Förbättrad volymprognos

(1)

EXAMENSARBETE INOM MASKINTEKNIK,

Industriell ekonomi och produktion, högskoleingenjör 15 hp

SÖDERTÄLJE, SVERIGE 2015

Förbättrad volymprognos

Av Hans Henrik Andersson

SKOLAN FÖR INDUSTRIELL TEKNIK OCH MANAGEMENT INSTITUTIONEN FÖR TILLÄMPAD MASKINTEKNIK

(2)

(3)

Förbättrad volymprognos

av

Hans Henrik Andersson

Examensarbete TMT 2016:02 KTH Industriell teknik och management

Tillämpad maskinteknik Mariekällgatan 3, 151 81 Södertälje

(4)

(5)

Examensarbete TMT 2016:02

Förbättrad volymprognos

Hans Henrik Andersson

Godkänt 2016-01-15 Examinator KTH Claes Hansson Handledare KTH Claes Hansson Uppdragsgivare Preem AB Företagskontakt/handledare Marcus Larsson Sammanfattning Projektet förbättrad volymprognos syftar till att kartlägga hur Preems sålda volym varierar mellan tidsperioder beroende på prisutvecklingen under den innevarande perioden. Priset på Preems diesel ut till kund varierar med ett intervall på två veckor. Prisutvecklingen mellan perioderna beror av de underliggande beräkningsfaktorernas snitt under den innevarande perioden. Företagets kunder har lärt sig att utnyttja prismodellen till sin fördel, detta innebär att kunderna har möjlighet att planera sina inköpstillfällen och därigenom förlägga inköpstillfället till det ekonomiskt mest fördelaktiga för kund. Kunderna har också teoretisk möjlighet att istället göra sina inköp hos konkurrent om denne håller ett för tillfället mer fördelaktigt pris. Detta beteende ger upphov till att Preems prognostiserade försäljning för den kommande perioden har en tendens att avvika från det faktiska utfallet. Den prognostiserade volymen köps i förväg internt från Preem Varuförsörjning (VF) till Preem Marknad och Försäljning (MF), när sedan under‐ eller övervolymen som uppstår ska revideras så återköps eller kompletteras denna volym till ett pris som beräknas på spotpriser för de underliggande beräkningsfaktorerna. Med anledning av detta uppstår vinster eller förluster för VF och MF och på så viss vållar kundernas köpbeteende kostnader för Preem. Studiens syfte är att med hjälp av historiska data finna sambanden som orsakar volymförändringarna. Under arbetets gång har data från sålda volymer, världsmarknadsnoteringar för diesel, samt valutakurser analyserats, dessa har sedan legat till grund för de slutsatser som presenteras i skriften. Endast diesel har behandlats i arbetet.

(6)

(7)

Bachelor of Science Thesis TMT 2016:02 Enhanced Volume Forecasting

Hans Henrik Andersson

Approved 2016-01-15 Examiner KTH Claes Hansson Supervisor KTH Claes Hansson Commissioner Preem AB

Contact person at company

Marcus Larsson Abstract This project has a purpose of identify how Preem’s sold volume varies with time depending on price trends during the current price period. Preem’s price to the clients varies with an interval of two weeks. Price changes between the periods depend on the average of the underlying factors during the current period. Preems clients have learned to exploit the price model to their advantage, with that being said the client can plan when they want to buy diesel from Preem and through this place the purchase occasion when it is most economically advantageous for them. Clients also have the theoretical possibility to buy from Preems competitors if the competitor has a lower price than Preem. Due to this behavior the forecasted volume of sales for the next period tends to deviate from the actual volume of sales. The forecasted volume is purchased in advantage from Preem Varuförsörjning (VF) to Preem Marknad och Försäljning (MF), later when under‐ or over volumes turns up it should be revised and the additional volume should be purchased or sold back. The price for this volume is calculated with the spot price of the underlying factors. Due to this, profit or losses arises, and due to this the customers purchase behavior cause losses for Preem. The purpose of this article is to use historical data to find underlying facts that causes changes in volume of sales, and with this information perform more accurate forecasts. During the work data from the volume of sales, world records for diesel and exchange rates have been analyzed, these data builds the foundation to the work presented in the article. Only diesel has been investigated in the report.

(8)

(9)

Innehåll

1 Inledning ... 1 1.1 Bakgrund ... 1 1.1.1 Problemdiskussion ... 1 1.1.2 Syfte ... 2 1.2 Mål ... 2 1.3 Avgränsningar ... 2 1.4 Lösningsmetoder ... 3 2 Nulägesbeskrivning ... 5 3 Teoretisk referensram ... 7 3.1 Vetenskapligt angreppssätt ... 7

3.2 Grunderna i marknadsbaserad prisstrategi ... 8

3.2.1 Marknadsledarprissättning ... 8 3.2.2 Paritetsprissättning ... 9 3.2.3 Lågpris ... 9 3.3 Prognostisering ... 9 3.3.1 Objektiva prognosmodeller ... 9 3.4 Efterfrågan ... 9

4 Genomförande och metod ... 13

4.1 Datainsamlingen ... 13

4.2 Analysen ... 13

4.3 Slutsatsen och prognosmodellen ... 14

4.4 Kompletterande metoder ... 14

5 Analys ... 17

5.1 Prisberäkningsexempel ... 17

5.2 Analys av såld volym och pris per prisbasperiod ... 18

5.3 Jämförelse av släpande 7-dagarspris och släpande 14-dagarspris ... 21

5.4 Studie av veckovolymer år 2013 ... 25

5.5 Veckovolymens relation till prisskillnader ... 26

6 Slutsats ... 31

6.1 Säsongsvariationer ... 31

(10)

7 Rekommendationer och vidare arbete ... 33

7.1 Utgångspunkt och infallsvinkel vid prognostisering ... 33

7.2 Prognosmodellen ... 34 7.3 Kundrelationer ... 35 Källförteckning ... 37 Bilaga I ... i

Figurförteckning

Figur 1, Prisillustration ... 1 Figur 2 ABC-XYZ ... 11 Figur 3, Analys 1 ... 18 Figur 4, Analys 2 ... 19 Figur 5, Analys 3 ... 19 Figur 6, Analys 4 ... 20 Figur 7, Analys 5 ... 20 Figur 8, Analys 6 ... 21 Figur 9, Analys 7 ... 22 Figur 10, Analys 8 ... 22 Figur 11, Analys 9 ... 23 Figur 12, Analys 10 ... 23 Figur 13, Analys 11 ... 24 Figur 14, Analys 12 ... 24 Figur 15, Analys 13 ... 25 Figur 16, Analys 14 ... 26 Figur 17, Analys 15 ... 28 Figur 18, Analys 16 ... 29

(11)

1

1 Inledning

I inledningskapitlet ges en bakgrund som innefattar en problemdiskussion samt syfte med rapporten, vidare specificeras mål, avgränsningar och lösningsmetoder. I övrigt presenteras en illustrativ figur över prissättningen generellt.

1.1 Bakgrund

Drivmedelsbranschen har en komplex situation gällande prissättning av sina produkter. I branschen förekommer olika prismodeller. Någonting som är gemensamt för de flesta av dessa modeller är att de baseras på historiska världsmarknadsnoteringar för färdigraffinerade drivmedelsprodukter och valutakurser, med dessa data beräknas sedan ett pris på drivmedlet. Hur beräkningen genomförs skiljer sig dock åt mellan produkter och företag.

Världsmarknadsnoteringen för diesel är ett spotpris som uppdateras varje dag med undantag för vissa nationella helgdagar och högtider. Denna notering erhålls i enheten US dollar per metriskt ton, vilket medför att en enhetsomvandling behöver vidtas då Preem anger

försäljning i kronor per volymenhet och inte i dollar per viktenhet. Mer om enhetsomvandlingar finns i kapitlet Analys.

Preems prismodell bygger på ett så kallat släpande 15-dagarspris, vilket innebär att den sålda produktens pris beräknas på marknadsnoteringarnas och valutakursens snitt för den

föregående 15-dagarsperioden. En del konkurrerande drivmedelsleverantörer har kortare prisperioder, exempelvis släpande veckopris. Vilket innebär att produktens pris beräknas på snittnoteringarna och valutakurserna för den föregående veckan.

Figur 1, Prisillustration

1.1.1 Problemdiskussion

En del av Preems kunder har lärt sig att utnyttja företagets prismodell till sin ekonomiska fördel, denna kunskap kan omsättas på två sätt. Antingen så kan kunderna välja att planera sina inköps hos Preem, exempelvis förskjuta inköp av stora volymer till nästa prisperiod om man förutser att priset kommer att bli lägre under kommande period. Kunderna kan praktiskt sett även välja att köpa av Preems konkurrenter under perioder då Preems pris ligger högre än konkurrentpriset. Snabba och stora ändringar på produktnoteringarna och/eller valutakursen

(12)

2

innebär väsentlig sämre förutsättningar att prognostisera hur stor volym som kommer att säljas under nästkommande prisperiod. Felaktiga och missvisande prognoser gör att kostnader eller vinster genereras för Marknad & Försäljning (MF). Anledning till detta är att

prognostiserad övervolym ska köpas tillbaks av Preem Varuförsäljning (VF), samt att

undervolym ska kompenseras med tilläggsvolym. Dessa över- och undervolymer handlas till dagspris vilket betyder att prisberäkning för affären görs med hjälp av noterings- och

valutakursens spotpris. Beroende på hur noteringar och valuta har utvecklats från tiden för inköpet så kommer revideringen att bli antingen en förlust- eller vinstaffär för MF.

Till grund för prognoser som utförs i dagsläget ligger historisk försäljning för respektive period. Enligt Larsson (2015) finns ett problem med denna prognostiseringsmetodik då volymen är mycket volatil från period till period beroende på hur det aktuella prisläget på marknaden är. Enligt Larsson finns en tes om att kunderna väljer att planera sina inköp beroende på när det mest fördelaktiga priset förekommer på marknaden. Kunderna antas ha viss allmänt känd tillgång till noterings- och valutakurser samt att de har kännedom om Preems beräkningsformel för priset. Enligt Larsson (2015) har många kunder prisbrev från konkurrenter med annan prisbasperiod än Preem. Med denna information tillgänglig kan kunderna relativt enkelt förutse prisutvecklingen för nästa prisperiod.

1.1.2 Syfte

Syftet med studien är att kartlägga vilka marknadsrelaterade skeenden som påverkar

förändringar i såld volym. Samt att peka på förbättringsåtgärder för att reducera osäkerheten i om den framtida efterfrågan. De sekundära effekterna är bättre logistikkapacitetsplanering samt en minskad volymprognoskostnad.

1.2 Mål

Målet med arbetet är att hitta metoder eller verktyg för att med större noggrannhet kunna prognostisera kundernas köpmönster baserat på utvecklingen av marknadsnoteringarna och prisbilden från slutet av den föregående prisperioden.

1.3 Avgränsningar

 Preem har idag inte systemmässiga förutsättningar att ha mer än en prisbasperiod per produkt, studien kommer därmed inte att kartlägga effekten av alternativa

prisbasperioder.

 Studien kommer endast att behandla dieselprodukter.

 Studien kommer inte att kartlägga huruvida kunderna väljer att placera sina inköp hos eller planera sina inköpstillfällen hos Preem, då båda dessa beteenden ger upphov till samma prognostiseringsproblematik.

(13)

3

 Studien kommer inte att kartlägga ägarförhållanden av drivmedlet internt inom Preem eller på depå.

 Studien kommer inte att beräkna eventuella kostnadsbesparingar då detta är en sekundäreffekt av felprognostiseringar.

1.4 Lösningsmetoder

Metoder för att uppnå målen har varit att med data från Preems interna databaser inhämta relevant information, för att med denna information som grund göra analyser i Microsoft Excel. Denna information har sedan legat som grund för studien som helhet.

Som stöd till ovanstående metod har även intervjuer med företagets ansvariga chefer och medarbetare genomförts för att höja studiens reliabilitet. Med anledning av branschens relativt komplexa prismodeller har dessa intervjuer till stor del använts som källa, då facklitteratur inom området i hög grad saknas.

Beräkningar i priselasticitet har varit en del av den fördjupade analysen för att jämföra

skillnader mellan olika prismodeller och dess inverkan på den sålda volymen. På detta sätt är det möjligt att med hjälp av noteringarnas utveckling i slutet av innevarande prisbasperiod prognostisera försäljningsvolymen för nästkommande prisbasperiod.

(14)

(15)

5

2 Nulägesbeskrivning

Preem AB är Sveriges största drivmedelsbolag enligt dem själva (2015). Preem är också enligt Larsson (2015) marknadsledande inom försäljning av diesel och gasolja på den Svenska marknaden. Företaget har två raffinaderier som ligger belägna i Göteborg respektive Lysekil, och ett stationsnät som täcker hela Sverige. Internt finns två delar av företaget: Preem

Marknad & Försäljning (hädanefter kallat MF) och Preem Varuförsörjning (hädanefter kallat VF). MF köper energi- och drivmedelsprodukter av VF och säljer till slutkund. Med

anledning av detta upprättar MF en initial prognos över sin försäljning som i sin tur ligger till grund för hur stor volym som ska köpas från VF inför varje ny prisbasperiod.

Inom drivmedelsindustrin beräknas dieselpriser med hjälp av världsmarknadsnoteringar för färdigraffinerad diesel (hädanefter kallat dieselnotering), denna notering är ett spotpris som uppdateras varje dag (med undantag för helgdagar och högtider). Noteringens enhet är [US dollar/metriskt ton]. Enligt (Larsson M) har värdet på dieselnoteringen en stark korrelation med priset för olika råoljekvaliteter såsom Brent. Dock påverkas dieselnoteringen på kort sikt mycket mer av fysisk tillgång och efterfrågan av diesel på den lokala marknaden.

När MF köper från VF så prissätts den volymen på exakt samma sätt som nämnts i kapitel 1, det vill säga enligt snitten från föregående 15-dagarsperiod.

Med ovanstående som bakgrund kan sägas att kunderna har lärt sig att utnyttja Preems prismodell till sin fördel, oberoende av om de väljer att planera sina inköp hos Preem eller köpa av en konkurrent då båda dessa utfall får samma konsekvens för Preem.

Kundernas köpmönster gör att MF i dagens läge inte har möjlighet att göra noggranna prognoser över hur stor volym som ska köpas från VF. Detta innebär att Preem säljer och köper betydande tilläggsvolymer från VF. Dessa tilläggsvolymer prissätts enligt

dieselnoteringens aktuella spotpris, att jämföra med den redan köpta volymen som är prissatt enligt släpande 14-dagar. Resultatet blir att kostnader eller vinster uppstår för MF beroende på hur dieselnoteringens spotpris har utvecklats jämfört med snittet från föregående

14-dagarsperiod. Detta faktum är icke önskvärt för MF och Preem som helhet.

(16)

(17)

7

3 Teoretisk referensram

Den teoretiska referensramen syftar till att ge en bild av det befintliga kunskapsläget i berörda delar, tidigare studier i prissättning, prognostisering och efterfrågan lyfts fram.

3.1 Vetenskapligt angreppssätt

Studien har sin grund i insamling av empiriska data från Preems databaser som används för analysen. Hypoteser utvecklas med den empiriska datan som grund och testas sedan empiriskt för att kartlägga huruvida hypotesen har en relevant bärighet eller ej. För att underbygga studiens vetenskaplighet så behövs en beskrivning av de filosofiska begreppen deduktion och induktion, nedan följer bakgrundsinformation gällande deduktion och induktion hämtat från Schiött (2015):

Deduktion

Deduktion är att berättiga ett påstående om att veta någonting genom att bevisa det med andra sanningar. Enligt Schiött (2015) är de enda argument som accepteras rent objektiva och sakliga. Detta innebär att varje enskilt resonemang i en kedja måste vara logiskt oantastligt. Att berättiga ett påstående som korrekt och sant genom att bevisa det med andra sanningar är allmänt känt som slutledning. För att kunna slutleda någonting utgår man enligt Schiött (2015) från premisser, den aktuella premissen ska vara sann på ett alldeles självklart sätt. Den logiska regeln som tillhör deduktiv slutledning kalla för syllogism, vilken enligt Schiött (2015) innebär att slutsatsen inte får innehålla något som inte finns i premisserna. Detta resonemang mynnar ut i att om premisserna är sanna så är slutsatsen garanterat sann. Det mest klassiska exemplet på syllogistisk deduktion följer nedan:

Premiss 1: Alla människor är dödliga. Premiss 2: Sokrates är en människa. Slutsats: Sokrates är dödlig

Denna sanning kan tyckas gälla så långt, men vad en människa är för något är inte naturgivet utan något som vi har definierat och därmed kan vi betrakta premiss 2 som sann. Om premiss 1 kan påstås vara sant så ingår begreppet dödlighet i definitionen av en människa, och då får vi istället slutsats enligt nedan:

Premiss 1: Ingen människa som hittills levt har överskridit en viss ålder. Slutsats: Alla människor är dödliga.

Detta är inte längre deduktion.

Induktion

När det dras slutsatser utifrån begränsade premisser kallas det för induktiv slutledning, enligt Schiött (2015) är resonemang där varje premiss underbygger slutsatsen utan att medföra

(18)

8

logisk nödvändighet ett exempel på induktion. Skillnaden mellan deduktion och induktion är därmed enligt följande: Det är alltid möjligt att förneka induktiva slutsatser utan att förneka premisserna. I vardagligt tal kan induktion anses som generalisering. En induktiv slutsats är enligt (Schiött) aldrig hundraprocentigt säker och vi måste vara på det klara med att en induktiv slutsats är antagen på försök och kan alltid motbevisas i framtiden. Ett klassiskt exempel på induktion följer nedan:

Premiss 1: Bil A är svart. Premiss 2: Bil B är svart. Premiss 3: Bil C är svart. Premiss 4: Bil D är svart. Premiss 5: Bil E är svart. Slutsats: Alla bilar är svarta.

I studien kommer rekommendationerna och slutsatserna baseras på en i huvudsak induktiv analys. Det vill säga att resultaten bygger på delvis relativa sanningar och generella trender snarare än absoluta sanningar.

3.2 Grunderna i marknadsbaserad prisstrategi

Gällande prissättning av drivmedel så gäller samma fundamentala fakta som prissättning i övrigt. Nedan presenteras ett antal prisstrategier kategoriserade som marknadsbaserade prisstrategier hämtade från Harling & Jensen (2005) samt Noble & Gruca (1999). Den marknadsbaserade prissättningen kan sägas uppstå när den aktuella produkten har uppnått en mognad på marknaden, diesel kan sägas ha uppnått en mognad på marknaden då produkten funnits länge och inte är förknippat med någon ny revolutionerande teknik. Viss

produktutveckling som är kopplat till dieselprodukter finns förvisso, Svenska

drivmedelsproducenter gör löpande försök att differentiera sig från konkurrenterna. Exempel på detta är Preems lansering av sin ACP Evolution Diesel (hämtat från Preems hemsida 2015) och Statoils Miles Diesel (hämtat från Statoils hemsida 2015). Denna produktutveckling kommer i studien inte att beaktas då författaren gör antagandet att slutkonsumenten av dieseln fäster liten vikt vid detta faktum, samt att kunderna bedöms prioritera prisbilden högre.

3.2.1 Marknadsledarprissättning

Om ett företag befinner sig marknadsledande ställning så kan företaget eventuellt ha

möjlighet att tillämpa marknadsledarprissättning. Detta innebär i konkret mening att företaget kan prissätta sin produkt eller tjänst som det passar dem, ofta innebär detta att eventuella konkurrenter kommer att tillämpa en liknande prisbild. Ett krav för att tillämpa denna prisstrategi är att företaget har en stor marknadsandel samt att det är lätt att kartlägga och förutse de prisförändringar som sker. Detta enligt Harling & Jensen (2005).

(19)

9

3.2.2 Paritetsprissättning

Denna form av prisstrategi innebär att ett företag prissätter sin vara eller tjänst utifrån hur marknadsledaren prissätter. Företaget kan i detta fall välja att sätta sin vara till exakt samma pris som marknadsledaren eller konsekvent prissätta med differens till marknadsledarens pris (Harling & Jensen).

3.2.3 Lågpris

Företag som har en kostnadsfördel jämfört med sina konkurrenter har möjlighet att tillämpa en lågprisstrategi. Vidare kan det vara så att företaget besitter en kompetens inom prissättning som konkurrenterna inte har, och därigenom har möjlighet att tillskansa sig fördel jämfört med konkurrenterna (Harling & Jensen). Företag som agerar utifrån en lågprisstrategi kan utlösa priskrig på marknaden. De marknadsförhållanden som råder på en lågprismarknad kännetecknas av att det är svårt kartlägga prisförändringar enligt (Harling & Jensen).

3.3 Prognostisering

För att på ett tillfredställande sätt harmonisera mellan tillgång och efterfrågan av ett företags varor eller tjänster krävs det information om framtida efterfrågan. I många fall handlar det om att införskaffa rätt mängd råvara. Hur mycket råvara eller resurser som behöver införskaffas kan inte bestämmas av befintliga kundorder, då denna information inte sträcker sig tillräckligt långt fram i tiden för att kunna göra större bedömningar av framtida efterfrågan. Med

anledning av detta så behövs det göras en bedömning av framtida efterfrågan, detta förfarande kallas enligt (Evaldsson & Hahrs) för prognostisering.

Enligt (Evaldsson & Hahrs) kännetecknas en prognos oftast av att den inte överensstämmer med det verkliga utfallet. Trots detta behöver företag ofta betrakta prognoser av sin

efterfrågan som sann information. Detta ger att det aktuella företaget kan behöva göra revideringar kopplat till produktionskapacitet, råvaruinköp med mera baserat på denna relativa sanning.

3.3.1 Objektiva prognosmodeller

En objektiv prognosmodell baseras en enligt Jonsson & Mattson (2011) på analyser av data och de säger att analyser och beräkningar har sin grund i efterfrågehistorik. Enligt Evaldsson & Hahrs (2015) kan objektiva prognosmodeller vara betingade eller icke-betingade.

Betingande modeller tar enligt Evaldsson & Hahrs (2015) hänsyn till yttre

förklaringsvariabler som exempelvis hur en planerad reklamkampanj kommer att påverka efterfrågan. En icke-betingad modell innehåller endast information från historiska data av det som ska prognostiseras.

3.4 Efterfrågan

Enligt Syntetos & Boylan (2005) beskrivs två modeller angående kategorisering av produkter i deras efterfrågestruktur. Dessa två modeller har sin grund i variationer i produkternas efterfrågan. De två modeller som presentera i artikeln redovisas nedan:

(20)

10

Denna modell har sin grund i längden på efterfrågeperioden (L), därefter multipliceras efterfrågeperioden med frekvensen på efterfrågetillfällen (). Om det sedan utförs en division med 1 i täljaren och produkten i nämnaren så blir kvoten tiden mellan det att produkten efterfrågas, se beräkning nedan:

tillfällen efterfråge mellan tid L   1

I nästa skede används CV2(x) för att bestämma den kvadrerade variationen i

efterfrågankvantitet för produkten, detta enligt (Evaldsson & Hahrs). CV2(x) divideras sedan med

L





1

och detta ger variationen i efterfrågan vid varje tillfälle produkten efterfrågas. Utefter resultatet av ovanstående beräkning så ska produkten kategoriseras i en särskild grupp. Grupperna som sätts upp definieras av gränsvärden som är satta av ledningsgrupp eller berörd personal. Kategorisering sätts därmed upp av företaget internt och ingen vedertagen

gruppering existerar.

Syftet med grupperingen är enligt (Evaldsson & Hahrs) att gruppera artiklar med ojämn efterfrågan och därmed hitta en prognosmodell som är bäst lämpad till att användas utifrån de olika grupperna.

ABC-XYZ analys

Scholz-Reiter, B, Heger, J, Meinecke, C, Bergmann, J. (2012) skriver en artikel där de väljer att kategorisera artiklar med vad de kallar en ABC-XYZ analys. I analysen skapas nio fält i en figur (se figur 2). Analysen innefattar tre stycken sekvenser, den första sekvensen är en

traditionell ABC-analys, där företagets produkter delas upp utifrån deras inverkan på företagets aggregerade omsättning.

Den andra sekvensen innefattar att gruppera produkterna efter deras variationsindex, denna analys kallas för XYZ-analys. Författarna till artikeln tar fram variationsindexet genom att dividera standardavvikelsen med snittet av efterfrågan för det senaste året, Scholz-Reiter et al. (2012) har definierat gränsvärdena till:

X = index < 0,5 Y = index 5 <= 1 Z = index > 1

Detta betyder att produkter som kategoriseras i X har en relativt stabil efterfrågestruktur och produkter som kategoriseras som Z har en oregelbunden efterfrågan. Slutgiltigen återstår att placera produkterna i aktuell ruta nedan.

(21)

11

(22)

(23)

13

4 Genomförande och metod

Kapitlet syftar till att ge en bild av hur det praktiska genomförandet gick till, kapitlet är uppdelat i delar som omfattar berörda steg i genomförandet. I övrigt behandlas

kompletterande metoder under separat del i kapitlet.

4.1 Datainsamlingen

För genomförandet av arbetet samlades först de data som krävdes för att på ett tillfredställande sätt komma till önskade resultat. Dessa data omfattade följande:

- Sålda dieselvolymer - Dieselnoteringar - Valutakurser - Beräknade priser

För at uppnå tillfredställande resultat upprättades ett kalkylark där all data som har använts fördes in. Vidare var det nödvändigt att beräkna snittvärdet för dieselnoteringarna, både gällande prisbasperioden (14-dagar) och per vecka. Anledningen till att beräkna noteringens snitt per vecka var att se hur kundernas köpmönster påverkades i denna nya prisbasperioden beroende på hur noteringarna utvecklades mot slutet av den föregående prisbasperioden. Det gjordes även en rad prisberäkningar baserat på genomsnittsvärdena ovan, dessa utgjordes av priset per prisbasperiod samt ett fiktivt pris i form av släpande 7-dagar. Anledningen till att beräkna ett fiktivt 7-dagarspris var att se hur volymen påverkades av respektive prismodellers rörelser.

4.2 Analysen

De beräknade priserna jämfördes sedan år för år (2010 - 2015) med sålda volymer för respektive period. Efter en del insikter som preciseras närmare i kapitlet Analys gjordes en fördjupad analys. Till grund för denna analys beräknades prisskillnaden mellan de olika prismodellerna i snitt per vecka. Prisskillnaden jämfördes sedan med den sålda volymen per vecka, här framträdde ett än tydligare mönster än tidigare.

Dessa samband bedömdes vara tillräckligt tydliga för att användas som bevis för de antaganden som fanns innan studien gjordes. Med hjälp av dessa förfinande analyser fastställdes ramverket till vilka parametrar som fortsatt skulle användas.

När det var fastslaget att prisskillnaden gick att ställa i relation till förändringen i såldvolym var ambitionen att söka ett djupare samband. Ett indexvärde för prisskillnaden utvecklades, detta för att göra det framtida arbetet mer begripligt än att försöka ställa ett pengavärde i proportion till volymförändringarna. Vidare gjordes ett försök att hitta samband mellan indexets värde och volymförändringarna. I dessa försök framträdde ett liknande mönster som tidigare, dock gjorde den begränsade mängden data (2010 - 2015) att inga tillförlitliga

samband kunde hittas. Konkret betyder detta att indexets värde inte kunde ställas i proportion till volymförändringarna, för att sedan använda detta som stöd i ett framtida

(24)

14

Även om försöket med att ställa indexets värde i proportion till volymförändringarna misslyckades, så kvarstod faktumet att en tydlig relation fanns mellan prisskillnad och volymförändringar. Med anledning av detta så gjordes ytterligare försök att konkretisera och kartlägga relationen mellan prisskillnad och volymförändring. I detta steg så avser studien att utveckla en konkret metod för att göra förbättrade prognoser för kommande vecka.

För att kunna konkretisera sambandet så beräknades snittet för den sålda volymen per vecka under tidsperioden 2010-01-01 till 2015-09-30. Snittet jämfördes sedan med den faktiska volymen under den aktuella veckan och lades som en graf i ett diagram. I samband med detta lades en graf med prisskillnaden mellan släpande vecka och släpande 14-dagar. I jämförelsen framträdde en tydlig korrelation. För att kunna utveckla en konkret metod av korrelationen lades en graf över volymförändringen för aktuell vecka mot snittet för femårsperioden, samtidigt som indexintervallen lades på x-axeln. När detta var gjort så lades en trendlinje för datan, i detta skede fastslogs även att sambandet skulle betraktas som linjärt.

4.3 Slutsatsen och prognosmodellen

Genom att beräkna trendlinjens k-värde kunde sambandet mellan prisindexets förändring kopplat till volymförändringen mot snittet för femårsperioden fastställas. K-värdet gav hur många kubikmeter volymen kommer att förändras i förhållande till förändringen i varje indexheltal mellan perioderna.

Med bakgrund av denna information utvecklades ett prognosverktyg i Microsoft-Excel för framtida användande. I verktyget finns ett User-Interface där användaren uppmanas att mata in värden för:

- Släpande 7-dagarspris, innevarande vecka.

- Släpande 14-dagarspris, snittet för innevarande vecka. - Släpande 7-dagarspris, kommande vecka.

- Släpande 14-dagarspris, snittet för kommande vecka. - Summa av volymuttag för innevarande vecka.

Efter att användaren har matat in dessa värden så generas en prognostiserad volym för kommande vecka.

4.4 Kompletterande metoder

Som stöd i genomförandet användes framförallt intervjuer med berörd personal från Preem AB, intervjuerna genomfördes på plats i företagets lokaler. Samtliga intervjuer finns

presenterade i Bilaga I. I intervjuerna så gavs intervjupersonerna möjlighet att utveckla sina svar i en tillfredställande omfattning, detta eftersom att intervjuerna hölls muntligt varvid anteckningar fördes. I studiens initiala skede övervägdes att jobba med enkätintervjuer, men då denna typ av intervjuer inte ger intervjupersonerna möjligheten att utveckla sina svar och resonemang så bedömdes muntliga intervjuer i enskilt rum som mer tillfredställande i studiens sammanhang. Intervjuerna gjordes parallellt med det övriga arbetet i studien och

(25)

15

Intervjuernas tillförlitliget ska bedömmas med vetskapen att samtliga intervjuperson arbetar på samma avdelning inom företaget. Ställningstaganden och ståndpunkter i specifika frågor skulle därmed kunna anses ha en särskild åskådning. Detta utifrån att vedertagna sanningar eller uppfattningar av praxisartad sort kan förekomma på specifika delar av samma företag.

(26)

(27)

17

5 Analys

5.1 Prisberäkningsexempel

Som inledning presenteras hur Preem genomför sin prisberäkning för prisbasperiod februari-P2 2015, baserat på reala data från den föregående 14-dagarsperioden. Utöver det beräknade priset nedan tillkommer ett påslag som utgör företagets marginal, detta påslag utelämnas i beräkningarna då Preem jobbar med ett fast påslag oavsett prisbild. Densiteten för Preems konventionella diesel (ACP Evolution Diesel MK1 max 7 % RME) ligger mellan 800 – 830 kg/m3 (0,8 – 0,830 kg/l). Enligt Larsson (2015) så finns det ingen notering för Svensk

Miljöklass 1 diesel med densiteten som angetts ovan, därför används noteringen för Europeisk standarddiesel med Miljöklass 3 med densitet 0,845 kg/l. Vidare uppstår svårigheter med att mäta faktisk densitet på en flytande produkt, enligt Backman (2015).

Datum ULSD [USD/metric ton] sek/USD

2015-02-01 - - 2015-02-02 516,5 8,25005 2015-02-03 539,25 8,29115 2015-02-04 539 8,24955 2015-02-05 546,25 8,26425 2015-02-06 554,5 8,25685 2015-02-07 - - 2015-02-08 - - 2015-02-09 569 8,37355 2015-02-10 557,25 8,36195 2015-02-11 548 8,34275 2015-02-12 568,75 8,40285 2015-02-13 596,5 8,42545 2015-02-14 - - 2015-02-15 - - Prisberäkning för februari-P2:

(28)

18 3 3 3 2 , 3892 1000 89219 , 3 89219 , 3 845 , 0 32184 , 8 1000 5 , 553 845 , 0 ) / ( 1000 2 Pr 32184 , 8 10 42545 , 8 40285 , 8 34275 , 8 36195 , 8 37355 , 8 25685 , 8 26425 , 8 24955 , 8 29115 , 8 25005 , 8 / 5 , 553 10 ) 5 , 596 75 , 568 548 25 , 557 569 5 , 554 25 , 546 539 25 , 539 5 , 516 ( m sek m l l sek l sek l kg usd sek kg Usd m kg snitt usd sek kg snitt ULSD P februari is snitt Usd Sek snitt ULSD                                          

5.2 Analys av såld volym och pris per prisbasperiod

Nedan presenteras sålda volymer per prisbasperiod år för år. På x-axeln syns året följt av en siffra, ett till tio, vilken anger månad (1 = januari, 2 = februari och så vidare). Efter siffran som anger året, finns prisbasperioden angiven där P1 är den första prisbasperioden den aktuella månaden och P2 är den andra prisbasperioden samma månad. Värdet på den primära y-axeln utgör värdet för såld volym [m3] medan värdet på den sekundära y-axeln utgör värdet för priset [kr/m3], detta gäller alla diagram i detta kapitel.

Figur 3, Analys 1 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 10000 20000 30000 40000 50000 60000 20 101P1 20 101P2 20 102P1 20 102P2 20 103P1 20 103P2 20 104P1 20 104P2 20 105P1 20 105P2 20 106P1 20 106P2 20 107P1 20 107P2 20 108P1 20 108P2 20 109P1 20 10 9P2 20 1010 P1 20 1010 P2 20 1011 P1 20 1011 P2 20 1012 P1 20 1012 P2

Summa av Bulk m3 diesel

(29)

19 Figur 4, Analys 2 Figur 5, Analys 3 0 1000 2000 3000 4000 5000 6000 7000 0 10000 20000 30000 40000 50000 60000 20 111P1 20 111P2 20 112P1 20 112P2 20 113P1 20 113P2 20 114P1 20 114P2 20 115P1 20 115P2 20 116P1 20 116P2 20 117P1 20 117P2 20 118P1 20 118P2 20 119P1 20 11 9P2 20 1110 P1 20 1110 P2 20 1111 P1 20 1111 P2 20 1112 P1 20 1112 P2

Medel av Pris (kr/m3) per prisperiod

4600 4800 5000 5200 5400 5600 5800 6000 6200 0 10000 20000 30000 40000 50000 60000 20 121P1 20 121P2 20 122P1 20 122P2 20 123P1 20 123P2 20 124P1 20 124P2 20 125P1 20 125P2 20 126P1 20 126P2 20 127P1 20 127P2 20 128P1 20 128P2 20 129P1 20 12 9P2 20 1210 P1 20 1210 P2 20 1211 P1 20 1211 P2 20 1212 P1 20 1212 P2

(30)

20 Figur 6, Analys 4 Figur 7, Analys 5 4400 4600 4800 5000 5200 5400 5600 0 10000 20000 30000 40000 50000 60000 20 131P1 20 131P2 20 132P1 20 132P2 20 133P1 20 133P2 20 134P1 20 134P2 20 135P1 20 135P2 20 136P1 20 136P2 20 137P1 20 137P2 20 138P1 20 138P2 20 139P1 20 13 9P2 20 1310 P1 20 1310 P2 20 1311 P1 20 1311 P2 20 1312 P1 20 1312 P2

Medel av Pris (kr/m3) per prisperiod

0 1000 2000 3000 4000 5000 6000 0 10000 20000 30000 40000 50000 60000 20 141P1 20 141P2 20 142P1 20 142P2 20 143P1 20 143P2 20 144P1 20 144P2 20 145P1 20 145P2 20 146P1 20 146P2 20 147P1 20 147P2 20 148P1 20 148P2 20 149P1 20 14 9P2 20 1410 P1 20 1410 P2 20 1411 P1 20 1411 P2 20 1412 P1 20 1412 P2

(31)

21

Figur 8, Analys 6

Med stöd av ovanstående figurer kan en viss tendens till uppgång i såld volym vid nedgång i pris och omvänt ses, även om inga som helst vidare slutsatser kan dras med denna

information. För att skapa en utökad bild görs en vidare analys där ett fiktivt pris räknas fram baserat på snittet av dieselnoteringen och dollarkursen för den föregående veckan, måndag till och med söndag.

Den fortsatta analysen motsvarar alltså ett scenario där företaget skulle tillämpa prismodellen: släpande vecka, istället för släpande 14-dagars. Det vill säga att det nya fiktiva priset

motsvarar Preems konkurrentpris (förutsatt att konkurrenten i fråga tillämpar veckopris). Detta är dock den sekundära anledningen till den fortsatta analysen, även om det är ett viktigt faktum. Den primära anledningen är att söka samband mellan dieselnoteringens och

dollarkursens rörelser i slutet på den innevarande prisbasperioden, i detta fall den sista veckan.

5.3 Jämförelse av släpande 7-dagarspris och släpande

14-dagarspris

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 10000 20000 30000 40000 50000 60000 70000

(32)

22 Figur 9, Analys 7 Figur 10, Analys 8 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 10000 20000 30000 40000 50000 60000 20 101P1 20 101P2 20 102P1 20 102P2 20 103P1 20 103P2 20 10 4P1 20 10 4P2 20 10 5P1 20 10 5P2 20 106P1 20 106P2 20 107P1 20 107P2 20 108P1 20 108P2 20 109P1 20 109P2 20 1010 P1 20 1010 P2 20 1011 P1 20 1011 P2 20 1012 P1 20 1012 P2

Medel av Pris (kr/m3) per prisperiod Medel av Pris (kr/m3) per släpande vecka

0 1000 2000 3000 4000 5000 6000 7000 0 10000 20000 30000 40000 50000 60000 20 111P1 20 111P2 20 112P1 20 112P2 20 113P1 20 113P2 20 114P1 20 114P2 20 115P1 20 115P2 20 116P1 20 116P2 20 117P1 20 117P2 20 118P1 20 118P2 20 11 9P1 20 119P2 20 1110 P1 20 1110 P2 20 1111 P1 20 1111 P2 20 1112 P1 20 1112 P2

(33)

23 Figur 11, Analys 9 Figur 12, Analys 10 4400 4600 4800 5000 5200 5400 5600 5800 6000 6200 0 10000 20000 30000 40000 50000 60000 20 121P1 20 121P2 20 122P1 20 122P2 20 123P1 20 123P2 20 124P1 20 124P2 20 125P1 20 125P2 20 126P1 20 126P2 20 127P1 20 127P2 20 128P1 20 128P2 20 129P1 20 12 9P2 20 1210 P1 20 12 10 P2 20 1211 P1 20 12 11 P2 20 1212 P1 20 12 12 P2

4400 4600 4800 5000 5200 5400 5600 0 10000 20000 30000 40000 50000 60000 20 131P1 20 131P2 20 132P1 20 132P2 20 133P1 20 133P2 20 134P1 20 134P2 20 135P1 20 135P2 20 136P1 20 136P2 20 137P1 20 137P2 20 138P1 20 138P2 20 139P1 20 13 9P2 20 1310 P1 20 13 10 P2 20 1311 P1 20 13 11 P2 20 1312 P1 20 13 12 P2

(34)

24 Figur 13, Analys 11 Figur 14, Analys 12 0 1000 2000 3000 4000 5000 6000 0 10000 20000 30000 40000 50000 60000 20 141P1 20 141P2 20 142P1 20 142P2 20 143P1 20 143P2 20 144P1 20 144P2 20 14 5P1 20 145P2 20 146P1 20 146P2 20 147P1 20 147P2 20 148P1 20 148P2 20 149P1 20 149P2 20 1410 P1 20 1410 P2 20 1411 P1 20 1411 P2 20 1412 P1 20 1412 P2

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 10000 20000 30000 40000 50000 60000 70000

(35)

25

Ur dessa data framträder tydliga mönster, där volymen på ett konsekvent sätt ökar när priset per släpande 14-dagar (Preems prisbasperiod) är lägre än priset per släpande 7-dagar. Värt att notera är att kausaliteten fortfarande är oklar, det är därmed inte helt klarlagt att

volymförändringen är ett resultat av prisskillnaden. Oavsett så indikerar detta att kundernas köpmönster står i relation till prisutvecklingen i slutet på innevarande prisbasperiod. Dock kan inga slutsatser dras huruvida kunderna väljer att placera sina inköp hos konkurrent eller

planera sina inköp hos Preem. Dock är denna frågeställning ovidkommande i för studien, då båda dessa kundbeteenden ger upphov till samma prognostiseringsproblematik.

Stora avvikelser kan i synnerhet observeras i september 2013, där priset per släpande vecka är väsentligt dyrare än priset per släpande 14-dagar under P1 och omvänt under P2.

Då 2013 är det år som lämpar sig bäst för fortsatt analys så kommer en djupare analys att initialt endast att göras på detta år. För att ta analysen vidare så jämförs såld volym per vecka med samma prisperioder som tidigare. Detta innebär att veckonummer läggs på x-axeln istället för prisbasperiod.

5.4 Studie av veckovolymer år 2013

Här framträder ett än tydligare mönster där förändringar i volym har ett samband med prisbilden. I synnerhet under perioderna: v. 17, v.18 till v.22 samt v.38 till v.39. Under dessa perioder avviker de två prismodellerna signifikant från varandra samt att volymen under samma period förändras jämfört med föregående perioder.

4200 4400 4600 4800 5000 5200 5400 5600 5800 0 5000 10000 15000 20000 25000 30000 20 131 20 133 20 135 20 137 20 139 20 1311 20 1313 20 1315 20 1317 20 1319 20 1321 20 1323 20 1325 20 1327 20 1329 20 1331 20 1333 20 13 35 20 1337 20 1339 20 1341 20 1343 20 1345 20 1347 20 1349 20 1351

(36)

26

5.5 Veckovolymens relation till prisskillnader

Med anledning av att informationen som visas i figur 13 gav ett tillfredställande resultat så görs vidare analyser där prisskillnaden mellan släpande 14-dagars pris och släpande 7-dagarspris [kr/m3]. Prisskillnaden redovisas på den sekundära y-axeln där ett positivt värde motsvarar att 14-dagarspriset är lägre än 7-dagarspriset, medan ett negativt värde motsvarar att 7-dagarspriset är lägre än 14-dagarspriset.

Korrelationen mellan prisskillnad och volymförändringar i denna jämförelse är tydlig. Här framträder ett resultat där volymen minskar när prisskillnaden rör sig i negativ riktning och i synnerhet när prisskillnaden har ett värde som är lägre än noll. Det kan även observeras att omvända förhållanden råder.

För att kunna utföra ett försök att ställa prisskillnadens storlek i relation till förändringen i volym från föregående vecka, utvecklas ett index för att i framtiden på ett mera begripligt sätt kunna behandla informationen. Index beräknas enligt: 1000

14dagar släpande per pris ens prisdiffer . Nedan presenteras en tabell, i den vänstra kolumnen har indexet delats upp i intervall och i den högra kolumnen presenteras den genomsnittliga volymförändringen från föregående vecka för det aktuella intervallet. En negativ volymförändring indikerar att Preem har sålt en mindre volym jämfört med föregående vecka, medan en positiv volymförändring innebär att företaget sålt en större volym jämfört med föregående vecka. Mätningen genomfördes med data från 2010-01-01 till och med 2015-09-30. Se tabell nedan.

-400 -300 -200 -100 0 100 200 0 5000 10000 15000 20000 25000 30000 20 131 20 133 20 135 20 137 20 139 20 1311 20 1313 20 13 15 20 1317 20 1319 20 1321 20 1323 20 1325 20 1327 20 1329 20 1331 20 1333 20 1335 20 1337 20 1339 20 1341 20 1343 20 1345 20 1347 20 1349 20 1351 20 1353

(37)

27

Intervall Index Genomsnittlig volymförändring i intervallet [m3] <= -40 -3228 -40 till -35 -4888 -35 till -30 -944 -30 till -25 -917 -25 till -20 34 -20 till -15 -793 -15 till -10 -1442 -10 till -5 -294 -5 till 0 695 0 till 5 1728 5 till 10 -60 10 till 15 1052 15 till 20 380 20 till 25 -1058 25 till 30 850 30 till 35 -4126 35 till 40 440 >= 40 3665 Tabell 1

Vid analys av dessa data kan inga direkta relationer mellan index och volymförändring konstateras. Dock så kan vissa mönster ses i de båda utkanterna av mätintervallet där

volymförändringen är relativt hög, dessutom i rätt riktning. I övrigt förekommer alltför stora avvikelser mätningen, och därmed förkastas denna mätning som irrelevant.

Ett nytt försök görs med samma ambition som tidigare men med ett annat tillvägagångssätt. I denna analys jämförs den aktuella veckans volym med snittet för samma vecka mellan 2010 – 2014, samt hur mycket denna avviker. I relation till detta ställs återigen prisskillnaden mellan de två prismodellerna. Denna gång redovisas volymens avvikelse mot snittet som en linje istället för staplar, prisskillnaden redovisas som tidigare i linjeform. Även här analyseras år 2013. Se diagram nedan.

(38)

28

Då korrelationen i dessa data i det initiala skedet ser ut att vara mycket hög, väljs dessa data som vidare utgångspunkt. Prisskillnaden indexeras som tidigare, med utgångspunkten att ta fram ett samband mellan indexet och volymavvikelsen mellan snittet och aktuell vecka. Se tabell nedan.

Indexintervall Genomsnittlig volymavvikelse [m3]

-40 > -5149 -40 till -35 -789 -35 till -30 -1295 -30 till -25 -2414 -25 till -20 -1996 -20 till -15 -1316 -15 till -10 -333 -10 till -5 -28 -5 till 0 45 0 till 5 1272 5 till 10 452 10 till 15 1646 15 till 20 2250 20 till 25 1011 25 till 30 2880 30 till 35 -2334 35 till 40 2222 40 < 3775 Tabell 2 -300 -250 -200 -150 -100 -50 0 50 100 150 200 250 -80000 -60000 -40000 -20000 0 20000 40000 60000 20 101 20 103 20 105 20 107 20 109 20 1011 20 1013 20 1015 20 1017 20 1019 20 1021 20 1023 20 1025 20 1027 20 1029 20 1031 20 10 33 20 10 35 20 1037 20 1039 20 1041 20 1043 20 1045 20 1047 20 1049 20 1051 20 1053

Summa av Snitt per vecka vs. Aktuell vecka

(39)

29

Dessa data analyseras vidare i ett diagram och ett linjärt samband antas, se diagram nedan.

Denna analys visar att volymen mot innevarande vecka kommer att förändras med en faktor på 63,244 m3 per indexheltal (enligt beräkning av trendlinjens k-värde i Excel) till kommande vecka. Förvisso syns två kraftiga avvikelser i grafen.

-6000 -5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000 5000 n eg 4 0 el le r m in d re n eg 4 0 t ill n eg 35 n eg 3 5 t ill n eg 30 n eg 3 0 t ill n eg 25 n eg 2 5 t ill n eg 20 n eg 2 0 t ill n eg 15 n eg 1 5 t ill n eg 10 n eg 1 0 t ill n eg 5 n eg 5 til l 0 0 t ill p o s 5 p o s 5 till p o s 10 p o s 10 t ill p o s 15 p o s 15 t ill p o s 20 p o s 20 t ill p o s 25 p o s 25 t ill p o s 30 p o s 30 t ill p o s 35 p o s 35 t ill p o s 40 p os 40 el le r m e r

Volymförändring mot snitt Linjär (Volymförändring mot snitt)

(40)

(41)

31

6 Slutsats

Studien visar att det finns ett starkt samband mellan prisbild och volymförändring mot

föregående period. Analysen visar även att den starkaste faktorn som kan sägas vara orsak till volymförändringar mellan perioderna är prisskillnaden mellan släpande 7-dagarspris och släpande 14-dagarspris. Om 14-dagarspriset visar sig vara billigare än 7-dagarspriset så kan en uppgång i volym ses, även den omvända relationen råder. Detta påvisas framförallt i figur 13 i analyskapitlet. Vid försök att ställa prisskillnaden i relation till volymförändring mot föregående vecka kunde påståendet dock inte stärkas med anledning av att det fanns stora avvikelser i datan, se tabell 1.

Dock kvarstod faktumet att graferna visade på ett visuellt samband, med anledning av detta gjordes ett nytt försök där prisskillnaden ställdes i relation till den aktuella veckans

volymavvikelse mot genomsnittet av volymen för samma vecka från 2010-01-01 till 2015-09-30. På detta sätt blev trenden betydligt renare, även om ett par avvikelser observerades, se figur 15. En trendlinje som visar hur mycket volymavvikelsen förändrades mot snitt jämfört med hur mycket prisskillnadsindex förändrades.

Det samband som därmed bevisas i studien är att det råder ett förhållande mellan hur

prisskillnaden förändras över perioderna och volymförändringen mot innevarande vecka. Med andra ord finns inget samband mellan den momentana prisskillnaden och volymutvecklingen under nästa period. Studien visar att det är skillnaden av prisskillnaden mellan perioderna som ger upphov till volymförändringar.

Volymutvecklingen mot föregående vecka har enligt studien endast ett samband med hur prisskillnaden utvecklas mellan perioderna. Därmed kan resultatet inte tolkas enligt följande:

Om prisindex indikerar att 15-dagarspris är billigare än 7-dagars pris så kommer volymutvecklingen att vara positiv mot föregående vecka. Detta påstående är fel och bör

istället formuleras enligt följande: Om prisindex utvecklas positivt mot föregående vecka så

kommer volymutvecklingen att vara positiv.

6.1 Säsongsvariationer

Givetvis förkommer säsongsvariationer i efterfrågan på diesel. Faktorer som påverkar säsongsvariationerna kan enligt Öman (2015) delas upp i två kategorier enligt nedan.

Temperatur- och väderstyrda variationer

Denna kategori ger upphov till variationer genom att exempelvis en låg temperatur kan orsaka snöfall vilket i sin tur gör snöröjning nödvändigt, som resultat av detta så kan efterfrågan på diesel variera. Vidare ger även vädermässiga variationer upphov till huruvida

lantbruksverksamheter väljer att så eller skörda, när majoriteten av dessa två sker så ger det en ökad efterfrågan.

(42)

32

Under helgdagar har efterfrågan på diesel historiskt sett minskat. En annan faktor som påverkar efterfrågan signifikant är semestertiden då volymen till privatmarknad ökar samt att efterfrågan på B2B-marknaden minskar med anledning av minskade transporter. En del industrier kan exempelvis stoppa produktionen under ett antal veckor på sommaren och detta ger upphov till ett minskat transportbehov.

Temperatur- och väderstyrda variationer går inte ta hänsyn till i studiens prognosmodell slutsatser då de uppkommer slumpvis och delvis utan förvarning. Med anledning av detta är det av yttersta vikt att ta hänsyn till dessa faktorer vid prognostisering av efterfrågan.

6.2 Studiens svagheter och reliabilitet

Då studien inte tar hänsyn till faktorer som säsongsvariationer eller reklamkampanjer som kan ge upphov till stora och plötsliga förändringar i efterfrågan. Det är av yttersta vikt att

poängtera att studiens slutsats inte kommer att ge ett absolut svar på vad den framtida efterfrågan kommer att bli. Prognosmodellen kommer med största sannolikhet inte att prognostisera efterfrågan med en absolut sanning alldeles oavsett säsongsvariationer eller ej, den främsta anledningen till det är att trendlinjens k-värde (se Figur 15) är just en trend och inte en absolut sanning.

Då studien tar hänsyn till historisk efterfrågan på diesel bör slutsatsen endast användas som ett komplement till övrigt förekommande prognostiseringsarbete. Ett ständigt hänsynstagande bör därmed tas till att huruvida efterfrågan kan variera utifrån andra aspekter än just

prisskillnadens utveckling över perioderna. Studiens slutsatser kan därmed användas som ett stöd vid det ordinarie prognostiseringsarbetet i form av att stärka eller försvaga en befintlig prognos.

(43)

33

7 Rekommendationer och vidare arbete

Studiens analys styrker att kunder planerar sina inköp hos Preem utifrån när det är mest ekonomiskt fördelaktigt för kunden. Författarens rekommendationer har två konkreta

utgångspunkter, varav den ena utgår från den gjorda analysen och utfallet av denna i form av en prognosmodell. Den andra rekommendationen behandlar hur företagets kommunikation med sina kunder skulle kunna påverka utfallet av volymprognoserna. Vidare visar studien på samband som kan användas individuellt som utgångspunkter vid prognostiseringsarbete.

7.1 Utgångspunkt och infallsvinkel vid prognostisering

Studien visar på ett samband mellan prisskillnadens (släpande 7-dagar och släpande 15-dagar) utveckling mellan valda perioder. Vid framtida prognostiseringsarbete bör det därför tas hänsyn till detta. Nedan följer ett antal punkter att steg för steg väga in vid prognostisering.

- Sambandet är enligt studien linjärt, vilket betyder att volymavvikelserna inte blir exponentiellt större eller mindre i takt med att prisskillnaden ökar. Volymavvikelsen utvecklas därmed i samma takt som prisskillnaden mellan perioderna.

- Om utvecklingen av prisskillnaden är positiv så pekar studien på att volymutvecklingen mot föregående vecka är positiv. Om utvecklingen av

prisskillnaden är negativ så pekar studien på att volymutvecklingen mot föregående vecka är negativ.

- Enligt studien så finns endast ett samband mellan hur volymen kommer att utvecklas mot innevarande vecka, denna utveckling är beroende av prisskillnadens utveckling samma period.

Att prisindex indikerar att 15-dagarspriset är billigare än 7-dagarspriset innebär inte att volymen kommer att utvecklas positivt mot föregående vecka. I figuren nedan så kan vi till exempel se att under vecka 43 (2013) så är 15-dagarspriset billigare än 7-dagarspriset, men ändå ser vi minskad volym jämfört med veckan innan. Därmed är det skillnaden mellan priserna som påverkar volym utvecklingen. Detta faktum är viktigt att ta i beaktning vid fortsatt prognostiseringsarbete.

(44)

34

Figur 19, Medel av prisskillnad vs summa bulk

Preem prognostiserar för närvarande på längre tidshorisont än en vecka, i dagsläget är det dock omöjligt att bedöma priset för släpande 7-dagarspris längre än för nästkommande vecka (detta kan tidigast göras på fredag veckan innan). Detta gör att svårigheter uppstår för att kunna prognostisera på längre tidshorisont än en vecka, detta gör att punkterna ovan framförallt kan användas vid revidering av prognostiserad volym.

7.2 Prognosmodellen

Till grund för prognosmodellen som har tagits fram i samband med studien ligger prisperiodernas prisskillnad för innevarande vecka samt prisperiodernas prisskillnad för kommande vecka. Om skillnaden får ett positivt utfall så betyder det att 14-dagarspriset är mer förmånligt för kund, vidare så betyder ett negativt utfall att 7-dagarspriset är mer förmånligt för kund. I prismodellen antas därmed kunden agera endast efter

prisförutsättningarna som råder på marknaden.

I modellen generas ett indextal som i kombination med den sålda volym för innevarande vecka ger en fingervisning om åt vilket håll volymutvecklingen kommer att gå under nästa period. En faktisk prognosvolym kommer att generas efter inmatning av priser och volym, den genererade prognosvolymen är dock på intet sätt förenlig med en absolut sanning och ska därmed betraktas som ett stöd i det ordinarie prognosarbetet.

Prognosmodellen är i form av ett Microsoft-Excel dokument där användaren möts av ett User Interface vid öppnande av dokumentet. På denna sida uppmanas användaren att mata in priset för:

- Släpande 7-dagarspris, innevarande vecka.

- Släpande 14-dagarspris, snittet för innevarande vecka.

-400 -300 -200 -100 0 100 200 0 5000 10000 15000 20000 25000 30000 20 131 20 133 20 135 20 137 20 139 20 1311 20 1313 20 13 15 20 1317 20 1319 20 1321 20 1323 20 1325 20 1327 20 1329 20 1331 20 1333 20 1335 20 1337 20 1339 20 1341 20 1343 20 1345 20 1347 20 1349 20 1351 20 1353

(45)

35 - Släpande 7-dagarspris, kommande vecka.

- Släpande 14-dagarspris, snittet för kommande vecka. - Summa av volymuttag för innevarande vecka

Dessa värden kommer att i sin tur att generera en prognostiserad volym för kommande period. Prognosmodellen är föremål för vidare utvecklingsarbete och förfining.

7.3 Kundrelationer

Kommunikation med kunderna kan vara en nyckel till förbättrad volymprognostisering, detta arbete skulle kunna förbättra Preems prognostiseringsarbete. Vidare studier i hur

kommunikationen med företagets kunder ter sig dagsläget, samt hur denna skulle kunna förbättras är ett intressant område för vidare studier. En kontinuerlig kommunikation och tydlighet mellan företaget och dess kunder huruvida kunderna resonerar kring faktumet med Preems prognostiseringsproblematik kan mynna ut i slutsatsen att detta är ett gemensamt problem.

Med anledning av att Preem jobbar med ett fast påslag i sina prisberäkningar så är företaget i den meningen oberoende av när kunderna väljer att göra sina inköp. Detta betyder att

företagets marginal inte påverkas av kundernas inköpstillfälle. Därmed borde det inte finnas något direkt motstånd från kunder angående att dela med sig av planerade inköp och när i tiden som dessa planeras.

Enligt Larsson så är det dock inte säkert att denna dialog skulle utgöra någon förbättring för Preem då kompletteringsaffärerna som görs vid revidering inte annullerar eller tilläggsköper till samma pris som rådde vid inköpstillfället. Kompletteringsaffären som görs kommer att beräknas på dagspris. Oavsett detta så finns positiva effekter av att prognostisera mer noggrant enligt (Larsson).

(46)

(47)

37

Källförteckning

Litteratur

Jonsson, Patrik & Mattsson, Stig-Arne (2011) ”Logistik: läran om effektiva materialflöden”, Studentlitteratur AB

Artiklar tryckta

Harling, Jonas & Jensen, Dan (2006) ”Prissättning inom högteknologiska B2B-företag”, Ekonomihögskolan Lunds Universitet

Noble, Peter & Gruza, Thomas (1999) “industrial pricing: Theory and Managerial Practice” Vol. 18

Evaldsson, David & Hahrs, Jakob (2015) ”Prognostisering av efterfrågan” Linneuniversitetet Växjö

Artiklar elektroniska

Preem AB (2015), https://www.preem.se/privat/drivmedel/diesel/preem-evolution-diesel/, 2015-11-11 Preem AB (2015) https://www.preem.se/om-preem/om-oss/preem-i-korthet/, 2015-10-29 Statoil AB (2015), http://www.statoil.se/sv_SE/pg1334072467507/privat/Drivmedel/Miles/Diesel.html, 2015-11-11

Schiött Jonas, filosofie doktor i ide- och lärdomshistoria (2015), https://filosofiforalla.wordpress.com/tag/deduktion/, 2015-11-16

Syntetos, A & Boylan, J (2005) “The Accuracy of Intermittent Demand Estimates, International Journal of Forecasting” 21

Scholz-Reiter, B, Heger, J, Meinecke, C, Bergmann, J. (2012), “Integration of Demand

Forecasts in ABC-XYZ Analysis: Practical Investigation at an Industrial Company”

International Journal of Productivity and Performance Management, Vol 61

Intervjuer och muntliga källor

Marcus Larsson, Chef Pricing, Preem AB 2015-11-16 Anders Backman, Produktspecialist, Preem AB 2015-11-11

(48)

(49)

i

Bilaga I

Med denna bilaga presenteras frågorna och svaren från intervjuer med Marcus Larsson (chef Pricing), Magnus Öman (Strategic Pricing Manager)

Intervju I

– Marcus Larsson angående att hålla en kontinuerlig dialog med kunderna om deras köpbeteende

1. Finns det en generell problematik med att hålla en dialog med kunderna angående deras köpbeteende?

- ”Det finns ingen problematik med att hålla denna dialog. Den görs redan idag men

den är generell och vi har varken några tydliga krav eller avtalade villkor rörande kundens köpbeteende och därmed inga tydliga konsekvenser att sätta in ifall vi upplever att kunden optimerar sina uttag och att det får stora negativa konsekvenser för Preem.”

2. Varför hålls då inte denna dialog i dagsläget?

- ”Vi behöver sätta upp ett ramverk i avtalet med kunden för att på så sätt tydliggöra

konsekvenserna för kunden ifall de optimerar sina uttag. Som det ser ut nu så hjälper en eventuell revidering under perioden inte stort då vi inte annullerar eller gör ett tilläggsköp till priset som var vid inköpstillfället. Oavsett om vi reviderar utifrån denna dialog med kunden så skulle revideringen ske till dagspris. I den mån vi kunde vidaredebitera kostnader för över- och undervolym till kund skulle det förstås hjälpa men det skulle aldrig kunden acceptera utan det skulle bara innebära att de skaffade en leverantör till som de skulle kunna balansera inköpen med. Det gör naturligtvis redan flera kunder men om vi skulle ställa det här kravet på kunden skulle

förmodligen samtliga kunder skaffa minst en alternativ leverantör till vilket inte skulle gagna oss.”

3. Finns det några andra positiva eller negativa effekter av att föra dialogen? ”Man skulle kunna föra en fördjupad dialog med större kunder som mynnar ut i att vi tydliggör för kunden att låst pris är förenligt med en risk för Preem, och att om kunden ska få behålla 15-dagarspris så kommer vi att lägga en riskpremie på priset för att kompensera. Detta behöver dock inte innebära några direkta förändringar i kundernas köpbeteende. Hela detta är dock ett mycket hypotetiskt resonemang.”

(50)

ii

1. Förekommer det variationer i efterfrågan av diesel beroende på annat än prisbilden?

”Det finns säsongsvariationer som innebär att efterfrågan på diesel varierar över året.”

2. Kan du precisera dessa mer ingående?

”Man kan säga att det finns två typer av variationer i denna kategori, den ena är kalendereffekter och den andra är temperaturstyrda effekter. Under helgdagar har efterfrågan på privatdiesel historiskt sett varit förhållandevis låg, samtidigt som efterfrågan i semestertiderhar minskat på B2B-sidan, detta på grund av minskade transporter. Båda dessa exempel är resultat av kalendereffekter

Vad gäller temperaturstyrda variationer så kan till exempel kyla vålla snöfall som i sin tur ökar behovet av snöröjning och därmed ökar efterfrågan på diesel. En annan signifikant faktor som påverkar är när lantbruken väljer att så respektive skörda, dessa är och temperaturstyrda variationer.”