L u e n t o. Ennustaminen. Luennon sisältö. Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä
|
|
- Pekka Hakola
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 L u e n t o Ennustaminen Luennon sisältö Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä
2 Ennusteiden merkitys
3 Yritys Toimiala Yhteiskunta Yritykset ennustavat monia asioita Poliittiset tapahtumat Arvojen kehittyminen Talouden eri indikaattorien kehitys Raaka-ainehinnat Kilpailijoiden tekemiset Teknologinen kehitys Kuluttajan käyttäytyminen Hintojen muuttuminen Tuotesyklin kehittyminen Kysyntä Sää Tuottavuuden kehitys Oppimisen leviäminen Laadun korjaantuminen Tuotekehityksen aikataulu Markkinointipanostusten vaikutus TUTA 16 Luento 3 3
4
5 Tulevaisuuteen on varsin hankala nähdä Everything that can be invented has been invented Charles Duell, Commissioner, US Patent Office, 1899 There is no likelihood man can ever tap the power of the atom. Robert Millikan, fysiikan Nobel-voittaja, 1923 Who the hell wants to hear actors TALK? Harry M. Warner, Warner Brothers, 1927 "Stocks have reached what looks like a permanently high plateau Irving Fisher, Professor of Economics, Yale University, 1929 We don t like their sound, and guitar music is on the way out. Decca Records, 1962, Beatlesistä But what is it good for? (microchip) Insinööri IBM:n kehitysosastolla, 1968 There is no reason anyone would want a computer in their home Ken Olson, President, Chairman, and founder of DEC, 1977 In a computer, 640K ought to be enough for anybody. Bill Gates, 1981 TUTA 16 Luento 3 5
6 Tulevaisuuteen on varsin hankala nähdä - case liikkeenjohdon yksi kaikki aikojen huonoin neuvo : Minkä kokoiseksi arvioitte USA:n kännykkäliittymämarkkinan vuonna 2000? Kannattaako meidän investoida? Niche-markkina, ei kannata mennä mukaan. Potentiaalisia asiakkaita 20 vuoden kuluttua vain 0,9 miljoonaa! 2000:Liittymäasiakkaita 109 miljoonaa (vain 99% ennustevirhej) TUTA 16 Luento 21 6
7 Tulevaisuuteen on varsin hankala nähdä - case kyllä tämä korkojen nousuennuste joskus osuu - TUTA 16 Luento 3 7
8 Tulevaisuuteen on varsin hankala nähdä - case finanssikriisit ja kotimainen talousosamainen - Mr. Käteinen TUTA 16 Luento 3 8
9 Tulevaisuuteen on varsin hankala nähdä - case yhteiskunnalliset muutokset ja trendit TUTA 16 Luento 3 9
10 Tulevaisuuteen on varsin hankala nähdä - case Paavo Väyrynen - On sanomattakin selvää, että Neuvostoliiton talousmahti jatkaa kasvuaan ja että Berliinin muuri on ikuinen kirjassaan Suomi tarvitsee vahvan valtiopäämiehen (1986) TUTA 16 Luento 3 10
11 Tulevaisuuteen on varsin hankala nähdä - case ollaan vain ystäviä -
12 Ennusteet ovat operaatioiden pohjana Ennusteet suunnittelun, päätöksenteon ja resurssien kohdistamisen pohjana pitkä tähtäin: sijainti-, kapasiteetti-, teknologiainvestoinnit jne. lyhyt tähtäin: tuotannonsuunnittelu, materiaalin hankinta, työntekijöiden palkkaus ja skedulointi, kuljetusten järjestely jne. Kilpailu ja kehityksen nopeus nostaneet ennusteiden merkitystä viime aikoina väärät päätökset maksavat entistä enemmän Tulevaisuuden arviointi ja menestyminen kulkevat siis usein käsi kädessä hyvän ennusteen tulee luonnollisesti olla helppokäyttöinen, luotettava, tarkka, ajankohtainen ja merkitsevä TUTA 16 Luento 3 12
13 Ennusteet ovat operaatioiden pohjana - case EuroDisney ja yliarvioitu kysyntä - Vasta neljäs Disney-puisto maailmassa Euroopassa ei oikeastaan mitään vastaavaa/vertailukohtaa ennusteet piti tehdä USA:n puistojen perusteella Puisto mitoitettiin suuremmalle kävijämäärälle vierailijoiden määrä % arvioitua vähemmän Toiminta suunniteltiin väärille kulutustottumuksille vierailijat käyttivät puistossa 10% arvioitua vähemmän rahaa Taloudellinen katastrofi Tappioita paikattiin useilla operaatiomuutoksilla hinnat alas, kustannukset tarkkailuun, kohdistettuja investointeja (ostoskeskus, ravintolat, messutilat) Lisää tappioita (ennusteet taas väärin) TUTA 16 Luento 3 13
14 Thousands of holiday gifts won't arrive by Christmas after an unpredictably large number of packages overwhelmed UPS, the world's largest package delivery service. "The volume of air packages in our system exceeded the capacity of our network, as demand was much greater than the forecast," UPS spokeswoman Natalie Godwin said Tuesday. "As a a result a small percentage of shipments are delayed and will not be delivered today." Godwin would not say how many packages had been delayed, but the delays are nationwide. UPS drivers will deliver packages on Christmas Eve, but will not deliver on Christmas Day. Workers at the company's Louisville hub will work on Wednesday night to sort packages so they can be delivered on Thursday. she said. "We are using every available resource to get packages delivered," she said. Customers hit by delays carped online and posted their tracking details on of Bethesda, Md. wrote "#Amazon Prime doesn't mean jack when #UPS tells you they had a carrier delay." A woman in Saginaw, Tex., posted a tracking receipt that showed an order placed with The Disney Store on Dec. 17 won't arrive until after Christmas even though the items left Tennessee and arrived in nearby Fort Worth, Tex. at 8:05 p.m. Dec. 20.
15 Ennusteiden tekemiseen kannattaa panostaa Fortune-telling Forecasting TUTA 16 Luento 3 15
16 Ennustemenetelmät
17 Ennustemenetelmiä on paljon erilaisia Kvantitatiiviset Aikasarja-analyysit (historia) naiivi-analyysi suora viiva -analyysi liukuva keskiarvo eksponentiaalinen tasoitus klassinen dekompositio Kausaalimallit (syy-seuraus) regressio- ja korrelaatiomallit ekonometria leading indicators Kvalitatiiviset Johtoryhmän keskustelu Asiantuntijamielipide Delphi-metodi Build up -metodi Markkinatutkimukset Asiakaspaneelit Testimarkkinointi Historia-analogia Elinkaariajattelu Epävirallisemmat Intuitio, Mutu Arvaus TUTA 16 Luento 3 17
18 Aikasarja-analyysit Aikasarja-analyyseissä ennusteet perustetaan historiaan sopivalle mallille perusoletuksena tulevaisuuden jatkuminen samanlaisena - sekä rakenteelliset että trendin muutokset aiheuttavat ongelmia Useita eri menetelmiä jotka eroavat toisistaan huomioitavien jaksojen lukumäärän ja jaksojen keskinäisten painojen suhteen Käytetään tosielämässä pääasiassa lyhyiden ajanjaksojen ennusteisiin yksinkertaisia ja antavat tarpeeksi tarkkoja tuloksia kysynnän syklikomponenttia muutenkin hankala huomioida koska vaatii dataa pitkältä ajalta ja satunnaisuus sotkee analyysiä TUTA 16 Luento 3 18
19 Aikasarja-analyysit - naiivi ja suora viiva - Naiivissa ennusteessa oletetaan, että kysyntä seuraavalla jaksolla on sama kuin edellisellä jaksolla menetelmänä helppo, halpa ja nopea joissakin tilanteissa jopa toimiva mutta riskit suuret kpl t Suora viiva ennusteessa lähtökohtana on trendin jatkuminen samalla uralla budjetoidaan kasvuksi ensikin vuonna 3% TUTA 16 Luento 3 19
20 Suora viiva toimii vakailla aloilla - case päivittäistavarakauppojen volyymin muutos
21 Aikasarja-analyysit - liukuva keskiarvo - Ennuste lasketaan EDELLISISTÄ kysyntäluvuista (eli rivibugin vaara) Mitä enemmän huomioitavia jaksoja, sitä tasoittavampi ennuste on TUTA 16 Luento 3 21
22 Liukuvalla keskiarvolla tasoittava vaikutus - case Twitterin korjattu kurssikehitys -
23 Aikasarja-analyysit - eksponentiaalinen tasoitus - Seuraavan jakson ennuste (F t+1 ) lasketaan edellisen jakson kysynnän ja edellisen jakson ennusteen avulla edellisen jakson kysyntää (D t ) painotetaan ns. alfalla edellisen jakson ennusteen (F t ) paino on vastaavasti 1-alfa Käytetty alfa riippuu tilanteesta (hieman taidetta) useimmiten määritellään historiallisen kysyntädatan pohjalta - valitaan niin, että ennustevirhe minimoituu (eli mikä sopii kysynnän rakenteeseen) käytetyt alfat ovat yleensä pieniä, välillä 0,1-0,3 - pieni alfan arvo tasoittaa ennustetta, suuri alfan arvo vastaavasti reagoi rajusti kysynnän muutoksiin (ääriesimerkkinä alfa=1 eli naiivi-ennuste) Menetelmä ottaa itse asiassa huomioon kaiken datan kyseessä painotettu ka.malli eksponentiaalisesti laskevilla painoilla tämä voidaan huomata kaavaa uudelleen järjestelemällä J Tarkkana kumminpäin painot ovat! 2 3 F+ 1 = αdt + α(1-α)dt-1 + α(1-α) Dt-2 + α(1-α) Dt- 3 t +... TUTA 16 Luento 3 23
24 Eksponentiaalinen tasoitus esimerkki 1 Vuosi Myynti Ennuste jaksolle F t+1 kun ( alfa = 0,3 ) ? αd (1 - α)f = F t t t+ 1 + Oletetaan jos ei ole annettu 0,3*(90) + (1-0,3)*90,00 = 90,00 0,3*(84) + (1-0,3)*90,00 = 88,20 0,3*(79) + (1-0,3)*88,20 = 85,44 0,3*(83) + (1-0,3)*85,44 = 84,71 Tarkkana rivien kanssa! TUTA 16 Luento 3 24
25 Aikasarja-analyysit - eksponentiaalinen tasoitus - Seuraavan jakson ennuste (F t+1 ) lasketaan edellisen jakson kysynnän ja edellisen jakson ennusteen avulla edellisen jakson kysyntää (D t ) painotetaan ns. alfalla edellisen jakson ennusteen (F t ) paino on vastaavasti 1-alfa Käytetty alfa riippuu tilanteesta (hieman taidetta) useimmiten määritellään historiallisen kysyntädatan pohjalta - valitaan niin, että ennustevirhe minimoituu (eli mikä sopii kysynnän rakenteeseen) käytetyt alfat ovat yleensä pieniä, välillä 0,1-0,3 - pieni alfan arvo tasoittaa ennustetta, suuri alfan arvo vastaavasti reagoi rajusti kysynnän muutoksiin (ääriesimerkkinä alfa=1 eli naiivi-ennuste) Menetelmä ottaa itse asiassa huomioon kaiken datan kyseessä painotettu ka.malli eksponentiaalisesti laskevilla painoilla tämä voidaan huomata kaavaa uudelleen järjestelemällä J 2 3 F+ 1 = αdt + α(1-α)dt-1 + α(1-α) Dt-2 + α(1-α) Dt- 3 t +... TUTA 16 Luento 3 25
26 Alfan määrittely historiallisella datalla - teoreettinen esimerkki 2 - TUTA 16 Luento 3 26
27 Pieni alfan arvo tasoittaa ennustetta - teoreettinen esimerkki 3 - TUTA 16 Luento 3 27
28 Eksponentiaalinen tasoitus esimerkki 4 Ohjelmistoyritys on myynyt omaa platform-tuotettaan viimeisen neljän vuoden aikana alla olevan taulukon osoittamat määrät. Mikä on vuoden 2016 ennustettu kysyntä eksponentiaalista tasoitusta ja alfan arvoa 0,2 käyttäen? Oletetaan, kun vuoden 2012 ennustetta ei ole annettu Vuosi Myynti (kpl) Laskeminen Ennuste 0,2*30+0,8*30,0= 30,0 0,2*20+0,8*30,0= 28,0 0,2*40+0,8*28,0= 30,4 0,2*50+0,8*30,4= 34,32 Ennuste vuodelle 2016 = alfa * Myynti vuonna (1-alfa) * Ennuste vuodelle 2015 (tarkkana ettei vuodet / rivit mene laskiessa sekaisin!) TUTA 16 Luento 3 28
29 Eksponentiaalinen tasoitus esimerkki 4 HUOM! Excel käyttää ilmaisutapaa 1-alfa (damping factor) TUTA 16 Luento 3 29
30 Aikasarja-analyysit - eksponentiaalinen tasoitus - Seuraavan jakson ennuste (F t+1 ) lasketaan edellisen jakson kysynnän ja edellisen jakson ennusteen avulla edellisen jakson kysyntää (D t ) painotetaan ns. alfalla edellisen jakson ennusteen (F t ) paino on vastaavasti 1-alfa Käytetty alfa riippuu tilanteesta (hieman taidetta) useimmiten määritellään historiallisen kysyntädatan pohjalta - valitaan niin, että ennustevirhe minimoituu (eli mikä sopii kysynnän rakenteeseen) käytetyt alfat ovat yleensä pieniä, välillä 0,1-0,3 - pieni alfan arvo tasoittaa ennustetta, suuri alfan arvo vastaavasti reagoi rajusti kysynnän muutoksiin (ääriesimerkkinä alfa=1 eli naiivi-ennuste) Menetelmä ottaa itse asiassa huomioon kaiken datan kyseessä painotettu ka.malli eksponentiaalisesti laskevilla painoilla tämä voidaan huomata kaavaa uudelleen järjestelemällä J 2 3 F+ 1 = αdt + α(1-α)dt-1 + α(1-α) Dt-2 + α(1-α) Dt- 3 t +... TUTA 16 Luento 3 30
31
32 Huomioita eksponentiaalisesta tasoituksesta Suosittu menetelmä rajoitetun ATK-muistin aikana ei vaadi kuin edellisen ennusteen tallentamisen (vrt. muut aikasarjat) Yksinkertaisuuden ja helppouden vuoksi vieläkin laajasti käytössä vapauttaa myös subjektiivisesta liukuvan ka.:n painojen asettamisesta Menetelmä voidaan tulkita myös oppimiskaavana edelliseen ennusteeseen lisätään osa toteutuneesta ennustevirheestä tämä voidaan huomata kaavan uudelleen järjestelemällä F = F + α(d - t+ 1 t t F ) Menetelmää voidaan luonnollisesti käyttää ainoastaan seuraavan jakson ennustamiseen laskemiseen tarvitaan aina edellinen, oikeasti toteutunut, kysynnän arvo! t TUTA 16 Luento 3 32
33 Entä jos historiallisessa kysynnässä muutakin kuin vain satunnaista vaihtelua? Sattuma Trendi Määrä Määrä Aika Kausi Aika Sykli Määrä Vuosi 1 Vuosi 2 Määrä Vuosi Esim. 5 vuotta TUTA 16 Luento 3 33
34 Mahdollinen trendi huomioitavissa erikseen F t+ 1 = A + T F t+ 1 t t = t t-1 t-1 t t-1 [ αd + (1- α)(a + T )] + [ β(a - A ) + (1- β)t ] t-1 TUTA 16 Luento 3 34
35 Kausivaihtelu huomioitavissa monella tavalla - case prosenttiosuuksien käyttö - jotenkin ennustettu Useamman vuoden kysynnänjakauman huomioimisella tasoittava vaikutus Prosenttiosuuksien käyttö vaatii kokonaisennusteen josta osuus voidaan ottaa L Jaetaan kokonaisennuste kausille ka.osuuksien mukaan TUTA 16 Luento 3 35
36 Aikasarja-analyysit - klassinen dekompositio - Sattuma Trendi Määrä Määrä Aika Kausi Aika Sykli Määrä Vuosi 1 Vuosi 2 Määrä Vuosi Esim. 5 vuotta TUTA 16 Luento 3 36
37 Aikasarjaennusteiden laadun arviointi Menetelmän hyvyyttä mitataan ennustevirheellä Ennustevirhe E Luotettavuutta arvioitaessa tulee kiinnittää huomio pidempiin kuin yhden jakson virheisiin eri mittarit painottavat virheitä hieman eri tavoin t = D Toteutunut TUTA 16 Luento 3 37 t - F Kumulatiivinen virheiden summa CFE = Keskimääräinen absoluuttinen poikkeama MAD = t Ennuste Keskimääräinen neliövirhe MSE = Keskimääräinen absoluuttinen prosenttivirhe MAPE = (yliennusteen etumerkki on siis negatiivinen) E n 2 t E t n E [ E /D ] t (MAD ei siis ole CFEn keskiarvo) n t t *100
38 Aikasarjaennusteiden laadun arviointi 2kk liukuvalla parempi CFE ja MSE, eksponentiaalisella tasoituksella (alfa=0,3) parempi MAD ja MAPE TUTA 16 Luento 3 38
39 Kausaalimallit Kausaalimalleissa ennusteet perustetaan historiallisesti näytettyyn syy-seuraus -suhteeseen selvästi kehittynein ennustamisen muoto Regressiomallit käytetyimpiä kausaalimalleja lineaarinen regressio kaikkein tunnetuin ja yleisin monimutkaisempia ekonometrisiä malleja käytetään myös Datan määrä ei välttämättä korvaa laatua leading indicator -muuttujat tulosten kannalta tärkeimpiä (näe metsä puilta) - esim. suodattimien kysyntä ja uusien autojen myynti pari vuotta aikaisemmin aikaviiveen merkitys useimmin unohdettu muuttuja korrelaatio ja selitysaste mallin toimivuuden mittareina n XY - X Y Y = a + bx b = 2 2 n X - ( X) a = n Y - b n X TUTA 16 Luento 3 39
40
41
42 Kvalitatiiviset ennustemenetelmät Kvalitatiiviset menetelmät sopivat varsinkin tilanteisiin, joissa numeromallit eivät toimi liian usein turvaudutaan osaamis-, aika- ja dataongelmatilanteissa - perusteluna luonnollisesti tilanteen ainutlaatuisuusj Erilaisia mielipidemenetelmiä käytössä Johtoryhmän keskustelu - johto tietää parhaiten, ongelmana mahdollinen yhteisajattelu Asiantuntijamielipide ( guru-logiikka ) - edustavuus joskus kyseenalaista, kärsii myös konsensus-ajattelusta Delphi-metodi - anonymiteetillä ja perusteluilla pyritään vähentämään ryhmävaikutusta - menetelmänä hidas ja ennustekyky keskinkertaista Build up -metodi (sales force ennuste) - ennuste kootaan organisaatiossa taso kerrallaan alhaalta ylös - ongelmana mm. tarkoituksellinen vääristely (sekä ylös- että alaspäin) TUTA 16 Luento 3 43
43 Kvalitatiiviset ennustemenetelmät Mielipiteiden lisäksi kvalitatiiviset ennusteet voidaan perustaa erilaisiin testeihin Markkinatutkimukset - ihmisillä tapana liioitella osto- ja käyttöhalukkuuttaan kyselyissä - vastauksissa korostuu yhteiskunnallisesti hyväksyttävät tavat Asiakaspaneelit - paneelimuotoisissa tilaisuuksissa päästään paremmin kiinni asiakkaan motiiveihin, preferensseihin ja todelliseen käytökseen Testimarkkinointi - testataan tuotteet todellista suosiota markkinoilla - Suomi mm. usein teknisten tuotteiden testimarkkina Euroopassa Historia-analogia - esim. uuden tuotteen kysynnän muoto edellisen kaltainen Elinkaariajattelu - esim. Euroopan GSM-levinneisyys seuraa Suomen kehitystä TUTA 16 Luento 3 44
44 Ennusteiden tekeminen käytännössä
45 Yksinkertaistettu ennusteprosessi 1. Mihin ennusteiden tuloksia käytetään? 2. Valitse ennustettavat asiat 3. Valitse ennustettava aikahorisontti 4. Valitse käytettävät menetelmät 5. Kerää data (ja arvioi valittuja menetelmiä) 6. Tee ennuste 7. Analysoi tulokset ja toimi niiden perusteella 8. Arvioi ennusteen hyvyyttä kun mahdollista TUTA 16 Luento 3 47
46 Ennustemenetelmän valintaperuste A. Kuinka tarkka tuloksen pitää olla lyhyellä aikajaksolla ennustevirheeseen sopeutuminen hankalampaa joten vaatii usein suurempaa tarkkuutta B. Käytössä olevan datan määrä mitä vähemmän dataa sitä kvalitatiivisempi tapa C. Käytössä oleva aika ja taloudelliset resurssit tietotekniikka nopeuttanut prosessia ja laskenut kuluja D. Väärän tuloksen taloudelliset riskit korostunut viime aikoina Yksinkertaistettuna siis kustannusten ja tarkkuuden trade-off TUTA 16 Luento 3 48
47 Aikajänne vaikuttaa valittuihin menetelmiin Pitkä 2-5 vuotta Strateginen ennustaminen market entry (kysyntä ja hintataso) pitkän aikajakson kapasiteetin tarve uuden tuotteen kehittäminen Kompleksit matemaattiset 5,000 potilasta ja subjektiiviset per vuosi mallit K-pitkä 3-24 kk karkea tuotannonsuunnittelu työvoiman tarve, ylityöt, alihankinta logistiset ratkaisut Melko Ensiapu 1,000 komplekseja Leikkaus 1,000 tilastollisia Muu 3,00 malleja Lyhyt 0-3 kk. Operatiivinen ennustaminen tuotannonsuunnittelu ja valmistus materiaalien tilaus ja varastomäärät töidenjärjestely, huoltotoiminta Usein yksinkertaisia Röntgen 500 Dialyysi tilastollisia 100 Sydän malleja l. 20 (esim.aikasarja) TUTA 16 Luento 3 49
48 Yksinkertaisemmat menetelmät suositumpia alle $100M yli $500M Naiivi 18,5% 14,6% Suora viiva 14,8% 14,6% Liukuva keskiarvo 29,6% 29,2% Eksponentiaalinen tasoitus 14,8% 20,8% Klassinen dekompositio 3,7% 8,3% Box-Jenkins (ARIMA) 3,7% 6,3% Regressio 22,2% 27,1% Simulointi 3,7% 10,4% Johtajan oma mielipide 40,7% 39,6% Johtoryhmän keskustelu 40,7% 41,6% Build up -metodi 29,6% 35,4% Yritysten määrä Sanders, N. & Mandrodt K. (1994) Practitioners Continue to Rely on Judgmental Forecasting Methods Instead of Quantitative Methods TUTA 16 Luento 3 50
49 Ennusteiden yleinen osuvuus Ennusteet ovat melkein aina väärässä perustuvat historialliseen dataan oletuksena systeemin jatkuva stabiilisuus Keskeistä tietää kuinka paljon ja minkä takia oikea suunta monissa tilanteissa riittävä Satunnainen virhe (noise) Fundamentaalinen virhe (mistake) TUTA 16 Luento 3 51
50 Fundamentaaleja virheitä tapahtuu Mustang Edsel TUTA 16 Luento 3 52
51 Kaikki mikä tutkimuksissa miellyttää, ei... TUTA 16 Luento 3 53
52 Ennusteita pitää pyrkiä parantamaan Prosessi työtapojen standardointi systemaattisempi lähestyminen esim. ennusteen tekijän, käytettävän datan ja analysointimenetelmien suhteen useiden eri menetelmien käyttö sekä top-down että bottom-up ryhmämenetelmillä yliarvioijan kuriin - kokemusten määrä, puolueettomuus ennusteinsentiivien huomiointi liikaa tarkoituksellista virheellisyyttä - valvonnalla tärkeä rooli voidaanko tekijä ja käyttäjä erottaa? ennusteiden jälkiarviointi turhan usein unohdettu vaihe - ihmisillä tapana toistaa virheitään! koulutuksen roolia ei tule unohtaa Operatiiviset oikean ennusteyksikön valinta liiketoiminnan perusteet ymmärrettävä myynnin ja todellisen kysynnän eron ymmärtäminen järjestelmät kertovat vain osatotuuden - alennusmyynti, tuote loppunut kesken, laatuongelmat, kampanjoita, jne. väärien ennusteiden kustannusten selvittäminen esim. stock-out harvoin huomioitu isojen kokonaisuuksien käyttö esim. tuoteperheen kysynnän hajonta pienempi kuin yksittäisten tuotteiden aikaisen infon hyväksikäyttö ennustetaan mahd. lähellä kysyntää TUTA 16 Luento 3 54
53 Informaatio vaikuttaa ennusteiden laatuun Aikainen myynti antaa selvää osviittaa myynnin kehityksestä tilanteesta riippuen parikin päivää riittää parantamaan ennustuksia Erityisen hyvä apuväline lyhyen elinkaareen tuotteilla vaatteet, elektroniikka, kirjat, elokuvat, musiikki, seminaarit jne. Todellinen myynti Alkuperäinen ennuste Ennuste kun 20% myynnistä tiedetään Ennuste kun 80% myynnistä tiedetään Yrityksiltä puuttuu sisäiset järjestelmät tiedon käsittelyyn ja toimitusketju usein liian pitkä, hidas tai joustamaton vääränlainen tehokkuusajattelu myös ongelmana (täydet rekat, isot erät jne.) TUTA 16 Luento 3 55
54 Miten selviytyä nopeasti muuttuvilla markkinoilla? Nopeasyklinen päätöksentekoprosessi? Uudenlainen suhtautuminen ennustukseen - ABB aikoinaan: 7-3 formula ja intuitio (väärät ennusteet hyväksyttiin) Informaatioteknologian nopeus apuna - helpottaa sekä tiedon käsittelyä että jakamista Luottaminen testimarkkinadataan - WWW-sivujen asiakaspalautteet, softatuotteiden beta-versiot Päätöksentekoprosessin uudelleensuunnittelu - esim. hajautetun päätöksenteon korostaminen Toiminnan kokonaan uudelleen suunnittelu? tuotesuunnittelu, tuotantomenetelmien kehittäminen, kapasiteetin määrän joustavuus, valikoiman joustavuus, set-up aikojen lyhentäminen, sijaintipäätökset, henkilöstön koulutus, oleelliseen keskittyminen, paremmat alihankintasuhteet jne. TUTA 16 Luento 3 56
55 ja joskus pitää vain uskoa ja toivoa... TUTA 16 Luento 3 57
Ennustaminen. Ennusteet ovat operaatioiden pohjana. Luennon sisältö. Ennusteet ovat operaatioiden pohjana - case EuroDisney ja yliarvioitu kysyntä -
L u e n t o Ennusteet ovat operaatioiden pohjana Ennustaminen Luennon sisältö Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä Ennusteet suunnittelun, päätöksenteon ja resurssien
LisätiedotEnnustaminen. Yritykset ennustavat monia asioita. Luennon sisältö. Ennusteet ovat operaatioiden pohjana - case EuroDisney ja yliarvioitu kysyntä -
L u e n t o Ennustaminen Luennon sisältö Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä Yritys Toimiala Yhteiskunta Yritykset ennustavat monia asioita Poliittiset tapahtumat Arvojen
LisätiedotL u e n t o. Ennustaminen. Luennon sisältö. Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä
L u e n t o Ennustaminen Luennon sisältö Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä Ennusteiden merkitys Yritys Toimiala Yhteiskunta Yritykset ennustavat monia asioita Poliittiset
LisätiedotEnnustaminen. Yritykset ennustavat monia asioita. Luennon sisältö
L u e n t o Ennustaminen Luennon sisältö Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä Yritys Toimiala Yhteiskunta Yritykset ennustavat monia asioita Poliittiset tapahtumat (esim.
LisätiedotL u e n t o. Ennustaminen. Luennon sisältö. Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä
L u e n t o Ennustaminen Luennon sisältö Ennusteiden merkitys Ennustemenetelmät Ennusteiden tekeminen käytännössä Ennusteiden merkitys Yritys Toimiala Yhteiskunta Yritykset ennustavat monia asioita Poliittiset
LisätiedotAki Taanila AIKASARJAENNUSTAMINEN
Aki Taanila AIKASARJAENNUSTAMINEN 26.4.2011 SISÄLLYS JOHDANTO... 1 1 AIKASARJA ILMAN SYSTEMAATTISTA VAIHTELUA... 2 1.1 Liukuvan keskiarvon menetelmä... 2 1.2 Eksponentiaalinen tasoitus... 3 2 AIKASARJASSA
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotKysynnän ennustaminen muuttuvassa maailmassa
make connections share ideas be inspired Kysynnän ennustaminen muuttuvassa maailmassa Nina Survo ja Antti Leskinen SAS Institute Mitä on kysynnän ennustaminen? Ennakoiva lähestymistapa, jolla pyritään
LisätiedotYHTEISTYÖN KÄYTÄNNÖT UUDEN TIEDON LUOMISESSA
Professori Hannu Kärkkäinen Tampereen teknillinen yliopisto KOULUTUSTILAISUUS 18.9.2012 KLO 9-12 YHTEISTYÖN KÄYTÄNNÖT UUDEN TIEDON LUOMISESSA THE RANGE OF WHAT WE THINK AND DO IS LIMITED BY WHAT WE FAIL
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
Lisätiedotanna minun kertoa let me tell you
anna minun kertoa let me tell you anna minun kertoa I OSA 1. Anna minun kertoa sinulle mitä oli. Tiedän että osaan. Kykenen siihen. Teen nyt niin. Minulla on oikeus. Sanani voivat olla puutteellisia mutta
Lisätiedot1. Liikkuvat määreet
1. Liikkuvat määreet Väitelauseen perussanajärjestys: SPOTPA (subj. + pred. + obj. + tapa + paikka + aika) Suora sanajärjestys = subjekti on ennen predikaattia tekijä tekeminen Alasääntö 1: Liikkuvat määreet
LisätiedotGreen Growth Sessio - Millaisilla kansainvälistymismalleilla kasvumarkkinoille?
Green Growth Sessio - Millaisilla kansainvälistymismalleilla kasvumarkkinoille? 10.10.01 Tuomo Suortti Ohjelman päällikkö Riina Antikainen Ohjelman koordinaattori 10/11/01 Tilaisuuden teema Kansainvälistymiseen
LisätiedotUusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition)
Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition) Esko Jalkanen Click here if your download doesn"t start automatically Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition) Esko Jalkanen
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotAki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
LisätiedotEnnustamisesta suunnitteluun Mitä jos
Ennustamisesta suunnitteluun Mitä jos RELEX - Toimitusketjunhallinnan seminaari 2014 22.1.2014 Mikko Kärkkäinen RELEX Oy Mitä ennustaminen on? Ennustaminen on suunnitelman kääntämistä toimintaohjeeksi:
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
LisätiedotAsiakaspalautteen merkitys laboratoriovirheiden paljastamisessa. Taustaa
Asiakaspalautteen merkitys laboratoriovirheiden paljastamisessa Paula Oja, TtT Laboratorio, Oulun yliopistollinen sairaala Potilasturvallisuustutkimuksen päivät 26. 27.1.2011 1 Taustaa Laboratorion tulee
LisätiedotVoice Over LTE (VoLTE) By Miikka Poikselkä;Harri Holma;Jukka Hongisto
Voice Over LTE (VoLTE) By Miikka Poikselkä;Harri Holma;Jukka Hongisto If you are searched for a book by Miikka Poikselkä;Harri Holma;Jukka Hongisto Voice over LTE (VoLTE) in pdf form, then you have come
LisätiedotMatkustaminen Majoittuminen
- Majoituspaikan löytäminen Where can I find? Ohjeiden kysyminen majoituspaikan löytämiseksi Where can I find?... a room to rent?... a room to rent?... a hostel?... a hostel?... a hotel?... a hotel?...
LisätiedotIntegrointialgoritmit molekyylidynamiikassa
Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin
LisätiedotMatkustaminen Majoittuminen
- Majoituspaikan löytäminen Where can I find? Ohjeiden kysyminen majoituspaikan löytämiseksi... a room to rent?... a hostel?... a hotel?... a bed and breakfast?... a camping site? What are the prices like
LisätiedotMEETING PEOPLE COMMUNICATIVE QUESTIONS
Tiistilän koulu English Grades 7-9 Heikki Raevaara MEETING PEOPLE COMMUNICATIVE QUESTIONS Meeting People Hello! Hi! Good morning! Good afternoon! How do you do? Nice to meet you. / Pleased to meet you.
LisätiedotVOIKO ASUNTOHINTAKUPLAN SITTENKIN HAVAITA HELPOSTI?
1 Arvoasuntopäivä 2015 6.5.2015, Pörssitalo, Helsinki VOIKO ASUNTOHINTAKUPLAN SITTENKIN HAVAITA HELPOSTI? Elias Oikarinen KTT, Akatemiatutkija, Turun yliopiston kauppakorkeakoulu Kiinteistösijoittamisen
LisätiedotDatasta arvoaliiketoiminnalle. Kirsi Pietilä Business Intelligence Lead
Datasta arvoaliiketoiminnalle Kirsi Pietilä Business Intelligence Lead Kolikonheiton aikakausi on päättynyt Data ja numerot kertovat kaiken mitä haluat tietää asiakkaistasi, palvelustasi tai yrityksestäsi,
LisätiedotMikä muuttaa rakentamista? Perspektiiviä maailman ja bisneksen muutokseen
Mikä muuttaa rakentamista? Perspektiiviä maailman ja bisneksen muutokseen HIRSITALOTEOLLISUUS RY:N VUOSIKOKOUSSEMINAARI 2019 Oulu, 9.4.2019 Professori Markku Wilenius Tulevaisuuden tutkimuskeskus, Turun
LisätiedotKIPINÖISTÄ TULEVAISUUDEN KESTÄVYYTTÄ
KIPINÖISTÄ TULEVAISUUDEN KESTÄVYYTTÄ S AN N A S U V AN T O - H A R S A A E * Chairman of the board Altia Oyj, BoConcept As, Babysam As, Footway AB, TCM AS. Vice chair at Paulig Oyj. Board member at SAS
LisätiedotHotellin asiakasliikenne ja kannattavuus
Mirja Rautiainen - Mika Siiskonen Hotellin asiakasliikenne ja kannattavuus HARJOITUSTEHTÄVIÄ LUKU 15: HUONEMYYNNIN MAKSIMOINTI http://charles.savonia.fi/~mas/julkaisut HINNOITTELUN VAIKUTUS HUONETUOTTOIHIN
LisätiedotInformation on Finnish Language Courses Spring Semester 2017 Jenni Laine
Information on Finnish Language Courses Spring Semester 2017 Jenni Laine 4.1.2017 KIELIKESKUS LANGUAGE CENTRE Puhutko suomea? Do you speak Finnish? -Hei! -Moi! -Mitä kuuluu? -Kiitos, hyvää. -Entä sinulle?
LisätiedotDigitaalisen työvoiman asiantuntija. Jari Annala Digital (R)evolutionist
Digitaalisen työvoiman asiantuntija Jari Annala Digital (R)evolutionist Sitku seuraava versio on valmis ja sitku ERP on päivitetty Tänään!! 3 Digityöntekijä 4.11.2016 4 Knowledge Work Automation is a significant
LisätiedotTAVOITTEIDEN ASETTAMINEN JA MITTAAMINEN
IAB Finland TAVOITTEIDEN ASETTAMINEN JA MITTAAMINEN Vatanen 2018 Petri Vatanen on digitaalisen maailman moni- ja syväosaaja, jonka tekninen tausta verkkopalvelujen kehittämisestä yhdistyy vuosien markkinointi
LisätiedotJos Q = kysytty määrä, Q = kysytyn määrän muutos, P = hinta ja P = hinnan muutos, niin hintajousto on Q/Q P/P
Osa 5. Joustoista Kysynnän hintajousto (price elasticity of demand) mittaa, miten kysynnän määrä reagoi hinnan muutokseen = kysytyn määrän suhteellinen muutos jaettuna hinnan suhteellisella muutoksella
LisätiedotTIETEEN PÄIVÄT OULUSSA 1.-2.9.2015
1 TIETEEN PÄIVÄT OULUSSA 1.-2.9.2015 Oulun Yliopisto / Tieteen päivät 2015 2 TIETEEN PÄIVÄT Järjestetään Oulussa osana yliopiston avajaisviikon ohjelmaa Tieteen päivät järjestetään saman konseptin mukaisesti
LisätiedotAYYE 9/ HOUSING POLICY
AYYE 9/12 2.10.2012 HOUSING POLICY Mission for AYY Housing? What do we want to achieve by renting apartments? 1) How many apartments do we need? 2) What kind of apartments do we need? 3) To whom do we
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotCASE POSTI: KEHITYKSEN KÄRJESSÄ TALOUDEN SUUNNITTELUSSA KETTERÄSTI PALA KERRALLAAN
POSTI GROUP CASE POSTI: KEHITYKSEN KÄRJESSÄ TALOUDEN SUUNNITTELUSSA KETTERÄSTI PALA KERRALLAAN TIINA KATTILAKOSKI POSTIN TALOUDEN SUUNNITTELU Mistä lähdettiin liikkeelle? Ennustaminen painottui vuosisuunnitteluun
LisätiedotInformation on Finnish Language Courses Spring Semester 2018 Päivi Paukku & Jenni Laine Centre for Language and Communication Studies
Information on Finnish Language Courses Spring Semester 2018 Päivi Paukku & Jenni Laine 4.1.2018 Centre for Language and Communication Studies Puhutko suomea? -Hei! -Hei hei! -Moi! -Moi moi! -Terve! -Terve
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotCloud, Convergence, Ubiquity ja muita uudissanoja - ICT toimialan näkymät 2011
Cloud, Convergence, Ubiquity ja muita uudissanoja - ICT toimialan näkymät 2011 Tietotekniikka-aamiainen 15.3.2011 Scandic Hotel Tampere Finpro Ry Kimmo Pekari seniorikonsultti Agenda 1. Lyhyt Finpro esittely
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotMiten saan käytännössä kaupan käyntiin halutussa. maassa? & Case Intia
Miten saan käytännössä kaupan käyntiin halutussa maassa? & Case Intia 16.4.2014 / Hannu Rossi Miksi haluat mennä uudelle markkina-alueelle? Nykyinen markkinat ovat täysin hyödynnetty/katettu? Tarvitset
LisätiedotToimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin
Toimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin Tammiseminaari Tommi Ylinen Kokonaisvaltaista vähittäiskaupan suunnittelua, analytiikkaa ja optimointia ennustepohjaisesti
LisätiedotTiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä
MS-C2128 Ennustaminen ja aikasarja-analyysi 4. harjoitukset / Tehtävät Kotitehtävät: 3, 5 Aihe: ARMA-mallit Tehtävä 4.1. Tutustu seuraaviin aikasarjoihin: Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotLuento 7 Taulukkolaskennan edistyneempiä piirteitä Aulikki Hyrskykari
Luento 7 Taulukkolaskennan edistyneempiä piirteitä 25.10.2016 Aulikki Hyrskykari Luento 7 o Kertausta: suhteellinen ja absoluuttinen viittaus o Tekstitiedoston tuonti Exceliin o Tietojen lajittelu, suodatus
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotTämä opas soveltuu parhaiten tarjouspohjaiseen myyntiin MYYJÄN OPAS. Miten teen realistisen myyntiennusteen?
Tämä opas soveltuu parhaiten tarjouspohjaiseen myyntiin MYYJÄN OPAS Miten teen realistisen myyntiennusteen? Tämän oppaan neuvojen ja työkalujen avulla voit tehdä parempia ja realistisempia myyntiennusteita.
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
LisätiedotMitä Master Class:ssa opittiin?
Mitä Master Class:ssa opittiin? Tutkimuskoordinaattori Kaisa Korhonen-Kurki, Helsingin yliopisto Tutkija Katriina Soini, Helsingin yliopisto Yliopistopedagogi Henna Asikainen, Helsingin yliopisto Tausta
LisätiedotVirhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.
Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita
LisätiedotChoose Finland-Helsinki Valitse Finland-Helsinki
Write down the Temporary Application ID. If you do not manage to complete the form you can continue where you stopped with this ID no. Muista Temporary Application ID. Jos et onnistu täyttää lomake loppuun
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotToimitusketjun hallinnan uudet kehityssuunnat. Mikko Kärkkäinen Tammiseminaari 2015
1 Toimitusketjun hallinnan uudet kehityssuunnat Mikko Kärkkäinen Tammiseminaari 2015 2 Toimitusketjun suunnittelun uudet tuulet Muistinvarainen laskenta mullistaa toimitusketjun suunnittelun Välitön näkyvyys
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotHintakilpailu lyhyellä aikavälillä
Hintakilpailu lyhyellä aikavälillä Virpi Turkulainen 5.3.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Johdanto Bertrandin ristiriita ja sen lähestyminen Bertrandin ristiriita Lähestymistavat:
LisätiedotNetwork to Get Work. Tehtäviä opiskelijoille Assignments for students. www.laurea.fi
Network to Get Work Tehtäviä opiskelijoille Assignments for students www.laurea.fi Ohje henkilöstölle Instructions for Staff Seuraavassa on esitetty joukko tehtäviä, joista voit valita opiskelijaryhmällesi
LisätiedotLASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS
LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS Helsinki 26..200 4 2 5 Seminaari 26..200 Mikko Hakola Laskentatoimen osaaminen Testatut tahot Selvittäjiä Yrittäjiä KLT-kirjanpitäjiä Virallisen
Lisätiedotmake and make and make ThinkMath 2017
Adding quantities Lukumäärienup yhdistäminen. Laske yhteensä?. Countkuinka howmonta manypalloja ballson there are altogether. and ja make and make and ja make on and ja make ThinkMath 7 on ja on on Vaihdannaisuus
LisätiedotInformaatio ja Strateginen käyttäytyminen
Informaatio ja Strateginen käyttäytyminen Nuutti Kuosa 2.4.2003 Sisältö Johdanto Duopoli ja epätietoisuutta kilpailijan kustannuksista Kilpailijan tietämyksen manipulointi Duopoli ja epätietoisuutta kysynnästä
LisätiedotUusi Ajatus Löytyy Luonnosta 3 (Finnish Edition)
Uusi Ajatus Löytyy Luonnosta 3 (Finnish Edition) Esko Jalkanen Click here if your download doesn"t start automatically Uusi Ajatus Löytyy Luonnosta 3 (Finnish Edition) Esko Jalkanen Uusi Ajatus Löytyy
Lisätiedot1. Syötä 2 vuoden tuloslaskelmat ja taseet ohjelmaan. Poista kertaluoteiset erät tarvittaessa.
Miten ennustetaan ja budjetoidaan P-Analyzerillä? Miten tekoälyennusteita tehdään: 1. Syötä 2 vuoden tuloslaskelmat ja taseet ohjelmaan. Poista kertaluoteiset erät tarvittaessa. 2. Anna vähintäänkin kasvu-
LisätiedotFinFamily PostgreSQL installation ( ) FinFamily PostgreSQL
FinFamily PostgreSQL 1 Sisällys / Contents FinFamily PostgreSQL... 1 1. Asenna PostgreSQL tietokanta / Install PostgreSQL database... 3 1.1. PostgreSQL tietokannasta / About the PostgreSQL database...
LisätiedotHankkeen toiminnot työsuunnitelman laatiminen
Hankkeen toiminnot työsuunnitelman laatiminen Hanketyöpaja LLP-ohjelman keskitettyjä hankkeita (Leonardo & Poikittaisohjelma) valmisteleville11.11.2011 Työsuunnitelma Vastaa kysymykseen mitä projektissa
LisätiedotRAAHEN SEUTUKUNNAN YRITYSBAROMETRI 2012
RAAHEN SEUTUKUNNAN YRITYSBAROMETRI 2012 Anetjärvi Mikko Karvonen Kaija Ojala Satu Sisällysluettelo 1 TUTKIMUKSEN YLEISTIEDOT... 2 2 LIIKEVAIHTO... 5 3 TYÖVOIMA... 6 3.1 Henkilöstön määrä... 6 3.2 Rekrytoinnit...
LisätiedotTravel Getting Around
- Location Olen eksyksissä. Not knowing where you are Voisitko näyttää kartalta missä sen on? Asking for a specific location on a map Mistä täällä on? Asking for a specific...wc?...pankki / rahanvaihtopiste?...hotelli?...huoltoasema?...sairaala?...apteekki?...tavaratalo?...ruokakauppa?...bussipysäkki?
LisätiedotFRAME INNOVATION WORKSHOP Timo Sirviö & Sirpa Ryynänen
FRAME INNOVATION WORKSHOP 16.12.2017 Timo Sirviö & Sirpa Ryynänen archeaology ARKEOLOGIA listaaminen 60 minuuttia + keskustelu 15 minuuttia MIKÄ ONGELMA ON? MITEN SITÄ ON AIEMMIN KOETETTU/YRITETTY RATKAISTA?
LisätiedotKonsultointialan tulevaisuuden näkymät ja haasteet. 12.5.2016/Matti Mannonen
Konsultointialan tulevaisuuden näkymät ja haasteet 12.5.2016/Matti Mannonen M Suunnittelu- ja konsultointiyritykset kasvavat ja työllistävät Suomessa erittäin haastavassa toimintaympäristössä 250 225 200
LisätiedotCALL TO ACTION! Jos aamiaistilaisuudessa esillä olleet aiheet kiinnostavat syvemminkin niin klikkaa alta lisää ja pyydä käymään!
CALL TO ACTION! Jos aamiaistilaisuudessa esillä olleet aiheet kiinnostavat syvemminkin niin klikkaa alta lisää ja pyydä käymään! Monikanavaisen viestinnän mittaaminen: https://www.vapamedia.fi/mittaaminen/
LisätiedotProaktiivinen tulevaisuuden tekeminen - Lupa toimia eri tavalla Rovaniemi Anssi Tuulenmäki, Yli-innovaatioaktivisti
Proaktiivinen tulevaisuuden tekeminen - Lupa toimia eri tavalla 2012 21.11. Rovaniemi Anssi Tuulenmäki, Yli-innovaatioaktivisti Tutkimuspäällikkö vai Yli-innovaatioaktivisti? Vastaanottovirkailija vai
LisätiedotHelsinki Region Infoshare 2013
Helsinki Region Infoshare 2013 Apps4Finland 2012 Ville Meloni & Petri Kola Forum Virium Helsinki 1 Suomalainen tietoyhteiskunta 2012? Tietoyhteiskunnan kehittäminen Kansalaiset vaativat avoimuutta Rohkeita
LisätiedotStrategiset kyvykkyydet kilpailukyvyn mahdollistajana Autokaupassa Paula Kilpinen, KTT, Tutkija, Aalto Biz Head of Solutions and Impact, Aalto EE
Strategiset kyvykkyydet kilpailukyvyn mahdollistajana Autokaupassa Paula Kilpinen, KTT, Tutkija, Aalto Biz Head of Solutions and Impact, Aalto EE November 7, 2014 Paula Kilpinen 1 7.11.2014 Aalto University
Lisätiedot3. Tietokoneharjoitukset
3. Tietokoneharjoitukset Aikasarjan logaritmointi Aikasarjoja analysoidaan usein logaritmisessa muodossa. Asialooginen perustelu logaritmoinnille: Muuttujan arvojen suhteelliset muutokset ovat usein tärkeämpiä
LisätiedotUX NÄKÖKULMA - KONECRANES
UX NÄKÖKULMA - KONECRANES Johannes Tarkiainen Industrial Design Manager KONECRANES NUMEROINA LAITTEET TOIMINTOJA LÄHES 60 % 11 800 TYÖNTEKIJÄÄ 600 TOIMIPISTETTÄ ERI PUOLILLA MAAILMAA 50 MAASSA LIIKEVAIHDOSTA
LisätiedotMarkkinoinnin tila 2010 -kyselytutkimuksen satoa. StratMark-kesäbrunssi 17.6.2010 Johanna Frösén
Markkinoinnin tila 2010 -kyselytutkimuksen satoa StratMark-kesäbrunssi 17.6.2010 Johanna Frösén Markkinoinnin tila -kyselytutkimus Tavoitteena laaja yleiskuva suomalaisen markkinoinnin tilasta ja kehityksestä
LisätiedotDigital Admap Native. Campaign: Kesko supermarket
Digital Admap Native Campaign: Kesko supermarket Digital Admap Native Campaign: Kesko Supermarket Mainosmuoto: Natiivi Media: IS.fi Campaign period: 25 September Date of measurement: 26 September Unique:
LisätiedotSalasanan vaihto uuteen / How to change password
Salasanan vaihto uuteen / How to change password Sisällys Salasanakäytäntö / Password policy... 2 Salasanan vaihto verkkosivulla / Change password on website... 3 Salasanan vaihto matkapuhelimella / Change
LisätiedotCounting quantities 1-3
Counting quantities 1-3 Lukumäärien 1 3 laskeminen 1. Rastita Tick (X) (X) the kummassa box that has laatikossa more on balls enemmän in it. palloja. X. Rastita Tick (X) (X) the kummassa box that has laatikossa
LisätiedotKysynnän ennustaminen
t-2.108 Sovelletun matematiikan erikoistyöt ura Salmi 41917D Kysynnän ennustaminen Sisällys 1 1. Johdanto... 2 2. Kysyntä... 3 3. Ennustamismenetelmät... 4 3.1 Kvalitatiiviset menetelmät... 4 3.2 Kvantitatiiviset
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
LisätiedotTunteiden
Tunteiden mittaamisen bisneshyödyt @NiinaVenho @Moodmetric Tunteet ovat osa bisnestä 1. Markkinointi, ostotapahtuma 2. Myynti, asiakaspalvelu 3. Yrityksen työntekijät ja sisäinen vuorovaikutus 4. Johtamiskulttuuri
LisätiedotTietoa Joensuun Eliittikisoista
Tietoa Joensuun Eliittikisoista Harjoittelu ja verryttely Yleisurheilukenttä (Keskuskenttä) Kisan aikana Joensuu Areena + kuntosali Pesäpallokenttä ja Louhelan kenttä heitoille Uimahalli Vesikko + kuntosali
LisätiedotRiskienhallinnan näkökulma tuotesuunnittelussa. Telaketju-hankkeen webinaari Jouko Heikkilä, VTT
Riskienhallinnan näkökulma tuotesuunnittelussa Telaketju-hankkeen webinaari 19.4.2018 Jouko Heikkilä, VTT Esityksen sisältö Webinaarissa käsitellään tuotesuunnittelua riskienhallinnan ja tekstiilikierrätyksen
LisätiedotTechnische Daten Technical data Tekniset tiedot Hawker perfect plus
Technische Daten Technical data Tekniset tiedot Hawker perfect plus PzS-Zellen Hawker perfect plus, mit Schraubverbindern, Abmessungen gemäß DIN/EN 60254-2 und IEC 254-2 Serie L PzS-cells Hawker perfect
LisätiedotArkkitehtuuritietoisku. eli mitä aina olet halunnut tietää arkkitehtuureista, muttet ole uskaltanut kysyä
Arkkitehtuuritietoisku eli mitä aina olet halunnut tietää arkkitehtuureista, muttet ole uskaltanut kysyä Esikysymys Kuinka moni aikoo suunnitella projektityönsä arkkitehtuurin? Onko tämä arkkitehtuuria?
LisätiedotKorko ja inflaatio. Makrotaloustiede 31C00200 Kevät 2016
Korko ja inflaatio Makrotaloustiede 31C00200 Kevät 2016 Sisältö Nimellis ja reaalikorot, Fisher yhtälö Lyhyt ja pitkä korko Rahapolitiikka ja korot Korko ja inflaatio Nimellinen korko i: 1 tänä vuonna
LisätiedotOnnistunut ohjelmistoprojekti
Onnistunut ohjelmistoprojekti 2.12.2008 Hermanni Hyytiälä Reaktor Innovations Oy Agenda Yritysesittely Keinoja onnistuneeseen ohjelmistoprojektiin Ihmiset Menetelmät Käytännöt ja työkalut Tulevaisuuden
LisätiedotJUJUPRIX 2015. Kalle Tuominen & Timo Mäkeläinen Markkinointiviestinnän suunnittelutoimisto Mainio Oy. kalle@mainiota.fi timo.makelainen@mainiota.
JUJUPRIX 2015 Kalle Tuominen & Timo Mäkeläinen Markkinointiviestinnän suunnittelutoimisto Mainio Oy kalle@mainiota.fi timo.makelainen@mainiota.fi Tampere matkailukohteena. Tampere on Pohjoismaiden suurin
LisätiedotTEOLLINEN KILPAILUKYKY PALAAKO TUOTANTO SUOMEEN?
TEOLLINEN KILPAILUKYKY PALAAKO TUOTANTO SUOMEEN? 8.2.2016 Professori Jussi Heikkilä, jussi.heikkila@tut.fi Tuotannon strateginen ja operatiivinen johtaminen Tuotannon operatiivisen johtamisen keskeiset
LisätiedotAlueellinen yhteistoiminta
Alueellinen yhteistoiminta Kokemuksia alueellisesta toiminnasta Tavoitteet ja hyödyt Perusterveydenhuollon yksikön näkökulmasta Matti Rekiaro Ylilääkäri Perusterveydenhuollon ja terveyden edistämisen yksikkö
LisätiedotBOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto. Metodifestivaali
BOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto Metodifestivaali 28.5.2009 1 1 Mitä ihmettä on bootstrap? Webster: 1. a loop of leather or cloth sewn at the top rear, or sometimes on each side of a boot
LisätiedotKauppatieteiden maisteri. Taloustiede. Pääaineinfo Oulun yliopisto
Kauppatieteiden maisteri Taloustiede Pääaineinfo 12.4.2019 Sinustako ekonomisti? Ekonomistiksi kouluttaudutaan opiskelemalla taloustiedettä pääaineena esim. Oulun kauppakorkeakoulun Taloustieteen maisteriohjelmassa.
LisätiedotMittaustekniikka (3 op)
530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)
LisätiedotVMI kasvututkimuksen haasteita
VMI kasvututkimuksen haasteita Annika Kangas & Helena Henttonen 18.8.2016 1 Teppo Tutkija VMIn aikasarjat mahdollistavat kasvutrendien tutkimuksen 2 Korhonen & Kangas Missä määrin kasvu voidaan ennustaa?
LisätiedotMegaprojekti pysyi aikataulussa. Totta vai tarua?
Megaprojekti pysyi aikataulussa. Totta vai tarua? Megaprojekti mikä? Lähde: https://en.wikipedia.org/wiki/megaproject 2 Megaprojekti miksi? Lähde: https://en.wikipedia.org/wiki/megaproject 3 Megaprojekti
LisätiedotForeC Advisors Sinisellä merellä PSD. Ennakoivan johtamisen ja asiakakokemuksen koostaja on Sinisen Meren navigaattori
ForeC Advisors Sinisellä merellä Ennakoivan johtamisen ja asiakakokemuksen koostaja on Sinisen Meren navigaattori 1. Mikä Business Intelligence ja ennakointi 2. Ennakoi ja integroi 3. Luo kilpailusta profiili
Lisätiedot