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 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
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
Tulevaisuuteen on varsin hankala nähdä - case liikkeenjohdon yksi kaikki aikojen huonoin neuvo - 1980: 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
Tulevaisuuteen on varsin hankala nähdä - case kyllä tämä korkojen nousuennuste joskus osuu - TUTA 16 Luento 3 7
Tulevaisuuteen on varsin hankala nähdä - case finanssikriisit ja kotimainen talousosamainen - Mr. Käteinen TUTA 16 Luento 3 8
Tulevaisuuteen on varsin hankala nähdä - case yhteiskunnalliset muutokset ja trendit - 1957 1967 TUTA 16 Luento 3 9
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
Tulevaisuuteen on varsin hankala nähdä - case ollaan vain ystäviä -
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
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 15-25 % 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
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 Twitter. @LaneDouglas 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.
Ennusteiden tekemiseen kannattaa panostaa Fortune-telling Forecasting TUTA 16 Luento 3 15
Ennustemenetelmät
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
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
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
Suora viiva toimii vakailla aloilla - case päivittäistavarakauppojen volyymin muutos 2001-2014 -
Aikasarja-analyysit - liukuva keskiarvo - Ennuste lasketaan EDELLISISTÄ kysyntäluvuista (eli rivibugin vaara) Mitä enemmän huomioitavia jaksoja, sitä tasoittavampi ennuste on TUTA 16 Luento 3 21
Liukuvalla keskiarvolla tasoittava vaikutus - case Twitterin korjattu kurssikehitys -
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
Eksponentiaalinen tasoitus esimerkki 1 Vuosi Myynti Ennuste jaksolle F t+1 kun ( alfa = 0,3 ) 2012 90 2013 84 2014 79 2015 83 2016? 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
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
Alfan määrittely historiallisella datalla - teoreettinen esimerkki 2 - TUTA 16 Luento 3 26
Pieni alfan arvo tasoittaa ennustetta - teoreettinen esimerkki 3 - TUTA 16 Luento 3 27
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) 2012 30 2013 20 2014 40 2015 50 2016 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 2015 + (1-alfa) * Ennuste vuodelle 2015 (tarkkana ettei vuodet / rivit mene laskiessa sekaisin!) TUTA 16 Luento 3 28
Eksponentiaalinen tasoitus esimerkki 4 HUOM! Excel käyttää ilmaisutapaa 1-alfa (damping factor) TUTA 16 Luento 3 29
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
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
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
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
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
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
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
Aikasarjaennusteiden laadun arviointi 2kk liukuvalla parempi CFE ja MSE, eksponentiaalisella tasoituksella (alfa=0,3) parempi MAD ja MAPE TUTA 16 Luento 3 38
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
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
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
Ennusteiden tekeminen käytännössä
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
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
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
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 27 48 Sanders, N. & Mandrodt K. (1994) Practitioners Continue to Rely on Judgmental Forecasting Methods Instead of Quantitative Methods TUTA 16 Luento 3 50
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
Fundamentaaleja virheitä tapahtuu Mustang Edsel TUTA 16 Luento 3 52
Kaikki mikä tutkimuksissa miellyttää, ei... TUTA 16 Luento 3 53
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
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 4000 4000 3500 3500 3000 3000 2500 2500 2000 2000 1500 1500 1000 1000 500 0 0 500 1000 1500 2000 2500 3000 3500 4000 500 0 0 500 1000 1500 2000 2500 3000 3500 4000 4000 3500 3000 2500 2000 1500 1000 500 0 0 500 1000 1500 2000 2500 3000 3500 4000 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
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
ja joskus pitää vain uskoa ja toivoa... TUTA 16 Luento 3 57