Examensarbete i Logistik
Prognostisering av efterfrågan
- En fallstudie på Getinge Disinfection AB
Författare:
David Evaldsson 890502 Jakob Hahrs 890113 Handledare: Peter Berling Examinator: Helena Forslund
Förord
Författarna ska villigt erkänna att en lång och slitsam period är över i och med färdigställandet av denna studie. Det har varit långa dagar och många problem som vi tagit oss igenom. Processen har dock varit väldigt givande där författarna erhållit nya kunskaper och erfarenheter som kommer vara värdefulla i arbetslivet. Studien skulle inte varit möjlig att genomföra utan hjälp från vissa personer som vi önskar att tacka.
Först och främst vill vi tacka Getinge Disinfection AB som ställt upp som fallföretag.
Utan företaget hade studien inte tillkommit. Framförallt vill vi tacka våra kontaktpersoner på Getinge som har ställt upp i alla lägen och varit oerhört hjälpsamma.
Personerna i fråga är Andreas Schroff, Jenny Strand och Christer Mårdh. Stort tack till er!
Vidare vill vi tacka vår handledare på Linnéuniversitetet, Peter Berling, som under resans gång fungerat som ett värdefullt bollplank samt bidragit med konstruktiv kritik och goda råd. Vi riktar även ett tack till våra opponenter samt examinator Helena Forslund som även dem har gett konstruktiv kritik och infallsvinklar till studien som vi annars hade missat.
Växjö, 25/5 - 2015
David Evaldsson Jakob Hahrs
Sammanfattning
Examensarbete i logistik för Civilekonomprogrammet, 4FE05E, 30hp, vt-15 Författare: David Evaldsson och Jakob Hahrs
Handledare: Peter Berling Examinator: Helena Forslund
Titel: Prognostisering av efterfrågan – en fallstudie på Getinge Disinfection AB
Bakgrund: För företag är logistikverksamheten ett område som är av stor betydelse för lönsamheten. Lönsamheten förbättras genom att öka antingen vinstmarginalen eller kapitalomsättningshastigheten, där det senare kan erhållas genom att minska lager- nivåerna. Lager leder till ett antal kostnader, bland annat kapitalbindning. En viktig faktor inom lagerstyrningen är prognoser. Företag använder prognoser för att uppskatta produkternas framtida efterfråga i syfte att planera sin verksamhet. Då prognoser sällan stämmer mot verkligt utfall uppstår en osäkerhet. I lagerstyrningen täcks osäkerheten upp genom användning av säkerhetslager, som baseras på prognosmodellers avvikelser samt efterfrågevariationen. Därmed kan en förbättring av prognosarbetet minska kapitalbindningen, eftersom säkerhetslagernivån kan sänkas vid en reducering av osäkerheten.
Syfte: Som ett led i fallföretagets eget arbete mot minskad kapitalbindning i säkerhets- lagret är syftet med studien att testa vilka prognosavvikelser olika prognosmodeller ger för Getinges komponenter i produktfamilj 46. Vidare är syftet att analysera vad som ligger till grund för prognosmodellernas utfall utifrån komponenternas olika efterfråge- strukturer.
Metod: Studien är en kvantitativ fallstudie på företaget Getinge Disinfection AB i Växjö. Det vetenskapliga synsättet positivism har tillämpats för att testa teori samt att på ett objektiv och generellt sett skapa möjlighet att svara på studiens forskningsfrågor.
Data som har använts i studien är av både primär (intervjuer av personal på Getinge) och sekundär karaktär (data från Getinges affärssystem samt teori från vedertagna databaser). Etiska överväganden och kvalitetskriterier har genomgående under arbetet tillämpas för att stärka studiens resultat och slutsatser.
Slutsats: Studiens resultat visar vilka prognosavvikelser de utvalda prognosmodellerna genererar för komponenterna i Getinges produktfamilj 46. Författarna konstaterar att exponentiell utjämning är den prognosmodell som ger lägst prognosavvikelser gentemot verklig efterfråga. Anledningen beror på prognosmodellens utformning där närliggande och färskare information viktas högre än äldre data. Vidare visar studiens resultat att komponenternas efterfrågestruktur påverkar prognosmodellernas avvikelser.
Komponenter med hög efterfrågad kvantitet, hög efterfrågefrekvens samt låg variation i efterfrågan bidrar till minskade prognosavvikelser. Detta gör att författarna kan bekräfta befintlig teori rörande hur produkters efterfrågestruktur påverkar prognosmodellers träffsäkerhet.
Nyckelord: Prognoser, prognosmodeller, prognosutvärdering, efterfrågestruktur,
komponenter.
Innehållsförteckning
1 Inledningskapitel _____________________________________________________ 1
1.1 Företagsbeskrivning _______________________________________________ 1
1.1.1 Getinge Group ________________________________________________ 1
1.1.2 Getinge Disinfection AB ________________________________________ 2
1.2 Bakgrund _______________________________________________________ 4
1.3 Problemdiskussion ________________________________________________ 7
1.4 Forskningsfrågor __________________________________________________ 9
1.5 Syfte ___________________________________________________________ 9
1.6 Begränsningar ____________________________________________________ 9
1.7 Förkortningar ___________________________________________________ 10
1.8 Disposition _____________________________________________________ 10
2 Metod _____________________________________________________________ 11
2.1 Vetenskapligt synsätt _____________________________________________ 11
2.2 Vetenskapligt angreppssätt _________________________________________ 11
2.3 Forskningsstrategi ________________________________________________ 12
2.4 Undersökningsdesign _____________________________________________ 12
2.5 Datainsamling ___________________________________________________ 13
2.6 Urval __________________________________________________________ 14
2.7 Etiska överväganden ______________________________________________ 15
2.8 Kvalitetskriterier _________________________________________________ 17
2.8.1 Reliabilitet och validitet _______________________________________ 17
2.8.2 Replikerbarhet _______________________________________________ 18
2.9 Sammanställning av metodkapitel ___________________________________ 19
3 Teoretisk referensram ________________________________________________ 20
3.1 Prognoser ______________________________________________________ 20
3.2 Objektiva prognosmodeller ________________________________________ 22
3.2.1 Glidande medelvärde __________________________________________ 22
3.2.2 Exponentiell utjämning ________________________________________ 23
3.3 Prognosutvärdering _______________________________________________ 25
3.3.1 Prognosfel __________________________________________________ 26
3.3.2 Medelprognosfel _____________________________________________ 27
3.3.3 MAD ______________________________________________________ 27
3.3.4 MSE _______________________________________________________ 28
3.3.5 MAPE _____________________________________________________ 28
3.4 Efterfrågestrukturer ______________________________________________ 29
3.4.1 Kategorisering utifrån efterfrågestruktur __________________________ 31
3.5 Sammanställning av teorikapitel ____________________________________ 35
4 Empiri _____________________________________________________________ 36
4.1 Getinges prognosarbete ___________________________________________ 36
4.2 Getinges produktfamilj 46 _________________________________________ 37
4.3 Efterfrågehistorik för produktfamilj 46 _______________________________ 38
4.4 Beskrivning av komponenterna _____________________________________ 38 5 Empiribearbetning __________________________________________________ 41 5.1 Sortering, kategorisering och urval __________________________________ 41 5.2 Prognostester ___________________________________________________ 43 5.3 Prognosutvärdering _______________________________________________ 45 6 Analys _____________________________________________________________ 48 6.1 Utgångspunkter __________________________________________________ 48 6.1.1 Tidshorisont _________________________________________________ 48 6.1.2 Utvärderingsmetod ___________________________________________ 49 6.2 Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i Getinges produktfamilj 46? ___________________________________________________ 52
6.2.1 Analys av resultat ____________________________________________ 52 6.2.2 Känslighetsanalys ____________________________________________ 56 6.3 Hur påverkar komponenternas efterfrågestrukturer prognosmodellernas
avvikelser? ________________________________________________________ 58 6.3.1 Kategorisering _______________________________________________ 58 6.3.2 Grupp A ____________________________________________________ 61 6.3.3 Grupp B ____________________________________________________ 66 6.3.4 Grupp C ____________________________________________________ 69 6.3.5 Grupp D ____________________________________________________ 73
7 Slutsatser __________________________________________________________ 79 7.1 Resultat ________________________________________________________ 79
7.1.1 Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i
Getinges produktfamilj 46? _________________________________________ 79
7.1.2 Hur påverkar komponenternas efterfrågestrukturer prognosmodellernas
avvikelser? ______________________________________________________ 80
7.2 Studiens bidrag och samhälleliga aspekter _____________________________ 82
7.3 Egna reflektioner och kritik till eget arbete ____________________________ 83
7.4 Förslag till framtida forskning ______________________________________ 84
Referenser ____________________________________________________________ I
Bilaga I - Intervjuguider _______________________________________________ V
Bilaga II – Data från Excel ____________________________________________ VI
Tabellförteckning
Tabell 1. Intervjupersoner, egenkonstruerad ... 14
Tabell 2. Sammanställning av metodkapitel, egenkonstruerad ... 19
Tabell 3. Beräkning av medelprognosfel, egenkonstruerad baserad på Jonsson & Mattsson (2011) ... 27
Tabell 4. Sammanställning av teorikapitel, egenkonstruerad ... 35
Tabell 5. Val av tidshorisont, egenkonstruerad ... 49
Tabell 6. Studiens utvärderingsmetoder ... 51
Tabell 7. Gemensamt n vid glidande medelvärde, egenkonstruerad ... 52
Tabell 8. Individuella n vid glidande medelvärde, egenkonstruerad ... 53
Tabell 9. Gemensamt alfa vid exponentiell utjämning, egenkonstruerad ... 54
Tabell 10. Individuellt alfa vid exponentiell utjämning, egenkonstruerad ... 55
Tabell 11. Känslighetsanalys vid gemensamt optimala parametrar, egenkonstruerad ... 56
Tabell 12. Studiens kategorisering, egenkonstruerad ... 60
Tabell 13. Efterfråga för Grupp A, egenkonstruerad... 61
Tabell 14. Glidande medelvärde för Grupp A, egenkonstruerad ... 62
Tabell 15. Exponentiell utjämning för Grupp A, egenkonstruerad ... 64
Tabell 16. Efterfråga för Grupp B, egenkonstruerad ... 66
Tabell 17. Glidande medelvärde för Grupp B, egenkonstruerad ... 67
Tabell 18. Exponentiell utjämning för Grupp B, egenkonstruerad ... 68
Tabell 19. Efterfråga för Grupp C, egenkonstruerad ... 69
Tabell 20. Glidande medelvärde för Grupp C, egenkonstruerad ... 71
Tabell 21. Exponentiell utjämning för Grupp C, egenkonstruerad ... 72
Tabell 22. Efterfråga för Grupp D, egenkonstruerad... 73
Tabell 23. Glidande medelvärde för Grupp D, egenkonstruerad ... 75
Tabell 24. Exponentiell utjämning för Grupp D, egenkonstruerad ... 77
Tabell 25. Resultat Frågeställning 1, egenkonstruerad ... 79
Tabell 26. Sammanfattning av gruppernas resultat, egenkonstruerad ... 80
Tabell 27. Gruppernas totala efterfråga och genomsnittliga variationsindex, egenkonstruerad ... 81
Figurförteckning Figur 1. Samband mellan prognosarbete och kapitalbindning, egenkonstruerad ... 6
Figur 2. Uppsatsens disposition, egenkonstruerad ... 10
Figur 3 Slumpmässiga och systematiska fel, egenkonstruerad baserad på Mattsson (2003) ... 26
Figur 4. Wilson’s kategoriseringsmatris (Syntetos et al., 2005) ... 32
Figur 5. Eaves kategoriseringsmatris (Syntetos et al., 2005) ... 33
Figur 6. ABC-XYZ matris, egenkonstruerad baserad på Scholz-Reiter at al., 2012... 34
Figur 7. Karta över 46-familjen, egenkonstruerad ... 37
Figur 8. Efterfråga per månad för Grupp A, egenkonstruerad ... 62
Figur 9. Efterfråga per månad för Grupp B, egenkonstruerad ... 66
Figur 10. Efterfråga per månad för Grupp C, egenkonstruerad... 70
Figur 11. Efterfrågan per månad för Grupp D, egenkonstruerad ... 74
Bildförteckning
Bild 1. Exempel på produkter i 46-familjen, hämtad från LabWrench ... 3
Bild 2. Underlag för slumpmässigt stratifierat urval ... 38
Bild 3. Efterfrågedata för Grupp A ... 39
Bild 4. Efterfrågedata för Grupp B ... 39
Bild 5. Efterfrågedata för Grupp C ... 40
Bild 6. Efterfrågedata för Grupp D ... 40
Bild 7. Ursprunglig data ... 41
Bild 8. Data efter Pivot-tabell ... 42
Bild 9. Rullningslist för EU och GM ... 43
Bild 10. GM-funktionen ... 44
Bild 11. EU-funktionen ... 45
Bild 12. Prognosfel och medelprognosfel ... 45
Bild 13. MAD ... 46
Bild 14. MAPE ... 46
Bild 15. Simulerat ingångsvärde för A1 och A16 ... 65
1 Inledningskapitel
Inledningskapitlet börjar med en beskrivning av fallföretaget, för att gå vidare till en teoretisk bakgrundsbeskrivning samt en efterföljande problemdiskussion där den empi- riska och teoretiska problematiken sammanflätas. Diskussionen mynnar ut i studiens forskningsfrågor, syfte och begränsningar.
1.1 Företagsbeskrivning
1.1.1 Getinge Group
Getinge Group är ett globalt företag som är verksamt i över 40 olika länder och har totalt cirka 15 000 anställda. Företaget grundades 1904 i den svenska staden Getinge och tillverkade till en början olika verktyg lämpade för jordbruk. 1932 hade företaget bytt inriktning till medicinsk teknologi och tillverkade främst sterilisatorer för medicinsk utrustning. Getinge Group växte och etablerade sig på den globala marknaden där företaget 2013 omsatte cirka 22 miljarder. (Getinge Group, 2015;
Getinge Disinfection AB, 2013)
Getinge Groups affärsidé är att erbjuda varor, tjänster och kunskap för en effektivare vård, där erbjudande även ska bidra till en ökad kvalitet och säkerhet inom vården.
Organisationen är uppdelad i tre områden; Medical Systems, Extended Care samt Infection Control, som alla arbetar mot Getinge Groups affärsidé. Medical Systems riktar sig mot sjukhusmarknaden med produkter som berör kirurgiska områden, hjärt- och intensivvård. Extended Care erbjuder produkter och tjänster riktade till sjukhus och äldrevården, bland annat lösningar för att förebygga olyckor och skador vid orörlighet.
Området erbjuder även ergonomiska produkter för att underlätta lyft, förflyttning och
hygien. Det tredje området inom Getinge Group, Infection Control, erbjuder ett brett
sortiment av desinfektions- och steriliseringsprodukter lämpade för sjukhus, kliniker
och forskningsindustrin. Produktsortimentet syftar till att säkerställa ett säkert,
ergonomiskt och ekonomiskt flöde av steriliserat gods. (Getinge Group, 2015)
1.1.2 Getinge Disinfection AB
Getinge Disinfection AB (Framöver benämnt Getinge) i Växjö är en del av Getinge Group som tillhör området Infection Control. Tillverkningen i Växjö har sitt ursprung under namnet Växjö Plåt & Smide AB som grundades 1943. Efter ett antal namnbyten och uppköp hamnade företaget till slut under Getinge AB:s ägo och 1995 inriktades produktionen mot desinfektion. År 1996 ändrades sedan namnet till dagens Getinge Disinfection AB. Från 1990-talet har Getinge ständigt ökat sin omsättning från cirka 100 miljoner till dagens cirka 700 miljoner. (Getinge Group, 2015) Under de senaste åren har företaget dock upplevt viss stagnation gällande omsättningen (Schroff, Logistics Expert, Getinge). I Växjö uppnår antalet anställda till omkring 220 stycken, där drygt 90 personer är tjänstemän. (Getinge Disinfection AB, 2013) I januari 2015 meddelade Getinge att de flyttar delar av produktionen till Polen, vilket innebär att 46 anställda har blivit varslade om uppsägning (Aktiespararna, 2015).
Getinge agerar på en global marknad där 23 % säljs till Nordamerika, 34 % till Asien, 31 % till EU samt 12 % till Norden. Vad gäller marknadsandelar i världen står disk- desinfektorerna för 25 % respektive 40 % för spoldesinfektorerna. Förutom själva produkten tillhandahålls även tillbehör i form av lastutrustning, kabinetter, indikatorer, processmedel samt automatisering. (Getinge Disinfection AB, 2013)
Med tanke på vilken marknad Getinges kunder agerar är kvalité en nyckelfråga för att tillgodose omvärldens och kundernas krav. Företaget arbetar kontinuerligt med att förbättra såväl den inre som den yttre miljö, där Getinge uppfyller en rad certifikat såsom ISO och EC. Getinge strävar mot att ytterligare öka produktprogrammet med nya avancerade produkter genom en aggressiv produktutveckling, säkerställa globala sälj- kanaler samt upprätthålla en effektiv tillverkningsprocess. (Getinge Disinfection AB, 2013)
Produktkatalog
Getinge tillverkar maskiner av olika storlekar vars syfte är rengöring och desinfektion
av kirurgiska instrument inom sjukvården. Getinges produktionsenhet i Växjö
genomgår, som tidigare nämnt, för tillfället en omorganisation där delar av produkt-
sortimentet flyttas till en ny produktionsenhet belägen i Polen. Den produkttyp som
fortsatt kommer tillverkas i Växjö är diskdesinfektorerna, som på ett övergripande plan
består av elva produktfamiljer. Inom varje produktfamilj har kunderna fyra till fem olika standardvarianter att välja på. Utöver standardvarianterna har kunden möjlighet till olika tillval på produkterna, till exempel doseringspumpar, vilken typ av eluttag, vattentrycks- övervakning och olika typer av vattenintag. När kunden bestämt vilka tillval de vill ha skapas en konfiguration. Konfigurationen är alltså den produkt med olika tillval som levereras till kunden. En viktig produktfamilj för Getinge är 46-serien som är en volymprodukt. Maskinerna i 46-familjen tillhör de mindre i sortimentet och består av ca 300-400 fysiska komponenter, som antingen köps in eller tillverkas av företaget.
(Strand, Production Planner, Getinge)
Bild 1. Exempel på produkter i 46-familjen, hämtad från LabWrench
1.2 Bakgrund
Enligt Björnland, Persson och Virum (2003) är logistikverksamheten ett område som är av stor betydelse för företagets lönsamhet. Ett företag som syftar till att öka sin ränta- bilitet på totalt kapital kan antingen öka vinstmarginalen eller öka kapitalomsättnings- hastigheten. Kapitalomsättningshastigheten berättar vilken genomsnittlig omsättnings- hastighet företaget har på tillgångarna, såsom kundfordringar och varulager. (Greve, 2003) Ett högt resursutnyttjande kan minska behovet av bland annat material i förädlingsprocessen. Givet att utflödet förblir på samma nivå bidrar minskade resurser till en ökad lönsamhet för företaget, då kapitalomsättningshastigheten ökar genom att minska lagerhållningen. (Lumsden, 2012)
Lager leder till ett antal olika kostnader, främst i form av lokalutrymme och hantering men även genom att det binder upp kapital (Lumsden, 2012) Mätningar av kapital- bindningen är viktiga för att kunna analysera ett företags logistikprestationer.
Kapitalbindning kan mätas i antingen absoluta tal (lagervärde i kronor), omsättningshastighet eller genomsnittlig liggtid, där låg omsättningshastighet och långa genomloppstider bidrar till en ökad kapitalbindning. När tillgångar investeras binds kapital upp vilket påverkar ett företags kassaflöde och betalningsförmåga. Dessutom uppkommer en kostnad i form av alternativ avkastning, det vill säga den avkastningen det uppbundna kapitalet hade kunnat generera om det investerats i något annat. (Jonsson
& Mattsson, 2011) Enligt Greve (2003) finns det olika motiv till att företag binder kapital i lager, bland annat ett säkerhetsmotiv där lager fungerar som ett skydd mot oväntade händelser såsom variationer i framtida efterfrågan.
Nahmias (2009) menar att prognoser är antaganden om framtida händelser och är något
som förekommer konstant i våra liv. Prognoser skapas av tidigare erfarenheter, vilka
kunskaper som vi besitter och vilken information som finns tillgänglig. På samma sätt
fungerar prognostisering av efterfrågan hos företag. Företag använder prognoser för att
bilda sig en uppfattning om hur framtiden kommer att se ut för att kunna planera
verksamheten därefter. Chhaochhria och Graves (2013) utvecklar resonemanget genom
att tillägga att prognoser ligger till grund för hur företag planerar exempelvis
materialinköp, produktion och lagerdimensionering.
Prognoser delas in i subjektiva och objektiva prognosmodeller (Nahmias, 2009). I subjektiva prognosmodeller görs antagande om framtiden som baseras på samlad kunskap och bedömningar av kvalificerade personer med expertiskunskap inom området (Makridakis, Wheelwright & Hyndman, 1998), exempelvis säljkåren, företags- ledningen eller via kundundersökningar (Nahmias, 2013). Objektiva prognosmodeller, å andra sidan, baseras strikt på historisk information och data som finns tillgänglig. Data som används måste transformeras till siffror för att objektiva prognosmodeller ska kunna användas. (Nahmias, 2013) Det sista villkoret som måste uppfyllas för objektiva mätningar är ett antagande om att vissa historiska mönster även kommer ske i framtiden (Makridakis et al., 1998). Chhaochhria och Graves (2013) menar att tillverkande företag planerar sin produktion efter prognoser om kunders framtida efterfråga. Samtidigt menar de att prognosmodellerna bör vara dynamiska då nya ordrar kan tillkomma, befintliga ordrar kan ändras samt att ledtider från leverantörer kan skifta. Detta gör att företag bör använda adekvata prognosmodeller för att öka möjligheten till en bra planering.
Då prognoser sällan stämmer överens med det verkliga utfallet finns det alltid motiv till att kontrollera prognosmodellerna och beräkna dess avvikelser. En förlorad kontroll kan få negativa konsekvenser för materialstyrningen. Dessutom kan de beräknade prognosavvikelserna vara ett värdefullt underlag vid dimensionering av säkerhetslager.
(Jonsson & Mattsson, 2011) Vid utvärdering av prognosmodeller har det traditionellt varit populärt att använda måtten mean absolute deviation (MAD) och mean squared error (MSE). Båda måtten grundar sig i differensen mellan den prognostiserade efterfrågan och den verkliga efterfrågan för en given tidsperiod. Motiven för att använda MAD och MSE är att få fram de genomsnittliga avvikelserna för prognosmodellerna.
Ytterligare ett mått som används frekvent är mean absolute percentage error (MAPE), vilket visar prognosmodellernas procentuella avvikelser. (Nahmias, 2009)
För att minska ledtiderna tvingas tillverkade företag att köpa och producera produkter mot prognoser innan en verklig efterfråga har uppstått (Persona, Battini, Manzini &
Pareschi, 2007). Övergripande beskriver Mattsson (2011) att oavsett hur prognoserna är
utformade och vilken prognosmodell som används uppstår en osäkerhet vilket även
måste tas hänsyn till vid lagerstyrning. Som skydd mot osäkerheten använder företag
säkerhetslager som baseras på avvikelserna för prognosmodellerna eller efterfråge-
variationerna. Uppskattningar och beräkningar av avvikelserna eller variationerna är därmed av stor betydelse, då överskattade avvikelser bidrar till överdimensionerade säkerhetslager och medföljande hög kapitalbindning. Som illustreras i Figur 1 är därmed ett förbättrat prognosarbete ett verktyg för att erhålla en minskad kapitalbindning.
Minskad kapitalbindning Förbättrade prognoser
Minskat säkerhetslager Minskad osäkerhet Minskade prognos-
avvikelser
Figur 1. Samband mellan prognosarbete och kapitalbindning, egenkonstruerad
1.3 Problemdiskussion
Getinge har under de senaste åren haft en nedåtgående lönsamhet vilket tvingat koncernen till att göra förändringar, däribland flytta vissa delar av produktionen till ett låglöneland för att göra kostnadsbesparingar (Aktiespararna, 2015). För att öka lön- samheten krävs ett kontinuerligt arbete mot minskade kostnader och en ökad likviditet (Greve, 2003; Lumsden, 2012). Getinge vill öka lönsamheten, där de ser ett förbättringsområde i lagerstyrningen. Företaget upplever i dagsläget en hög kapital- bindning vilket bottnar i en rad olika faktorer, bland annat i prognosarbetet och lagerdimensioneringen. Felaktiga prognoser bidrar till att Getinges affärssystem vill beställa hem mer komponenter än vad som behövs vilket bygger upp onödigt höga lagernivåer som binder kapital. (Schroff, Logistics Expert, Getinge)
Prognostisering är en av de största utmaningarna inom supply chain management (Beutel & Minner, 2012). Som många forskare påpekar är det väldigt sällan prognoser slår in (Nahmias, 2009; Makridakis et al., 1998). En anledning till det, som Nahmias (2009) påpekar, är osäkerheten. Det går inte att se in i framtiden vilket gör att prognos- modeller byggs på antingen uppskattningar eller historisk data. Makridakis et al., (1998) menar att antagande görs om att historiska händelser kommer att upprepa sig, vilket inte alltid stämmer.
Som skydd mot felaktiga prognoser fyller säkerhetslager en viktig funktion. Säkerhets- lagrets storlek beror bland annat på osäkerheten i efterfrågan, efterföljande prognos- avvikelser samt önskad servicenivå. (Beutel & Minner, 2012) Om den prognostiserade efterfrågan inte stämmer och ingen hänsyn tas till variationerna i efterfrågan eller prognoserna kommer företaget att lagerhålla antingen för höga eller låga nivåer (Mattsson, 2011).
Vid dimensionering av säkerhetslager litar Getinge på egna bedömningar och tidigare
erfarenheter, snarare än på matematiska och statistiska uträkningar. För fallföretaget har
effekten av felaktiga prognoser blivit att lagernivåerna konsekvent varit för höga
(Schroff, Logistics Expert, Getinge) Mattsson (2013) lyfter fram den negativa aspekten
av höga lagernivåer, det vill säga kapitalbindning, och menar att det vid dimensionering
av säkerhetslager är nödvändigt att frambringa ett gynnsamt förhållande mellan
kapitalbindning och önskad servicenivå.
Getinges inköpare och produktionsplanerare arbetar i stor utsträckning mot prognoser där företagets affärssystem sätter prognoser och signalerar när nya komponenter behöver införskaffas. Trots affärssystemets signaler har personalen befogenheter att individuellt anpassa prognoserna efter eget bevåg. Fallföretaget har dock inget uttalat arbete rörande uppföljning av prognosernas träffsäkerhet och utfall. De mäter med andra ord inte prognosavvikelserna. (Strand, Production Planner, Getinge) Smith och Mentzer (2010) menar att prognoser i praktiken sällan är tillräckligt integrerade i de processer och beslut som de syftar att stödja, utan att det ofta krävs inflytande från ledning och individer vid beslutsfattning. Författarna hävdar att få studier visar hur subjektiva influenser påverkar prognosmodellerna och i förlängningen planerings- och besluts- processer. Enligt Björnland et al. (2003) är dock simpla, objektiva prognosmodeller ofta nog så tillfredsställande som mer komplicerade modeller med subjektiva inslag.
Även Tiacci och Saetta (2009) poängterar att det finns ett tydligt samband mellan lager- dimensionering och företags prognosarbete. Mattsson (2011
1,s. 1) konstaterar:
“säkerhetslagren ökar vid ökande skillnad mellan prognos och verklig efterfrågan”.
Syntetos, Boylan och Croston (2005) menar dessutom att det inte är säkert att en specifik prognosmodell ger det bästa utfallet för alla produkter eller komponenter hos ett företag. En modell som fungerar bra för en produkt med en viss typ av mönster, frekvens eller storlek på efterfrågan kan fungera undermåligt för en produkt med en annan typ av efterfrågestruktur. Det kan därför hjälpa företag att gruppera sina produkter och komponenter och analysera vilken prognosmodell som lämpar sig bäst för de olika grupperna beroende på produkternas efterfrågestukturer.
Baserat på ovan förda resonemang, ämnar studien att besvara följande forskningsfrågor.
1.4 Forskningsfrågor
- Vilka prognosavvikelser ger olika prognosmodeller för komponenterna i Getinges produktfamilj 46?
- Hur påverkar komponenternas efterfrågestukturer prognosmodellernas avvikelser?
1.5 Syfte
Som ett led i fallföretagets eget arbete mot minskad kapitalbindning i säkerhetslagret är syftet med studien att testa vilka prognosavvikelser olika prognosmodeller ger för Getinges komponenter i produktfamilj 46. Vidare är syftet att analysera vad som ligger till grund för prognosmodellernas utfall utifrån komponenternas olika efterfråge- strukturer.
1.6 Begränsningar
Getinge Group AB är ett globalt företag med aktiviteter i flertalet länder. Uppsatsen kommer endast beröra Getinge Disinfection AB enhet i Växjö då det inom tidsramen för uppsatsen är orealistiskt att inkludera fler enheter. Komponenterna som utgör produkterna i 46-familjen är av inköps- och tillverkningskaraktär. Eftersom tillverkningskomponenterna förädlas av Getinge och består olika delar och material har det i samråd med fallföretaget bestämts att det skulle vara för tidskrävande att ta fram relevant data för den sortens komponenter. Studien är därmed begränsad till inköpskomponenterna, som utan förädling av Getinge monteras på slutprodukten.
Gällande de prognosmodeller som testas är studien begränsad till ett urval av objektiva
prognosmodeller av tidsseriekaraktär.
1.7 Förkortningar
Getinge - Getinge Disinfection AB GM – Glidande medelvärde
EU – Exponentiell utjämning MPF- Medelprognosfel
MAD - Mean absolute deviation MSE - Mean squared error
MAPE - Mean absolute percentage error PAP – Procentuell absolut prognosavvikelse
1.8 Disposition
Figur 2. Uppsatsens disposition, egenkonstruerad
Inled- ning
• Företagsbeskrivning och bakgrund till problem
• Problemdiskussion, syfte och frågeställningar
Metod
• Ställningstagande och tillvägagångssätt för studien
Teori
• Teorier kopplade till forskningsfrågorna
Empiri
• Företagets nuvarande situation samt produktfamilj 46
• Beskrivning av företagsdata
Bear- betning
• Beskrvning av tillvägagångssätt för kategorisering, utförande av tester och utvärdering
Analys
• Presentation och analys av resultat
• Teori och empiri ställs mot varandra
Slutsats
• Svar på frågeställningar
• Studiens bidrag och samhälleliga aspekter
• Egna reflektioner och kritik till egna studien
• Förslag till framtida forskning
2 Metod
Kapitlet avser att beskriva studiens tillvägagångssätt. Inom varje metodområde beskrivs valda synsätt och begrepp utifrån teorin, följt av en argumentation varför valen inom respektive område är lämpade för studien.
2.1 Vetenskapligt synsätt
Positivism kan beskrivas som en kunskapsteoretisk uppfattning, en epistemologi, om vad som är eller ska vara en accepterbar kunskap. Positivismen använder sig av natur- vetenskapliga metoder för att skapa kunskap, speciellt inom positivistisk epistemologi där det förespråkas att forskningen bottnar i perspektiv, principer och metoder av natur- vetenskaplig härkomst. Viktiga kriterier inom positivismen är att vetenskapen och tolkning av resultat ska genomföras objektiv samt att riktig kunskap bör kunna bekräftas genom mänskliga sinnen. (Bryman & Bell, 2010)
Eftersom studiens syfte är att testa ett urval av prognosmodeller och se hur komponenternas efterfrågestrukturer påverkar avvikelserna mellan prognosmodellernas utfall och verklig efterfråga anser författarna att synsättet är positivistiskt. Matematiska modeller, som anses vara naturvetenskapliga ligger till grund för studien. Bedömningen av prognosmodellerna och de genererade resultaten har varit av objektiv karaktär.
2.2 Vetenskapligt angreppssätt
Det vetenskapliga angreppssättet deduktion innebär att forskningen tar sin grund i
teoriinläsning för att sedan samla in empirisk data som testar teorin. Insamlingen av
teori görs för att forskaren ska skapa sig en grund att stå på för att sedan utveckla
hypoteser vilka testas empiriskt för att antingen accepteras eller förkastas. Processens
gång gör att angreppssättet deduktion inte genererar ny teori, utan endast är
teoriprövande samt att empirinsamlingen styrs i riktning att använd data är i enlighet
med hypoteserna. (Bryman & Bell, 2010; Jacobsen, 2002) Fisher (2010) menar att de
slutsatser som dras utifrån deduktion följer ett logiskt tillvägagångssätt där den
teoretiska grunden gör att tidigare observationer och erfarenheter inte har någon
påverkan för analys och slutsatser.
Studiens val av deduktivt angreppssätt grundar sig i upplägget, där författarna började med att läsa in teori för att sedan ta fram forskningsfrågor (hypoteser) som testas empiriskt. Tanken med studien var inte att generera ny teori utan att istället pröva be- fintlig teori. Slutsatserna som studien kommer fram till har sitt ursprung i en tydlig ordningsföljd där teorin låg till grund för empiriinsamlingen som testades mot teorin och som sedan analyserades utan påverkan av författarnas tidigare erfarenheter.
2.3 Forskningsstrategi
Kvantitativ forskningsstrategi kännetecknas av siffror och statiska processer. Syftet med den kvantitativa strategin är att ta fram objektiv data för analys. Forskaren ska inte vara involverad i förhållandet som studeras, utan förhållandet ska pågå utan att forskaren närvarar eller att den har belyst vad det är som undersöks. (Denscombe, 2005) Kvantitativ forskning fokuserar till stor del på att beskriva samband för fenomen eller jämföra förhållanden för ett givet undersökningssyfte. Genom den kvantitativa forskningsstrategins fokus på beskrivande används med fördel siffror för att konkretisera ämnet som undersöks. (Bryman & Bell, 2010)
Studiens forskningsstrategi har varit av kvantitativ karaktär. Då båda forskningsfrågorna är av matematiskt format, har data som samlades in och analyserats bestått av siffror.
Empiriinsamlingen har även varit styrd mot studiens inriktning för att författarna skulle ha möjlighet att svara på forskningsfrågorna, som baserades på befintlig teori.
Författarnas tidigare erfarenheter har inte påverkat analysen, utan analysen har varit objektiv.
2.4 Undersökningsdesign
Enligt Bryman och Bell (2010) beskrivs en fallstudie som en detaljerad studie av exempelvis en specifik person, plats, organisation eller händelse. En fallstudie kan bestå av både kvalitativa och kvantitativa metoder och benämns som ideografisk, det vill säga att forskaren vill belysa ett fall som är valt på förhand. Denscombe (1998) menar att det studerade fallet oftast är befintligt och skapas inte för forskningens syfte.
Undersökningen av det enskilda fallet har som mål att generera resultat som även går att
applicera i mer generella mått. Yin (2014) nämner en specifik sorts fallstudie som
common case vilket innebär att studiens syfte är att undersöka omständigheterna kring
en vanligt förekommen situation eller händelse. Motivet för att använda den här typen av fallstudie är att studera verkligheten i relation till ett teoretiskt problem.
Då studien har baserats på empirisk data från ett företag är fallstudie en lämplig undersökningsdesign. Typen common case passar väl in på studiens då syftet med studien är att undersöka ett problem som företaget måste hantera kontinuerligt. Getinge är ett tillverkande företag vilket gör att studiens resultat kan generaliseras då liknande företag kan antas uppleva liknande problem. Problemet som ligger till grund för studien är befintligt och har inte skapats för detta ändamål.
2.5 Datainsamling
Data som används vid studier kan delas in i antingen primär eller sekundär data.
Primärdata är information som samlats in specifikt för studien. Insamling av sådana data kan ske genom bland annat intervjuer. (Eriksson & Wiedersheim-Paul, 2006) Enligt Bryman & Bell (2010) är vanligt förekommande intervjuformer strukturerade, semi- strukturerade och ostrukturerade intervjuer. Den sistnämnda varianten ger intervju- personen utrymme att tala fritt och är lämpad för att skapa en djupare förståelse.
Strukturerade intervjuer används med fördel vid kvantitativa studier.
Sekundärdata är data som ursprungligen samlats in till andra syften och kan komma att behöva bearbetas för att vara användbar i andra studier. Sekundärdata kan delas in i tre olika typer: dokument, sammanställningar och enkäter. (Eriksson & Wiedersheim-Paul, 2006) Vanliga sätt att erhålla sekundärdata är via databaser, tidningar, dokument och Internet (Bryman & Bell, 2010)
I den här studien användes primärdata initialt i form av ostrukturerade intervjuer för att
erhålla förståelse kring det berörda företaget och dess problem. Vid de senare stadierna
tillämpades intervjuer av mer strukturerad karaktär i syfte att tillskansa mer specifik
data. Totalt har tre personer med olika roller på Getinge intervjuats vid ett antal olika
tillfällen (Se Tabell 1 nedan). Utöver intervjuer har även information tillskansats via
kontinuerlig mailkontakt.
Intervjuperson Roll i företaget Intervjutillfälle
Andreas Schroff Logistics Expert 22/12 - 2014
20/2 - 2015
Jenny Strand Production Planner 20/2 - 2015
13/3 - 2015 19/3 - 2015 Christer Mårdh IT, inriktning mot affärs-
systemet (Movex M3)
20/2 - 2015 19/3 - 2015
Tabell 1. Intervjupersoner, egenkonstruerad
Sekundärdata utgör en betydande del av den insamlade datan, både när det gäller teori och empiri. Vetenskapliga artiklar har inhämtats från vedertagna databaser som OneSearch, Business Source Premier och Google Schoolar. Typiska sökord som användes vid teorisökning och insamling var; forecasting, forecasting error, inventory control, safety stock och demand attributes. Information och data ämnad för empirikapitlet har hämtats från företagets affärssystem samt från andra dokument med information om komponenterna.
2.6 Urval
Det finns en rad olika urvalsstrategier för studier med en kvantitativ ansats. En av dem är stratifierat slumpmässigt urval, vilket är ett sannolikhetsurval. Urvalet innebär att populationen delas upp i stratum, även kallat undergrupper, för att sedan välja ett urval från dessa stratum. Urvalsstrategin ser till att alla undergrupper i populationen blir representerade i urvalet. Urvalet från varje stratum kan antingen vara proportionellt eller icke proportionellt. Ett proportionellt urval innebär att det är i linje med stratumets pro- portion till hela populationen, där större stratum har ett större urval. Föreligger inte detta förhållande mellan storleken på urval, stratum och population benämns det som icke proportionellt. (Bryman & Bell, 2010)
Vid icke-sannolikhetsurval väljs urvalet manuellt och utan systematiska metoder. En metod inom kategorin är kvoturval som innebär att populationen delas upp i kategorier.
Urvalet vid kvoturval görs inte slumpmässigt, utan väljs utifrån forskarens tycke. Inom
samma kategori återfinns även metoden bekvämlighetsurval som kännetecknas av att ett
lämpligt urval väljs utifrån vad som finns till hands. Fördelar med icke- sannolikhetsurval är flexibiliteten samt minskad tidsutgång. Nackdelarna beskrivs som risken att urvalet inte blir representativt och att det finns gränser för vad som kan generaliseras. (Bryman & Bell, 2010)
För att göra ett lämpligt urval bland fallföretagets komponenter att testa i de olika prognosmodellerna delades populationen upp i olika undergrupper. Detta gjordes genom att använda företagets nuvarande uppdelning av produktfamiljer. Efter diskussioner med kontaktpersonerna på Getinge används komponenter i produktfamilj 46 som underlag för testerna av prognosmodeller. Inköpskomponenter från fyra olika konfigurationer kommer att användas som urval, där konfigurationerna har både hög och låg efterfråga. Inom komponenturvalet finns det komponenter som används i flera olika produktvarianter. För att få en representativ datamängd används försäljnings- statistik från hela produktfamilj 46 snarare än försäljningsdata enbart rörande de utvalda konfigurationerna.
Inom undergruppen, Getinges produktfamilj 46, gjordes sedan ett slumpmässigt stratifierat urval där stratumen baseras på komponenternas variationsindex (standard- avvikelse dividerat med medelefterfrågan). Målet var att gruppera komponenter efter deras efterfrågestruktur i syfte att identifiera prognosavvikelserna i olika situationer och analysera vilka faktorer som ligger bakom resultatet. Detta bidrar till en ökad general- iserbarhet för studien, då den inte är begränsad till en viss produktegenskap vilket med- för att fler organisationer än fallföretaget kan dra nytta av studiens resultat samt att fallföretaget kan applicera resultatet på övriga produktfamiljer.
Urvalet av prognosmodeller som studien avser att undersöka var av typen bekvämlighetsurval. Författarna valde, efter diskussion med handledaren, ut lämpliga prognosmodeller som är vanligt förekommande i litteraturen.
2.7 Etiska överväganden
Under flera olika skeden av en undersökning aktualiseras etiska frågor att ta hänsyn till.
Det är av stor vikt att dessa inte åsidosätts. Frågorna berör bland annat hur de studerade
individerna bör behandlas och vilka aktiviteter dessa bör engagera sig i. Reglerna
gällande etik berör vanligtvis frivillighet, integritet, konfidentialitet samt anonymitet.
Nedan förklaras de principer som vanligen berör svenska studier. (Bryman & Bell, 2010)
Informationskravet - Forskarna ska tydligt förklara studiens syfte och informera berörda personer om vad och hur olika element i studien framskrider. (Bryman & Bell, 2010) Den här studien respekterar informationskravet då företaget och de anställda som varit involverade i processen informerats om undersökningsområdet och syftet med deras medverkan samt hur empirisk data användes.
Samtyckeskravet - Involverade personer ska aktivt accepterat att medverka i studien utan påtryckningar från forskarna. (Bryman & Bell, 2010) Efter att författarna initialt tagit kontakt och undersökt intresset från fallföretagets sida om att ingå i studien och sedermera träffades för att diskutera studiens syfte, ingicks ett ömsesidigt samarbete.
Konfidentialitets- och anonymitetskravet - Personer och företag ska informeras om att de får vara anonyma vid önskan. Uppgifter rörande personlig information eller specifika uppgifter om ett företag ska inte spridas utanför studiens område. Ett liknade krav är nyttjandekravet vilket innebär att insamlad information endast berör den aktuella studien och inte kommer att användas i andra sammanhang. (Bryman & Bell, 2010) Studiens författare har informerat berörda parter om deras möjlighet till konfidentialitet samt att empirisk data har kodats för att inte obehöriga personer ska ta del av informationen. Informationen kommer inte heller att användas i andra sammanhang än för studiens ändamål.
Falska förespeglingar - Principen innebär att upphovsmännen till en studie är trans- parenta och öppna om undersökningen, i syfte att minimera risken att vilseleda eller till och med ge undersökningspersoner falsk information om undersökningen. (Bryman &
Bell, 2010) Författarna har under studiens gång varit öppna och haft en dialog med fall-
företaget om vad som undersökts och hur insamlat material använts. Mail-
korrespondens samt kontinuerliga möten med fallföretaget har bidragit till en hög trans-
parens.
2.8 Kvalitetskriterier
2.8.1 Reliabilitet och validitet
Bryman och Bell (2010) menar att reliabilitet och validitet är två mått på hur begrepp ska bedömas. Reliabilitet mäter hur pålitliga och följdriktiga begreppen som används i en studie är. Reliabilitet har olika betydelser beroende på vilket urval som används och tre faktorer påverkar studiens reliabilitet. Den första faktorn är stabilitet och betyder att urvalet ska vara konstant över en tidsperiod för att inte slumpmässiga faktorer ska på- verka resultatet. Den andra faktorn är intern reliabilitet och mäter korrelationen mellan svar på olika indikatorer. Exempelvis vid intervjuer eller enkäter kan olika frågor in- dikera samma mått. Respondentens svar på de frågorna ska då vara likartade för att vara pålitliga. Den sista faktorn är interbedömarreliabilitet och syftar till kategorisering av information. Om det finns multipla observatörer ökar risken att informationen tolkas och kategoriseras olika vilket minskar reliabiliteten.
Validitet i sin tur, är ett mått som mäter hur väl begreppen som används i studien verkligen speglar det som undersöks. (Bryman & Bell, 2010) Robson (2002) menar att hot mot validitet kan uppstå i form av att deltagarna finner negativa eller positiva effekter av medverkandet och på så sätt bidrar med felaktig information. Ett annat hot kan var tidsaspekten, då externa faktorer påverkar studiens syfte.
Studien har nått reliabilitet genom att användning av faktorn stabilitet. Den empiriska data som analyserats har inte på något sätt ändrats över tid. Det är faktisk data hämtat från fallföretagets (Getinges) affärssystem vilket stärker studiens reliabilitet. Studien har även redovisat vilka personer som författarna har varit i kontakt med samt bifogat intervjuguider för att externa personer ska få möjlighet att verifiera använd data. Genom studiens arbetsgång har opponenter, handledare och examinatorn granskat arbetet samt de olika begreppen som använts vilket har gjort att både reliabiliteten och validiteten stärkts.
Författarna har varit medvetna att fallföretaget, under studiens gång, genomgår
strategiska och operativa omstruktureringar. Företaget flyttade delar av produktionen till
ett låglöneland, dock påverkar det inte studien då syftet är avgränsat till företagets
nuvarande operation i Växjö. I och med att det kommer vara fortsatt produktion i
företagets lokaler i Växjö har företaget fortfarande ett behov att arbeta med prognoser och prognosutvärdering.
2.8.2 Replikerbarhet
Kriteriet replikerbarhet är snarlikt reliabilitet och innebär att andra forskare ska ha möjlighet att genomföra en äldre studie i syfte att testa studiens resultat. Anledningen kan bero på olika saker men meningen är att undersöka om studiens resultat verkligen är korrekt. För att ha möjlighet att testa trovärdigheten på en studie krävs det att till- vägagångssättet är noggrant beskrivet. Utöver beskrivandet nås replikerbarhet inom kvantitativ forskning genom att forskaren i fråga håller sig objektiv i förhållande till vad som undersöks. För att andra forskare ska ha möjlighet att replikera en specifik under- sökning kan inte forskaren blanda in personliga värderingar och åsikter, det blir i sådana fall omöjligt att reprisera undersökningen och nå samma resultat. (Bryman & Bell, 2010)
Valen som har gjorts i studien har motiverats för att stärka replikerbarheten och för-
ståelsen för arbetens syfte. Författarna har även metodiskt förklarat studiens tillväga-
gångssätt och de val som föranledde studiens slutsatser, som vilka skapades av analyser
genom objektiva metoder och information. Den empiriska data som studien använt har
inhämtats från Getinges affärssystem, vilket enligt lagstiftning inte får manipuleras.
2.9 Sammanställning av metodkapitel
Metodavsnitt Studiens val
Vetenskapligt synsätt Positivism Vetenskapligt angreppssätt Deduktion Forskningsstrategi Kvantitativ
Undersökningsdesign Fallstudie av typen common case
Datainsamling Primärdata: Semi-strukturerade intervjuer Sekundär data: Företagets datasystem samt databaser
Urval Stratifierat slumpmässigt urval
Bekvämlighetsurval Etiska överväganden Samtycke, konfidentialitet
Kvalitetskriterier Reliabilitet, validitet och replikerbarhet
Tabell 2. Sammanställning av metodkapitel, egenkonstruerad
3 Teoretisk referensram
Kapitlet avser att presentera den teoretiska referensram som ligger till grund för att besvara studiens frågeställningar. Inledningsvis finns en beskrivning av prognoser i allmänhet samt en presentation av de prognosmodeller och beräkningar av prognos- avvikelser som studien ämnar använda. Slutligen teorier kopplade till efterfråge- strukturer, såsom variation, trend och kategorisering.
3.1 Prognoser
För att genomföra nödvändiga förändringar samt att balansera tillgång och efterfrågan av företagets komponenter krävs det information om framtida behov. Det kan röra sig om att införskaffa råmaterial eller öka företagets kapacitet exempelvis vid en ökning av efterfrågan. Den konkreta informationen om framtida efterfrågan, det vill säga befintliga kundorder, sträcker sig inte tillräckligt långt fram i tiden för att hinna göra större förändringar i verksamheten. Den framtida efterfrågan behöver därmed uppskattas och detta görs via prognostisering. Eftersom det i stor utsträckning handlar om att uppskatta efterfrågan benämns de som efterfrågeprognoser. Efterfrågeprognoser syftar till att underlätta de taktiska och operativa besluten, där storleken på efterfrågan har stor betydelse för såväl produktionen som styrningen av materialflöden. Exempel på andra områden där prognostisering av efterfrågan påverkar taktiska och operativa beslut är kapacitet i personal och maskiner, kvantitetsunderlag till avropsavtal med leverantörer, fastställande av orderkvantitet samt beslut gällande lager. (Jonsson & Mattsson, 2011)
Kännetecken
Nahmias (2013) talar om att prognoser kännetecknas av att de vanligtvis inte stämmer jämfört mot det verkliga utfallet. Även om uppskattningarna sällan stämmer behandlas ofta en fastställd prognos som sann information, vilket medför att modifikationer av bland annat produktionsschema och resursårgång kan behöva genomföras i efterhand.
Där kan robusta planerings- och affärssystem vara till hjälp och reagera på oväntade
prognosavvikelser. En bra prognosmodell, även ifall den är fel, tar hänsyn till de
förutspådda prognosavvikelserna och uppskattar hur stora avvikelserna kommer att bli
för att ytterligare underlätta planeringen.
Ytterligare kännetecken för prognoser är att aggregerade prognoser är mer precisa.
Resonemanget härstammar från statistiken som visar att den genomsnittliga avvikelsen för en population är mindre än för en enskild observation. Situationen är liknande när det gäller prognoser där efterfrågeavvikelserna generellt sett är mindre (procentuellt) för en hel produktlinje jämfört med den avvikelse på efterfrågan som prognostiserats för en individuell produkt. (Nahmias, 2013) I linje med det tillägger Mattsson (2013) att det, på komponentnivå, finns ett samband mellan en hög efterfrågefrekvens och en hög årlig efterfråga vilket genererar låga variationer i efterfrågan. Därmed är komponenter med hög efterfråga lättare att prognostisera än om en situation med låg efterfråga förefaller.
Precisionen på prognosmodellerna påverkas även av tidshorisonten, där prognostisering av efterfrågan om två år är svårare att förutspå än nästkommande månads förbrukning (Nahmias, 2013).
Tidshorisont
Beroende på prognosens syfte används olika tidshorisonter. Nahmias (2013) delar upp tidshorisonten i tre dimensioner, vilka är kort, mellan och lång. Prognoser med kort tidshorisont mäts i dagar eller veckor och används för att planera den dagliga verksamheten, såsom kortsiktig försäljning, skiftscheman och resursbehov. På mellannivån är tidshorisonten vecko- eller månadsvis där prognostiseringen typsikt avser bland annat efterfrågan för produktfamiljer samt personal- och resursbehov. Ross (2004) adderar att planer gällande lageranskaffning är vanliga beslut för nivån. Rego och Mesquita (2015) beskriver skillnaden mellan vecko- och månadsprognoser och menar att ett tidsomfång om en månad är att föredra. Detta grundar sig i att det kan uppstå missvisande säsongseffekter på veckovis data, då det vanligen förekommer försäljningsmål som trycker upp efterfrågan i slutet på varje månad. Prognostisering av månadsdata rensar bort den effekten.
I den sista dimensionen, lång sikt, kan prognoserna mätas ända upp till årsbasis och
fungerar som underlag för beslutsfattande gällande långsiktigt försäljningsmönster,
tillväxttrender, ändringar av eller inom faciliteten, teknologiskt utveckling, kapacitet
etc. (Ross, 2004; Nahmias, 2013)
3.2 Objektiva prognosmodeller
Objektiva prognosmodeller är modeller som baseras på beräkningar och analyser av data (Nahmias, 2013). Jonsson och Mattsson (2011) benämner dessa som beräkningsmetoder där utgångspunkten ligger i tidsserier av efterfrågehistorik såsom försäljning eller förbrukning. De objektiva prognosmodellerna kan antingen vara betingade eller icke-betingade, där betingade modeller inkluderar andra förklarings- variabler än vad som ska prognostiseras. Exempelvis hur en reklamkampanj påverkar efterfrågan på en produkt. Icke-betingade modeller, även kallade tidsserier, kräver endast information om tidigare värden på det som ska prognostiseras (Nahmias, 2013).
Björnland et al. (2003) menar att beräkningsmetoderna, trots sin simpla struktur, ofta tillfredsställer kraven på att reducera osäkerheten om den framtida efterfrågan. Mer komplicerade prognosmodeller är sällan värda den merkostnaden de genererar då för- bättringarna endast är marginella.
3.2.1 Glidande medelvärde
Glidande medelvärde (GM) är en simpel men populär modell att använda vid prognostisering av stationära tidsserier (Nahmias, 2013). Modellen är en vidare- utveckling på enkelt medelvärde som innebär att medelvärdet av föregående och nuvarande periods efterfråga blir prognosen för nästa period (Ross, 2004). Vid GM beräknas medelefterfrågan istället utifrån ett visst antal perioder (n är justerbart) av historisk efterfrågedata, vilket blir prognosen för efterföljande period. Modellen kallas GM på grund av att det äldsta efterfrågevärdet hela tiden byts ut mot den senaste periodens faktiska efterfråga, därmed beräknas medelvärdet successivt period för period. (Nahmias, 2013; Mattsson, n d
1)
Till skillnad från den förenklade varianten enkelt medelvärde tar GM på ett bättre sätt hänsyn till olika variationer i efterfrågan, då fler tidsperioder kan inkluderas. Å andra sidan riktas viss kritik till modellen, exempelvis att den kräver stora mängder av lagrad information som dessutom gör det svårare att identifiera trender och säsongsvariationer i efterfrågan. Även det faktum att samtliga perioder har lika stor vikt i medelvärdesberäkningen, oavsett tidsmässig placering, nämns som en nackdel.
(Nahmias, 2013; Ross, 2004) Den prognostiserade efterfrågan för nästkommande period
med modellen GM beräknas enligt följande: (Nahmias, 2013; Mattsson, n d
1)
där P(t+1) = Prognostiserad efterfråga för nästkommande period E(t) = verklig efterfrågan under period t
n = antalet perioder i medelvärdesberäkningen
Bestämma antal tidsperioder (n)
Att bestämma tidshorisont är en kritisk faktor vid prognostisering. Beroende på antalet perioder som tas i beaktning förekommer olika särdrag relaterat till vilken modell som används. (Ross, 2004) För prognosmodellen GM har fastställandet av antalet perioder som inkluderas i medelvärdesberäkningen en avgörande betydelse för utfallet. För att uppnå stabila prognoser som inte överreagerar på slumpmässiga variationer i efterfrågan väljs ett högt n, det vill säga många perioder inkluderas. Om prognoserna däremot snabbt ska reagera på systematiska förändringar av efterfrågan används med fördel få perioder i beräkningen. (Nahmias, 2013) Hur många perioder som ska inkluderas har även att göra med periodlängderna. Om längre perioder används, till exempel månadsvis istället för veckovis, kan färre antal tas med i beräkningen. (Jonsson &
Mattsson, 2011)
3.2.2 Exponentiell utjämning
Vid prognostisering av stationära tidsserier är exponentiell utjämning (EU) en annan populär modell. Till skillnad från GM, som ger alla perioder oavsett tidsmässig placering samma inflytande på prognosen, ges olika perioder olika viktfördelningar vid EU och påverkar därmed prognosen mer eller mindre. (Nahmias, 2013) Jonsson och Mattsson (2011) förklarar det som att färskare efterfrågevärden generellt sett har ett högre informationsvärde och därför borde ha ett större inflytande på prognosen än äldre efterfrågeinformation. Ross (2004) menar att det möjliggör återspegling av verkliga efterfrågemönster, såsom trender och säsongsvariation. En annan fördel är att prognosmodellen endast kräver minimalt med utrymme för sparad data.
Förutom verkligt utfall av historisk efterfråga tas även tidigare prognoser hänsyn till vid
EU, där prognosen för nästa period är det viktade genomsnittet av den senaste
prognosen samt det verkliga utfallet av efterfrågan. Ekvationen skrivs enligt följande (Nahmias, 2013):
där P(t+1) = prognostiserad efterfrågan för nästkommande period E(t) = verklig efterfrågan under period t
α = utjämningskonstanten
Bestämma utjämningskonstanten (α)
Hur viktfördelningen slås ut på tidsperioderna, det vill säga vilka perioder som har störst inverkar på prognosen, bestäms genom utjämningskonstanten (alfa-värdet).
Storleken på utjämningskonstanten är nyckeln för hur väl prognoserna vid EU kommer att stämma. (Ross, 2004) Ifall utjämningskonstanten är 0,5 beskrivs förhållandet som att den senaste observationen får vikten 0,5, den näst senaste får 0,25, den efter det får 0,125 och så vidare. Sambandet ger alltså en avtagande vikt för historisk efterfrågedata.
(Mattsson, n d
2) Enligt Jonsson och Mattsson (2011) måste storleken på alfa vara mellan 0 och 1 för att beräkningen ska fungera, där vanliga värden ofta återfinns mellan 0,1 och 0,3.
På samma sätt som inkluderat antal perioder vid GM påverkar resultatet har utjämningskonstanten en avgörande roll för resultatet vid EU. Sambandet visar att ett stort alfa-värde lägger större vikt vid närliggande data, därmed reagerar prognoserna snabbare på förändringar vilket resulterar i större variationer mellan perioderna.
Tvärtom ger ett lågt alfa-värde en jämnare viktfördelning mellan de historiska perioderna vilket bidrar till stabilare prognoser som långsamt anpassas till förändringar i efterfrågan. (Nahmias, 2013) Vid avgörandet av storleken på utjämningskonstanten finns följande tumregel: lågt alfa-värde för väldigt slumpmässiga tidsserier, högt alfa- värde för väldigt jämna tidsserier (Ross, 2004)
Ross (2004) talar om att EU är adaptiv där målet med att välja det alfa-värde som
genererar högst precision för prognosmodellen, det vill säga lägst avvikelser. För att
erhålla ett lämpligt alfa-värde kan simuleringsberäkningar via datorprogram användas,
då ett manuellt tillvägagångssätt för att hitta det värde med lägst avvikelse är tidskrävande.
3.3 Prognosutvärdering
Då prognoser alltid är mer eller mindre fel är det viktigt att ha fortlöpande kontroller som säkerställer att felmarginalerna håller sig inom rimliga nivåer. I synnerhet för automatiska prognosmodeller som vid förlorad kontroll kan skapa negativa konsekvenser för materialstyrningen. En vital del i prognosutvärdering är prognos- mätning, där kontinuerlig mätning av prognosavvikelser bör finnas med i arbete med prognoser. (Jonsson & Mattsson, 2011)
För att reducera den osäkerhet som kommer med prognoser bör den alltid anges med en felangivelse, vilken baseras på historiska avvikelser mellan prognosmodellernas utfall och verklig efterfråga. Felangivelsen är viktig för att utvärdera vilken relevans som finns i den uppskattade prognosen. Felangivelsen mäts ofta som standardavvikelse och baseras på prognosavvikelsen för flera perioder, vilket också har en stor inverkar vid beräkning av säkerhetslager. (Björnland et al., 2003)
Som kontrollfunktion kan prognosutvärdering förklara varför efterfrågan under en period inte blev som förväntat (Björnland et al., 2003). Utvärdering och mätning av prognosavvikelse syftar även till att identifiera såväl enstaka slumpmässiga avvikelser som systematiska och återkommande avvikelser (Jonsson & Mattsson, 2011).
Slumpmässiga och systematiska avvikelser
Enligt Mattsson (2003) förekommer variationer i efterfrågan för enskilda komponenter från period till period i samtliga verksamheter. Det skapas naturligt då det slumpvis uppstår behov från exempelvis kunderna och det är i princip omöjligt att förutspå.
Skillnader mellan uppskattad efterfrågan och det verkliga utfallet för en enskild period
bör därför inte betraktas som prognosavvikelse eller användas i uppföljningssyfte då det
naturligt uppstår variationer. Prognosmodeller kan inte användas för att minska dessa
variationer, utan det är exempelvis mindre orderkvantiteter och kortare planerings-
horisont som är åtgärder mot det. Ur prognoshänsyn är det däremot viktigt att särskilja
de prognosavvikelser som har med slumpmässiga variationer att göra ifrån de som
härstammar från systematiska avvikelser. I figur 3 visas skillnaden mellan de två situationerna.
Vad gäller uppföljning och utvärdering av prognosmodeller är det av större intresse att identifiera de systematiska avvikelserna än de slumpmässiga variationerna. I figuren ovan visas två situationer där prognosen är på samma nivå men efterfrågan ser olika ut.
För prognos 1 förefaller större prognosavvikelser, det vill säga skillnad mellan prognos och verklig efterfråga, för de enskilda perioderna än för prognos 2. Om istället hänsyn tas till ett antal perioder är medelvärdet för efterfrågan närmre för prognos 1 än för prognos 2, som systematiskt är för hög. Därmed är prognos 2 mer felaktig, trots att den första prognosen visar på större avvikelser för enskilda perioder. Resonemanget belyser det nödvändiga med att utvärdera prognosmodeller över tid för att identifiera och justera systematiska avvikelser vilket ökar prognoskvaliteten. (Mattsson, 2003)
3.3.1 Prognosfel
Prognosfelen mäts för en given period och förklaras övergripande som skillnaden mellan prognosvärdet för perioden och det verkliga utfallet för samma period.
(Nahmias, 2013)
där PFt = Prognosfelen i en period Pt = Prognosvärde för perioden Et = Verkligt utfall i perioden
Figur 3 Slumpmässiga och systematiska fel, egenkonstruerad baserad på Mattsson (2003)
