Η υποβολή της καλής σας δουλειάς στη βάση γνώσεων είναι εύκολη. Χρησιμοποιήστε την παρακάτω φόρμα
Φοιτητές, μεταπτυχιακοί φοιτητές, νέοι επιστήμονες που χρησιμοποιούν τη βάση γνώσεων στις σπουδές και την εργασία τους θα σας είναι πολύ ευγνώμονες.
Παρόμοια έγγραφα
Η προσφορά αγαθών και η σχέση της με την καταναλωτική ζήτηση. Πρόβλεψη της συνολικής χωρητικότητας της περιφερειακής αγοράς καταναλωτικών αγαθών και ζήτησης σε μια εμπορική επιχείρηση. Εκτίμηση και πρόβλεψη της καταναλωτικής ζήτησης του πληθυσμού της περιοχής Kemerovo.
εργασία μαθήματος, προστέθηκε 20/12/2007
Η έννοια της ζήτησης. Είδη και οικονομικό περιεχόμενο ζήτησης. Ο μηχανισμός της κυβερνητικής επιρροής στην ενεργοποίηση της καταναλωτικής ζήτησης στη ρωσική οικονομία. Καταναλωτική ζήτηση στην πόλη. Χαρακτηριστικά και μέθοδοι πρόβλεψης της ζήτησης στην πόλη.
εργασία μαθήματος, προστέθηκε 08/04/2010
Βασικοί αντικειμενικοί οικονομικοί νόμοι της αγοράς. Η σχέση μεταξύ της σχετικής τιμής ενός αγαθού και της ζητούμενης ποσότητας για αυτό. Ανθεκτικά και μη ανθεκτικά φαρμακευτικά προϊόντα. Εξάρτηση της ποσότητας της ζήτησης από την τιμή. Κύριοι παράγοντες ζήτησης.
παρουσίαση, προστέθηκε 25/10/2016
Η ουσία της ζήτησης ως κύρια κατηγορία σύγχρονη αγορά, παράγοντες σχηματισμού, ταξινόμηση και ποικιλίες, ισορροπία και ικανοποίηση. Βασικές μέθοδοι τόνωσης της ζήτησης. Κυβερνητικός κανονισμόςαγορά καταναλωτικών αγαθών.
δοκιμή, προστέθηκε στις 25/03/2010
Μέθοδοι για την πρόβλεψη των συνθηκών της αγοράς: παρέκταση, εκτιμήσεις ειδικών, μαθηματική μοντελοποίηση. Προετοιμασία πρόβλεψης για τις συνθήκες της αγοράς για επιβατικά αυτοκίνητα στην περιοχή Σαμάρα. Προσδιορισμός της σχέσης προσφοράς και ζήτησης για αγαθά συγκεκριμένου τύπου.
εργασία μαθήματος, προστέθηκε 01/04/2015
Χαρακτηριστικά, αρχές πολιτική μάρκετινγκεταιρείες. Αποτελεσματική ζήτηση και παράγοντες που επηρεάζουν την ανάπτυξή της. Προσδιορισμός του συνολικού όγκου της πληθυσμιακής ζήτησης. Πρόβλεψη ζήτησης για προϊόντα δημόσιας εστίασης χρησιμοποιώντας το παράδειγμα του εστιατορίου Tinkoff.
εργασία μαθήματος, προστέθηκε 30/03/2009
Χαρακτηριστικά και μέθοδοι υλοποίησης των κύριων δραστηριοτήτων για τη δημιουργία ζήτησης για νέα αγαθά και υπηρεσίες: διαφήμιση, παρουσίαση, προσωπικές πωλήσεις, επωνυμία, δημόσιες σχέσεις. Ανάλυση της αποτελεσματικότητας της χρήσης αυτών των μέτρων στην επιχείρηση MEGAMART.
εργασία μαθήματος, προστέθηκε στις 18/04/2010
Ανάλυση της σχέσης καταναλωτικής ζήτησης και εισοδήματος αγοραστών. Ερευνα αγοράς λιανική πώλησηπροϊόντα διατροφής, υπηρεσίες κομμωτηρίου, αγορά κατοικίας, φαρμακευτικά προϊόντα, έπιπλα, εξοπλισμός γραφείου. Αναθεώρηση κατάστασης βιομηχανία τροφίμωνστην πόλη.
έκθεση πρακτικής, προστέθηκε 30/03/2011
- Γιατί οι προβλέψεις για τη ζήτηση είναι ανακριβείς
- Πώς η Nestle δημιούργησε τη διαδικασία πρόβλεψης ζήτησης
Οι διευθυντές εταιρειών λιανικής και διανομής είναι συχνά δυσαρεστημένοι με τον όγκο των πωλήσεων, καθώς και με την υπερβολική ή έλλειψη ειδών προϊόντων. Το σημείο εκκίνησης για την αλλαγή της κατάστασης είναι πρόβλεψη ζήτησης.Όσο πιο ακριβής είναι η πρόβλεψη, τόσο λιγότερο απόθεμα μη πωλήσιμων αγαθών θα υπάρχουν στην αποθήκη, ενώ αυτά που έχουν ζήτηση θα είναι πάντα σε απόθεμα. Επιπλέον, η εταιρεία θα είναι σε θέση να εισάγει έγκαιρα νέα προϊόντα στη συλλογή και να αφαιρεί απαρχαιωμένα, να ορίζει ανταγωνιστικές τιμές λιανικής και να βελτιστοποιεί την αλυσίδα εφοδιασμού.
Πώς διαμορφώνεται η πρόβλεψη ζήτησης
Πρέπει να αναλυθούν όλα τα δεδομένα σχετικά με τις πραγματικές πωλήσεις, τις πραγματοποιηθείσες και προγραμματισμένες εκστρατείες μάρκετινγκ, τις αλλαγές στις τιμές λιανικής και άλλα γεγονότα. Το απλούστερο εργαλείο για αυτό είναι Πρόγραμμα Excel. Έτσι, η εταιρεία θα λάβει στατιστικές προβλέψεις της ζήτησης. Στη συνέχεια, διορθώνονται επιλεκτικά από τον αναλυτή και υποβάλλονται για έγκριση στα αρμόδια τμήματα: πωλήσεις, αγορές, μάρκετινγκ κ.λπ. Η τελική πρόβλεψη εγκρίνεται από τη διοίκηση της εταιρείας.
Σχηματισμός πρόβλεψης ζήτησης
1. | Δεδομένα | Πληροφορίες σχετικά με πωλήσεις, υπόλοιπα, παραδόσεις, άλλες κινήσεις, καθώς και προωθήσεις μάρκετινγκ και άλλες εξωτερικές εκδηλώσεις. |
2. | Εργαλείο | Ένα πρόγραμμα που μπορεί να χρησιμοποιηθεί για τη δημιουργία μιας στατιστικής πρόβλεψης ζήτησης (στην περίπτωσή μας το Excel) |
3. | Στατιστική πρόβλεψη | Πρόβλεψη που δημιουργείται χρησιμοποιώντας ένα εργαλείο πρόβλεψης ζήτησης |
4. | Προσαρμοσμένη πρόβλεψη | Μη αυτόματη προσαρμογή της στατιστικής πρόβλεψης από αναλυτή ή σχεδιαστή |
5. | Συναινετική πρόβλεψη | Μη αυτόματη προσαρμογή και συντονισμός της τελικής πρόβλεψης μεταξύ των τμημάτων (πωλήσεις, μάρκετινγκ κ.λπ.) |
6. | Εγκεκριμένη πρόβλεψη | Έγκριση της τελικής πρόβλεψης από τον υπεύθυνο υπεύθυνο και μεταφορά σε τμήματα για υλοποίηση. |
Τμήμα | Ακρίβεια της στατιστικής πρόβλεψης ζήτησης, % | Ακρίβεια πρόβλεψης μετά από προσαρμογή από ειδικούς, % |
"Άλογα" - προϊόντα με υψηλές πωλήσεις και χαμηλή μεταβλητότητα | 92,1 | 92,7 |
"Λαγοί" - προϊόντα με χαμηλές πωλήσεις και μεγάλη μεταβλητότητα | 56,3 | 55,5 |
"Mad Bulls" - προϊόντα με υψηλές πωλήσεις και μεγάλη μεταβλητότητα, όπως ο καφές μάρκας Nescafe | 55,2 | 82,4 |
"Mules" - προϊόντα με χαμηλές πωλήσεις και χαμηλή διαφοροποίηση | 90,9 | 91,2 |
Κάθε εταιρεία έχει τα δικά της παραδείγματα, η Nestle αποκαλύπτει πληροφορίες μόνο για το τμήμα των «τρελών ταύρων» - το ποτό Nescafe. Αυτός ο πίνακας δίνει στους σκηνοθέτες έναν λόγο να σκεφτούν και να προσπαθήσουν να δημιουργήσουν έναν παρόμοιο για τη συλλογή τους. Άλλωστε, το Nescafe στην Pyaterochka μπορεί να είναι σε μια εντελώς διαφορετική κατηγορία από το Nescafe στο Azbuka Vkusa.
Επιτρέπεται η αντιγραφή υλικού χωρίς άδεια εάν υπάρχει σύνδεσμος dofollow σε αυτή τη σελίδα
Ένα ιδιαίτερο χαρακτηριστικό της μέτρησης της ζήτησης είναι το γεγονός ότι μπορεί να πραγματοποιηθεί έμμεσα μέσω δεικτών πώλησης αγαθών ή των δαπανών του πληθυσμού για την αγορά ορισμένων καταναλωτικών αγαθών.
Μέθοδοι μέτρησης της δυνητικής ζήτησης
Πιθανή ζήτηση - αυτό είναι το μέγιστο δυνατό ποσό ζήτησης που μπορούν να παρουσιάσουν οι δυνητικοί καταναλωτές ενός συγκεκριμένου προϊόντος. Τα μεγέθη μέτρησης είναι:
Αριθμός πιθανών καταναλωτών.
Πιθανός πιθανός αριθμός πωλήσεων σε φυσικές μονάδες.
Το μέγεθος των πιθανών πωλήσεων σε όρους αξίας.
Η δυνητική ζήτηση είναι μια θεωρητικά υπολογισμένη τιμή, η οποία στην πραγματικότητα, κατά κανόνα, δεν επιτυγχάνεται. Ωστόσο, η μέτρησή του είναι απαραίτητη για να συγκριθούν οι πιθανές ευκαιρίες με την πραγματική ζήτηση.
Υπάρχουν δύο προσεγγίσεις για τη μέτρηση της πιθανής ζήτησης :
Η μέθοδος «αναζήτησης» αποτελείται από ενδιάμεσες εκτιμήσεις του υπολογισμού των τελικών καταναλωτών, με βάση τον συνολικό αριθμό των ατόμων.
Η μέθοδος «κατασκευής» αποτελείται πρώτα από τον εντοπισμό όλων των πιθανών ομάδων δυνητικών καταναλωτών και στη συνέχεια τη σύνοψή τους.
Μέθοδοι μέτρησης της πραγματικής ζήτησης
Πραγματική ζήτηση αντιπροσωπεύει το ποσό των πραγματικών πωλήσεων αγαθών για μια ορισμένη περίοδο, εκφρασμένο σε φυσικούς ή αξιακούς όρους. Δεδομένου ότι το ποσό των πωλήσεων δεν αντιστοιχεί πλήρως στο ποσό της ζήτησης, αλλά χρησιμεύει μόνο ως έμμεση μέτρησή της, χρησιμοποιούνται διάφορες μέθοδοι εκτίμησης.
Υπολογισμός με βάση τους όγκους παραγωγής, τις εξαγωγές, τις εισαγωγές και τα αποθέματα.
Μετρήσεις εισπράξεων, πωλήσεων και αποθεμάτων αγαθών στη συλλογή για δείγμα καταστημάτων για μια ορισμένη χρονική περίοδο (υπολογισμός του λεγόμενου δείκτη Nielsen).
Εκτιμήσεις καταναλωτικών δαπανών βάσει στατιστικών προϋπολογισμού.
Μέθοδοι πρόβλεψης ζήτησης:
Η πρόβλεψη της ζήτησης πραγματοποιείται με διάφορες μεθόδους. Στην πράξη, κατά κανόνα, εφαρμόζεται μια ολοκληρωμένη προσέγγιση, λαμβάνοντας υπόψη τα δυνατά και αδύνατα σημεία των μεθόδων που χρησιμοποιούνται.
Υπάρχουν διάφορες μέθοδοι πρόβλεψης της ζήτησης γενική και ειδική εφόδια.
Γενικές μέθοδοιΗ πρόβλεψη της ζήτησης βασίζεται σε παρέκταση, εκτιμήσεις ειδικών, πρότυπα και οικονομική και μαθηματική μοντελοποίηση.
1) Μέθοδοι παρέκτασης. Οι απλούστερες μέθοδοι, βασισμένες σε στατιστική ανάλυση χρονοσειρών, καθιστούν δυνατή την πρόβλεψη του ρυθμού αύξησης των πωλήσεων αγαθών στο εγγύς μέλλον, με βάση τις τάσεις που έχουν αναπτυχθεί την προηγούμενη χρονική περίοδο.
2) Μέθοδοι αξιολογήσεων εμπειρογνωμόνων.Οι μέθοδοι βασίζονται στην απόκτηση αντικειμενικών αξιολογήσεων ως αποτέλεσμα των υποκειμενικών απόψεων εμπειρογνωμόνων και ειδικών. Η γνώση ορισμένων διαδικασιών θεωρείται δεδομένη (Δελφική μέθοδος, καταιγισμός ιδεών, συνήγορος των διαβόλων κ.λπ.).
3) Ρυθμιστικές μέθοδοι.Συχνά χρησιμοποιούνται για την πρόβλεψη της ζήτησης για βιομηχανικά αγαθά. Το μέγεθος των αγορών καθορίζεται από τις απαιτήσεις των τεχνολογικών, κατασκευαστικών και παρόμοιων κανόνων και κανονισμών.
4) Μέθοδοι οικονομικής και μαθηματικής μοντελοποίησης.Οι πιο σύνθετες μέθοδοι που απαιτούν ειδική εκπαίδευση. Με βάση τη συνεκτίμηση της συσχέτισης της ζήτησης και των παραγόντων που καθορίζουν την εξέλιξή της.
Ειδικές μέθοδοιη πρόβλεψη λαμβάνει υπόψη τα χαρακτηριστικά της ζήτησης για διάφορα αγαθά. Προέρχονται από χωριστή πρόβλεψη των κύριων συνιστωσών της ζήτησης και την επακόλουθη άθροισή τους.
Ελαστικότητα ζήτησης ως προς την τιμή δείχνει σε ποιο ποσοστό θα αλλάξει η ζητούμενη ποσότητα εάν αλλάξει η τιμή κατά 1%. Η ελαστικότητα της ζήτησης ως προς την τιμή επηρεάζεται από τους ακόλουθους παράγοντες:
Η παρουσία ανταγωνιστικών αγαθών ή υποκατάστατων αγαθών (όσο περισσότερα υπάρχουν, τόσο μεγαλύτερη είναι η ευκαιρία να βρεθεί αντικατάσταση για το πιο ακριβό προϊόν, δηλαδή τόσο μεγαλύτερη είναι η ελαστικότητα).
Μια αλλαγή στο επίπεδο τιμής που είναι αόρατη στον αγοραστή.
Συντηρητισμός αγοραστών στα γούστα.
Παράγοντας χρόνος (όσο περισσότερος χρόνος έχει ο καταναλωτής για να επιλέξει ένα προϊόν και να το σκεφτεί, τόσο μεγαλύτερη είναι η ελαστικότητα).
Το μερίδιο του προϊόντος στα έξοδα καταναλωτή (όσο μεγαλύτερο είναι το μερίδιο της τιμής του προϊόντος στα έξοδα καταναλωτή, τόσο μεγαλύτερη είναι η ελαστικότητα).
Προϊόντα με ελαστική ζήτηση ανά τιμή:
Είδη πολυτελείας (κοσμήματα, λιχουδιές)
Προϊόντα των οποίων το κόστος είναι σημαντικό για τον οικογενειακό προϋπολογισμό (έπιπλα, οικιακές συσκευές)
Εύκολα αντικαταστάσιμα προϊόντα (κρέας, φρούτα)
Προϊόντα με ανελαστική ζήτησηανά τιμή:
Είδη πρώτης ανάγκης (φάρμακα, παπούτσια, ηλεκτρικό ρεύμα)
Προϊόντα των οποίων το κόστος είναι ασήμαντο για τον οικογενειακό προϋπολογισμό (μολύβι, οδοντόβουρτσες)
Δύσκολα στην αντικατάσταση αγαθά (ψωμί, λαμπτήρες, βενζίνη)
Εισοδηματική Ελαστικότητα Ζήτησης δείχνει σε ποιο ποσοστό θα αλλάξει η ζητούμενη ποσότητα εάν το εισόδημα αλλάξει κατά 1%. Εξαρτάται από τους ακόλουθους παράγοντες:
Η σημασία του προϊόντος για τον οικογενειακό προϋπολογισμό.
Είτε το προϊόν είναι είδος πολυτελείας είτε είδος ανάγκης.
Συντηρητισμός στα γούστα.
Διασταυρούμενη ελαστικότητα ζήτησης είναι ο λόγος της ποσοστιαίας μεταβολής της ζήτησης για ένα αγαθό προς την ποσοστιαία μεταβολή της τιμής κάποιου άλλου αγαθού. Μια θετική τιμή σημαίνει ότι αυτά τα αγαθά είναι εναλλάξιμα (υποκατάστατα), μια αρνητική τιμή δείχνει ότι είναι συμπληρωματικά (συμπληρώματα).
Υπάρχουν θεμελιώδεις αρχές, το οποίο πρέπει να λαμβάνεται υπόψη κατά την πρόβλεψη της ζήτησης σε οποιοδήποτε επίπεδο της ιεραρχίας των αποφάσεων σχεδιασμού. Η μη συμμόρφωση με αυτές τις αρχές οδηγεί στο γεγονός ότι η πρόβλεψη ζήτησης καθίσταται είτε χαμηλής ποιότητας είτε άσχετη από τη σκοπιά των αποφάσεων που λαμβάνονται από την επιχείρηση.
Ορίζοντας πρόβλεψης ζήτησης. Η χρονική διαφορά μεταξύ της στιγμής που προβλέπεται η ζήτηση και της περιόδου προγραμματισμού για την οποία προβλέπεται η ζήτηση ονομάζεται χρονική καθυστέρηση. Η επιλογή της απαιτούμενης χρονικής υστέρησης εξαρτάται από το πόσο χρόνο χρειάζεται η επιχείρηση για να αναπτυχθεί και να λάβει όλα τα απαραίτητα μέτρα προκειμένου να ανταποκριθεί στις πληροφορίες σχετικά με την πρόβλεψη ζήτησης. Εάν χρειάζεται ένα έτος για να αυξηθεί η παραγωγική ικανότητα σύμφωνα με την πρόβλεψη της μελλοντικής αύξησης της ζήτησης, μια πρόβλεψη ζήτησης με ορίζοντα μικρότερο του έτους είναι ανεπαρκής και δεν θα λύσει το απαραίτητο πρόβλημα διαχείρισης της παραγωγικής ικανότητας. Ή, για παράδειγμα, εάν η διάρκεια του κύκλου παραγωγής για «παραγωγή κατά παραγγελία» είναι ένας μήνας, είναι παράλογο να υπάρχει μικρότερος ορίζων πρόβλεψης, επειδή η επιχείρηση δεν θα είναι σε θέση να ανταποκριθεί έγκαιρα σε μια τέτοια πρόβλεψη προετοιμάζοντας το απαραίτητα αποθέματα πρώτων υλών.
Κατά την επιλογή ενός ορίζοντα πρόβλεψης ζήτησης, είναι απαραίτητο να ληφθεί υπόψη ότι για πιο μακρινές περιόδους προγραμματισμού η πρόβλεψη θα είναι λιγότερο ακριβής από ό,τι για πιο κοντινές. Συνεπώς, η επιλογή του ορίζοντα πρόβλεψης της ζήτησης πρέπει να αιτιολογείται από τις αποφάσεις που λαμβάνονται με βάση την παραγόμενη πρόβλεψη - ένας πολύ μικρός ορίζοντας πρόβλεψης δεν επιτρέπει την επαρκή επίλυση του προβλήματος και ο μεγαλύτερος δημιουργεί προβλήματα με την ποιότητα της πρόβλεψης .
Επιλογή αντικειμένου πρόβλεψης ζήτησης . Όσο πιο λεπτομερής είναι η πρόβλεψη, τόσο λιγότερο ακριβής είναι. Αντίστοιχα, για κάθε επίπεδο της ιεραρχίας των σχεδίων, είναι απαραίτητο να επιλέξετε το επίπεδο λεπτομέρειας του αντικειμένου πρόβλεψης που θα επιτρέψει την επίλυση της εργασίας, αλλά δεν οδηγεί σε περιττές λεπτομέρειες. Η λεπτομέρεια θεωρείται περιττή, η οποία, ενώ αυξάνει την ένταση εργασίας και το κόστος της πρόβλεψης ζήτησης, δεν προσθέτει αξία στην πρόβλεψη από τη σκοπιά λήψης αποφάσεων.
Γενικά, μπορούμε να πούμε ότι οι παράμετροι των προβλέψεων ζήτησης καθορίζονται από τον σκοπό χρήσης της πρόβλεψης. Όσο υψηλότερο είναι το επίπεδο λήψης αποφάσεων και όσο μεγαλύτερη είναι η κλίμακα των αποφάσεων που λαμβάνονται, τόσο μεγαλύτερη και μακροπρόθεσμα δημιουργείται η πρόβλεψη ζήτησης.
Πρόβλεψη ποιότητας ζήτησης. Οποιαδήποτε πρόβλεψη έχει εγγενή κίνδυνο λάθους. Είναι δύσκολο να φανταστεί κανείς μια πρόβλεψη που δεν περιέχει σφάλματα. Μπορούν να διακριθούν δύο τύποι σφαλμάτων πρόβλεψης ζήτησης: σφάλμα εκτίμησης του όγκου της ζήτησης και σφάλμα εκτίμησης της δομής της ζήτησης. Αυτοί οι τύποι σφαλμάτων πρέπει να λαμβάνονται υπόψη ανάλογα με το επίπεδο λήψης αποφάσεων στην επιχείρηση για το οποίο μιλάμε.
Κίνδυνος λάθους στην εκτίμηση του όγκου ζήτησης όταν η πρόβλεψη της ζήτησης μπορεί να είναι σε οποιοδήποτε επίπεδο προγραμματισμού. Κατά την πρόβλεψη της μακροπρόθεσμης ζήτησης, ο κίνδυνος εκδηλώνεται σε επίπεδο κατηγοριών προϊόντων και ομάδων προϊόντων. Ο κίνδυνος επηρεάζει τη διαθεσιμότητα του απαιτούμενου όγκου βασικών πόρων και την εκτέλεση οικονομικά σχέδιαεπιχειρήσεις. Κατά τη γρήγορη πρόβλεψη της ζήτησης, ο κίνδυνος εκδηλώνεται στο επίπεδο των ειδών σειράς προϊόντων και επηρεάζει το πραγματικό επίπεδο εξυπηρέτησης πελατών.
Κίνδυνος λάθους στην εκτίμηση της δομής της ζήτησης κατά την πρόβλεψη της ζήτησης, εμφανίζεται μόνο με μακροπρόθεσμη πρόβλεψη της ζήτησης σε επίπεδο κατηγοριών προϊόντων και ομάδων προϊόντων. Μια δομή ζήτησης υποτίθεται σε μια ομάδα προϊόντων ανά είδος, αλλά στην πραγματικότητα η δομή αποδεικνύεται διαφορετική.
Αυτοί οι κίνδυνοι μπορούν να ληφθούν υπόψη με δύο τρόπους: με τη βελτίωση της ποιότητας των προβλέψεων ή/και με τη δέσμευση πόρων που προορίζονται ειδικά για την κάλυψη αυτών των κινδύνων. Στην πράξη, κατά κανόνα, χρησιμοποιούν και τις δύο μεθόδους ταυτόχρονα - εργάζονται για τη βελτίωση της ποιότητας των προβλέψεων ζήτησης και (καθώς η ποιότητα πρόβλεψης εκατό τοις εκατό είναι ανέφικτη στην πράξη) σχηματίζουν αποθεματικές ποσότητες πόρων (αποθεματικά αποθέματα, χρόνος αποθεμάτων, αποθεματικό παραγωγική ικανότητα).
Για την αξιολόγηση της ποιότητας μιας πρόβλεψης, υπάρχουν δύο κύρια μετρούμενα χαρακτηριστικά: το σφάλμα πρόβλεψης και η ακρίβεια πρόβλεψης.
Σφάλμα πρόβλεψης— τη διαφορά μεταξύ της πραγματικής αξίας της ζήτησης και της προβλεπόμενης αξίας της. Μπορεί να εκφραστεί τόσο σε απόλυτους όρους όσο και σε σχετικούς όρους - ως ποσοστό της πραγματικής αξίας της ζήτησης.
Ακρίβεια πρόβλεψηςείναι μια ποσοστιαία τιμή ίση με τη διαφορά μεταξύ 100% και του σφάλματος πρόβλεψης ζήτησης εκφρασμένο ως ποσοστό.
Το κύριο πράγμα για την αξιολόγηση της ακρίβειας και της ποιότητας της πρόβλεψης ζήτησης είναι το μετρούμενο σφάλμα και η ακρίβεια της πρόβλεψης για κάθε μεμονωμένη περίοδο προγραμματισμού.
Ωστόσο, πιο συχνά αυτό που ενδιαφέρει δεν είναι μια ενιαία περίοδος προγραμματισμού, αλλά ο βαθμός στον οποίο μια συγκεκριμένη μέθοδος πρόβλεψης ζήτησης είναι καλή. Για να γίνει αυτό, είναι σύνηθες να υπολογίζονται συνοπτικά χαρακτηριστικά της ακρίβειας πρόβλεψης ζήτησης. Οι δύο κύριοι τρόποι αξιολόγησης της ακρίβειας μιας μεθόδου πρόβλεψης ζήτησης είναι το MAPE (Μέσο Απόλυτο Ποσοστό Σφάλμα) και το Μέσο Ποσοστό Σφάλμα (MPE).
Τα σφάλματα πρόβλεψης ζήτησης μπορούν να ταξινομηθούν σε δύο κατηγορίες: τυχαία παραλλαγή και μεροληψία.
Οι τυχαίες αποκλίσεις σημαίνουν ότι τα συνολικά σφάλματα πρόβλεψης τείνουν στο μηδέν και οι περίοδοι προγραμματισμού για τις οποίες υπερεκτιμήθηκε η ζήτηση εναλλάσσονται με τις περιόδους προγραμματισμού για τις οποίες η ζήτηση υποεκτιμήθηκε, δηλαδή δεν υπάρχει μεροληψία στο σφάλμα πρόβλεψης ζήτησης, αρνητικό και θετικές αξίεςΤα σφάλματα πρόβλεψης ζήτησης γενικά αλληλοεξουδετερώνονται.
Μεροληψία σημαίνει ότι υπάρχει ένα σοβαρό πρόβλημα - πολύ πιο σοβαρό από τα τυχαία σφάλματα - συστηματική υπερεκτίμηση ή υποεκτίμηση της πρόβλεψης ζήτησης. Η προκατάληψη της πρόβλεψης μπορεί να εξηγηθεί τόσο από αντικειμενικές όσο και από υποκειμενικές συνθήκες. Οι αντικειμενικοί περιλαμβάνουν την επιλογή ενός μοντέλου πρόβλεψης ζήτησης, το οποίο μπορεί να μην είναι απολύτως σχετικό, για παράδειγμα, μπορεί να μην λαμβάνει υπόψη σημαντικούς παράγοντες που επηρεάζουν τη ζήτηση. Οι αντικειμενικές συνθήκες μπορούν να αξιολογηθούν και να προσαρμοστούν με τη βελτίωση του μοντέλου πρόβλεψης, τη συλλογή και προετοιμασία δεδομένων για την πρόβλεψη της ζήτησης και την εκπαίδευση των εργαζομένων στις προβλέψεις.
Οι υποκειμενικές περιστάσεις συνδέονται με μια σκόπιμη υποεκτίμηση ή υπερεκτίμηση της προβλεπόμενης τιμής. Αυτό σημαίνει ότι ο προγνώστης ενδιαφέρεται, για τον έναν ή τον άλλον λόγο, να μετατοπίσει την πρόβλεψη, αφού λαμβάνει ορισμένα οφέλη από τη μετατόπιση της πρόβλεψης. Για παράδειγμα, εάν η πρόβλεψη ζήτησης σχηματίζεται από το τμήμα πωλήσεων μιας επιχείρησης και ταυτόχρονα λαμβάνει ένα μπόνους για την υπέρβαση του σχεδίου πωλήσεων, είναι δύσκολο να περιμένουμε μια αισιόδοξη πρόβλεψη ζήτησης από αυτήν. Αντίθετα, εάν το τμήμα μάρκετινγκ δημιουργεί μια πρόβλεψη ζήτησης και ο προϋπολογισμός μάρκετινγκ υπολογίζεται ως ποσοστό των προγραμματισμένων εσόδων, δεν θα πρέπει να περιμένετε μια απαισιόδοξη πρόβλεψη ζήτησης. Εξουδετέρωση της επίδρασης υποκειμενικών παραγόντων επιτυγχάνεται σε κάποιο βαθμό σωστή οργάνωσηδιαδικασία πρόβλεψης ζήτησης.
Συμπερασματικά, θα πρέπει να ειπωθεί ότι, εκτός από την έννοια « ακρίβεια πρόβλεψης », μπορούμε να επισημάνουμε την έννοια της «πρόβλεψης ποιότητας». Η ποιότητα πρόβλεψης νοείται ως η ικανότητα της διαδικασίας πρόβλεψης ζήτησης να δημιουργεί προβλέψεις που διαφέρουν σταθερά από τις πραγματικές τιμές ζήτησης όχι περισσότερο από μια δεδομένη τιμή σφάλματος. Δηλαδή, ποιότητα πρόβλεψης σημαίνει τη δυνατότητα διατήρησης του σφάλματος πρόβλεψης εντός καθορισμένων ορίων. Αυτό είναι πολύ σημαντικό από διαχειριστική άποψη, καθώς η επιχείρηση μπορεί να προετοιμαστεί για τα δεδομένα όρια του σφάλματος πρόβλεψης εκ των προτέρων και μια τέτοια κλίμακα σφάλματος δεν θέτει σε κίνδυνο το επίπεδο εξυπηρέτησης πελατών.
Έχει σημειωθεί ότι η ποιότητα της πρόβλεψης ζήτησης καθορίζεται σε μεγαλύτερο βαθμό από την καλή οργάνωση της διαδικασίας πρόβλεψης ζήτησης παρά από μεμονωμένα, ανεξάρτητα από το πόσο πολύπλοκα, μαθηματικά μοντέλα. Ωστόσο, ας δούμε περαιτέρω ποιοι τύποι μεθόδων πρόβλεψης ζήτησης υπάρχουν και σε ποιες συνθήκες είναι σκόπιμο να χρησιμοποιηθούν.
Με την πρώτη ματιά, η ερώτηση ακούγεται παράλογη, αλλά αν ρίξετε μια πιο προσεκτική ματιά, μπορείτε να αποκαλύψετε τα εξής: «εάν ένα προϊόν έχει σημαντικό αριθμό γεγονότων μηδενικών πωλήσεων (η ζήτηση για το προϊόν είναι σπάνια), τότε όλες οι μέθοδοι πρόβλεψης σημείου (συμπεριλαμβανομένων των σύνθετων) θα δώσει κακό αποτέλεσμα"
Μια διέξοδος από την κατάσταση μπορεί να είναι η χρήση ειδικών μεθόδων μαθηματικής μοντελοποίησης που επιτρέπουν σε κάποιον να υπολογίσει τη σωρευτική πιθανότητα εμφάνισης ζήτησης. Δηλαδή, αξιολογήστε χωρίς να προσπαθήσετε να μαντέψετε τον αριθμό των προϊόντων που πωλήθηκαν, αλλά για να δείτε με ποια πιθανότητα μπορεί να πουληθεί ένας συγκεκριμένος όγκος αγαθών. Αυτό θα μας επιτρέψει να κατανοήσουμε πόση ποσότητα προϊόντος χρειάζεται να αποθηκευτεί για να παρέχουμε ένα συγκεκριμένο επίπεδο υπηρεσιών.
Όταν απλοποιηθεί, ο μηχανισμός είναι ο εξής. Ειδικό λογισμικό διεξάγει μια σειρά πειραμάτων (100.000 φορές) σχετικά με την πιθανή ζήτηση για ένα προϊόν κατά την περίοδο παράδοσης (στη δυτική πρακτική - χρόνος παράδοσης LT). Αναλύει πόσες φορές προέκυψε ζήτηση διαφορετικών όγκων. Μετά από αυτό, κατασκευάζεται η σωρευτική πιθανότητα κατανομής της ζήτησης (όχι περισσότερο από τον όγκο των αγαθών που θα πωληθούν με διαφορετικές πιθανότητες)
Μετά από αυτό, λαμβάνεται υπόψη το επίπεδο εξυπηρέτησης και το βέλτιστο απόθεμα υπολογίζεται ως η τιμή ζήτησης που αντιστοιχεί στη αθροιστική πιθανότητα ίση με το επίπεδο εξυπηρέτησης.
Αυτό φαίνεται πιο καθαρά στο παρακάτω γράφημα ή πίνακα: (από το Forecast NOW!):
Ρύζι. 1 Επίπεδο εξυπηρέτησης και βέλτιστο απόθεμα χρησιμοποιώντας το παράδειγμα του προγράμματος Forecast NOW!
Ποσό πιθανότητας,% |
Όγκος, μονάδες |
Στο σχήμα, η αθροιστική πιθανότητα απεικονίζεται με ανοιχτό μπλε χρώμα. Το βέλτιστο απόθεμα βρίσκεται στη διασταύρωση του καθορισμένου επιπέδου εξυπηρέτησης και της αθροιστικής πιθανότητας.
Έτσι, η χρήση τέτοιων μεθόδων θα βοηθήσει στον άμεσο υπολογισμό του βέλτιστου αποθέματος για σπάνια αγαθά.
Ένα σημαντικό ζήτημα παραμένει το κριτήριο για την ταξινόμηση των αγαθών ως σπάνιων:
Για να γίνει αυτό, υπολογίζεται η μέση απόσταση σε ημέρες μεταξύ παρακείμενων στοιχείων πωλήσεων. Εάν αυτός ο αριθμός είναι μεγαλύτερος από 1,25 ημέρες, τότε έχουμε σπάνια ζήτηση εάν είναι μικρότερος, είναι ομαλή.
Ιστορικό πωλήσεων προϊόντων:
Μέση απόσταση μεταξύ γειτονικών γεγονότων πωλήσεων = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1,75 >1,25 -> σπάνια ζήτηση
Αλλά για αγαθά με ομαλή ζήτηση, η πρόβλεψη της ζήτησης είναι απαραίτητη:
Γιατί χρειάζεται να προβλέψετε τη ζήτηση;
Το έργο κάθε εμπορικής επιχείρησης συνδέεται αναπόφευκτα με το πρόβλημα της βελτιστοποίησης των αποθεμάτων. Η περίσσεια αγαθών οδηγεί σε πρόσθετο οικονομικό κόστος και η έλλειψη οδηγεί σε απώλεια τακτικών πελατών και μείωση του όγκου πωλήσεων. Και στις δύο περιπτώσεις, υπάρχει έλλειμμα σε ενδεχόμενο κέρδος, το οποίο σε συνθήκες έντονου ανταγωνισμού μπορεί να προκαλέσει χρεοκοπία της επιχείρησης.
Ένα από τα πιο σημαντικά στοιχεία για τη διατήρηση μιας βέλτιστης ποικιλίας αγαθών είναι η λειτουργική και μακροπρόθεσμη πρόβλεψη της ζήτησης. Φυσικά, όταν σχεδιάζετε αγορές, δεν μπορείτε να προβλέψετε τίποτα, χρησιμοποιώντας το καθιερωμένο ή αναδυόμενο επίπεδο ζήτησης ως πηγή αρχικής πληροφόρησης. Ωστόσο, μια τέτοια απαρχαιωμένη προσέγγιση σε μια δυναμικά μεταβαλλόμενη αγορά και έναν «χαλασμένο» αγοραστή δύσκολα μπορεί να χαρακτηριστεί αποτελεσματική (με εξαίρεση τους μικρούς οικισμούς όπου υπάρχει μόνο ένα κατάστημα).
Η πρόβλεψη ζήτησης επιτρέπει όχι μόνο την ανάπτυξη ενός βέλτιστου σχεδίου προμηθειών, αλλά και την αποτελεσματική διαχείριση των πόρων της επιχείρησης. Έτσι, για παράδειγμα, γνωρίζοντας ότι τον επόμενο μήνα θα υπάρξει αυξημένη ζήτηση για κάτι άλλο εκτός από παγωτό, θα είναι δυνατή η εκ των προτέρων πρόσληψη πωλητών, η αγορά ψυκτικού εξοπλισμού και η παροχή πρόσθετης χρηματοδότησης. Εάν όλες αυτές οι εκδηλώσεις αρχίσουν να πραγματοποιούνται κατά τη διάρκεια της περιόδου αιχμής, τότε όλες οι προσπάθειες μπορεί να είναι μάταιες και ακόμη και ασύμφορες.
Πώς να προβλέψετε τη ζήτηση
Για την πρόβλεψη της ζήτησης, έχει αναπτυχθεί ένας τεράστιος αριθμός θεωριών και ειδικών εργαλείων.
Ειδικό λογισμικό
Για παράδειγμα, όταν σχεδιάζετε αγορές για ένα σούπερ μάρκετ, δεν μπορείτε να κάνετε χωρίς εξειδικευμένο λογισμικό. Το κύριο πρόβλημα εδώ είναι η τεράστια ποικιλία αγαθών, η οποία είναι απλά φυσικώς αδύνατο να "κρατηθεί στο μυαλό σας". Επιπλέον, το ειδικό λογισμικό σάς επιτρέπει να αυτοματοποιείτε τη διαδικασία προετοιμασίας εφαρμογών, η οποία, με μεγάλους όγκους αγορών, σας επιτρέπει να εξοικονομήσετε πολύ χρόνο.
Microsoft Excel
Με μια μικρή γκάμα προϊόντων, μπορούν να επιτευχθούν εξαιρετικά αποτελέσματα στην πρόβλεψη ζήτησης χρησιμοποιώντας μια τυπική εφαρμογή Microsoft Excel. Ειδικές στατιστικές συναρτήσεις, όπως TREND και GROWTH, σας επιτρέπουν να επεξεργάζεστε άμεσα μεγάλες ποσότητες πληροφοριών χωρίς να εισάγετε σύνθετους τύπους. Οι πλούσιες σχεδιαστικές δυνατότητες του Microsoft Excel θα σας βοηθήσουν να παρουσιάσετε τα δεδομένα που λαμβάνονται όχι μόνο σε μορφή πίνακα, αλλά και σε πιο οπτική μορφή - με τη μορφή γραφημάτων και διαγραμμάτων.
Χειροκίνητα
Η πρόβλεψη ζήτησης για μεμονωμένα είδη αγαθών μπορεί επίσης να καταρτιστεί χειροκίνητα. Έτσι, για παράδειγμα, εάν ένα προϊόν είναι νέο, τότε ακόμη και οι πιο εξελιγμένοι στατιστικοί τύποι και οι προηγουμένως συσσωρευμένες πληροφορίες δεν θα βοηθήσουν στην πρόβλεψη της δημοτικότητάς του. Σε τέτοιες περιπτώσεις, δεν πρέπει να βασίζεστε σε υπολογισμούς, αλλά σε διαίσθηση και πρόσθετους παράγοντες (απόψεις πελατών, διαφημιστική υποστήριξη κ.λπ.).
Τύποι και μέθοδοι για την πρόβλεψη της ζήτησης
Οι μέθοδοι που χρησιμοποιούνται για την πρόβλεψη της ζήτησης είναι πολύ διαφορετικές - από απλές (υποτίθεται ότι η ζήτηση τον επόμενο μήνα θα είναι ίδια με τον προηγούμενο μήνα) έως τη χρήση πολύπλοκων οικονομικών και μαθηματικών θεωριών και των εφαρμογών λογισμικού τους (νευρωνικά δίκτυα) στους υπολογισμούς.
Μέθοδος Απλής Μέσης
Η απλούστερη από αυτές τις μεθόδους είναι η χρήση υπολογισμών χρησιμοποιώντας τον τύπο «απλός μέσος όρος». Πρόβλεψη ζήτησης για επόμενη περίοδομε τη μέθοδο αυτή υπολογίζεται ως ο αριθμητικός μέσος όρος των δεικτών ζήτησης για όλες τις προηγούμενες περιόδους. Το μειονέκτημα αυτής της μεθόδου είναι η υψηλή «συντηρητικότητά» της - οι παρωχημένες πληροφορίες σχετικά με προηγούμενες πωλήσεις θα αποτρέψουν την τελευταίες τάσειςζήτηση.
Μέθοδος κινητού μέσου όρου
Η μέθοδος «κινούμενος μέσος όρος» αντιδρά πιο γρήγορα στις αλλαγές της ζήτησης. Στην περίπτωση αυτή, ο υπολογισμός δεν γίνεται με βάση δεδομένα για ολόκληρη την περίοδο παρατήρησης, αλλά για τις τελευταίες αρκετές περιόδους.
Το βασικό ζήτημα είναι ο καθορισμός του "συρόμενου παραθύρου" - για πόσες πρόσφατες περιόδους είναι απαραίτητο να πραγματοποιηθεί ο μέσος όρος. Όσο μεγαλύτερη είναι αυτή η περίοδος, τόσο περισσότερο η πρόβλεψη του κινητού μέσου όρου συμπίπτει με τον απλό μέσο όρο.
Η περίοδος μπορεί να προσδιοριστεί εμπειρικά με βάση το σφάλμα πρόβλεψης (RMSE) - υπολογίστε αυτό το σφάλμα για διαφορετικές περιόδουςκαι επιλέξτε το βέλτιστο.
Προφανώς, η βέλτιστη περίοδος είναι 4 ημέρες.
Μια ενδιαφέρουσα παραλλαγή της μεθόδου είναι ο υπολογισμός του κινητού μέσου όρου κατά ορισμένες μέρες(δηλαδή, για όλες τις Δευτέρες, λαμβάνεται υπόψη ο κινητός μέσος όρος για τις τελευταίες n Δευτέρες κ.λπ.) Αυτή η μέθοδος μπορεί να είναι κατάλληλη για προϊόντα που έχουν έντονη εβδομαδιαία εποχικότητα (για παράδειγμα, ψωμί).
Μέθοδος σταθμισμένου μέσου όρου
Ένας συνδυασμός των παραπάνω μεθόδων είναι η «μέθοδος του σταθμισμένου κινητού μέσου όρου». Αυτό το μοντέλο υπολογίζει έναν σταθμισμένο μέσο όρο με βάση πολλαπλές περιόδους, αλλά δίνει μικρότερη βαρύτητα σε πιο απομακρυσμένες περιόδους. Έτσι, μπορούν να ληφθούν μεγαλύτερες παρατηρήσεις για υπολογισμούς, αλλά η επίδραση άσχετων δεδομένων στους υπολογισμούς μπορεί να περιοριστεί.
Μέθοδος εκθετικής εξομάλυνσης
Δυστυχώς, οι παραπάνω «μέσες» μέθοδοι υπολογισμού επιτρέπουν σε κάποιον να λάβει μόνο πολύ κατά προσέγγιση αποτελέσματα. Μια πιο ακριβής πρόβλεψη μπορεί να επιτευχθεί χρησιμοποιώντας τα μοντέλα «εκθετικής εξομάλυνσης» και «εκθετικής εξομάλυνσης με τάση». Στην πρώτη μέθοδο, η πιο πρόσφατη πρόβλεψη πωλήσεων προσαρμόζεται με βάση το σφάλμα πρόβλεψης που έγινε τελευταία περίοδο. Η δεύτερη μέθοδος υπολογισμού (που ονομάζεται επίσης μέθοδος "διπλής εκθετικής εξομάλυνσης") λαμβάνει υπόψη δεδομένα με τάσεις - χάρη σε αυτό, αυτή η μέθοδος μπορεί να χρησιμοποιηθεί ακόμη και για μεσοπρόθεσμη πρόβλεψη.
Μέθοδος Holt-Winters
Για να ληφθεί υπόψη η εποχικότητα και η γενική τάση ζήτησης, χρησιμοποιείται το μοντέλο Holt-Winters (εκθετική εξομάλυνση τριών παραμέτρων). Για να αποκτήσετε μια πρόβλεψη ζήτησης σε αυτήν τη μέθοδο, είναι απαραίτητο να επιλέξετε σωστά τρεις παραμέτρους. Για να το κάνετε αυτό, μπορείτε να χρησιμοποιήσετε είτε ειδικούς αλγόριθμους είτε να περιοριστείτε σε απλή ωμή βία.
Μέθοδος αυτοπαλίνδρομης
Εάν θέλετε να λαμβάνετε ακόμη πιο προηγμένες προβλέψεις, μπορείτε να χρησιμοποιήσετε μοντέλα "αυτοπαλινδρομικά". Αυτή η τεχνική επιτρέπει μια πολύ λεπτομερή ανάλυση των διαθέσιμων δεδομένων, τον εντοπισμό τυχόν τάσεων και την εξάλειψη των τυχαίων επιρροών. Ωστόσο, σε αντίθεση με τις προηγούμενες μεθόδους, η επιλογή πολλών παραμέτρων θα απαιτήσει μεγάλη προσπάθεια και χρόνο από τον χρήστη.
Νευρωνικά δίκτυα, γενετικοί αλγόριθμοι
Πρέπει να σημειωθεί ότι όσο πιο σύνθετες μέθοδοι πρόβλεψης χρησιμοποιούνται, τόσο πιο δύσκολο είναι να γίνει πρακτική εφαρμογήκαι όσο μεγαλύτερη είναι η πιθανότητα εμφάνισης σφαλμάτων. Ανάλυση τεράστιων όγκων πληροφοριών, επιλογή βέλτιστων παραμέτρων, έγκαιρη καταγραφή των διακυμάνσεων της αγοράς - όλα αυτά μερικές φορές βρίσκονται στο όριο των ανθρώπινων δυνατοτήτων. Η πιο πολλά υποσχόμενη λύση σε αυτό το πρόβλημα είναι η χρήση αλγορίθμων «νευρωνικών δικτύων». Σε αυτή την τεχνική, ένα ειδικό πρόγραμμα, μετά από προκαταρκτική εκπαίδευση, είναι σε θέση να βρει ανεξάρτητα καλύτερη λύση- ταυτόχρονα, ο χρήστης δεν χρειάζεται να εμβαθύνει σε όλες τις περιπλοκές των θεωριών που χρησιμοποιούνται. Επιπλέον, τα «νευρωνικά δίκτυα» είναι σε θέση να λαμβάνουν υπόψη τις κρυφές τάσεις και να δημιουργούν μια αξιόπιστη πρόβλεψη σε μια τόσο ασταθή κατάσταση, όπου προηγουμένως η πρόβλεψη θεωρούνταν εντελώς αδύνατη.
Σύμφωνα με έρευνα που διεξήχθη από ειδικούς του έργου Forecast NOW, η πρόβλεψη με νευρωνικά δίκτυα δίνει καλύτερα αποτελέσματα από όλες τις παραπάνω μεθόδους:
Ο άξονας Χ δείχνει τον αριθμό των προϊόντων στην ανάλυση, ο άξονας Υ δείχνει ποιο ποσοστό είναι καλύτερα τα νευρωνικά δίκτυα από έναν άλλο αλγόριθμο σε σχετικούς όρους.
Ρύζι. 2 Νευρωνικά δίκτυα + Γενετικοί αλγόριθμοι (GA) και εκθετική εξομάλυνση
Ρύζι. 3 Νευρωνικά δίκτυα + Γενετικοί αλγόριθμοι (GA) και αυτοπαλίνδρομος
Ρύζι. 4 Νευρωνικά δίκτυα + Γενετικοί αλγόριθμοι (GA) και μέθοδος Holt Winters
Από τα στοιχεία φαίνεται ότι η πρόβλεψη μέσω νευρωνικών δικτύων δίνει σημαντικά καλύτερα αποτελέσματα.
συμπεράσματα
Για να προβλέψετε τη ζήτηση χρειάζεστε:
- Προσδιορίστε τη φύση της ζήτησης για ένα προϊόν (εάν είναι ομαλή, απαιτείται πρόβλεψη, εάν είναι σπάνιο, δεν απαιτείται πρόβλεψη, μπορείτε να υπολογίσετε το βέλτιστο απόθεμα χρησιμοποιώντας μεθόδους μαθηματικής μοντελοποίησης)
- Προσδιορίστε μεθόδους για την πρόβλεψη της ζήτησης (εάν η γκάμα προϊόντων είναι μικρή, τότε μπορείτε με μη αυτόματο τρόπο ή χρησιμοποιώντας το Excel, εάν είναι μεγάλο, είναι προτιμότερο να χρησιμοποιήσετε ειδικό λογισμικό
- Προσδιορίστε τις μεθόδους πρόβλεψης της ζήτησης (οι τυπικές μέθοδοι λειτουργούν καλά για ορισμένα προϊόντα (βλ. κινούμενο μέσο όρο), γενικά καλύτερα αποτελέσματαεπιτυγχάνεται από νευρωνικά δίκτυα
- Είναι σημαντικό να θυμάστε ότι η πρόβλεψη ζήτησης είναι μόνο ο πρώτος κρίκος στην αλυσίδα εφοδιασμού, και ακόμη και η πιο ακριβής πρόβλεψη ζήτησης, εάν δεν γίνει σωστή διαχείριση του αποθέματος και του ανεφοδιασμού, δεν θα εξασφαλίσει την αποτελεσματικότητα ολόκληρης της αλυσίδας εφοδιασμού.