pentruc odat ce noi informaii suntdisponibile cele vechi nu mai suntutilizate;Prin creterea perioadei de-a lungulcreia se face media, previziunea
reacioneaz mai greu la fluctuaiilenregistrate de cerere (aplatizareadatelor);
-
8/2/2019 Tehnici de Previziune
27/93
27
Compania analizat raporteaz urmtoarele vnzrinregistrate n perioadele anterioare.
Ani Vnzri (mii RON)
2001 20,0002002 24,0002003 22,000
2004 26,0002005 25,000
Media Mobil SimplMedia Mobil Simpl
-
8/2/2019 Tehnici de Previziune
28/93
28
Ani Vnzri MA(3) n 1,000,000 RON2001 20,000 NA
2002 24,000 NA2003 22,000 NA
2004 26,000 (20+24+22)/3 = 222005 25,000 (24+22+26)/3 = 242006 (22+26+25)/3 = 24
Media Mobil SimplMedia Mobil Simpl
-
8/2/2019 Tehnici de Previziune
29/93
29
Media Mobil PonderatMedia Mobil PonderatSunt utilizate ponderi pentru a acorda
astfel o importan mai ridicat datelor mairecente incluse n calcul;
Permite informaiile mai recente s aib unimpact mai ridicat asupra previziunii;
Ponderile aplicate au la baz intuiia
analistului; Sunt cuprinse n intervalul 0 i 1;
-
8/2/2019 Tehnici de Previziune
30/93
30
Suma ponderilor este egal cu 1 i
descresc ca mrime pe msur ce datelesunt mai ndeprtate n timp;
Ecuaie
( )
( )Ni
itD
itw
it
it
,,2,1perioadeiaferentedatele
perioadadindatelorasociataponderea
K==
=
NtNtttttt DwDwDwF +++=L2211
Media Mobil PonderatMedia Mobil Ponderat
Metoda ajustrii netezirii
-
8/2/2019 Tehnici de Previziune
31/93
31
Este o form a mediei mobile ponderate Pondere aplicate descresc exponenial; Datele mai recente au ponderile cele mai ridicate;
Se apeleaz la o constant de netezire () Intervalul de mrime al acesteia este ntre 0 i 1 Este aleas n mod subiectiv;
Implic apelarea la un numr redus de dateistorice;
Metoda ajustrii netezirii
exponeniale a datelor
Metoda ajustrii netezirii
-
8/2/2019 Tehnici de Previziune
32/93
32
Valoarea previzionat estereprezentat de suma dintre valoareaanterior previzionati o parte () din
eroarea de previziune (D t-1 - Ft-1).Ft = Ft-1 + (D t-1 - Ft-1)
= D t-1 + (1- ) Ft-1
Metoda ajustrii netezirii
exponeniale a datelor
Metoda ajustrii netezirii
-
8/2/2019 Tehnici de Previziune
33/93
33
Previziunea ce ia n calcul datele unei singure perioadeanterioare
Previziunea ce ia n calcul datele mai multor perioadeanterioare
( ) 11 1 += ttt FDF
( ) ( )( )
( ) ( )
( ) ( ) ( )( )
( ) ( ) ( )
K
3
3
3
2
21
33
2
21
2
2
21
221
111
111
11
11
+++=
+++=
++=
++=
tttt
tttt
ttt
tttt
FDDD
FDDD
FDD
FDDF
Metoda ajustrii netezirii
exponeniale a datelor
-
8/2/2019 Tehnici de Previziune
34/93
34
Ft = Dt- 1 + (1-)Dt- 2 + (1- )2Dt- 3+ (1- )3Dt- 4 + ... + (1- )t-1D0
Ft = Valoarea previzionat D
t= valoarea actual a cererii
= constanta de netezire
Ecuaia ajustrii exponeniale a datelor
-
8/2/2019 Tehnici de Previziune
35/93
35
Alegerea constantei de netezire atunci cnd nivelul lui se apropie de zero,
sunt luate n considerare un numr mare devalori anterioare ale indicatorului analizat; Previziunea este slab reactiv la valorile recente
nregistrate de indicatorul studiat;atunci cnd nivelul lui se apropie de 1,valorile recente ale indicatorului au impact
asupra nivelului su previzionat; Previziunea este foarte reactiv la valorile recentenregistrate de indicatorul studiat;
-
8/2/2019 Tehnici de Previziune
36/93
36
-
8/2/2019 Tehnici de Previziune
37/93
37
-
8/2/2019 Tehnici de Previziune
38/93
38
Regularizarea nivelului constantei
-
8/2/2019 Tehnici de Previziune
39/93
39
Regularizarea nivelului constantei
de netezire minimizarea sumei ptratului abaterilor
valorilor previzionate de cele efectiv realizate;
saltul accidental al valorii indicatorului de
previzionat poate fi diminuat n previziuneprin apelarea la valori mici ale lui ;
ruptura de tendin cu efecte durabile de-alungul perioadei viitoare poate fi luat nconsiderare prin majorarea nivelului lui ;
-
8/2/2019 Tehnici de Previziune
40/93
40
Metoda ajustrii ( netezirii )
-
8/2/2019 Tehnici de Previziune
41/93
41
Se dorete previzionarea vnzrilor pentru anul 2006 prinutilizarea metodei ajustrii exponeniale a datelor istorice
disponibile. Constanta aleas n acest sens este = 0.10;Previziunea realizat la momentul anului 2001 indicavnzri n valoare de 175 mil. RON..
Ani Vnzri2001 1802002 168
2003 1592004 1752005 190
j ( )
exponeniale a datelor
Metoda ajustrii ( netezirii )i l d t l
-
8/2/2019 Tehnici de Previziune
42/93
42
Ft= Ft-1 + (Dt-1 - Ft-1)
AnAn Vnzri
Previziuni, Ft
( == .10.10))
20012001 180 175.00 (dat)
20022002 16816820032003 159159
20042004 175175
20052005 190190
20062006 NANA
175.00 +175.00 +
j ( )exponeniale a datelor
Metoda ajustrii ( netezirii )i l d t l
-
8/2/2019 Tehnici de Previziune
43/93
43
AnAn VnzriVnzriPreviziuniPreviziuni,, FFtt
(( == .10.10))20012001 180180 175.00 (175.00 (datdat))
20022002
168168
175.00 +175.00 +
.10
.10(180(180
--
175.00175.00
))
= 175.50= 175.50
20032003 159159
20042004 175175
20052005 190190
20020066 NANA
Ft= Ft-1 + (Dt-1 - Ft-1)
j ( )exponeniale a datelor
Metoda ajustrii ( netezirii )exponeniale a datelor
-
8/2/2019 Tehnici de Previziune
44/93
44
An Vnzri
Previziuni, Ftt
( = .10)20012001 180180 175.00 (175.00 (datdat))
20022002 168168 175.00 + .10(180175.00 + .10(180 -- 175.00) = 175.50175.00) = 175.5020032003 159159 175.50 + .10(168175.50 + .10(168 -- 175.50) = 174.75175.50) = 174.75
20042004 175175 174.75 + .10(159174.75 + .10(159 -- 174.75) = 173.18174.75) = 173.18
20052005 190190 173.18 + .10(175173.18 + .10(175 -- 173.18) = 173.36173.18) = 173.36
20020066 NANA 173.36173.36 ++ .10.10(190(190 -- 173.36173.36) = 175.02) = 175.02
Ft= Ft-1 + (Dt-1 - Ft-1)exponeniale a datelor
Metoda ajustrii ( netezirii )exponeniale a datelor
-
8/2/2019 Tehnici de Previziune
45/93
45Ani
Vnzri
140
150
160
170
180190
01 02 03 04 05 06
Efective
Previzionate
exponeniale a datelor
Exemplu:Exemplu:P i i if i d f i
-
8/2/2019 Tehnici de Previziune
46/93
46
Se cunoate cifra de afaceri realizat de
ntreprindere n ultimele 12 trimestre deactivitate;
Trim CA Trim CA
1 159 7 2032 217 8 1953 186 9 188
4 161 10 1685 173 11 1986 157 12 159
Previzionarea cifrei de afaceritrimestriale
Previzionarea cifrei de afaceri
trimestriale
Exemplu:f d f
Exemplu:P i i if i d f i
-
8/2/2019 Tehnici de Previziune
47/93
47
Media Mobil Simpl
Prin utilizarea mediei mobile simplepentru o perioad de 3 trim este
estimat cifra de afaceri din trim 13.F13 = (168 + 198 + 159)/3 = 175.0
Previzionarea cifrei de afaceritrimestriale
Previzionarea cifrei de afaceri
trimestriale
Exemplu:P i i if i d f i
Exemplu:Previzionarea cifrei de afaceri
-
8/2/2019 Tehnici de Previziune
48/93
48
Media Mobil PonderatPrin utilizarea mediei mobile simplepentru o perioad de 3 trim i ponderile
0.1, 0.3, 0.6 valoarea previzionat pentrutrim 13:F
13= 0.1(168) + 0.3(198) + 0.6(159)= 171.6
Previzionarea cifrei de afaceritrimestriale
Previzionarea cifrei de afaceri
trimestriale
Exemplu:Exemplu:
-
8/2/2019 Tehnici de Previziune
49/93
49
Ajustarea ExponenialDac este utilizat o constant de
netezire de 0.25 iar valoarea previzionat acifrei de afaceri pentru trim 11 a fost de180.76, care este valoarea previzionat pentrutrim 13?
F12 = 180.76 + .25(198 180.76) = 185.07
F13
= 185.07 + .25(159 185.07) = 178.55
Previzionarea cifrei de afaceritrimestrialePrevizionarea cifrei de afaceritrimestriale
Exemplu:P i i if i d f i
Exemplu:Previzionarea cifrei de afaceri
-
8/2/2019 Tehnici de Previziune
50/93
50
Acurateea previziunii (Valoarea mediea abaterii absolute)
Care din urmtoarele metode depreviziune este mai adecvat, lund nconsiderare valoarea medie a abateriiabsolute?
Previzionarea cifrei de afaceritrimestriale
Previzionarea cifrei de afaceri
trimestriale
Exemplu:Previzionarea cifrei de afaceri trimestriale
Exemplu:Previzionarea cifrei de afaceri trimestriale
-
8/2/2019 Tehnici de Previziune
51/93
51
perioada = 3 = .25Trim CA Previz. |Eroare| Previz. |Eroare|
4 161 187.3 26.3 186.0 25.05 173 188.0 15.0 179.8 6.86 157 173.3 16.3 178.1 21.17 203 163.7 39.3 172.8 30.28 195 177.7 17.3 180.4 14.69 188 185.0 3.0 184.0 4.0
10 168 195.3 27.3 185.0 17.0
11 198 183.7 14.3 180.8 17.212 159 184.7 25.7 185.1 26.1
valoarea medie 20.5 18.0a abaterii absolute
Previzionarea cifrei de afaceri trimestrialePrevizionarea cifrei de afaceri trimestriale
Dezavantajele Mediei Mobile
-
8/2/2019 Tehnici de Previziune
52/93
52
Creterea perioadei pentru care se
calculeaz media implic o maimic reactivitate la modificri a
previziunii;Trendul nu este previzionat corect;
Este necesar un volum ridicat dedate istorice.
j
ca metod de previziune
Analiza Seriilor de TimpAnaliza Seriilor de Timp
-
8/2/2019 Tehnici de Previziune
53/93
53
O serie de timp este un set de numere, date a
cror succesiune cronologic este important(de ex: cererea istoric pentru un anumitprodus, vnzrile anuale pentru un anumit
produs etc.);Analiza seriilor de timp este util pentruidentificarea modelului de evoluie a variabilei
analizate;Odat identificat modelul de evoluie, acestapoate fi utilizat pentru realizarea de previziuni;
Analiza Seriilor de TimpAnaliza Seriilor de Timp
-
8/2/2019 Tehnici de Previziune
54/93
54
Un set de date numerice disponibile laintervale egale de timp obinute prin
observarea variabilei analizate la intervaleegale de timp;
Previziunea este realizata numai pe seamadatelor istorice Se presupune c factorii care au influenat
valorile istorice vor continua s-i exerciteinfluena i n viitor;
Ce reprezint o serie de timp?
-
8/2/2019 Tehnici de Previziune
55/93
55
TrendTrend
SezonalitateSezonalitate
CCiclicitateiclicitate
HazardHazard
Componentele seriei de timp
Cererea pentru un produst t d l l 4 i
-
8/2/2019 Tehnici de Previziune
56/93
56
reprezentat de-a lungul a 4 ani
anul
1
anul
2
anul
3
anul
4
Vrf de sezon Componenta trend
Evoluiacererii
efective
Valoarea medie a
cererii de-a lungul
celor 4 aniCere
reapentru
un
bun
sau
serviciu
Variaie ne-sistematic
Componenta TREND
-
8/2/2019 Tehnici de Previziune
57/93
57
Tendina persistent, cresctoare saudescresctoare identificat pe perioada
analizat;Determinat de evoluia tehnologic,creterea populaiei etc.
Se remarc pe durata a mai multor ani
Luni, trim. ani
vnzri
1984-1994 T/Maker Co.
-
8/2/2019 Tehnici de Previziune
58/93
58
Fluctuaii n mrimea variabilei analizate
cu caracter regulat;Determinat de sezoane, anotimpuri,moda etc.Apare n cursul unui an;
Luni, trim.
VnzriVara
1984-1994 T/Maker Co.
Componenta sezonier
Componenta Ciclic
-
8/2/2019 Tehnici de Previziune
59/93
59
Modificri ale valorii variabilei studiaterepetate, determinate de interaciune
unor factori ce influeneaz economianaional, internaional;
n general au durata a 5 -10 ani;
aniani
VnzriVnzriCicluri
o po a
-
8/2/2019 Tehnici de Previziune
60/93
60
Reprezint fluctuaiile reziduale (fr
explicaii);Determinate de evenimenteimprevizibile: grev, tornade, incendii,inundaii etc.
1984-1994 T/Maker Co.
Componenta Nesistematic
Modelul linear de serii de timpModelul linear de serii de timp
-
8/2/2019 Tehnici de Previziune
61/93
61
Modelul linear de serii de timpModelul linear de serii de timp
Y
Time, X1
Y
Time, X1
bb11 > 0> 0
bb11
< 0< 0
iibXaY +=
ii
bXaY +=
Timp, X1
Modelul linear de serii de timpModelul linear de serii de timp
-
8/2/2019 Tehnici de Previziune
62/93
62
Ecuaia liniar a unei serii de timp
Y = a + bX
Y = variabila dependent
X = variabila independent
a = termenul liberb = panta dreptei de regresie
Modelul linear de serii de timpModelul linear de serii de timp
Modelul linear de serii de timpModelul linear de serii de timp
-
8/2/2019 Tehnici de Previziune
63/93
63
Constantele a i b sunt estimate
utiliznd urmtoarele formule:
2
2 2
x y- x xya =
n x -( x)
2 2
xy- x yb =
n x -( x)
n
Modelul linear de serii de timpModelul linear de serii de timp
Modelul linear de serii de timpModelul linear de serii de timp
-
8/2/2019 Tehnici de Previziune
64/93
64
Odat ce constantele a i b sunt
calculate, valoarea viitoare a variabileidependente Y poate fi estimat
cunoscnd valoarea variabileiindependente X.
Modelul linear de serii de timpModelul linear de serii de timp
Exemplu: Previziune curs bursier
-
8/2/2019 Tehnici de Previziune
65/93
65
Cunoscnd cursul bursier la care au fosttranzacionate aciunile unei societi de-a lungul a
6 zile, se poate estima mrimea cursului ce va fitranzacionat n cea de-a 7 zi:
Ziua curs bursier Ziua curs bursier 1 2.5 4 3.22 2.8 5 3.33 2.9 6 3.4
Exemplu: Previziune curs bursierExemplu: Previziune curs bursier
-
8/2/2019 Tehnici de Previziune
66/93
66
Serii de timp liniare
x y x2 xy1 2.5 1 2.5
2 2.8 4 5.63 2.9 9 8.74 3.2 16 12.8
5 3.3 25 16.56 3.4 36 20.4x=21 y=18.1 x2=91 xy=66.5
Exemplu: Previziune curs bursierExemplu: Previziune curs bursier
-
8/2/2019 Tehnici de Previziune
67/93
67
Serii de timp liniare
Y = 2.387 + 0.180X
2
91(18.1) 21(66.5)2.387
6(91) (21)a
= =
6(66.5) 21(18.1)0.180
105b
= =
Exemplu: Previziune curs bursierExemplu: Previziune curs bursier
Exemplu: Previziune curs bursier
-
8/2/2019 Tehnici de Previziune
68/93
68
Serii de timp liniare
Y7 = 2.387 + 0.180(7) = 3.65
Y8 = 2.387 + 0.180(8) = 3.83
Y9 = 2.387 + 0.180(9) = 4.01
Exemplu: Previziune curs bursierExemplu: Previziune curs bursier
Analiza seriilor timp de dateAnaliza seriilor timp de datecaracterizate de sezonalitate
-
8/2/2019 Tehnici de Previziune
69/93
69
caracterizate de sezonalitatecaracterizate de sezonalitate
Se selecteaz un set de date istoricereprezentative;Se estimeaz coeficientul de sezonalitate aferentfiecrui sezon analizat;Se desezonalizeaz datele istorice cu ajutorulcoeficienilor de sezonalitate;Se testeaz regresia liniar pentru identificareatrendului ce poate caracteriza evoluia datelor;
Se utilizeaz ecuaia de regresie liniar rezultatpentru realizarea previziunii datelordesezonalizate;
Se aplic coeficienii de sezonalitate la dateleprevizionate pentru luarea n considerare a
Exemplu: Computer ProductsExemplu: Computer ProductsCorp
-
8/2/2019 Tehnici de Previziune
70/93
70
Corp.Corp.
Analiza seriilor timp de date
caracterizate de sezonalitateUn analist financiar angajat de ctre
firma CPC are misiunea de a previzionavnzrile trimestriale ale companiei dinanul urmtor. Acesta consider c
datele privind vnzrile din ultimele 8trimestre sunt cele mai reprezentativepentru realizarea acestei previziuni.
Exemplu: Computer ProductsExemplu: Computer ProductsCorp
-
8/2/2019 Tehnici de Previziune
71/93
71
Analiza seriilor timp de date caracterizate desezonalitate Setul de date istorice reprezentative
An Trim. (mil. lei) An Trim. (mil. lei)
1 1 7.4 2 1 8.31 2 6.5 2 2 7.4
1 3 4.9 2 3 5.41 4 16.1 2 4 18.0
Corp.Corp.
Exemplu: Computer ProductsExemplu: Computer ProductsCorp
-
8/2/2019 Tehnici de Previziune
72/93
72
Analiza seriilor timp de date caracterizate desezonalitate
Calculul coeficientilor de sezonalitate
Vnzri trimestriale
An Trim1 Trim2 Trim3 Trim4 Total1 7.4 6.5 4.9 16.1 34.92 8.3 7.4 5.4 18.0 39.1
Total 15.7 13.9 10.3 34.1 74.0
Vz. med/trim 7.85 6.95 5.15 17.05 9.25Coef. sez. .849 .751 .557 1.843 4.000
Corp.Corp.
Exemplu: Computer ProductsExemplu: Computer Products
-
8/2/2019 Tehnici de Previziune
73/93
73
Analiza seriilor timp de date caracterizate de
sezonalitate Datele istorice desezonalizate
Vnzri trimestrialeAni Trim1 Trim2 Trim3 Trim41 8.72 8.66 8.80 8.74
2 9.78 9.85 9.69 9.77
Corp.Corp.
Exemplu: Computer ProductsExemplu: Computer ProductsCorp.
-
8/2/2019 Tehnici de Previziune
74/93
74
Analiza seriilor timp de date caracterizate desezonalitate
Identificarea trendului ce caracterizeazevoluia datelor desezonalizate
Ani. Trim. X (t) y x2
xy1 1 1 8.72 1 8.721 2 2 8.66 4 17.321 3 3 8.80 9 26.40
1 4 4 8.74 16 34.962 1 5 9.78 25 48.902 2 6 9.85 36 59.102 3 7 9.69 49 67.83
2 4 8 9.77 64 78.16Total 36 74.01 204 341.39
Corp.Corp.
Exemplu: Computer ProductsExemplu: Computer ProductsCorp.
-
8/2/2019 Tehnici de Previziune
75/93
75
Analiza seriilor timp de date caracterizate desezonalitate Calculul coeficienilor ecuaiei de regresie
Y = 8.357 + 0.199X
Corp.Corp.
2
204(74.01) 36(341.39)a 8.3578(204) (36)
= =
2
8(341.39) 36(74.01)
b 0.1998(204) (36)
= =
Exemplu: Computer ProductsExemplu: Computer ProductsCorp.
-
8/2/2019 Tehnici de Previziune
76/93
76
Corp.p
Analiza seriilor timp de date caracterizate de
sezonalitate Previziunea datelor desezonalizate
Y9 = 8.357 + 0.199(9) = 10.148
Y10 = 8.357 + 0.199(10) = 10.347Y11 = 8.357 + 0.199(11) = 10.546Y12 = 8.357 + 0.199(12) = 10.745
Not: Valoarea ateptat a vnzrilor trimestrialese va majora cu aproximativ 0,199 mil. lei(200.000 lei) pe trimestru.
Exemplu: Computer ProductsExemplu: Computer ProductsCorp.
-
8/2/2019 Tehnici de Previziune
77/93
77
Corp.p
Analiza seriilor timp de date caracterizate desezonalitate
Previziunea vnzrilor prin luarea n considerarea sezonalitii
Coef. Previziune. Previziune.
An Trim. Sez. Vz. Desez. Vz. Sez.3 1 .849 10.148 8.623 2 .751 10.347 7.77
3 3 .557 10.546 5.873 4 1.843 10.745 19.80
Regresia liniara
-
8/2/2019 Tehnici de Previziune
78/93
78
Regresia liniarag
Evideniaz relaia liniara existent
ntre variabila dependenti una saumai multe variabile independente(explicative);
Factorii determinanti ai vzrilor
-
8/2/2019 Tehnici de Previziune
79/93
79
Cteva exemple: Evoluia pieei i cotei de pia; Nivelul veniturilor nete pe familie i
ponderea consumului produsului analizatn bugetul acesteia; Ciclul de via al produsului; Factori de marketing (cheltuielile de
publicitate i promovare);
Impactul factorilor de marketing- Investiii n publicitate sau reduceri de preuri? -
-
8/2/2019 Tehnici de Previziune
80/93
80
p p
influena publicitii i elasticitatea
preurilor; sensibilitatea cererii la modificarea
preurilor este n medie de 8 ori mai maredect cea implicat de publicitate;
Investiiile n publicitate sunt eficiente n
ceea ce privete creterea volumului decumprturi ale clienilor deja fidelizai;
Impactul factorilor de marketing
-
8/2/2019 Tehnici de Previziune
81/93
81
Vnzrile promoionale (de ex: oferirea
de cupoane de reducere a preului devnzare)
Rolul lor esenial: schimbarea mrciiproduselor cumprate de ctreconsumatori;
84% din vnzrile promoionale suntrezultatul schimbrii de marc;
Regresia liniara
-
8/2/2019 Tehnici de Previziune
82/93
82
Exemplu:
Managerul firmei RPC dorete s fac opreviziune a vnzrilor companiei pentruurmtorii 3 ani. Din experiena sa, vnzrilede furgonete sunt direct corelate cunecesarul la nivel naional de aprovizionrimrfuri. n slide-ul urmtor sunt prezentatedatele istorice relevante de-a lungul a 7 ani.
S se realizeze previziuneavnzrilor de furgonete tiind ca necesarul deaprovizionare la nivel naional va fi de 250,
270, i 300 mld. RON.
Regresia liniarag
Regresia liniara
-
8/2/2019 Tehnici de Previziune
83/93
83
RPC vnzri Necesar aproviz.Ani (mld.RON) (mld. RON)1 9.5 1202 11.0 1353 12.0 1304 12.5 150
5 14.0 1706 16.0 1907 18.0 220
Regresia liniara
Regresia liniara
-
8/2/2019 Tehnici de Previziune
84/93
84
x y x2 xy
120 9.5 14,400 1,140135 11.0 18,225 1,485
130 12.0 16,900 1,560150 12.5 22,500 1,875170 14.0 28,900 2,380
190 16.0 36,100 3,040220 18.0 48,400 3,960
1,115 93.0 185,425 15,440
Regresia liniara
Regresia liniara
-
8/2/2019 Tehnici de Previziune
85/93
85
Y = 0.528 + 0.0801X
2
185,425(93) 1,115(15,440)a 0.528
7(185,425) (1,115)
= =
2
7(15,440) 1,115(93)b 0.0801
7(185,425) (1,115)
= =
Regresia liniara
rCoeficientul de corelatie (r)
-
8/2/2019 Tehnici de Previziune
86/93
86
Coeficientul de corelatie ( )Marimea coeficientului de corelatie, r, arata importantarelativa a relatiei existente intre variabilele X si Y;
Semnul acestuia indica directia relatiei existente intrecele doua variabile (directa sau inversa);Valoarea absoluta indica forta relatiei existente intre X
si Y;Semnul coeficientului de corelatie este intotdeaunaacelasi ca si cel al coeficientului regresie b;r poate lua orice valoare in intervalul -1 si 1;
rCoeficientul de corelatie (r)
-
8/2/2019 Tehnici de Previziune
87/93
87
r este estimat prin urmatoarea formula:
2 2 2 2( ) ( )
n xy x y
r n x x n y y
=
2 2 2 2( ) ( )
n xy x y
r n x x n y y
=
Coeficientul de corelatie ( )
2Coeficientul de determinare (R2)
-
8/2/2019 Tehnici de Previziune
88/93
88
Coeficientul de determinare (R )Este estimat prin ridicarea la puterea a
2-a a coeficientului de corelatie;Indica proportia in care varianta totala a
variabilei este explicata prin intermediulvariabilei independente:
2
22( )( )
Y yry y=
2
22( )( )
Y yry y
=
Exemplu: Previziunea vanzarilorExemplu: Previziunea vanzarilorfirmei RPC
-
8/2/2019 Tehnici de Previziune
89/93
89
firmei RPCEstimarea coeficientului de corelatiex y x2 xy y2
120 9.5 14,400 1,140 90.25135 11.0 18,225 1,485 121.00130 12.0 16,900 1,560 144.00150 12.5 22,500 1,875 156.25170 14.0 28,900 2,380 196.00190 16.0 36,100 3,040 256.00220 18.0 48,400 3,960 324.00
1,115 93.0 185,425 15,440 1,287.50
Exemplu: Previziunea vanzarilorExemplu: Previziunea vanzarilorfirmei RPC
-
8/2/2019 Tehnici de Previziune
90/93
90
Estimarea coeficientului de corelatie
r = .9829
2 2
7(15,440) 1,115(93)
7(185,425) (1,115) 7(1,287.5) (93)r
=
firmei RPC
Exemplu: Previziunea vanzarilorExemplu: Previziunea vanzarilorfirmei RPC
-
8/2/2019 Tehnici de Previziune
91/93
91
Coeficientul de determinare
r2 = (.9829)2 = .966
96.6% din variatia vanzarilor ale firmei
RPC este explicata de evolutianecesarului de aprovizionare la nivel
national;
firmei RPC
Monitorizarea acurateteipreviziuniiMonitorizarea acurateteipreviziunii
-
8/2/2019 Tehnici de Previziune
92/93
92
Monitorizarea acuratatei previziunii trebuie
realizata pentru a creste astfel gradul deincredere acordat previziunii;
Modificarile intervenite la nivelul pietei pot
implica modificari ale modelului de previziune;Acuratetea poate fi masurata prin diversiindicatori:
Media variantei absolute; Varianta (dispersia) termenilor reziduali;
Alte modalitati de analiza ipreviziune
-
8/2/2019 Tehnici de Previziune
93/93
93
Analiza scenariilor
Analiza de sensitivitate
Simulare Monte Carlo