Previsione della domanda
Transcript
Previsione della domanda
Impianti Industriali La previsione della domanda Metodi di estrapolazione Ing. Lorenzo Tiacci 1 Le componenti della domanda Tendenziali (trend) Trend Congiunturale Stagionale Casuale a carattere generalmente crescente e decrescente Sistematiche dovuta all’azione individuabile e misurabile di forze e natura determinata; Cicliche (congiunturali) oscillatoria con ciclo di ampiezza e periodo variabili nel tempo Componenti Oscillatorie Domanda Es. congiuntura costo dollaro+ costo brent = Casuali tempo dovuta all’insieme di tutte le altre forze di natura non determinata prezzo benzina Stagionali oscillatorie con ciclo di periodo costante nel tempo 2 Possibili modelli di domanda Modelli moltiplicativi: componente sistematica=level × trend × fattore stagionale Modelli addittivi: componente sistematica=level + trend + fattore stagionale Misto: componente sistematico=(level + trend) × fattore stagionale 3 Stima delle componenti della domanda Si considera sempre modello misto Ft + l = [L + (t + l ) ⋅ T ]⋅ S t + l • • • • • L= stima del livello (domanda destagionalizzata) T=stima del trend (incremento o decremento domanda) St =stima del fattore stagionale periodo t Dt=domanda effettiva osservata periodo t Ft=previsione della domanda periodo t 4 Anno Trimestre Periodo t Domanda Dt 2000 2 1 8000 2000 3 2 13000 2000 4 3 23000 2001 1 4 34000 2001 2 5 10000 2001 3 6 18000 2001 4 7 23000 30000 2002 1 8 38000 20000 2002 2 9 12000 2002 3 10 13000 2002 4 11 32000 2003 1 12 41000 Esempio Domanda 50000 40000 10000 0 00-02 00-03 00-04 01-01 01-02 01-03 01-04 02-01 02-02 02-03 02-04 03-01 Trimestre • Fattori stagionali e trend evidenti • il livello, trend e le stagionalità possono essere stimati in due fasi 1) Destagionalizzazione e regressione lineare per stimare livello e trend 2) Stimare i fattori stagionali 5 Destagionalizzazione domanda 1) stima del livello L e del trend T Bisogna eliminare dai dati di domanda gli effetti stagionali (destagionalizzazione) si calcola per ogni periodo la media centrata di un numero di valori, uguali alla periodicità, della domanda osservata Se la periodicità è pari, si effettuano prima le medie mobili primarie, e poi le si centrano t −1+ ( p / 2 ) 2 ⋅ Di /( 2 p ) Dt = Dt −( p / 2) + Dt + ( p / 2) + i =t +1− ( p / 2 ) ∑ Dt = t + ( p /2) ∑ i = t − ( p /2) Di / p se p è pari se p è dispari 6 I valori trovati attraverso le medie non coprono tutto l’intervallo dei dati. Essi vengono estesi ai dati mancanti attraverso una regressione lineare Periodo t Domanda Dt Medie centrate 1 8000 2 13000 3 23000 19750 4 34000 20625 5 10000 21250 6 18000 21750 7 23000 22500 8 38000 22125 9 12000 22625 10 13000 24125 11 32000 12 41000 Effettiva 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 00-02 00-03 00-04 01-01 01-02 01-03 01-04 02-01 02-02 02-03 02-04 03-01 Trimestre medie centrate 7 Si suppone che la componente destagionalizzata abbia un andamento lineare del tipo: Dt = L + Tt ed attraverso una Regressione lineare si trovano il coefficiente angolare ed il termine noto della retta che minimizza le distanze al quadrato dai punti trovati con le medie centrate. I punti della retta di regressione (estendibili a tutti i periodi) rappresentano la domanda destagionalizzata 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 0 1 2 3 4 domanda osservata 5 6 7 8 medie centrate 9 10 11 12 13 destagionalizzata 8 Si suppone che la componente destagionalizzata abbia un andamento lineare del tipo: S Minimizzando l’espressione: = n ∑ ( xt −L − Tt )2 t =1 n +1 n ∑ txt − 2 ∑ xt t 1 =t 1 = si ottengono: T= n(n 2 − 1) /12 n Nell’esempio: L=18439 (termine noto) T=524 (coeff. Angolare) ρ = 0,904 2 n ∑ xt / n − T (n + 1) / 2 L = t =1 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 0 1 2 3 4 domanda osservata 5 6 7 8 medie centrate 9 10 11 12 13 destagionalizzata 9 Stima dei fattori stagionali Periodo t Trimestre Domanda Dt Destagionaliz zata Fattore stagionale 1 2 8000 18963 0,42 2 3 13000 19487 0,67 3 4 23000 20010 1,15 4 1 34000 20534 1,66 5 2 10000 21058 0,47 6 3 18000 21582 0,83 7 4 23000 22106 1,04 8 1 38000 22629 1,68 9 2 12000 23153 0,52 10 3 13000 23677 0,55 11 4 32000 24201 1,32 12 1 41000 24725 1,66 Dt St = Dt Nelle medie statiche i fattori stagionali hanno un unico valore per ciascun anno, che si prende pari alla media dei fattori stagionali calcolati nei periodi corrispondenti ad esempio, il fattore stagionale del primo trimestre è dato dalla media dei tre fattori stagionali trovati, e cioè: (1,66+1,68+1,66)/3 10 Attraverso la formula: Ft + l = [L + (t + l ) ⋅ T ]⋅ S t + l si stima quindi la domanda futura 50000 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 s 0 1 2 3 4 5 6 7 domanda osservata destagionalizzata 8 9 10 11 12 13 14 15 16 17 medie centrate previsione 11 Serie temporali – Stime adattative La stima del livello, del trend e della stagionalità sono aggiornate dopo ogni osservazione. Si considera sempre modello misto Ft +l= • • • • • [ Lt + l ⋅ Tt ] ⋅ St +l Lt = stima del livello a t=0 (domanda destagionalizzata) Tt=stima del trend (incremento o decremento domanda) St =stima del fattore stagionale periodo t Dt=domanda effettiva osservata periodo t Ft=previsione della domanda periodo t 12 Serie temporali – Stime adattative 4 fasi: I. Inizializzazione II. Previsione III. Stima dell’errore IV. Modifica delle stime 13 4 fasi I. Inizializzazione - Stimare livello iniziale L0, trend T0 e fattori stagionali (S1,..,Sp) dai dati sperimentali II. Previsione - Date le stime nel periodi t effettuare le stime per il periodo t+1 con il modello: Ft +l = [Lt + (t + l ) ⋅ Tt ]⋅ St +l - Prima previsione per modello 1 con i valori del periodo 0 III. Stima dell’errore - Nel periodo successivo si registra la domanda effettiva Dt+1 per il periodo t+1 - Si calcola l’errore Et+1 per la previsione t+1 come differenza tra domanda effettiva e prevista: t +1 t +1 t +1 E = F −D IV. Correzione delle stime - Si modifica il livello della stima Lt+1, il trend Tt+1 e il fattore stagionale St+p+1, dato l’errore nella previsione - Correzione tale che se la domanda è inferiore alle previsioni, le stime sono riviste al ribasso, mentre se la domanda è alta, le stime sono riviste al rialzo. 14 Serie temporali – Stime adattative Le stime riviste nel periodo t+1 sono utilizzate per le previsioni nel periodo t+2 e i passi 2,3 e 4 sono ripetuti finche tutti i dati storici fino al periodo n sono stati coperti Le stime del periodo n sono quindi usate per la previsione della domanda futura 15 I metodi di previsione adattativi Media mobile Smorzamento esponenziale semplice Smorzamento esponenziale corretto per il trend Smorzamento esponenziale corretto per il trend e la stagionalità La scelta del metodo più appropriato dipende dalle caratteristiche della domanda, in particolar modo da come è strutturata la componente sistematica 16 Medie mobili Utilizzabile se non vi è né trend né stagionalità, per cui: componente sistematica = livello • Stima del livello al periodo t come stima degli N periodi più recenti: Dt + Dt −1 + ... + Dt − N +1 Lt = N • Previsione al tempo t dipende solo da Lt: Ft +1 = Lt • Ft + n = Lt Dopo aver osservato la domanda al periodo t+1, si rivedono le stime così: Lt +1 Dt +1 + Dt + ... + Dt − N + 2 = N Ft + 2 = Lt +1 e cioè per calcolare la nuova media mobile si aggiunge semplicemente l’ultima osservazione e si scarta la prima 17 Smorzamento esponenziale semplice Utilizzabile se non vi è né trend né stagionalità, per cui: componente sistematica = livello • Il valore iniziale L0 è preso come la media di tutti i dati storici a disposizione: n ∑D t L0 = • i =1 n Previsione al tempo t dipende solo da Lt: Ft +1 = Lt • Ft + n = Lt Dopo aver osservato la domanda al periodo t+1, si rivedono le stime così: Lt +1 = α ⋅ Dt +1 + (1 − α ) ⋅ Lt 0 ≤α ≤1 α è la costante di smorzamento del livello. Il valore rivisto del livello è una media pesata del valore osservato del livello nel periodo t+1 (Dt+1) e la previsione del livello fatta con i dati del periodo t (Lt) 18 Smorzamento esponenziale semplice In questo modo la stima del livello è una media pesata di tutti le osservazioni passate della domanda, con i pesi che decrescono esponenzialmente quanto più il dato di domanda è lontano: Lt +1 = α ⋅ Dt +1 + (1 − α ) ⋅ Lt Lt = α ⋅ Dt + (1 − α ) ⋅ Lt −1 Lt +1 = α ⋅ Dt +1 + (1 − α ) ⋅ (α ⋅ Dt + (1 − α ) ⋅ Lt −1 ) Lt +1 = α ⋅ Dt +1 + (1 − α ) ⋅ α ⋅ Dt + (1 − α ) ⋅ α ⋅ Dt −1... 2 t +1 Lt +1 = ∑α (1 − α ) n Dt +1− n n =0 Valori maggiori di α corrispondono a previsioni più reattive rispetto alle oscillazioni della domanda 19 Smorzamento esponenziale semplice Valori maggiori di α corrispondono a previsioni più reattive rispetto alle oscillazioni della domanda : Lt =Lt −1 + α ( Dt − Lt −1 ) ⋅ Lt = α ⋅ Dt + (1 − α ) ⋅ Lt −1 Dt Dt − Lt −1 Lt α ( Dt − Lt −1 ) Lt −1 t-1 t 20 Smorzamento esponenziale corretto per il trend (modello di Holt) Utilizzabile se vi è trend ma non stagionalità, per cui: componente sistematica = livello + trend • Si stima il livello al periodo 0, L0, ed il trend al periodo 0, T0, facendo la regressione lineare dei dati di domanda Dt a disposizione (non c’è bisogno di destagionalizzare visto che si suppone l’assenza della componente stagionale) Dt = a ⋅ t + b L0 = b T0 = a • La previsione sarà pari a: • Dopo aver osservato la domanda al periodo t+1, si rivedono le stime così: Ft +1 = Lt + Tt Ft + n = Lt + nTt Lt +1 = α ⋅ Dt +1 + (1 − α ) ⋅ (Lt + Tt ) 0 ≤α ≤1 Tt +1 = β ⋅ (Lt +1 − Lt ) + (1 − β ) ⋅ Tt 0 ≤ β ≤1 α è la costante di smorazamento del livello. Il valore rivisto del livello è una media pesata del valore osservato del livello nel periodo t+1 (Dt+1) e la previsione del livello che si poteva fare con i dati del periodo t (Lt+Tt) β è la costante di smorazamento del trend. ) e la Il valore rivisto del trend è una media pesata del valore osservato del trend nel periodo t+1 (Lt+1-Lt21 previsione del trend che si poteva fare con i dati del periodo t (Tt) Smorzamento esponenziale corretto per trend e stagionalità (modello di Winter) Utilizzabile se vi è sia trend che stagionalità, per cui: componente sistematica = (livello + trend)*stagionalità • Si stima il livello iniziale, il trend iniziale ed i coefficienti di stagionalità iniziali con procedimento analogo al metodo statico e cioè: destagionalizzando la domanda, facendo la regressione lineare dei dati di domanda destagionalizzata (trovando quindi livello e trend) e calcolando quindi i coefficienti stagionali. • La previsione sarà pari a: Ft +1 = (Lt + Tt ) ⋅ S t +1 Ft + n =( Lt + nTt ) ⋅ St + n 22 Smorzamento esponenziale corretto per trend e stagionalità (modello di Winter) • Dopo aver osservato la domanda al periodo t+1, si rivedono le stime così: Lt +1 Dt +1 =α ⋅ + (1 − α ) ⋅ (Lt + Tt ) S t +1 Tt +1 = β ⋅ (Lt +1 − Lt ) + (1 − β ) ⋅ Tt S t + p +1 Dt +1 + (1 − γ ) ⋅ S t +1 = γ ⋅ L t +1 0 ≤α ≤1 0 ≤ β ≤1 0 ≤ γ ≤1 α è la costante di smorzamento del livello. Il valore rivisto del livello è una media pesata del valore osservato del livello nel periodo t+1 (Dt+1/St+1) e la previsione del livello che si poteva fare con i dati del periodo t (Lt+Tt) β è la costante di smorzamento del trend. Il valore rivisto del trend è una media pesata del valore osservato del trend nel periodo t+1 (Lt+1-Lt) e la previsione del trend che si poteva fare con i dati del periodo t (Tt) γ è la costante di smorzamento della stagionalità. Il valore rivisto del coefficiente di stagionalità è una media pesata del valore osservato della stagionalità 23 nel periodo t+1 (Dt+1/Lt+1) e la previsione della stagionalità che si poteva fare con i dati del periodo t (St+1) Metodi di previsione adattativi – riassunto Metodo Previsionale Applicabilità Media mobile No tendenza no stagionalità Smorzamento semplice No tendenza No stagionalità Modello di Holt Tendenza no stagionalità Modello di Winter tendenza e stagionalità 24 Misure di Errore Come abbiamo visto, nei metodi di previsione i riesce a modellare solo la parte sistematica della domanda; la parte casuale si evidenzia nell’errore Et = Ft − Dt • Usare l’errore per verificare se il metodo attuale di previsione è accurato nel valutare la componente sistematica della domanda • Se gli errori che si manifestano sono in linea con quelli previsti da dati storici il modello è valido. Nel caso siano più grandi rivedere il modello • L’orizzonte di valutazione dell’errore deve essere di un tempo almeno uguale al LT dei fornitori 25 Errore quadratico medio (Mean square error) Deviazione Assoluta Errore medio assoluto (Mean absolute deviation) 1 n 2 MSEn = ∑ Et n t =1 At = Et 1 MADn = n n Errore assoluto percentuale (Mean Absolute Percentage Error) MAPEn = ∑A ∑ t =1 n t t =1 Et 100 Dt n n Errore medio (Bias = polarizzazione) Tracking signal Convenzionalmente se -6<TS<6 modello può essere accettato BIAS n = ∑ Et t =1 BIAS n TS n = MADn 26 Alternativa per l’aggiornamento dell’errore MSE= t MSEt 2 ω Et + (1 − ω ) MSEt −1 = Stima dell’MSE al periodo t ω = costante di smorzamento, tra 0.01 e 0.1 Stesso concetto dello smorzamento esponenziale: - Non si devono registrare lunghe serie di dati - Si pesano gli errori rilevati smorzandone esponenzialmente il peso all’aumentare della distanza nel tempo 27