Sortering, kategorisering och urval

Empirin, en Excel-fil bestående av historisk data för komponenterna i fyra olika konfigurationer av 46-produkter, behövde bearbetas och sorteras för att vara användbar.

Ursprungligen var komponenterna och tillhörande information staplade under varandra, där den månadsvisa inköpta, sålda och använda kvantiteten låg radvis. Det gulmarkerade fältet visar samma information på årsbasis. Detta illustreras i bild 7.

Bild 7. Ursprunglig data

För att få artikelnummer vertikalt och tillhörande månadsvisa efterfråga horisontellt användes en Pivot-tabell, där artikelnummer placerades i Radetiketten, perioden i Kolumnetiketten och summan av använd kvantitet i området Värde (Se bild 8).

Bild 8. Data efter Pivot-tabell

Efter Pivotuppdelningen gjordes en manuell rensning ibland komponenterna.

Exempelvis identifierades komponenter där det endast fanns en efterfråga i slutet av tidsserien eller endast i början av densamma. Dessa eliminerades eftersom det fanns för få perioder med efterfråga att utföra testerna på. Det fanns även olika komponenter som hade identisk månadsvis efterfråga, vilka har rensats bort för att undvika dubbletter.

Detta i syfte att säkerställa att olika efterfrågemönster inkluderas i urvalet. Då Getinge stänger ner verksamheten stora delar av juli och december på grund av semestertider är det en minimal eller obefintlig efterfråga på komponenterna under dessa månader.

Eftersom det inte kan klassas som en säsongsmässig efterfrågevariation har de berörda månaderna eliminerats från tidsserierna. Att inkludera dem i testerna hade givit en missvisande bild av prognosmodellernas precision.

För att få en bild över de kvarvarande komponenternas efterfråga beräknades medel-efterfrågan och standardavvikelsen för tidsserien. Utifrån medelmedel-efterfrågan och standardavvikelsen beräknades även ett variationsindex, vilket är ett mått som möjliggör jämförelse mellan olika komponenters efterfrågevariationer. Baserat på variationsindex sorterades komponenterna från lägst till högst samt att individuella variationsindex sattes i relation till populationens totala dito, det vill säga hur stor del en enskild komponents variationsindex som bidrog till den sammanlagda variationen för populationen. Därefter beräknades även komponenternas ackumulerade variansindex för att ha möjlighet att efter storleksordning se olika gruppers ackumulerade variationsindex gentemot urvalets totala variationsindex.

Utifrån det ackumulerade variationsindexet kunde komponenterna grupperas efter deras efterfrågevariation. Gränsvärden sattes vid 25 %, 50 % och 75 %, vilket gav fyra

grupper där grupp A (0-25 % av ackumulerat variationsindex) består av de komponenterna med lägst variation och grupp D (75-100 %) innehåller komponenterna med högst variation. I grupp D var det 16 komponenter som tillsammans stod för 25 % av den totala variationen. Resterande grupper bestod av fler komponenter då deras variation var lägre. För att erhålla samma antal komponenter (16 st.) i varje grupp genomfördes således ett slumpmässigt urval. Detta gjordes via funktionen SLUMP i Excel. För att skydda informationen om Getinges produkter samt att underlätta det fortsatta arbetet kodades dem om, där exempelvis A-komponenterna tilldelades en siffra och fick kodningen A1 till A16.

5.2 Prognostester

Prognostesterna som utfördes baserades strikt på prognosmodeller hämtade från den teoretiska referensramen. Prognosmodellerna testades både för hela urvalet och gruppvis för att sedermera utvärdera deras utfall och prestation gentemot den verkliga efterfrågan för samma perioder. Gemensamt för testerna av de båda prognosmodellerna var användningen av Excel-funktionen Rullningslist (se bild 9). Funktionen användes i syfte att manuellt justera n för GM och alfa-värdet i EU för att justera prognoserna och hitta de optimala värdena för respektive prognosmodell.

Bild 9. Rullningslist för EU och GM

Glidande medelvärde

Vid testningen av GM användes Excel-funktionen OM. OM-funktionens syfte är infoga en begränsning i formeln. Vid händelse att begränsningen inte uppfylls kommer cellen, i vilken funktionen existerar, vara blank. För den här studiens arbete, betyder det i klartext att n-värdet (antal perioder) inte får överstiga periodnumret som ska

prognostiseras. För att möjliggöra OM-funktionen användes en separat rad, som visar periodnumret, ovanför prognoserna (rad 24) som motvikt mot N-cellen (C26).

Vidare användes Excel-funktionen FÖRSKJUTNING som ett verktyg för att beräkna prognoserna. Funktionen innebär att cellen med förra periodens efterfråga används som startcell (H4). Beroende på antal n som ska ingå i beräkningen, förskjuts och inkluderas antal historiska efterfrågeperioder som ska tas med i beräkningen. I exemplet nedan är n=2 vilket innebär att kolumn G4 och H4 ingår. Summan av cellerna G4 och H4 divideras sedan med antal n (C26) och prognosen för nästa period (I26) visas.

Bild 10. GM-funktionen

Exponentiell utjämning

Vid testerna av EU behövdes, till skillnad från GM, inte några specifika Excel-funktioner användas. Som bild 11 visar användes den teoretiskt bekräftade beräkningarna av EU. Enbart tre separata celler krävdes för uträkningarna av EU-prognoserna; alfa-värdet (C25), föregående periods efterfråga (H4) samt föregående periods prognos (H25). För att EU ska fungera krävs det att prognosen för föregående period finns tillgänglig. Konsekvensen blev att författarna fick ta fram ett ingångsvärde i prognosen. Det gjordes genom att ta medelefterfrågan för januari till maj för varje enskild komponent (H25). Efter att den första EU-prognosen gjorts, användes det senaste prognosvärdet för de resterande prognosuträkningarna.

Bild 11. EU-funktionen

5.3 Prognosutvärdering

Efter simuleringen av GM och EU utvärderades prognosmodellernas utfall. Författarna började med att ta fram prognosfelen för de enskilda komponenterna och för varje period. För GM användes återigen OM-funktionen. Anledningen till det var att säkerställa att antal perioder (n) som inkluderas i beräkningen inte överskred periodnumret för vilken prognosen var ämnad för. För EU subtraherades den verkliga efterfrågan från prognosen för samma period. När sedan prognosfelen för varje period var framtagna, summerades dem och dividerades med antalet tidsperioder för att få fram medelprognosfelet.

Bild 12. Prognosfel och medelprognosfel

Vidare beräknades de absoluta prognosavvikelserna i ett led för att beräkna MAD. För GM användes återigen OM-funktionen av samma anledning som för prognosfelet. Både för GM och EU länkades sedan cellen för det absoluta prognosfelet för en given period till tabellen med prognosfelet för samma period. Excel-funktionen ABS användes för att säkerställa att prognosfelen blev absoluta tal. Därefter summerades de totala absoluta prognosfelen för att sedermera divideras med antal perioder. Resultatet blev då MAD för varje komponents prognos (se bild 13).

Bild 13. MAD

För att kunna använda utvärderingsmåttet MAPE beräknades den procentuella absoluta prognosavvikelsen (PAP) för varje tidsperiod, det vill säga det absoluta prognosfelet dividerat med den verkliga efterfrågan för samma period. För GM användes OM-funktionen likt tidigare beskrivning. MAPE för varje artikel räknades ut genom att dividera summan av periodernas PAP med antalet perioder.

Bild 14. MAPE

Då några komponenter saknade efterfråga under vissa perioder i tidsserien var det omöjligt att beräkna den procentuella absoluta prognosavvikelsen (division med noll) som är nödvändig för att kunna beräkna MAPE. För perioderna utan efterfråga krävdes en egendefinierad version av den procentuella absoluta prognosavvikelsen (de blåa cellerna i bilaga II). Denna skapades genom att summera övriga perioders PAP (perioderna med efterfråga) dividerat med summan av de absoluta prognosavvikelserna för samma perioder. Resultatet blev en genomsnittlig procentuell avvikelse per absolut prognosfel för komponentens tidsserie. Genomsnittsmåttet multiplicerades med den absoluta prognosavvikelsen och fungerade som ett justerat mått på PAP för perioderna utan efterfråga. Genom denna tillämpning av måttet, istället för att exempelvis använda en OMFEL-funktion och ersätta det ogiltiga värdet med ett fast tal, är utvärderingsmåttet relativt till hur stor prognosavvikelsen är. Dessutom möjliggör det att PAP ändras när parametrar i prognoserna (såsom n och alfa) justeras.

6 Analys

Följande kapitel ställer den teoretiska referensramen mot framtagen empiri och är uppdelat i tre delar. Den första delen behandlar faktorer som ligger till grund för analys av uppsatsens båda forskningsfrågor. Den andra delen beaktar uppsatsens första forskningsfråga och resultatet av empiribearbetning presenteras. Den sista delen i kapitlet berör uppsatsens andra forskningsfråga, där en analys gällande kategorisering, gruppernas efterfråga och prognosmodellernas resultat framförs. Analyskapitlet ligger även till grund för uppsatsens slutsatser som presenteras i det efterföljande kapitlet.