Flytte gjennomsnittlig prognose Innledning. Som du kanskje tror vi ser på noen av de mest primitive tilnærmingene til prognoser. Men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne veinen vil vi fortsette med å starte i begynnelsen og begynne å jobbe med Moving Average prognoser. Flytte gjennomsnittlige prognoser. Alle er kjent med å flytte gjennomsnittlige prognoser, uansett om de tror de er. Alle studenter gjør dem hele tiden. Tenk på testresultatene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva vil du forutsi for din andre testscore Hva tror du at læreren din ville forutse din neste testscore Hva tror du dine venner kan forutsi for neste testresultat Hva tror du at foreldrene dine kan forutsi for neste testresultat uansett alt det du kan gjøre med dine venner og foreldre, de og din lærer er veldig sannsynlig å forvente deg å få noe i området av 85 du nettopp har fått. Vel, nå kan vi anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og figurerer du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede går til Forvent deg at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat, uansett om de vil dele det med deg. De kan si til seg selv, at denne fyren alltid blåser røyk om hans smarts. Hes kommer til å få en annen 73 hvis han er heldig. Kanskje foreldrene vil prøve å være mer støttende og si, quote, så langt har du fått en 85 og en 73, så kanskje du burde finne på å få en (85 73) 2 79. Jeg vet ikke, kanskje hvis du gjorde mindre fest og werent vevet vasselen over alt, og hvis du begynte å gjøre mye mer å studere, kan du få en høyere score. quot Begge disse estimatene flytter faktisk gjennomsnittlige prognoser. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en flytende gjennomsnittlig prognose ved hjelp av en periode med data. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. La oss anta at alle disse menneskene bråser på ditt store sinn, har slags pisset deg av og du bestemmer deg for å gjøre det bra på den tredje testen av dine egne grunner og for å sette en høyere poengsum foran din quotalliesquot. Du tar testen og poengsummen din er faktisk en 89 Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semesteret som kommer opp, og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du mønsteret. Nå, forhåpentligvis kan du se mønsteret. Hvilke tror du er den mest nøyaktige fløyten mens vi jobber. Nå går vi tilbake til vårt nye rengjøringsfirma som startes av din fremmedgjorte halv søster, kalt Whistle While We Work. Du har noen tidligere salgsdata som er representert av følgende del fra et regneark. Vi presenterer først dataene for en tre-års glidende gjennomsnittlig prognose. Oppføringen for celle C6 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til C11. Legg merke til hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon. Du bør også legge merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponentiell utjevningsmodell. Ive inkluderte quotpast predictionsquot fordi vi vil bruke dem på neste nettside for å måle prediksjonens gyldighet. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C6 til C11. Legg merke til hvordan nå bare de to siste stykkene av historiske data blir brukt for hver prediksjon. Igjen har jeg tatt med quotpast predictionsquot for illustrative formål og for senere bruk i prognose validering. Noen andre ting som er viktig å legge merke til. For en m-periode som beveger gjennomsnittlig prognose, brukes bare de nyeste dataverdiene for å gjøre prognosen. Ingenting annet er nødvendig. For en m-periode som beveger gjennomsnittlig prognose, legger du merke til at den første prediksjonen forekommer i periode m 1. Begge disse problemene vil være svært viktige når vi utvikler koden vår. Utvikle den bevegelige gjennomsnittsfunksjonen. Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt. Koden følger. Legg merke til at inngangene er for antall perioder du vil bruke i prognosen og rekke historiske verdier. Du kan lagre den i hvilken arbeidsbok du vil ha. Funksjon MovingAverage (Historical, NumberOfPeriods) Som Single Deklarering og Initialisering av variabler Dim Item Som Variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer Initialiserende variabler Teller 1 Akkumulering 0 Bestemme størrelsen på Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Akkumulere riktig antall siste tidligere observerte verdier Akkumulasjonsakkumulering Historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage AkkumuleringsnummerOfPeriods Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der det skal like følgende. Forekasting - Kapittel 4 Kunsten og vitenskapen til å forutsi fremtidige hendelser som gir gode estimater. Kan involvere historiske data (som tidligere salg) og projisere dem inn i fremtiden med en matematisk modell. Subjektiv eller intuitiv prediksjon. Basert på etterspørseldrevne data (kundeplaner for å kjøpe og projisere inn i fremtiden). Eller kombinasjon av disse, en matematisk modell justert av ledere god vurdering. Gode prognoser er den viktigste delen av effektive service - og produksjonsoperasjoner Innflytelser av prognoser Produkter i sin livssyklus - salg er i intro, vekst, modenhet eller nedgangsstadium. Etterspørsel etter et relatert produkt Fokus er på å raskt identifisere og spore kundebehov. - Bruk POS-data, Forhandler-genererte rapporter om kundepreferanser, og annen informasjon som vil bidra til å prognostisere w mest aktuelle data mulig. - Drive en selskaps produksjons-, kapasitets - og planleggingssystemer og tjene som input til finansiell, markedsførings - og personlig planlegging. Realiteter av prognosesystemer. Utover faktorer som vi ikke kan forutsi eller kontrollere, påvirker ofte prognosen. - Mest prognose-teknikker antar at det er noen underliggende stabilitet i systemet Enkelte bedrifter automatiserer spådommer ved hjelp av datastyrt prognoseprogramvare og overvåker nøye produktspekter hvis krav er uberegnelige. Produktfamilie og aggregerte prognoser er mer nøyaktige enn individuelle produktprognoser, bidrar til å balansere over og underforutsetninger. Prognose teknikk ved hjelp av en gruppeprosess som lar eksperter lage prognoser Deltakere: Beslutningsmakere - 5 til 10 eksperter som lager faktiske prognoser Personalepersonale - Assist beslutningstakere ved å forberede, distribuere, samle inn og oppsummere en rekke spørreskjemaer og undersøkelsesresultat Respondenter - Gruppe av mennesker på forskjellige steder hvis vurderinger er verdsatt. Flytte gjennomsnitt 1. I krølling av størrelsen på n (antall perioder i gjennomsnitt) gjør utjevningene bedre, men det gjør metoden mindre følsom for endringer i data. 2. Flytte gjennomsnitt kan ikke hente trender veldig bra. Fordi de er gjennomsnitt, vil de alltid forbli innenfor tidligere nivåer og vil ikke forutsi endringer på høyere eller lavere nivåer. Lag faktiske verdier. 3. Flytende gjennomsnitt krever omfattende oversikt over tidligere data. Least-Squares-metoden innebærer disse kravene: 1) Vi plotter alltid data bc minst-kvadrater antar lineært forhold. Hvis en kurve ser ut til å være til stede, er det nødvendig med krøllete analyser. 2) Vi forutsier ikke tidsperioder langt utover vår gitte database. 3) Avvik rundt den minste kvadratiske linjen antas å være tilfeldig og normalt fordelt, med de fleste observasjoner nær linjen og bare et mindre antall lenger ut. Mannprognoseknikker: Flytende gjennomsnittlig eksponentiell utjevning Denne leksjonen vil diskutere etterspørselsforespørsel med fokus ved salg av etablerte varer og tjenester. Det vil introdusere kvantitative teknikker for å flytte gjennomsnittlig og eksponensiell utjevning for å avgjøre salgsbehov. Hva er etterspørselsprognose igjen, det er høytiden. Barna er klare for et besøk fra Santa, og foreldrene er stresset over shopping og økonomi. Bedrifter slutter sin virksomhet for kalenderåret og forbereder seg på å flytte inn i det som ligger foran. ABC Inc. produserer telefonledning. Deres regnskaps - og driftstidperioder løper på et kalenderår, slik at årsskiftet gjør at de kan pakke opp virksomheten før ferien og planlegge til begynnelsen av et nytt år. Det er tid for ledere å forberede og sende sine avdelinger driftsplaner til toppledelsen, slik at de kan opprette en organisasjonsplan for det nye året. Salgsavdelingen er stresset ut av deres sinn. Etterspørselen etter telefonledning var nede i 2015, og de generelle økonomiske dataene tyder på en fortsatt nedgang i byggeprosjekter som krever telefonledning. Bob, salgssjef, vet at toppledelsen, styret og interessentene håper på en optimistisk salgsutsikt, men han føler at tilbakeslaget for isen kryper opp bak ham for å takle ham. Etterspørselsforespørsel er metoden for å projisere kundenes etterspørsel etter en god eller tjeneste. Denne prosessen er en kontinuerlig en hvor ledere bruker historiske data for å beregne hva de forventer at salget etterspør etter en god eller tjeneste å være. Bob bruker informasjon fra selskapets fortid og legger den til økonomiske data fra markedet for å se om salget vil vokse eller avta. Bob bruker resultatene av etterspørselsforespørsel til å sette mål for salgsavdelingen, samtidig som han prøver å holde seg i tråd med selskapets mål. Bob vil kunne vurdere resultatene fra salgsavdelingen neste år for å avgjøre hvordan hans prognose kom ut. Bob kan bruke ulike teknikker som er både kvalitative og kvantitative for å bestemme veksten eller nedgangen i salget. Eksempler på kvalitative teknikker inkluderer: Utdannede gjetninger Prediksjonsmarkedet Spillteori Delphi-teknikk Eksempler på kvantitative teknikker inkluderer: Ekstrapolering Data mining Årsaksmodeller Box-Jenkins-modeller Ovennevnte eksempler på etterspørselsforespørselsteknikker er bare en kort liste over mulighetene Bob har som han praksis krever forutsetninger. Denne leksjonen vil fokusere på to ekstra kvantitative teknikker som er enkle å bruke og gir en objektiv og nøyaktig prognose. Flytende gjennomsnittlig formel Et glidende gjennomsnitt er en teknikk som beregner den generelle trenden i et datasett. I driftsledelsen er datasettet salgsvolum fra historiske data i selskapet. Denne teknikken er veldig nyttig for å prognose kortsiktige trender. Det er bare gjennomsnittet av et valgt sett av tidsperioder. Den kalles flytting fordi det som et nytt etterspørselsnummer beregnes for en kommende tidsperiode, faller det eldste nummeret i settet og holder tidsperioden låst. La oss se på et eksempel på hvordan salgssjef hos ABC Inc. vil prognose etterspørsel ved hjelp av den bevegelige gjennomsnittsformelen. Formelen er illustrert som følger: Moving Average (n1 n2 n3.) N Hvor n antall tidsperioder i datasettet. Summen av første tidsperiode og alle ekstra tidsperioder som er valgt, er delt på antall tidsperioder. Bob bestemmer seg for å lage sin etterspørselsprognose basert på et 5 års glidende gjennomsnitt. Dette betyr at han vil bruke salgsvolumdataene fra de siste 5 årene som data for beregningen. Eksponensiell utjevning Eksponensiell utjevning er en teknikk som bruker en utjevningskonstant som en spådommer for fremtidig prognose. Når du bruker et tall i prognoser som er et gjennomsnitt, har det blitt utjevnet. Denne teknikken tar historiske data fra tidligere tidsperioder og benyttet beregningen for eksponensiell utjevning for å prognose fremtidige data. I dette tilfellet vil Bob også bruke eksponensiell utjevning for å sammenligne mot tidligere beregning av et bevegelige gjennomsnitt for å få en annen mening. Formelen for eksponensiell utjevning er som følger. F (t) prognose for 2016 F (t-1) prognose for foregående år alfa utjevning konstant A (t-1) faktisk salg fra foregående år Utjevningskonstanten er en vekt som brukes på ligningen basert på hvor mye vekt selskapet steder på de nyeste dataene. Utjevningskonstanten er et tall mellom 0 og 1. En utjevningskonstant på 0,9 vil signalisere at ledelsen legger stor vekt på de mest tidligere tidsperioder historiske salgsdata. En utjevningskonstant på 0,1 ville signalisere at ledelsen legger svært lite vekt på forrige tidsperiode. Valget av en utjevningskonstant er hit eller savner og kan endres ettersom flere data er tilgjengelige. Vi vil bruke diagrammet ovenfra med det historiske salgsvolumet til å beregne eksponensiell utjevningsprognose for 2016. Det er en ekstra kolonne som inkluderer forventet salgsvolum. Denne beregningen er en ganske effektiv formel og ganske nøyaktig i forhold til andre teknikker for etterspørselsforespørsel. Leksjonsoversikt Kravet om prognoser er en viktig del av en planlagt plan for fremtidige tidsperioder. Ulike teknikker kan brukes, både kvalitative og kvantitative, og gi ulike sett med data til ledere som de forutsetter etterspørsel, spesielt i salgsvolum. Den bevegelige gjennomsnittlige og eksponensielle utjevningsteknikker er begge rettferdige eksempler på metoder som skal brukes til å prognose etterspørselen. For å låse opp denne leksjonen må du være et studiemedlem. Opprett din konto Earning College Credit Vet du om at vi har over 79 høyskolekurs som forbereder deg til å tjene kreditt ved eksamen som er godkjent av over 2000 høgskoler og universiteter. Du kan teste ut de to første årene av høyskolen og spare tusenvis av graden din. Alle kan tjene kreditt-for-eksamen uavhengig av alder eller utdanningsnivå. Overføring av kreditt til skolen etter eget valg Ikke sikker på hvilket høyskole du vil delta i ennå. Studien har tusenvis av artikler om enhver forestillbar grad, studieområde og karrierevei som kan hjelpe deg med å finne skolen som passer best for deg. Forskerskoler, Degrees amp Karriere Få den subjektive infoen du trenger for å finne riktig skole. Bla gjennom artikler etter kategori Hvordan velge riktig prognoseteknikk I nesten alle beslutninger de gjør, vurderer ledere i dag en slags prognose. Lydspådommer om krav og trender er ikke lenger luksusartikler, men en nødvendighet, hvis ledere skal takle sesongmessige forhold, plutselige endringer i etterspørselsnivå, prisskjærende manøvrer i konkurransen, streiker og store svingninger i økonomien. Forecasting kan hjelpe dem med å håndtere disse problemene, men det kan hjelpe dem mer, jo mer de vet om de generelle prinsippene for prognoser, hva det kan og ikke kan gjøre for dem i øyeblikket, og hvilke teknikker som passer til deres behov i øyeblikket. Her forsøker forfatterne å forklare potensialet for prognoser til ledere, med særlig vekt på salgsprognoser for produkter fra Corning Glass Works som disse har modnet gjennom produktets livssyklus. Også inkludert er en oversikt over prognoseteknikker. For å håndtere den økende variasjonen og kompleksiteten av ledende prognoseproblemer, har mange prognoseteknikker blitt utviklet de siste årene. Hver har sin spesielle bruk, og det må tas hensyn til å velge riktig teknikk for en bestemt applikasjon. Lederen og forspilleren har en rolle å spille i teknikkvalg og jo bedre de forstår spekteret av prognosemuligheter, desto mer sannsynlig er det at en selskaps prognoseinnsats vil bære frukt. Valg av metode er avhengig av mange faktorer i forhold til prognosen, relevansen og tilgjengeligheten av historiske data, graden av nøyaktighet ønskelig, tidsperioden som skal prognose, kostnadsfordelen (eller verdien) av prognosen til selskapet, og tiden tilgjengelig for analysen. Disse faktorene må veies konstant, og på en rekke nivåer. Generelt bør forecasteren velge en teknikk som optimal utnyttelse av tilgjengelige data. Hvis forecasteren lett kan anvende en teknikk med akseptabel nøyaktighet, bør han eller hun ikke prøve å gullplate ved å bruke en mer avansert teknikk som gir potensielt større nøyaktighet, men det krever ikke-eksisterende informasjon eller informasjon som er kostbar å skaffe seg. Denne typen avgang er relativt lett å gjøre, men andre, som vi skal se, krever betydelig mer tanke. Videre, hvor et selskap ønsker å prognose med referanse til et bestemt produkt, må det ta hensyn til stadiet av produktets livssyklus som det gjør prognosen for. Tilgjengeligheten av data og muligheten for å etablere forhold mellom faktorene avhenger direkte av produktets modenhet, og livscykeltrinnet er derfor en avgjørende determinant av prognosemetoden som skal brukes. Vår hensikt her er å presentere en oversikt over dette feltet ved å diskutere hvordan et selskap bør nærme seg et prognoseproblem, beskrive tilgjengelige metoder og forklare hvordan man skal matche metoden til problem. Vi skal illustrere bruken av de ulike teknikkene fra vår erfaring med dem i Corning, og deretter lukke med vår egen prognose for fremtiden for prognoser. Selv om vi tror på prognose er fortsatt en kunst, tror vi at noen av prinsippene som vi har lært gjennom erfaring, kan være nyttige for andre. Manager, Forecaster amp Valg av metoder En leder forutsetter generelt at når du spør en forecaster for å forberede en bestemt projeksjon, gir forespørselen seg tilstrekkelig informasjon for forecasteren til å gå på jobb og gjøre jobben. Dette er nesten aldri sant. Vellykket prognose begynner med et samarbeid mellom sjefen og prospektoren, der de utarbeider svar på følgende spørsmål. 1. Hva er formålet med prognosen som skal brukes Det bestemmer nøyaktigheten og kraften som kreves av teknikkene, og styrer dermed valg. Å avgjøre om du skal gå inn i en bedrift, kan bare kreve et ganske brutto estimat av størrelsen på markedet, mens en prognose som er gjort for budsjetteringsformål, bør være ganske nøyaktig. Egnede teknikker er forskjellige. Igjen, hvis prognosen er å fastsette en standard for å vurdere ytelsen, bør prognosemetoden ikke ta hensyn til spesielle handlinger, for eksempel kampanjer og andre markedsføringsenheter, siden disse er ment å forandre historiske mønstre og relasjoner og dermed utgjøre en del av ytelsen som skal evalueres. Prognoser som bare skisserer hva fremtiden vil være som om et selskap ikke gjør noen vesentlige endringer i taktikk og strategi, er vanligvis ikke god nok til planlegging. På den annen side, hvis ledelsen ønsker en prognose av den effekten en bestemt markedsføringsstrategi vil ha på salgsvæksten, må teknikken være sofistikert nok til å ta eksplisitt hensyn til de spesielle handlinger og hendelser strategien medfører. Teknikker varierer i sine kostnader, så vel som i omfang og nøyaktighet. Lederen må fastsette nivået av unøyaktighet han eller hun kan tolerere med andre ord, bestemme hvordan hans eller hennes avgjørelse vil variere, avhengig av hvor stor nøyaktigheten av prognosen er. Dette tillater forecaster å avtale kostnadene mot verdien av nøyaktighet ved å velge en teknikk. For eksempel vil økt nøyaktighet i produksjon og lagerstyring føre til lavere sikkerhetslager. Her må sjefen og forecasteren veie kostnadene for en mer sofistikert og dyrere teknikk mot potensielle besparelser i lagerkostnader. Utstilling I viser hvordan kostnad og nøyaktighet øker med sofistikering og kartlegger dette mot tilsvarende kostnader for prognosefeil, gitt noen generelle forutsetninger. Den mest sofistikerte teknikken som kan være økonomisk begrunnet, er en som faller i regionen hvor summen av de to kostnadene er minimal. Utgitt jeg Kostnad for prognoser Versus kostnader for unøyaktighet For et mellomromsprognos, gitt data tilgjengelighet Når lederen har definert formålet med prognosen, kan forecasteren gi råd til lederen om hvor ofte det kan være hensiktsmessig produsert. Fra et strategisk synspunkt bør de diskutere om beslutningen som skal gjøres på grunnlag av prognosen, kan endres senere, hvis de finner prognosen feilaktig. Hvis det kan endres, bør de diskutere nytten av å installere et system for å spore nøyaktigheten av prognosen og hvilken type sporingssystem som passer. 2. Hva er dynamikken og komponentene i systemet som prognosen vil bli gjort? Dette forklarer forholdene til interaksjonsvariabler. Generelt må lederen og forecasteren gjennomgå et flytskjema som viser de relative posisjonene til de ulike elementene i distribusjonssystemet, salgssystemet, produksjonssystemet eller hva som studeres. Utstilling II viser disse elementene for systemet gjennom hvilket CGWs hovedkomponent for farge-TV setter strømmen til forbrukeren. Legg merke til punktene der varelager er påkrevd eller vedlikeholdt i dette produksjons - og distribusjonssystemet. Disse er rørledningselementene, som utøver viktige effekter gjennom strømningsanlegget og dermed er av kritisk interesse for prospektoren. Utstilling II Flytdiagram over TV-distribusjonssystem Alle elementene i mørkegrå har direkte påvirkning av prognoseprosedyren i noen grad, og fargeknappen antyder arten av CGWs-data på hvert punkt, igjen en avgjørende determinant av teknikkvalg fordi forskjellige teknikker krever forskjellige typer innganger. Hvor data er utilgjengelige eller kostbare å oppnå, er utvalg av prognosevalg begrenset. Flytdiagrammet skal også vise hvilke deler av systemet som er under kontroll av selskapet som foretar prognosen. I utstilling II er dette bare volumet av glasspaneler og tregner levert av Corning til rørprodusentene. I den delen av systemet hvor selskapet har total kontroll, har ledelsen en tendens til å være innstilt på de ulike årsak-og-effekt-relasjonene, og kan derfor ofte bruke prognoseteknikker som tar hensyn til årsaksfaktorer. Flytdiagrammet har spesiell verdi for prospektoren hvor kausale prediksjonsmetoder kreves fordi det gjør det mulig for ham eller henne å formode om mulige variasjoner i salgsnivåer forårsaket av varelager og lignende, og å bestemme hvilke faktorer som må vurderes av teknikken til gi ledelsen en prognose av akseptabel nøyaktighet. Når disse faktorene og forholdene deres er blitt klargjort, kan forecasteren bygge en årsaksmodell av systemet som fanger både fakta og logikken til situasjonen som jo er grunnlaget for sofistikert prognose. 3. Hvor viktig er fortiden i å estimere fremtiden Vesentlige endringer i systemny produktene, nye konkurransestrategier og videreutvikle likheten til fortid og fremtid. På kort sikt er det ikke sannsynlig at de siste endringene vil føre til at de totale mønstrene endres, men på sikt vil deres virkninger sannsynligvis øke. Utøvende og forutsigeren må diskutere disse fullt ut. Tre generelle typer Når forvalteren og prospektoren har formulert sitt problem, vil forecasteren være i stand til å velge en metode. Det er tre grunnleggende typer kvalitative teknikker, tidsserieanalyse og projeksjon og årsaksmodeller. Den første bruker kvalitative data (ekspertuttalelse, for eksempel) og informasjon om spesielle hendelser av den typen som allerede er nevnt, og kan eller ikke ta hensyn til fortiden. Den andre fokuserer derimot helt på mønstre og mønsterendringer, og bygger dermed helt på historiske data. Den tredje bruker svært raffinert og spesifikk informasjon om forhold mellom systemelementer, og er kraftig nok til å formelt ta hensyn til spesielle arrangementer. Som med tidsserieanalyse og projeksjonsteknikker er fortiden viktig for årsaksmodeller. Disse forskjellene innebærer (ganske riktig) at den samme typen prognostiseringsteknikk ikke er hensiktsmessig å prognostisere salg, for eksempel på alle stadier av livssyklusen til et produkt, for eksempel, vil en teknikk som bygger på historiske data ikke være nyttig for å forutse fremtiden av et helt nytt produkt som ikke har historie. Hoveddelen av balansen i denne artikkelen vil være opptatt av problemet med å tilpasse teknikken til livscykeltrinnene. Vi håper å gi utøvende innsikt i prospektpotensialet ved å vise hvordan dette problemet skal næres. Men før vi diskuterer livssyklusen, må vi skissere de generelle funksjonene til de tre grunnleggende typene teknikker i litt mer detaljert. Kvalitative teknikker I hovedsak brukes disse når data er knappe for eksempel når et produkt først innføres i et marked. De bruker menneskelige vurderinger og vurderingsordninger for å gjøre kvalitativ informasjon til kvantitative estimater. Målet her er å samle på en logisk, upartisk og systematisk måte all informasjon og dommer som relaterer seg til faktorene som estimeres. Slike teknikker brukes ofte i nyteknologiske områder, hvor utvikling av en produktidee kan kreve flere oppfinnelser, slik at RampD-krav er vanskelige å estimere, og hvor markedsaksept - og gjennomtrengningsgrader er svært usikre. Flersidediagrammet Grunnleggende Forecasting Techniques presenterer flere eksempler av denne typen (se første del), inkludert markedsundersøkelser og den nåkjente Delphi-teknikken. 1 I dette diagrammet har vi forsøkt å gi en rekke grunnleggende opplysninger om de viktigste typene av prognostiseringsteknikker. Noen av de nevnte teknikkene er egentlig ikke en eneste metode eller modell, men en hel familie. Dermed kan våre uttalelser ikke nøyaktig beskrive alle variasjoner av en teknikk og bør heller tolkes som beskrivende for hvert enkelt grunnkonsept. Grunnleggende prognosemetoder En ansvarsfraskrivelse for estimater i diagrammet er også i orden. Estimater av kostnader er omtrentlige, som beregningstider, nøyaktighetsgrader og rangeringer for vendepunktsidentifikasjon. Kostnadene ved noen prosedyrer avhenger av om de blir brukt rutinemessig eller er satt opp for en enkelt prognose også, dersom vektinger eller årstidene må bestemmes på nytt hver gang en prognose blir gjort, øker kostnadene betydelig. Tallene vi presenterer kan likevel fungere som generelle retningslinjer. Leseren kan finne hyppig referanse til denne port-folden nyttig for resten av artikkelen. Tidsserieanalyse Dette er statistiske teknikker som brukes når flere års data for et produkt eller en produktlinje er tilgjengelige, og når relasjoner og trender er både klare og relativt stabile. Et av de grunnleggende prinsippene for statistisk prognoseindeks, av alle prognoser når historiske data er tilgjengelige, er at forskeren bør bruke dataene på tidligere ytelse for å få en hastighetsmåleravlesning av nåværende rate (av salg, si) og hvor raskt denne frekvensen øker eller redusere. Den nåværende frekvensen og endringene i hastighetsakselerasjon og retardasjon utgjør grunnlaget for prognoser. Når de er kjent, kan ulike matematiske teknikker utvikle fremskrivninger fra dem. Saken er ikke så enkel som det høres ut. Det er vanligvis vanskelig å lage prognoser fra rå data, siden prisene og trender ikke er umiddelbart opplagte, de er blandet opp med sesongvariasjoner, for eksempel, og kanskje forvrengt av faktorer som effekten av en stor salgsfremmende kampanje. Rådataene må masseres før de er brukbare, og dette gjøres ofte av tidsserieanalyse. Nå er en tidsserie et sett med kronologisk bestilte punkter med rå data, for eksempel et divisjonssalg av et gitt produkt, for måned, i flere år. Tidsserieanalyse bidrar til å identifisere og forklare: En hvilken som helst regularitet eller systematisk variasjon i datarien som skyldes seasonalitythe seasonals. Sykliske mønstre som gjentar noen to eller tre år eller mer. Trender i dataene. Vekstgrader av disse trendene. (Dessverre identifiserer de fleste eksisterende metoder kun sesongene, den kombinerte effekten av trender og sykluser, og den uregelmessige eller sjanse-komponenten. Dvs. at de ikke skiller trender fra sykluser. Vi kommer tilbake til dette punktet når vi diskuterer tidsserier analyse i sluttfasen av produktmognad.) Når analysen er fullført, kan arbeidet med å projisere fremtidig salg (eller hva som helst) begynne. Vi bør merke seg at mens vi har separert analyse fra projeksjon her for å forklare, kombinerer de fleste statistiske prognoseteknikker faktisk begge funksjonene i en enkelt operasjon. En fremtid som fortiden: Det er åpenbart fra denne beskrivelsen at alle statistiske teknikker er basert på antagelsen om at eksisterende mønstre vil fortsette i fremtiden. Denne antagelsen er mer sannsynlig å være riktig på kort sikt enn det er på lang sikt, og derfor gir disse teknikkene oss rimelig nøyaktige prognoser for den nærmeste fremtid, men gjør ganske dårlig lenger inn i fremtiden (med mindre datamønstrene er ekstraordinært stabil). Av samme grunn kan disse teknikkene vanligvis ikke forutse når vekstraten i en trend vil forandre seg, for eksempel når en periode med langsom vekst i salget plutselig vil skifte til en periode med rask forfall. Slike poeng kalles vendepunkter. De har naturligvis den største konsekvensen til sjefen, og som vi skal se, må forecasteren bruke forskjellige verktøy fra rene statistiske teknikker for å forutsi når de vil skje. Årsaksmodeller Når historiske data er tilgjengelige og det er utført nok analyse for å tydeliggjøre forholdene mellom faktoren som skal prognose og andre faktorer (for eksempel relaterte virksomheter, økonomiske styrker og sosioøkonomiske faktorer), forplikter ofte forutsetningen en kausal modell. En årsaksmodell er den mest sofistikerte typen prognoseverktøy. Den uttrykker matematisk de relevante årsakssammenhengene, og kan inkludere rørledningshensyn (dvs. varebeholdninger) og markedsundersøkelsesinformasjon. Det kan også direkte innlemme resultatene fra en tidsserieanalyse. Kausalmodellen tar hensyn til alt som er kjent med dynamikken i flytsystemet og benytter forutsigelser av relaterte hendelser som konkurransedyktige handlinger, streiker og kampanjer. Hvis dataene er tilgjengelige, inneholder modellen generelt faktorer for hvert sted i flytskjemaet (som illustrert i utstilling II) og forbinder disse ved likninger for å beskrive generell produktflyt. Hvis det mangler visse typer data, kan det i utgangspunktet være nødvendig å ta forutsetninger om noen av relasjonene og deretter spore hva som skjer for å avgjøre om forutsetningene er sanne. Typisk blir en årsaksmodell kontinuerlig revidert ettersom mer kunnskap om systemet blir tilgjengelig. Igjen, se gatefoldet for en tilbakemelding på de vanligste typer årsaksteknikker. Som diagrammet viser, er årsaksmodeller langt det beste for å forutsi vendepunkter og utarbeide langdistanse-prognoser. Metoder, produkter forsterker livssyklusen I hvert trinn av produktets liv, fra oppfattelse til fast salg, er de beslutninger som ledelsen må gjøre karakteristisk helt annerledes, og de krever ulike typer informasjon som en base. Forutsetningsteknikker som gir disse settene av informasjon, er forskjellig fra analog. Utstilling III oppsummerer levetrinnene i et produkt, de typiske avgjørelsene som er gjort på hver og de viktigste prognoseteknikker som passer til hver. Utstilling III Typer av beslutninger som er gjort over en produkts livssyklus, med tilhørende prognosteknikker Tilsvarende kan ulike produkter kreve ulike typer prognoser. To CGW-produkter som har blitt håndtert ganske annerledes, er de største glasskomponentene for farge-TV-rør, hvorav Corning er en ledende leverandør, og Corning Ware-kokekar, en proprietær forbrukerproduktlinje. Vi skal spore prognosemetoder som brukes på hver av de fire forskjellige stadier av modenhet for disse produktene, for å gi noen førstehånds innsikt i valg og anvendelse av noen av de viktigste teknikkene som er tilgjengelige i dag. Før vi begynner, la oss merke til hvordan situasjonen er forskjellig for de to produkttypene: For et forbrukerprodukt som kokekar, utvider produsentens kontroll av distribusjonsrøret i det minste gjennom distributørnivået. Dermed kan produsenten påvirke eller kontrollere forbrukersalg ganske direkte, samt direkte kontrollere noen av rørledningselementene. Mange av endringene i forsendelsesrater og i total lønnsomhet skyldes derfor handlinger tatt av produsentene selv. Taktiske beslutninger om kampanjer, tilbud og priser er vanligvis også etter eget skjønn. Teknikken valgt av prospektet for projiserende salg bør derfor tillate innlemmelse av slik spesiell informasjon. Man må kanskje begynne med enkle teknikker og arbeide opp mot mer sofistikerte som omfavner slike muligheter, men det endelige målet er der. Hvor lederfirmaet leverer en komponent til en OEM, som Corning gjør for rørprodusenter, har selskapet ikke slik direkte innflytelse eller kontroll over enten rørledningselementene eller sluttbrukersalg. Det kan være umulig for selskapet å skaffe seg god informasjon om hva som skjer på punkter videre langs flytsystemet (som i det øvre segmentet av utstilling II), og som følge derav vil forecasteren nødvendigvis bruke en annen prognostiseringsgenre fra det som brukes til et forbrukerprodukt. Mellom disse to eksemplene vil vår diskusjon omfavne nesten hele spekteret av prognostiseringsteknikker. Om nødvendig vil vi imidlertid ta kontakt med andre produkter og andre prognosemetoder. 1. Produktutvikling I de tidlige stadiene av produktutvikling vil lederen ha svar på spørsmål som disse: Hvilke alternative muligheter til vekst er det å forfølge produktet X Hvordan har etablerte produkter likt X fared Skal vi gå inn i denne virksomheten og i så fall i hvilke segmenter Hvordan skal vi allokere RampD innsats og midler Hvor vellykket vil ulike produktkonsepter være Hvordan vil produkt X passe inn i markedene fem eller ti år fra nå? Prognoser som bidrar til å svare på disse langdistansespørsmålene må nødvendigvis ha lange horisonter selv. En felles innvending mot mye langdistanseprognose er at det er nesten umulig å forutsi med nøyaktighet hva som vil skje flere år inn i fremtiden. Vi er enige om at usikkerheten øker når en prognose gjøres over en periode på over to år. I det minste gjør prognosen og et mål for dens nøyaktighet at lederen kan kjenne risikoen ved å forfølge en valgt strategi og i denne kunnskapen å velge en passende strategi fra de tilgjengelige. Systematisk markedsundersøkelse er selvsagt en støttespiller på dette området. For eksempel kan prioritetsmønsteranalyse beskrive forbrukernes preferanser og sannsynligheten for at de vil kjøpe et produkt, og dermed ha stor verdi ved prognose (og oppdatering) gjennomtrengningsnivåer og - priser. Men det finnes også andre verktøy, avhengig av markedets tilstand og produktkonseptet. For et definert marked Mens det ikke finnes noen direkte data om et produkt som fortsatt er en glimt i øyet, kan informasjon om dens sannsynlige ytelse samles på flere måter, forutsatt at markedet der det skal selges, er kjent enhet. For det første kan man sammenligne et foreslått produkt med konkurrentens nåværende og planlagte produkter og rangere det på kvantitative skalaer for ulike faktorer. Vi kaller denne produktforskjellen måling. 2 Hvis denne tilnærmingen skal lykkes, er det avgjørende at de (interne) eksperter som leverer grunnleggende data kommer fra ulike fagområder, RampD, produksjon, juridiske og så videre, og at deres meninger er objektive. For det andre, og mer formalistisk, kan man konstruere disaggregerte markedsmodeller ved å skille fra ulike segmenter av et komplekst marked for individuell studie og vurdering. Specifically, it is often useful to project the S - shaped growth curves for the levels of income of different geographical regions. When color TV bulbs were proposed as a product, CGW was able to identify the factors that would influence sales growth. Then, by disaggregating consumer demand and making certain assumptions about these factors, it was possible to develop an S - curve for rate of penetration of the household market that proved most useful to us. Third, one can compare a projected product with an ancestor that has similar characteristics. In 1965, we disaggregated the market for color television by income levels and geographical regions and compared these submarkets with the historical pattern of black-and-white TV market growth. We justified this procedure by arguing that color TV represented an advance over black-and-white analogous to (although less intense than) the advance that black-and-white TV represented over radio. The analyses of black-and-white TV market growth also enabled us to estimate the variability to be expectedthat is, the degree to which our projections would differ from actual as the result of economic and other factors. The prices of black-and-white TV and other major household appliances in 1949, consumer disposable income in 1949, the prices of color TV and other appliances in 1965, and consumer disposable income for 1965 were all profitably considered in developing our long-range forecast for color-TV penetration on a national basis. The success patterns of black-and-white TV, then, provided insight into the likelihood of success and sales potential of color TV. Our predictions of consumer acceptance of Corning Ware cookware, on the other hand, were derived primarily from one expert source, a manager who thoroughly understood consumer preferences and the housewares market. These predictions have been well borne out. This reinforces our belief that sales forecasts for a new product that will compete in an existing market are bound to be incomplete and uncertain unless one culls the best judgments of fully experienced personnel. For an undefined market Frequently, however, the market for a new product is weakly defined or few data are available, the product concept is still fluid, and history seems irrelevant. This is the case for gas turbines, electric and steam automobiles, modular housing, pollution measurement devices, and time-shared computer terminals. Many organizations have applied the Delphi method of soliciting and consolidating experts opinions under these circumstances. At CGW, in several instances, we have used it to estimate demand for such new products, with success. Input-output analysis, combined with other techniques, can be extremely useful in projecting the future course of broad technologies and broad changes in the economy. The basic tools here are the input-output tables of U. S. industry for 1947, 1958, and 1963, and various updatings of the 1963 tables prepared by a number of groups who wished to extrapolate the 1963 figures or to make forecasts for later years. Since a business or product line may represent only a small sector of an industry, it may be difficult to use the tables directly. However, a number of companies are disaggregating industries to evaluate their sales potential and to forecast changes in product mixesthe phasing out of old lines and introduction of others. For example, Quantum-Science Corporation (MAPTEK) has developed techniques that make input-output analyses more directly useful to people in the electronics business today. (Other techniques, such as panel consensus and visionary forecasting, seem less effective to us, and we cannot evaluate them from our own experience.) 2. Testing amp Introduction Before a product can enter its (hopefully) rapid penetration stage, the market potential must be tested out and the product must be introducedand then more market testing may be advisable. At this stage, management needs answers to these questions: What shall our marketing plan bewhich markets should we enter and with what production quantities How much manufacturing capacity will the early production stages require As demand grows, where should we build this capacity How shall we allocate our RampD resources over time Significant profits depend on finding the right answers, and it is therefore economically feasible to expend relatively large amounts of effort and money on obtaining good forecasts, short-, medium-, and long-range. A sales forecast at this stage should provide three points of information: the date when rapid sales will begin, the rate of market penetration during the rapid-sales stage, and the ultimate level of penetration, or sales rate, during the steady-state stage. Using early data The date when a product will enter the rapid-growth stage is hard to predict three or four years in advance (the usual horizon). A companys only recourse is to use statistical tracking methods to check on how successfully the product is being introduced, along with routine market studies to determine when there has been a significant increase in the sales rate. Furthermore, the greatest care should be taken in analyzing the early sales data that start to accumulate once the product has been introduced into the market. For example, it is important to distinguish between sales to innovators, who will try anything new, and sales to imitators, who will buy a product only after it has been accepted by innovators, for it is the latter group that provides demand stability. Many new products have initially appeared successful because of purchases by innovators, only to fail later in the stretch. Tracking the two groups means market research, possibly via opinion panels. A panel ought to contain both innovators and imitators, since innovators can teach one a lot about how to improve a product while imitators provide insight into the desires and expectations of the whole market. The color TV set, for example, was introduced in 1954, but did not gain acceptance from the majority of consumers until late 1964. To be sure, the color TV set could not leave the introduction stage and enter the rapid-growth stage until the networks had substantially increased their color programming. However, special flag signals like substantially increased network color programming are likely to come after the fact, from the planning viewpoint and in general, we find, scientifically designed consumer surveys conducted on a regular basis provide the earliest means of detecting turning points in the demand for a product. Similar-product technique Although statistical tracking is a useful tool during the early introduction stages, there are rarely sufficient data for statistical forecasting. Market research studies can naturally be useful, as we have indicated. But, more commonly, the forecaster tries to identify a similar, older product whose penetration pattern should be similar to that of the new product, since overall markets can and do exhibit consistent patterns. Again, lets consider color television and the forecasts we prepared in 1965. For the year 19471968, Exhibit IV shows total consumer expenditures, appliance expenditures, expenditures for radios and TVs, and relevant percentages. Column 4 shows that total expenditures for appliances are relatively stable over periods of several years hence, new appliances must compete with existing ones, especially during recessions (note the figures for 19481949, 19531954, 19571958, and 19601961). Exhibit IV Expenditures on Appliances Versus All Consumer Goods (In billions of dollars) Certain special fluctuations in these figures are of special significance here. When black-and-white TV was introduced as a new product in 19481951, the ratio of expenditures on radio and TV sets to total expenditures for consumer goods (see column 7) increased about 33 (from 1.23 to 1.63 ), as against a modest increase of only 13 (from 1.63 to 1.88 ) in the ratio for the next decade. (A similar increase of 33 occurred in 19621966 as color TV made its major penetration.) Probably the acceptance of black-and-white TV as a major appliance in 1950 caused the ratio of all major household appliances to total consumer goods (see column 5) to rise to 4.98 in other words, the innovation of TV caused the consumer to start spending more money on major appliances around 1950. Our expectation in mid-1965 was that the introduction of color TV would induce a similar increase. Thus, although this product comparison did not provide us with an accurate or detailed forecast, it did place an upper bound on the future total sales we could expect. The next step was to look at the cumulative penetration curve for black-and-white TVs in U. S. households, shown in Exhibit V. We assumed color-TV penetration would have a similar S - curve, but that it would take longer for color sets to penetrate the whole market (that is, reach steady-state sales). Whereas it took black-and-white TV 10 years to reach steady state, qualitative expert-opinion studies indicated that it would take color twice that longhence the more gradual slope of the color-TV curve. Exhibit V Long-term Household Penetration Curves for Color and Black-and-White TV At the same time, studies conducted in 1964 and 1965 showed significantly different penetration sales for color TV in various income groups, rates that were helpful to us in projecting the color-TV curve and tracking the accuracy of our projection. With these data and assumptions, we forecast retail sales for the remainder of 1965 through mid-1970 (see the dotted section of the lower curve in Exhibit V). The forecasts were accurate through 1966 but too high in the following three years, primarily because of declining general economic conditions and changing pricing policies We should note that when we developed these forecasts and techniques, we recognized that additional techniques would be necessary at later times to maintain the accuracy that would be needed in subsequent periods. These forecasts provided acceptable accuracy for the time they were made, however, since the major goal then was only to estimate the penetration rate and the ultimate, steady-state level of sales. Making refined estimates of how the manufacturing-distribution pipelines will behave is an activity that properly belongs to the next life-cycle stage. Other approaches: When it is not possible to identify a similar product, as was the case with CGWs self-cleaning oven and flat-top cooking range (Counterange), another approach must be used. For the purposes of initial introduction into the markets, it may only be necessary to determine the minimum sales rate required for a product venture to meet corporate objectives. Analyses like input-output, historical trend, and technological forecasting can be used to estimate this minimum. Also, the feasibility of not entering the market at all, or of continuing RampD right up to the rapid-growth stage, can best be determined by sensitivity analysis. Predicting rapid growth To estimate the date by which a product will enter the rapid-growth stage is another matter. As we have seen, this date is a function of many factors: the existence of a distribution system, customer acceptance of or familiarity with the product concept, the need met by the product, significant events (such as color network programming), and so on. As well as by reviewing the behavior of similar products, the date may be estimated through Delphi exercises or through rating and ranking schemes, whereby the factors important to customer acceptance are estimated, each competitor product is rated on each factor, and an overall score is tallied for the competitor against a score for the new product. As we have said, it is usually difficult to forecast precisely when the turning point will occur and, in our experience, the best accuracy that can be expected is within three months to two years of the actual time. It is occasionally true, of course, that one can be certain a new product will be enthusiastically accepted. Market tests and initial customer reaction made it clear there would be a large market for Corning Ware cookware. Since the distribution system was already in existence, the time required for the line to reach rapid growth depended primarily on our ability to manufacture it. Sometimes forecasting is merely a matter of calculating the companys capacitybut not ordinarily. 3. Rapid Growth When a product enters this stage, the most important decisions relate to facilities expansion. These decisions generally involve the largest expenditures in the cycle (excepting major RampD decisions), and commensurate forecasting and tracking efforts are justified. Forecasting and tracking must provide the executive with three kinds of data at this juncture: Firm verification of the rapid-growth rate forecast made previously. A hard date when sales will level to normal, steady-state growth . For component products, the deviation in the growth curve that may be caused by characteristic conditions along the pipeline for example, inventory blockages. Forecasting the growth rate Medium - and long-range forecasting of the market growth rate and of the attainment of steady-state sales requires the same measures as does the product introduction stagedetailed marketing studies (especially intention-to-buy surveys) and product comparisons. When a product has entered rapid growth, on the other hand, there are generally sufficient data available to construct statistical and possibly even causal growth models (although the latter will necessarily contain assumptions that must be verified later). We estimated the growth rate and steady-state rate of color TV by a crude econometric-marketing model from data available at the beginning of this stage. We conducted frequent marketing studies as well. The growth rate for Corning Ware Cookware, as we explained, was limited primarily by our production capabilities and hence the basic information to be predicted in that case was the date of leveling growth. Because substantial inventories buffered information on consumer sales all along the line, good field data were lacking, which made this date difficult to estimate. Eventually we found it necessary to establish a better (more direct) field information system. As well as merely buffering information, in the case of a component product, the pipeline exerts certain distorting effects on the manufacturers demand these effects, although highly important, are often illogically neglected in production or capacity planning. Simulating the pipeline While the ware-in-process demand in the pipeline has an S - curve like that of retail sales, it may lag or lead sales by several months, distorting the shape of the demand on the component supplier. Exhibit VI shows the long-term trend of demand on a component supplier other than Corning as a function of distributor sales and distributor inventories. As one can see from this curve, supplier sales may grow relatively sharply for several months and peak before retail sales have leveled off. The implications of these curves for facilities planning and allocation are obvious. Exhibit VI Patterns for Color-TV Distributor Sales, Distributor Inventories, and Component Sales Note: Scales are different for component sales, distributor inventories, and distributor sales, with the patterns put on the same graph for illustrative purposes. Here we have used components for color TV sets for our illustration because we know from our own experience the importance of the long flow time for color TVs that results from the many sequential steps in manufacturing and distribution (recall Exhibit II). There are more spectacular examples for instance, it is not uncommon for the flow time from component supplier to consumer to stretch out to two years in the case of truck engines. To estimate total demand on CGW production, we used a retail demand model and a pipeline simulation. The model incorporated penetration rates, mortality curves, and the like. We combined the data generated by the model with market-share data, data on glass losses, and other information to make up the corpus of inputs for the pipeline simulation. The simulation output allowed us to apply projected curves like the ones shown in Exhibit VI to our own component-manufacturing planning. Simulation is an excellent tool for these circumstances because it is essentially simpler than the alternativenamely, building a more formal, more mathematical model. That is, simulation bypasses the need for analytical solution techniques and for mathematical duplication of a complex environment and allows experimentation. Simulation also informs us how the pipeline elements will behave and interact over timeknowledge that is very useful in forecasting, especially in constructing formal causal models at a later date. Tracking amp warning This knowledge is not absolutely hard, of course, and pipeline dynamics must be carefully tracked to determine if the various estimates and assumptions made were indeed correct. Statistical methods provide a good short-term basis for estimating and checking the growth rate and signaling when turning points will occur. In late 1965 it appeared to us that the ware-in-process demand was increasing, since there was a consistent positive difference between actual TV bulb sales and forecasted bulb sales. Conversations with product managers and other personnel indicated there might have been a significant change in pipeline activity it appeared that rapid increases in retail demand were boosting glass requirements for ware-in-process, which could create a hump in the S - curve like the one illustrated in Exhibit VI. This humping provided additional profit for CGW in 1966 but had an adverse effect in 1967. We were able to predict this hump, but unfortunately we were unable to reduce or avoid it because the pipeline was not sufficiently under our control. The inventories all along the pipeline also follow an S - curve (as shown in Exhibit VI), a fact that creates and compounds two characteristic conditions in the pipeline as a whole: initial overfilling and subsequent shifts between too much and too little inventory at various pointsa sequence of feast-and-famine conditions. For example, the simpler distribution system for Corning Ware had an S - curve like the ones we have examined. When the retail sales slowed from rapid to normal growth, however, there were no early indications from shipment data that this crucial turning point had been reached. Data on distributor inventories gave us some warning that the pipeline was over filling, but the turning point at the retail level was still not identified quickly enough, as we have mentioned before, because of lack of good data at the level. We now monitor field information regularly to identify significant changes, and adjust our shipment forecasts accordingly. Main concerns One main activity during the rapid-growth stage, then, is to check earlier estimates and, if they appear incorrect, to compute as accurately as possible the error in the forecast and obtain a revised estimate. In some instances, models developed earlier will include only macroterms in such cases, market research can provide information needed to break these down into their components. For example, the color-TV forecasting model initially considered only total set penetrations at different income levels, without considering the way in which the sets were being used. Therefore, we conducted market surveys to determine set use more precisely. Equally, during the rapid-growth stage, submodels of pipeline segments should be expanded to incorporate more detailed information as it is received. In the case of color TV, we found we were able to estimate the overall pipeline requirements for glass bulbs, the CGW market-share factors, and glass losses, and to postulate a probability distribution around the most likely estimates. Over time, it was easy to check these forecasts against actual volume of sales, and hence to check on the procedures by which we were generating them. We also found we had to increase the number of factors in the simulation modelfor instance, we had to expand the model to consider different sizes of bulbsand this improved our overall accuracy and usefulness. The preceding is only one approach that can be used in forecasting sales of new products that are in a rapid growth. Others have discussed different ones. 3 4. Steady State The decisions the manager at this stage are quite different from those made earlier. Most of the facilities planning has been squared away, and trends and growth rates have become reasonably stable. It is possible that swings in demand and profit will occur because of changing economic conditions, new and competitive products, pipeline dynamics, and so on, and the manager will have to maintain the tracking activities and even introduce new ones. However, by and large, the manager will concentrate forecasting attention on these areas: Long - and short-term production planning. Setting standards to check the effectiveness of marketing strategies. Projections designed to aid profit planning. The manager will also need a good tracking and warning system to identify significantly declining demand for the product (but hopefully that is a long way off). To be sure, the manager will want margin and profit projection and long-range forecasts to assist planning at the corporate level. However, short - and medium-term sales forecasts are basic to these more elaborate undertakings, and we shall concentrate on sales forecasts. Adequate tools at hand In planning production and establishing marketing strategy for the short and medium term, the managers first considerations are usually an accurate estimate of the present sales level and an accurate estimate of the rate at which this level is changing. The forecaster thus is called on for two related contributions at this stage: To provide estimates of trends and seasonals, which obviously affect the sales level. Seasonals are particularly important for both overall production planning and inventory control. To do this, the forecaster needs to apply time series analysis and projection techniquesthat is, statistical techniques. To relate the future sales level to factors that are more easily predictable, or have a lead relationship with sales, or both. To do this the forecaster needs to build causal models . The type of product under scrutiny is very important in selecting the techniques to be used. For Corning Ware, where the levels of the distribution system are organized in a relatively straightforward way, we use statistical methods to forecast shipments and field information to forecast changes in shipment rates. We are now in the process of incorporating special informationmarketing strategies, economic forecasts, and so ondirectly into the shipment forecasts. This is leading us in the direction of a causal forecasting model. On the other hand, a component supplier may be able to forecast total sales with sufficient accuracy for broad-load production planning, but the pipeline environment may be so complex that the best recourse for short-term projections is to rely primarily on salespersons estimates. We find this true, for example, in estimating the demand for TV glass by size and customer. In such cases, the best role for statistical methods is providing guides and checks for salespersons forecasts. In general, however, at this point in the life cycle, sufficient time series data are available and enough causal relationships are known from direct experience and market studies so that the forecaster can indeed apply these two powerful sets of tools. Historical data for at least the last several years should be available. The forecaster will use all of it, one way or another. We might mention a common criticism at this point. People frequently object to using more than a few of the most recent data points (such as sales figures in the immediate past) for building projections, since, they say, the current situation is always so dynamic and conditions are changing so radically and quickly that historical data from further back in time have little or no value. We think this point of view had little validity. A graph of several years sales data, such as the one shown in Part A of Exhibit VII, gives an impression of a sales trend one could not possibly get if one were to look only at two or three of the latest data points. Exhibit VII Data Plots of Factory Sales of Color TV Sets In practice, we find, overall patterns tend to continue for a minimum of one or two quarters into the future, even when special conditions cause sales to fluctuate for one or two (monthly) periods in the immediate future. For short-term forecasting for one to three months ahead, the effects of such factors as general economic conditions are minimal, and do not cause radical shifts in demand patterns. And because trends tend to change gradually rather than suddenly, statistical and other quantitative methods are excellent for short-term forecasting. Using one or only a few of the most recent data points will result in giving insufficient consideration of the nature of trends, cycles, and seasonal fluctuations in sales. Some Additional Techniques for Finer Tuning Not directly related to product life-cycle forecasting, but still important to its success, are certain applications which we briefly mention here for those who are particularly interested. Inventory Control While the X-11 method and econometric or causal models are good for forecasting aggregated sales for a number of items, it is not economically feasible to use these techniques for controlling inventories of individual items. Some of the requirements that a forecasting technique for production and inventory control purposes must meet are these: It should not require maintenance of large histories of each item in the data bank, if this can be avoided. Computations should take as little computer time as possible. The technique should identify seasonal variations and take these into account when forecasting also, preferably, it will compute the statistical significance of the seasonals, deleting them if they are not significant. It should be able to fit a curve to the most recent data adequately and adapt to changes in trends and seasonals quickly. It should be applicable to data with a variety of characteristics. It also should be versatile enough so that when several hundred items or more are considered, it will do the best overall job, even though it may not do as good a job as other techniques for a particular item. One of the first techniques developed to meet these criteria is called exponential smoothing, where the most recent data points are given greater weight than previous data points, and where very little data storage is required. This technique is a considerable improvement over the moving average technique, which does not adapt quickly to changes in trends and which requires significantly more data storage. Adaptive forecasting also meets these criteria. An extension of exponential smoothing, it computes seasonals and thereby provides a more accurate forecast than can be obtained by exponential smoothing if there is a significant seasonal. There are a number of variations in the exponential smoothing and adaptive forecasting methods however, all have the common characteristic (at least in a descriptive sense) that the new forecast equals the old forecast plus some fraction of the latest forecast error. Virtually all the statistical techniques described in our discussion of the steady-state phase except the X-11 should be categorized as special cases of the recently developed Box-Jenkins technique. This technique requires considerably more computer time for each item and, at the present time, human attention as well. Until computational shortcuts can be developed, it will have limited use in the production and inventory control area. However, the Box-Jenkins has one very important feature not existing in the other statistical techniques: the ability to incorporate special information (for example, price changes and economic data) into the forecast. The reason the Box-Jenkins and the X-11 are more costly than other statistical techniques is that the user must select a particular version of the technique, or must estimate optimal values for the various parameters in the models, or must do both. For example, the type and length of moving average used is determined by the variability and other characteristics of the data at hand. We expect that better computer methods will be developed in the near future to significantly reduce these costs. Group-Item Forecasts In some instances where statistical methods do not provide acceptable accuracy for individual items, one can obtain the desired accuracy by grouping items together, where this reduces the relative amount of randomness in the data. Forecasters commonly use this approach to get acceptable accuracy in situations where it is virtually impossible to obtain accurate forecasts for individual items. Long-Term Demands Also, it is sometimes possible to accurately forecast long-term demands, even though the short-term swings may be so chaotic that they cannot be accurately forecasted. We found this to be the case in forecasting individual items in the line of color TV bulbs, where demands on CGW fluctuate widely with customer schedules. In this case, there is considerable difficulty in achieving desired profit levels if short-term scheduling does not take long-term objectives into consideration. Hence, two types of forecasts are needed: One that does a reasonably good job of forecasting demand for the next three to six periods for individual items. One that forecasts total bulb demand more accurately for three to thirteen periods into the future. For this reason, and because the low-cost forecasting techniques such as exponential smoothing and adaptive forecasting do not permit the incorporation of special information, it is advantageous to also use a more sophisticated technique such as the X-11 for groups of items. This technique is applied to analyze and forecast rates for total businesses, and also to identify any peculiarities and sudden changes in trends or patterns. This information is then incorporated into the item forecasts, with adjustments to the smoothing mechanisms, seasonals, and the like as necessary. Frequently one must develop a manual-override feature, which allows adjustments based on human judgment, in circumstances as fluid as these. Granting the applicability of the techniques, we must go on to explain how the forecaster identifies precisely what is happening when sales fluctuate from one period to the next and how such fluctuations can be forecast. Sorting trends amp seasonals A trend and a seasonal are obviously two quite different things, and they must be handled separately in forecasting. Consider what would happen, for example, if a forecaster were merely to take an average of the most recent data points along a curve, combine this with other, similar average points stretching backward into the immediate past, and use these as the basis for a projection. The forecaster might easily overreact to random changes, mistaking them for evidence of a prevailing trend, mistake a change in the growth rate for a seasonal, and so on. To avoid precisely this sort of error, the moving average technique, which is similar to the hypothetical one just described, uses data points in such a way that the effects of seasonals (and irregularities) are eliminated. Furthermore, the executive needs accurate estimates of trends and accurate estimates of seasonality to plan broad-load production, to determine marketing efforts and allocations, and to maintain proper inventoriesthat is, inventories that are adequate to customer demand but are not excessively costly. Before going any further, it might be well to illustrate what such sorting-out looks like. Parts A, B, and C of Exhibit VII show the initial decomposition of raw data for factory sales of color TV sets between 1965 and mid-1970. Part A presents the raw data curve. Part B shows the seasonal factors that are implicit in the raw dataquite a consistent pattern, although there is some variation from year to year. (In the next section we shall explain where this graph of the seasonals comes from.) Part C shows the result of discounting the raw data curve by the seasonals of Part B this is the so-called deseasonalized data curve. Next, in Part D, we have drawn the smoothest or best curve possible through the deseasonalized curve, thereby obtaining the trend cycle . (We might further note that the differences between this trend-cycle line and the deseasonalized data curve represent the irregular or nonsystematic component that the forecaster must always tolerate and attempt to explain by other methods.) In sum, then, the objective of the forecasting technique used here is to do the best possible job of sorting out trends and seasonalities. Unfortunately, most forecasting methods project by a smoothing process analogous to that of the moving average technique, or like that of the hypothetical technique we described at the beginning of this section, and separating trends and seasonals more precisely will require extra effort and cost. Still, sorting-out approaches have proved themselves in practice. We can best explain the reasons for their success by roughly outlining the way we construct a sales forecast on the basis of trends, seasonals, and data derived from them. This is the method: Graph the rate at which the trend is changing. For the illustration given in Exhibit VII, this graph is shown in Part E . This graph describes the successive ups and downs of the trend cycle shown in Part D . Project this growth rate forward over the interval to be forecasted. Assuming we were forecasting back in mid-1970, we should be projecting into the summer months and possible into the early fall. Add this growth rate (whether positive or negative) to the present sales rate. This might be called the unseasonalized sales rate. Project the seasonals of Part B for the period in question, and multiply the unseasonalized forecasted rate by these seasonals. The product will be the forecasted sales rate, which is what we desired. In special cases where there are no seasonals to be considered, of course, this process is much simplified, and fewer data and simpler techniques may be adequate. We have found that an analysis of the patterns of change in the growth rate gives us more accuracy in predicting turning points (and therefore changes from positive to negative growth, and vice versa) than when we use only the trend cycle. The main advantage of considering growth change, in fact, is that it is frequently possible to predict earlier when a no-growth situation will occur. The graph of change in growth thus provides an excellent visual base for forecasting and for identifying the turning point as well. X-11 technique The reader will be curious to know how one breaks the seasonals out of raw sales data and exactly how one derives the change-in-growth curve from the trend line. One of the best techniques we know for analyzing historical data in depth to determine seasonals, present sales rate, and growth is the X-11 Census Bureau Technique, which simultaneously removes seasonals from raw information and fits a trend-cycle line to the data. It is very comprehensive: at a cost of about 10, it provides detailed information on seasonals, trends, the accuracy of the seasonals and the trend cycle fit, and a number of other measures. The output includes plots of the trend cycle and the growth rate, which can concurrently be received on graphic displays on a time-shared terminal. Although the X-11 was not originally developed as a forecasting method, it does establish a base from which good forecasts can be made. One should note, however, that there is some instability in the trend line for the most recent data points, since the X-11, like virtually all statistical techniques, uses some form of moving average. It has therefore proved of value to study the changes in growth pattern as each new growth point is obtained. In particular, when recent data seem to reflect sharp growth or decline in sales or any other market anomaly, the forecaster should determine whether any special events occurred during the period under considerationpromotion, strikes, changes in the economy, and so on. The X-11 provides the basic instrumentation needed to evaluate the effects of such events. Generally, even when growth patterns can be associated with specific events, the X-11 technique and other statistical methods do not give good results when forecasting beyond six months, because of the uncertainty or unpredictable nature of the events. For short-term forecasts of one to three months, the X-11 technique has proved reasonably accurate. We have used it to provide sales estimates for each division for three periods into the future, as well as to determine changes in sales rates. We have compared our X-11 forecasts with forecasts developed by each of several divisions, where the divisions have used a variety of methods, some of which take into account salespersons estimates and other special knowledge. The forecasts using the X-11 technique were based on statistical methods alone, and did not consider any special information. The division forecasts had slightly less error than those provided by the X-11 method however, the division forecasts have been found to be slightly biased on the optimistic side, whereas those provided by the X-11 method are unbiased. This suggested to us that a better job of forecasting could be done by combining special knowledge, the techniques of the division, and the X-11 method. This is actually being done now by some of the divisions, and their forecasting accuracy has improved in consequence. The X-11 method has also been used to make sales projections for the immediate future to serve as a standard for evaluating various marketing strategies. This has been found to be especially effective for estimating the effects of price changes and promotions. As we have indicated earlier, trend analysis is frequently used to project annual data for several years to determine what sales will be if the current trend continues. Regression analysis and statistical forecasts are sometimes used in this waythat is, to estimate what will happen if no significant changes are made. Then, if the result is not acceptable with respect to corporate objectives, the company can change its strategy. Econometric models Over a long period of time, changes in general economic conditions will account for a significant part of the change in a products growth rate. Because economic forecasts are becoming more accurate and also because there are certain general leading economic forces that change before there are subsequent changes in specific industries, it is possible to improve the forecasts of businesses by including economic factors in the forecasting model. However, the development of such a model, usually called an econometric model, requires sufficient data so that the correct relationships can be established. During the rapid-growth state of color TV, we recognized that economic conditions would probably effect the sales rate significantly. However, the macroanalyses of black-and-white TV data we made in 1965 for the recessions in the late 1940s and early 1950s did not show any substantial economic effects at all hence we did not have sufficient data to establish good econometric relationships for a color TV model. (A later investigation did establish definite losses in color TV sales in 1967 due to economic conditions.) In 1969 Corning decided that a better method than the X-11 was definitely needed to predict turning points in retail sales for color TV six months to two years into the future. Statistical methods and salespersons estimates cannot spot these turning points far enough in advance to assist decision making for example, a production manager should have three to six months warning of such changes in order to maintain a stable work force. Adequate data seemed to be available to build an econometric model, and analyses were therefore begun to develop such a model for both black-and-white and color TV sales. Our knowledge of seasonals, trends, and growth for these products formed a natural base for constructing the equations of the models. The economic inputs for the model are primarily obtained from information generated by the Wharton Econometric Model, but other sources are also utilized. Using data extending through 1968, the model did reasonably well in predicting the downturn in the fourth quarter of 1969 and, when 1969 data were also incorporated into the model, accurately estimated the magnitude of the drop in the first two quarters of 1970. Because of lead-lag relationships and the ready availability of economic forecasts for the factors in the model, the effects of the economy on sales can be estimated for as far as two years into the future. In the steady-state phase, production and inventory control, group-item forecasts, and long-term demand estimates are particularly important. The interested reader will find a discussion of these topics on the reverse of the gatefold. Finally, through the steady-state phase, it is useful to set up quarterly reviews where statistical tracking and warning charts and new information are brought forward. At these meetings, the decision to revise or update a model or forecast is weighed against various costs and the amount of forecasting error. In a highly volatile area, the review should occur as frequently as every month or period. Forecasting in the Future In concluding an article on forecasting, it is appropriate that we make a prediction about the techniques that will be used in the short - and long-term future. As we have already said, it is not too difficult to forecast the immediate future, since long-term trends do not change overnight. Many of the techniques described are only in the early stages of application, but still we expect most of the techniques that will be used in the next five years to be the ones discussed here, perhaps in extended form. The costs of using these techniques will be reduced significantly this will enhance their implementation. We expect that computer timesharing companies will offer access, at nominal cost, to input-output data banks, broken down into more business segments than are available today. The continuing declining trend in computer cost per computation, along with computational simplifications, will make techniques such as the Box-Jenkins method economically feasible, even for some inventory-control applications. Computer software packages for the statistical techniques and some general models will also become available at a nominal cost. At the present time, most short-term forecasting uses only statistical methods, with little qualitative information. Where qualitative information is used, it is only used in an external way and is not directly incorporated into the computational routine. We predict a change to total forecasting systems, where several techniques are tied together, along with a systematic handling of qualitative information. Econometric models will be utilized more extensively in the next five years, with most large companies developing and refining econometric models of their major businesses. Marketing simulation models for new products will also be developed for the larger-volume products, with tracking systems for updating the models and their parameters. Heuristic programming will provide a means of refining forecasting models. While some companies have already developed their own input-output models in tandem with the government input-output data and statistical projections, it will be another five to ten years before input-output models are effectively used by most major corporations. Within five years, however, we shall see extensive use of person-machine systems, where statistical, causal, and econometric models are programmed on computers, and people interacting frequently. As we gain confidence in such systems, so that there is less exception reporting, human intervention will decrease. Basically, computerized models will do the sophisticated computations, and people will serve more as generators of ideas and developers of systems. For example, we will study market dynamics and establish more complex relationships between the factor being forecast and those of the forecasting system. Further out, consumer simulation models will become commonplace. The models will predict the behavior of consumers and forecast their reactions to various marketing strategies such as pricing, promotions, new product introductions, and competitive actions. Probabilistic models will be used frequently in the forecasting process. Finally, most computerized forecasting will relate to the analytical techniques described in this article. Computer applications will be mostly in established and stable product businesses. Although the forecasting techniques have thus far been used primarily for sales forecasting, they will be applied increasingly to forecasting margins, capital expenditures, and other important factors. This will free the forecaster to spend most of the time forecasting sales and profits of new products. Doubtless, new analytical techniques will be developed for new-product forecasting, but there will be a continuing problem, for at least 10 to 20 years and probably much longer, in accurately forecasting various new-product factors, such as sales, profitability, and length of life cycle. Final Word With an understanding of the basic features and limitations of the techniques, the decision maker can help the forecaster formulate the forecasting problem properly and can therefore have more confidence in the forecasts provided and use them more effectively. The forecaster, in turn, must blend the techniques with the knowledge and experience of the managers. The need today, we believe, is not for better forecasting methods, but for better application of the techniques at hand. 1. See Harper Q. North and Donald L. Pyke, Probes of the Technological Future, HBR MayJune 1969, p. 68. 2. See John C. Chambers, Satinder K. Mullick, and David A. Goodman, Catalytic Agent for Effective Planning, HBR JanuaryFebruary 1971, p. 110. 3. See Graham F. Pyatt, Priority Patterns and the Demand for Household Durable Goods (London, Cambridge University Press, 1964) Frank M. Bass, A New Product Growth Model for Consumer Durables, Management Science, January 1969 Gregory C. Chow, Technological Change and the Demand for Computers, The American Economic Review, December 1966 and J. R.N. Stone and R. A. Rowe, The Durability of Consumers Durable Goods, Econometrica, Vol. 28, No. 2, 1960. A version of this article appeared in the July 1971 issue of Harvard Business Review . Mr. Chambers is Director of Operations Research at Corning Glass Works. He has previously been affiliated with the Ford Motor Company, North American Aviation, and Ernst and Ernst. His current interests center on strategic planning for new products and development of improved forecasting methods. Mr. Mullick is Project Manager in the Operations Research Department at CGW. He has previously been affiliated with Larsen and Toubro Ltd. India Bohner and Koehle Maschinenfabrik, West Germany and Johns Hopkins University. He specializes in strategic and tactical planning for new products. Mr. Smith is a Senior Project Leader in Operations Research Department at CGW. His current interests are in the area of time series analysis and econometrics.
No comments:
Post a Comment