3 Teoretisk referensram
6.1 Utgångspunkter
Första avsnittet i analyskapitlet går igenom val som berör uppsatsens båda forsknings-frågor. I första delen motiveras vilken tidshorisont som uppsatsen ämnar prognostisera.
Med andra ord, hur långt fram i tiden ska efterfrågan förutses? I den andra delen analyseras vilken eller vilka prognosutvärderingsmetoder som ska användas för att analysera prognosmodellernas prestation i förhållande till varandra.
6.1.1 Tidshorisont
Nahmias (2013) menar att prognosernas tidshorisont kan delas upp i tre olika dimensioner, kort mellan och lång. Vad som bestämmer tidshorisonten är i vilket syfte prognoserna genomförs, där veckovisa prognoser är lämpliga för att planera den dagliga verksamheten, månadsvis tidshorisont för prognostisering av produktfamiljer och årsvisa prognoser för mer långsiktiga beslut rörande facilitet, kapacitet etc. Rego och Mesquita (2015) resonerar kring skillnaden mellan veckovisa och månadsvisa prognoser där en månadsvis tidshorisont erhåller fördelar genom att rensa bort missvisande variationer, såsom en ökad försäljning i slutet av varje månad, vilket kan uppstå vid en veckovis uppdelning. Även Mattsson (2007) beskriver fenomenet och använder termen periodisering som skapar självgenererade variationer i efterfrågan på grund av företaget vill nå uppsatta mål för exempelvis månaden eller kvartalet.
I empirikapitlet framgår det att den data som ligger till grund för prognostesterna löper över två år och är uppdelad på 24 perioder. Eftersom studien avser prognostisering av Getinges produktfamilj 46 samt att det förekommer variationer som uppstår på grund av
en ökad aktivitet innan månadssluten (Schroff, Logistics Expert, Getinge) anser författarna, utifrån teorin, att en månadsvis tidshorisont är mest lämpad.
Val av tidshorisont Motiv
Månadsvisa prognoser Prognostiseringen avser en produktfamilj.
Förekomst av självgenererade efterfrågevariationer.
Tabell 5. Val av tidshorisont, egenkonstruerad
6.1.2 Utvärderingsmetod
Jonsson och Mattsson (2011) menar att en vital del i företags prognosarbete är kontinuerlig uppföljning och utvärdering av prognosernas prestation. Prognoser stämmer, som tidigare nämnt, sällan överens med verkligt utfall (Nahmias, 2013;
Makridakis et al., 1998) och Björnland et al. (2003) menar att prognosutvärdering fungerar som en kontrollfunktion i syfte att lokalisera varför prognosen och verkligheten inte är överensstämmande. Mattsson (2003) poängterar dock att ut-värdering av enskilda perioders prognosavvikelse är intetsägande då det uppstår naturliga variationer i efterfrågan som exempelvis tillkommer efter ändringar i kunder behov. Mattsson (2003) fortsätter med att belysa att det därför är viktigt att utvärdera prognoser över tid och får stöd av Björnland et al. (2003) som menar att prognosavvikelser ska räknas över flera perioder. Det är därav viktigt att välja en adekvat utvärderingsmetod som inkluderar flertalet perioder.
Medelprognosfel
Vid utvärdering av prognosmodeller används enligt teorin mått som prognosfel, medelprognosfel, MAD, MSE och MAPE (Nahmias, 2013; Jonsson & Mattsson 2011;
Mattsson, n d2). Ett verktyg vars funktion är att utvärdera prognosmodellers löpande utfall är medelprognosfel. Genom att mäta medelprognosfelet kan företag se om prognosmodellerna, systematiskt, ligger över eller under den verkliga efterfrågan och utefter det justera parametrarna i prognosmodellerna för att höja träffsäkerheten.
(Jonsson & Mattsson, 2013) Under empiribearbetningen har hänsyn tagits till komponenternas individuella medelprognosfel. För att hitta optimala värden för variablerna n för GM respektive alfa-värde för EU har medelprognosfelet reflekterats över. Beroende på en ökning eller minskning av variablerna har även medelprognosfelet
ändrats positivt eller negativt. Genom att följa effekten av variabeljusteringarna på medelprognosfelet har anpassning kunnat ske av variabeln beroende på åt vilket håll medelprognosfelet flyttats. Metoden användes initialt fungerade som en indikator gällande systematiska avvikelser. För att kunna jämföra måttets utfall mellan olika komponenter sattes det även i relation till den verkliga efterfrågan, vilket benämns som relativt medelprognosfel. genomsnittliga absoluta prognosavvikelsen för en given tidsperiod vilket gör de båda måtten jämbördiga i det avseendet. Författarna finner att MSE blir irrelevant att använda vid utvärderingen av prognosmodeller då måttet inte är fördelaktigt vid jämförelse samt kan vara svårt att analysera och tolka på grund av de stora värdena som måttet tillhandahåller. MAD å andra sidan visar tydligare hur prognosmodellerna presterat i relation till komponenternas individuella efterfråga, vilket gör måttet mer användbart.
Då MAD inte är ett relativt mått kommer det dock inte till användning i prognos-utvärderingen, men är likväl ett mått som är relevant att visualisera i empiri-bearbetningen. Speciellt med tanke på att de absoluta prognosavvikelserna, som ligger till grund för MAD och MSE, används för att beräkna den procentuella absoluta prognosavvikelsen som är nödvändig för att ta fram MAPE.
MAPE
Då uppsatsens syfte är att undersöka hur olika prognosmodeller fungerar är det viktigt att säkerställa att lämplig utvärderingsmetod används. Om fel metod tillämpas blir jämförelser intetsägande och slutsatserna som dras ifrån resultatet blir antingen missvisande eller direkt felaktiga. Enligt Mattsson (n d1) är MAPE en utvärderings-metod som möjliggör jämförelse mellan prognosmodeller eftersom beräkningen visar den genomsnittliga relativa procentuella prognosavvikelsen. Likt MAD uttrycks siffrorna i absoluta tal, men MAPE särskiljer sig genom att vara ett relativt mått och är
därför ett mått att med fördel använda vid jämförande studier. I linje med Mattssons (n d1) hänvisning kommer den avgörande faktorn i utvärderingen angående prognos-modellernas utfall vara MAPE.
Egendefinierat PAP
Som är beskrivit i föregående kapitel, Empiribearbetning, har ett egendefinierat PAP-värde använts för en komponent i Grupp C och för nio komponenter i Grupp D.
Anledningen var att få fram ett MAPE-värde för samtliga produkter. En begränsning som finns i beräkning av MAPE är att det krävs ett PAP för varje period. PAP tas fram genom att dividera den absoluta prognosavvikelsen med den verkliga efterfrågan för samma period (Mattsson, n d5). Då komponenten i Grupp C respektive komponenterna i Grupp D inte hade efterfråga i samtliga perioder skapades behovet att använda ett egendefinierat PAP-värde för att i längden ha möjlighet att ta fram MAPE för dessa komponenter. Tillvägagångssättet för framtagningen av det egendefinierade PAP-värdet är beskrivet i kapitel 5.3.
Författarna är medvetna att lösningen inte är teoretiskt optimal då det egendefinierade PAP-värdet gör att MAPE för de berörda komponenterna inte ger en helt rättvis bild av prognosmodellernas prestation. Vissa prognosavvikelser får ett större relativt viktat PAP, medan andra får ett relativt mindre viktat värde. Dock menar författarna att det i så pass stor utsträckning ger ett rättvist MAPE-värde för berörda komponenter att det är motiverat att använda lösningen. Om inte det egendefinierade PAP-värdet använts som ersättning för de perioderna utan verklig efterfråga hade inte det varit möjligt att jämföra de olika prognosmodellernas utfall, framförallt på gruppnivå. Dessutom är MAPE ett relativt mått vilket även det egendefinierade PAP-värdet är. De egen-definierade PAP:en är skapade endast i relation till berörda komponenters teoretiska framtagna PAP och påverkas därmed direkt av ändringar i prognosmodellers parametrar. Författarna menar att de justerade MAPE-värdena fyller funktionen som jämförelsemått och därmed fungerar som ett adekvat prognosutvärderingsverktyg.
Utvärderingsmetod Inflytande på resultat Motiv
Medelprognosfel Liten Indikator gällande
systematiska avvikelser
MAD och MSE Ingen Ej relativa mått
MAPE Stor Relativt mått, möjliggör
jämförelser
Tabell 6. Studiens utvärderingsmetoder