LOJ402U-LOJİSTİK PLANLAMA VE MODELLEME
Ünite 3: Lojistik Yönetiminde Talep Tahmini
Giriş
Tahmin, gelecekte olası durumun kestirimidir. Tahmin de bulunmak kesin sonuç vermez. Olayların nasıl gerçekleşeceğini tam olarak bilmek mümkün olmadığı için tahmin ile planlamanın doğrultusunu, geçmiş verilere dayanarak ortaya konulmaya çalışılır. Tahmin de ki hatanın az olması da yöneticiler tarafından talep edilir.
Tahminin Lojistik Planlamada Stratejik Rolü
Lojistik şirketleri planlama yaparken kısa, orta ve uzun vadeli tahminlere ihtiyaç duyar. Kısa vadeli tahminlere dayanan planlamalara örnek personel çizelgeleme, üretim planlama ve sevkiyat, orta vadeli tahminlere hammadde ihtiyacını belirleme, geçici personel istihdamı, makine teçzihat satın alımı örnek olarak verilebilirken uzun vadeli planlamalara ise pazara giriş, pazardan ne zaman çıkılacağı gibi çevresel faktörler verilebilir.
İyi bir tahmin sonucunda oluşacak talebin önceden bilinmesi durumunda ne kadar yatırım yapılacağından, elde edilecek kâra kadar bir çok konuda stratejik hamleler yapılmaktadır. Pazarın genişlemesi ve daralması ve bunun önceden öngörülmesi lojistik planlamanın sahip olduğu yeteneklerden biri olarak lojistik yönetiminde stratejik rol oynar.
Tahmin Verisi Yöntemleri
Nitel Tahmin Yöntemleri
Lojistik planlama ve modellemede en çok kullanılan nitel tahmin yöntemlerinden bazıları şunlardır:
Uzman görüşü: Anlamlı öngörüler yapmak için uzmanların görüşlerinden, fikir ve tecrübelerinden yararlanılır. Ölçülebilir verinin olmadığı durumlarda kullanılır, istatistiksel veriye ihtiyaç duymaz. Uygulama açısından kolay ve hızlıdır. Uzman görüşü, genellikle tahmin sonucunu beklentilerine göre değiştirir (Jacobs ve Chase, 2018).
Pazar araştırması: Bir lojistik firmasının talep tahminini sağlayacak pazar araştırması yapması mümkündür. Bu yöntem firma çalışanları ya da pazar araştırma şirketleri tarafından yapılabilir. Bu araştırmalar telefon, anket veya kişisel görüşmeyi içeren çalışmaları içerebilir (Jacobs ve Chase, 2018).
Odak grupları: İlgili konu ile lojistik yöneticileri beş ila on kişi arasında değişen konuya hâkim fikir öne sürebilecek gruplar oluşturur. Genellikle katılımcılar arasında marka, ürün, slogan, tasarım ve ilgili kavramları algılamaları ile ilgili sorular soran bir moderatör vardır (Jacobs ve Chase, 2018). Katılımcıların hedefledikleri daha büyük bir pazarın görüşünü temsil eden yanıt vermesi beklenmektedir.
Tarihsel analoji: Mevcut ürüne benzer bir ürünün satış geçmişine benzer karşılaştırılabilecek bir ürünün satış geçmişinin gelecekteki satışları tahmin etmek için incelendiği bir tahmin yöntemidir. Yeni bir ürün veya ürün
grubu için talebin tahmin edilmesi için kullanılır (Jacobs ve Chase, 2018). Bu yöntem şirket veya zorlu bir rakip tarafından benzer bir mevcut üründen belirli bir süre boyunca toplanan geçmiş verileri kullanılarak yapılır.
Delfi metodu: Nitelikli uzman bir grubun pazar eğilimini analiz ederek kararların birleştirildiği tahmin yönetimidir. Uzmanların oluşturduğu tahmin grubudur. Bu grup iki veya daha fazla turda tahmin yapar. Tahmin turları sonunda tüm tahminler birleştirilerek yeni tahmin ortaya konur. Bu döngü uzman grubu tak bir kararda birleşinceye kadar devam eder.
Panel fikir birliği yöntemi: Bir işletmenin üyelerinin tahminlerini belirlemek için tüm düzeylerde çalışanları bir araya getirir. Tüm katılımcıların fikirlerini beyan etmelerini sağlayacak açık bir süreçtir. Genellikle örgütün üst düzey yöneticileri ile alt seviyesinden çalışanları içerdiğinden süreç içerisinde baskı olabilir (Jacobs ve Chase, 2018).
Nicel Tahmin Yöntemleri
Tahmin, matematiksel modellemeye dayanır. Nicel yöntemleri üç sınıfa ayırabiliriz. Bunlar;
• Zaman serileri, • Nedensel ilişkiler, • Benzetimdir.
Bu yöntemlerin mantığı geçmiş verileri kullanarak gelecekteki talebi tahmin etmektir.
Zaman Serisi Tahmin Modelleri
Hareketli Ortalama
Geçmiş taleplerin ortalamasına dayanmaktadır. Hareketli ortalama için;
𝐴!!! + 𝐴!!! + ⋯ + 𝐴!!! 𝐹! = 𝑛
Formülünü kullanırız. Bu formülde kullandığımız;
𝐹!: t dönemine ait tahmin değeri n: Ortalamanın alınacağı dönem sayısı 𝐴!: t dönemine ait gerçekleşmiş talep
olarak gösterilmektedir. Dönem uzunluğunu belirlemek tahminin nasıl kullanılacağına bağlı olmalıdır. Hareketli ortalamada dönem seçimi tahmin doğruluğu için önemlidir. Dönem sayısının fazla olmaması ya da kısıtlı olması, tahmin doğruluğunu etkileyecektir. Hareketli ortalama süre kısaldıkça ve daha az periyod kullanıldıkça trendin daha yakından takip edilmesi söz konusudur.
Ağırlıklı Hareketli Ortalama
Ağırlıklı hareketli ortalama, daha yeni verilerin eski verilere göre daha farklı önem verilerek belli sayıda geçmiş verilerle yapılan bir tahmin metodudur. Hareketli ortalama ile ağırlıklı hareketli ortalama arasında ki farkı şu şekilde ifade edebiliriz. Hareketli ortalama her bir bileşenine eşit önem verirken ağırlıklı hareketli ortalama tüm ağırlıkların toplamının 1’e eşit olması koşuluyla her
bir öğeye ağırlıkların atanmasına izin verir. Ek olarak, ağırlıklı hareketli ortalama, geçmiş verilerin etkilerini değiştirmede basit hareketli ortalamaya göre kesin bir avantaja sahiptir. Ağırlıklı hareketli ortalamanın formülü ise şu şekilde yazılır:
𝐹! = 𝑤!𝐴!!! + 𝑤!𝐴!!! + ⋯ + 𝑤!𝐴!!!
!
𝑤! = 1 !!!
Burada;
𝑤! : t-n dönemde oluşan gerçek talebe verilen ağırlık yüzdesidir.
Tüm ağırlıkların toplamı 1 olmalıdır, bu ikinci denklem de toplam sembolü ile ifade edilmiştir.
Üstel Düzeltme
Üstel düzeltme, en son gözlemlere daha fazla ağırlık verildiği ve gözlemler geçmişte kaldıkça ağırlığın azaldığı önceki gözlemlerin ağırlıklı ortalamasını kullanır. Basit üstel düzeltme yöntemleri için tahmin, bir düzeltme parametresi olarak adlandırılan geçmiş değerlerin göreli ağırlıklarla çarpılmasıyla hesaplanır. Üstel düzeltme yöntemine her yeni veri dönemi eklendiğinde en eski olan gözlem çıkarılır ve yeni tahmin hesaplanır. Üstel düzeltme yöntemi tarihi verilerin hareketli ortalaması olarak görülebilir. (Russel ve Taylor, 2017). Üstel düzeltme yönteminin kullanılmasındaki amaç talepte tesadüfi dalgalanmaların etkilerini azaltarak uygun bir tahminde bulunabilmektir.
Üstel düzeltme modelini aşağıdaki şekilde ifade edilir:
𝐹! = 𝐹!!! +∝ (𝐴!!! − 𝐹!!!)
𝐹!: t dönemine ait tahmin değeri, 𝐹!!!: t döneminden önceki döneme ait tahmin değeri, 𝐴!!!: t döneminden önceki döneme ait gerçekleşen gerçek talep değeri, α: düzeltme katsayısı, 0 < α <1
Bu denklem yeni tahminin eski tahmine hata oranının eklenmesiyle bulunur. α düzeltme katsayısının ne oranda tahmini etkilediğini şu şekilde yorumlayabiliriz; eğer α 1’e yakın değer ise bir önceki tahmin hatasına daha çok önem verildiğini 0’a yakın değer ise tahmin hatasının değerinin az olduğunu söyleyebiliriz.
Trend Eklemeli Üstel Düzeltme
Üstel düzeltme tahminlerine trend düzeltmesi de eklenerek tahmin verisi ayarlanabilir. Bunun için α düzeltme katsayısının yanında β trend düzeltme katsayısı eklenir. Alfa ve beta, gerçek ile tahmin arasında oluşan hatanın etkisini azaltır. Hem alfa hem de beta dahil edilmezse eğilim hatalara aşırı tepki verir (Russel ve Taylor, 2017).
Beta değerleri de alfa değerleri gibi 0 ile 1 arasında değer alır. Beta değeri yine alfa değeri gibi deneme yanılma yoluyla en düşük hata değerini veren olarak bulunur.
Trend eklemeli üstel düzeltme modeli iki bölümden oluşur birincisi üstel olarak düzeltilmiş tahmin Ft ikincisi ise üstel olarak düzeltilmiş trend Tt’dir. Trend eklemeli üstel düzeltme FITt bu iki bölümün toplamı olarak bulunur. Trend eklemeli üstel düzeltme modelinin formülünü aşağıdaki şekilde ifade ediyoruz:
𝐹𝐼𝑇! = 𝐹! + 𝑇!
𝑇! = 𝛽 𝐹! − 𝐹!!! + (1 − 𝛽)𝑇!!!
𝐹! = 𝐹!!!+∝ (𝐴! − 𝐹!!!)
Burada
Tt: t dönemine ait trend değeri β: trend için düzeltme katsayısı, 0 < β <1
Beta son veriye verilen ağırlığı yansıtır. Beta genellikle sübjektif olarak belirlenir. Yüksek beta, düşük betadan daha fazla trend değişikliklerini yansıtır.
Her bir dönemin talebi toplam talebe bölünerek hesaplanır:
𝐷! 𝑆! = 𝐷!
Bulunan sezonsal indeks 0 ile 1 arasında olmalıdır. Bu sezonsal indeksler, her mevsim için düzeltilmiş tahminler vermek üzere yıllık öngörülen talep ile çarpılmaktadır.
Sezonsallık (Mevsimsellik)
Sezonsal indeks, mevsimsellikten arındırılmış bir tahmin elde etmek için normal tahminle çarpılan sayısal bir değerdir.
Doğrusal Regresyon
Regresyon, iki veya daha fazla ilişkili değişken arasındaki fonksiyonel bir ilişki olarak tanımlanabilir. Doğrusal regresyon için bu fonksiyon doğrusaldır.
Doğrusal regresyon çizgisi Y = a + bt biçimindedir, burada Y çözdüğümüz bağımlı değişkenin değeridir, a Y kesişimidir, b eğimdir ve t, zaman periyodu için bir indekstir.
En küçük kareler doğrusunun denklemi ve uygulaması şu şekildedir:
ŷ = a+bx
Burada;
a = y-ekseni kesişimi b = regresyon doğrusunun eğimi x = bağımsız değişken değeri olarak zaman periyodu ŷ = x değerinin gözlem aralığında tahmin edilecek değer
Bu denklemden parametreler şu şekilde hesaplanır:
𝑥𝑦 − 𝑛𝑥𝑦 𝑏 = ! 𝑥 − 𝑛𝑥
𝑎 = 𝑦 − 𝑏𝑥
Burada;
n = gözlem sayısı 𝑥= x-değerlerinin ortalaması 𝑦 = y-değerlerinin ortalamasını
ifade etmektedir.
İlişkisel Tahmin Metotları
Regresyon doğrusunun bir de ilişkisel tahmin metodu olarak kullanılması söz konusudur. Tahmin için regresyon analizi zaman serisi analizinde olduğu gibi modellenir fakat tahmin edilen miktarla ilişkili birkaç değişkeni dikkate alır (Render, 2012; Heizer ve Render, 2017). İlişkili değerler bulunduktan sonra istatistiksel bir model kurulur ve trend projeksiyonunda yer verilen en küçük kareler metodu kullanılır.
ŷ = a+bx
burada$
a = y-ekseni kesişimi b = regresyon doğrusunun eğimi x = bağımsız değişken değeri ŷ = tahmin edilecek bağımlı değişkenin değeri
şeklinde ifade edilir.
Korelasyon katsayısı iki değişken arasındaki ilişkinin açıklamasıdır. ‘’r’’ ile gösterilir ve -1 < r < +1 arasında değer alır ve aşağıdaki şekilde hesaplanır:
𝑛 𝑥𝑦 − 𝑥 𝑦 𝑟 = 𝑛 𝑥! − ( 𝑥)! 𝑛 𝑦! − ( 𝑦)!
Regresyon denkleminin açıklayabildiği değişim ise r2 ile değeri ile gösteriyoruz. r2 değeri 0 ≤ r2 ≤ 1 aralığında değer alır. Belirlilik katsayısı, r2, deneysel verinin
doğrusal ilişkiye ne kadar iyi uyduğunun en iyi ölçüsüdür. Ne kadar çok veri noktası varsa r2’nin güvenirliği o kadar
yüksektir.
Tahmin Doğruluğu
Gerçek veri ile tahmin değeri arasındaki farka tahmin hatası denir. Tahmin hatasını ölçmek için gerçek veri ile tahmin edilen veri arasındaki farka bakılır (Russel ve Taylor, 2017).
𝑒! = 𝐴! − 𝐹!
burada;
𝑒!: döneminde oluşan tahmin hata değerini verir.
En çok kullanılan tahmin hatalarından bazıları şunlardır:
• Ortalama Mutlak Sapma (OMS): Gerçek veri ile tahmin verisi arasındaki farkın mutlak ortalaması olarak şu şekilde hesaplanır:
!!!!! 𝑂𝑀𝑆 = !
tek tek tahmin hatalarının mutlak değerlerinin toplamının period sayısına bölünmesiyle elde edilir. • Ortalama Kareler Hatası: Tahmin hatalarının karelerinin ortalaması ortalama kareler hatasını (OKH) verir.
(𝐴 − 𝐹)! ! ! 𝑂𝐾𝐻 = 𝑛 • Ortalama Mutlak Yüzdelik Hata: Ortalama mutlak yüzdelik hata (OMYH) gerçek değerin yüzdesi olarak ifade edilir.
! 100( 𝑒 /𝐴 ) !!! ! ! 𝑂𝑌𝑀𝐻 = 𝑛