Curs 4 - Cap.5

CONSULTANTA PENTRU MANAGEMENT OPERATIONAL
Capitolul 5
PREVIZIUNI ȘI PROGNOZE PENTRU
PROCESE DE PRODUCȚIE
5.1 Concepte și terminologie
5.2 Principiile previziunii
5.3 Etapele procesului de prognoză
5.4 Metode de previziune
5.4.1 Metode de prognoză calitativă
5.4.2 Metode de prognoză cantitative
5.5 Măsurarea preciziei prognozelor

5.6 Selecția modelelor de previziune

Principalele concepte privind previziunea sunt asociate uneia dintre cele mai importante funcții
ale managementului unei organizații, și anume prevederea.
In dicționarul de business, prognoza este definită ca fiind “o unealtă de planificare utilă direcției
de management pentru a face față incertitudinii viitorului bazându-se în principal pe date din
trecut și prezent și de analiză a tendințelor”.
IPOTEZE: experiența, cunoștințele și capacitatea managerială a conducerii
În literatura de specialitate, noțiunea de previziune înseamnă a prefigura evenimente viitoare și

structurează principalele concepte legate de previziune astfel:
• Prognoza – este o afirmație probabilistă asupra viitorului, cu grad de certitudine ridicat;
• Prezicerea – este o afirmație referitoare la viitor, cu caracter determinist (grad de
certitudine absolut);
• Anticipația – este un model de viitor posibil, construit în mod logic, al cărui grad de
certitudine nu a fost încă stabilit.
Tehnica de previziune cuprinde un ansamblu de procedee de anticipare a viitorului

unei organizații publice sau private sau a structurilor ei privind modul concret de
abordare a proceselor și fenomenelor.
Cerințe privind metodologia de previziune:
• calitatea previziunilor depinde hotărâtor de cunoașterea temeinică a realității;

• necesitatea folosirii unei metodologii complexe de previziune (o gamă cât mai
largă de metode și tehnici);
• necesitatea folosirii pe o scară tot mai largă a instrumentarului oferit de
metodele statistico-matematice moderne, fapt ce permite obținerea mai multor
variante de soluții.
5.2 Principiile previziunii
Există mai multe tipuri de modele de prognoză. Acestea diferă în funcție de gradul de
complexitate, de cantitatea de date utilizate, dar și de căile de a genera o prognoză.
Caracteristici comune:
Prognozele sunt rareori perfecte. Previziunile pentru viitor implică incertitudine. Cei
care fac previziuni știu că trebuie să trăiască cu anumite incertitudini în ceea ce privesc
greșelile pe care le pot face dar și care este diferența între o prognoză și ceea ce se
întâmplă în realitate.
Previziunile sunt mai precise pentru articole de grup sau familii decât pentru
elementele individuale. Atunci când elementele sunt grupate împreună prin valorile lor
individuale înalte sau scăzute se pot anula reciproc.
Prognoza are o mai mare precizie pentru o perioadă mai scurtă de timp decât pe termen
lung. Preciziile pentru anumite perioade de timp au un grad mai mic de risc. Datele
problemelor nu se schimbă foarte mult pe termen scurt dacă pe perioada de estimare
probabil vor avea loc schimbări în metodele stabilite și în relațiile elementelor.
5.3 Etapele procesului de prognoză
Decide ce trebuie prognozat

Planifică viitorul
Evaluarea și analiza datelor apropiate Identificare date
Modelul de prognoză trebuie selectat și

testat Identificare factori
Generarea prognozei Prognoză
Monitorizarea preciziei prognozei

Control permanent
5.4 Tipuri de metode de previziune
METODE METODE
CALITATIVE CANTITATIVE
bazate pe modele matematice sau pe
bazate pe opinia umană, sunt aspecte cantitative ce țin de factorii
subiective și nonmatematice naturali
Sunt consistente și obiective,

Pot fi adaptate imediat la pot lua în considerare o variație
schimbările de mediu foarte mare de informații și date
în timp
Datele cuantificabile nu pot fi

Pot fi părtinitoare în predicții și
disponibile
reduse în precizie

5.4.1 Metodele de prognoză calitative
“aceste metode sunt bazate pe opinii subiective și nu pe calcule matematice”
METODE CALITATIVE
OPINIA EXECUTIVĂ Este bună pentru planificarea

Opinia unei persoane poate fi
un grup de manageri se strategică sau pentru lansarea pe dominantă pentru previziune
întâlnesc și dezvoltă o
piață de noi produse
previziune
CERCETAREA DE PIAȚĂ Este un bun determinant pentru Dezvoltarea unui chestionar

este utilizat chestionarul și identificarea preferințelor complet este foarte dificil.
interviul pentru identificarea clienților.
preferințelor clienților
Poate fi aplicat pentru
previziunea pe termen lung Realizarea unei astfel de
METODA DELPHI
pentru cererea unui anumit tip prognoză durează foarte mult
dezvoltarea unui consens în de produs, pentru schimbări
cadrul unui grup de experți tehnologice și pentru dezvoltare
științifică

5.4.2 Metodele de prognoză cantitative
Metodele cantitative sunt diferite față de cele calitative deoarece au la bază modele
matematice. Acestea sunt împărțite în două categorii:
• metode bazate pe serii de timp
• modele cauzale (asociative)
Metode bazate pe serii de timp presupun că toate informațiile generează o prognoză care este
continuă în seriile de timp de date. O serie de timp este o serie de date observate la intervale
regulate peste o perioada de timp specifică.
De exemplu, daca vrem să prognozăm vânzările unei companii trimestriale având la dispoziție
date colectate timp de cinci ani de vânzări trimestriale, acesta este o serie de timp.
Modelele cauzale, numite uneori modele asociative, folosesc o logică diferită pentru a genera
prognoze. Acestea presupun ca variabila pe care vrem să o prognozam este în legătură cu alte
variabile din mediu. Treaba prezicătorului este să descopere aceste variabile care sunt relatate în
termeni matematici și folosește aceste informații pentru a prognoza viitorul.
De exemplu, putem decide dacă vânzările sunt legate de variația cotei dolarului sau a lirei
sterline.
METODE CANTITATIVE
bazate pe serii de timp
Poate fi folosită numai dacă

ABORDAREA NAIVĂ
Simplu și ușor de utilizat datele se schimbă de la o
folosește ultima perioadă
actuală ca prognoză perioadă la alta
MEDIA SIMPLĂ
Folosește o medie din trecut ca o Necesită colectarea unui număr
este utilizat chestionarul și foarte mare de date.
interviul pentru identificarea prognoză
preferințelor clienților
MEDIE SIMPLĂ MOBILĂ Este o metodă de previziune în

Este important de selectat
dezvoltarea unui consens în care numai “n” dintre cele mai media propriu-zisă de mișcare.
cadrul unui grup de experți recente observații sunt mediate
MEDIE PONDERATĂ
MOBILĂ Bun pentru model de nivelare;
este o metodă de previziune cu permite introducerea diferitelor Selectarea de greutăți necesită
ponderi în declin exponențial și greutăți privind cererile judecați bune
cu date ce devin învechite anterioare
dezvoltarea unui consens în
cadrul unui grup de experți
METODE CANTITATIVE
bazate pe serii de timp
NETEZIRE
EXPONENȚIALĂ
O procedura de medie ponderata Oferă rezultate excelente de Alegerea Alpha este
cu valori în scădere prognoză exponențială
exponențiala cu cat datele sunt
mai vechi
NETEZIRE
EXPONENȚIALĂ DE
AJUSTARE A TRENDULUI Oferă rezultate bune pentru Trebuie folosita doar pentru
Un model de netezire tendințele datelor datele cu tendința
exponențială cu ecuații separate
pentru previziunile nivelelor și
trendului
TREND LINIAR
Tehnica folosește metoda celor Datele ar trebui să arate clar o
mai mici pătrate pentru a se Ușor de folosit și de înțeles preferință de-a lungul timpului
potrivi cu o linie dreapta la
datele din trecut de-a lungul
timpului
INDICI SEZONIERI
Procedură simplă și logică Asigurați-vă că sezonul este
Calculează valoarea procentuala
pentru caracterul sezonier de prezent
prin care datele pentru fiecare
calcul
sezon sunt deasupra sau sub
METODE CANTITATIVE
Asociative (cauzale)
REGRESIA LINIARĂ
Ușor de înțeles;
Folosește metoda celor mai Asigură-te ca o relație
mici pătrate pentru a modela Oferă o precizie bună de liniară este prezentă
o relație liniara între două prognoză
variabile
REGRESIE MULTIPLĂ
Un instrument puternic în Crește în mod
Similară regresiei liniare, dar previziune atunci când semnificativ necesarul
modelează relația dintre mai sunt luate în considerare de date pentru calcul
multe variabile cu variabila mai multe variabile
prognozată
5.4.2.1 Prognoze bazate pe serii de timp
Abordarea • pentru o serie constantă

naivă • pentru variații sezoniere
Netezirea sau • pentru date cu trend
modelul orizontal
Tehnici de • media mobilă simplă
medie • media mobilă ponderată
• netezirea exponențială
• modelarea liniară
Metode bazate pe
Prognoze trend • modelarea neliniară
bazate pe serii • netezirea exponențială pentru ajustarea trendului
de timp • modelul aditiv
Modelul sezonier • modelul multiplicativ
• indici sezonieri (sezonalizare și desezonalizare)
Modele bazate pe
cicluri
1. Abordarea naivă, este una dintre cele mai simple metode de prognoză. Astfel, se presupune
că următoarea perioadă de prognozat este egală cu perioada actuală. De exemplu, dacă în
luna ianuarie sunt vândute 500 de unități de produs, metoda naivă prognozează 500 de unități
de produs și pentru februarie. Se presupune ca sunt modificări foarte mici între perioade.
Matematic, abordarea naivă poate fi reprezentată în felul următor:
• pentru serii constante:
unde:
𝐹𝐹𝑡𝑡+1 = 𝐴𝐴𝑡𝑡 𝐹𝐹𝑡𝑡+1 , este previziunea pentru perioada următoare, t+1;
𝐴𝐴𝑡𝑡 , este valoarea pentru perioada actuală, t;
t, perioada curentă.
• pentru variații sezoniere
unde:
𝐹𝐹𝑡𝑡+1𝑠𝑠 , este previziunea pentru sezonul următor, t+1;
𝐹𝐹𝑡𝑡+1𝑠𝑠 = 𝐴𝐴𝑡𝑡𝑠𝑠
𝐴𝐴𝑡𝑡𝑠𝑠 , este valoarea pentru perioada actuală, t;
• pentru date cu trend, se aplică atunci când se observă că valoarea ce se dorește a fi
prognozată crește cu o valoare constantă de la o perioada la alta.
Abordarea naivă
Exemplu 5.1. Patronul unui magazin care Volum vânzări Volum vânzări
Perioada
înregistrat, At prognozat, Ft
vinde anvelope auto vrea să previzioneze [luni]
seturi anvelope vară seturi anvelope vara
vânzarea anvelope de vară pentru luna iunie,
știind că în luna mai au fost vândute, 1.000 de mai 1000
seturi de anvelope. Acesta ia considerare
abordarea naivă. iunie 1000
Exemplul 5.2 Patronul unui magazin care Volum vânzări
Volum vânzări
vinde anvelope auto vrea să previzioneze Perioada
înregistrat, At
prognozat, Ft
[luni] seturi anvelope
vânzarea anvelope de iarnă pentru luna seturi anvelope vară
vara
octombrie, utilizând abordarea naivă pentru
variații sezoniere, știind că anul trecut au fost
mai 2018 3000
vândute 3.000 seturi de anvelope. Astfel, pentru
anul se poate prognoza o vânzare de 3.000 mai 2019 3000
seturi de anvelope.
Exemplul 5.3 Pentru dealer auto se constată că Cerere
Volum
Volum vânzări vânzări
volumul vânzărilor crește cu 10%, față de Perioada, t
înregistrat, At
suplimentară
prognozat,
valoarea vânzărilor din luna anterioară. Astfel, [luni]
produse
, Ft
Ft
produse
la o valoare a vânzărilor în luna curentă de produse
1.100 de produse, pentru luna următoare va fi luna 1 1000
adăugat procentul de 10%, adică 100 de luna 2 1100 100
produse. Astfel, previziunea pentru luna
luna 3 1200
următoare va fi de 1.200 de produse.
5.4.2.1 Prognoze bazate pe serii de timp Tehnici de medie
Acestea se utilizează atunci când datele conțin, în general, o anumită variație aleatoare, numită
“zgomot”, care tinde să intervină în mișcarea sistematică a datelor. Tehnicile de medie nivelează
variațiile datelor. Ar fi ideal ca aceste variații să fie eliminate complet însă, deoarece acest lucru
este imposibil, se urmărește micșorarea lor cât mai mult.
O prognoză bazată pe medie tinde să aibă o variabilitate mai mică decât datele originale.
În realizarea prognozelor se folosesc trei tehnici de medie, respectiv:

• Media mobilă (simplă);
• Media mobilă ponderată;
• Netezirea exponențială.
• Media mobilă (simplă). O prognoză bazată pe medie mobilă (simplă) folosește un

număr de date efective recente în generarea prognozei. Aceasta poate fi calculată
folosind următoarea ecuație:
∑𝑛𝑛𝑖𝑖=1 𝐴𝐴𝑖𝑖
𝐹𝐹𝑡𝑡 = 𝑀𝑀𝑀𝑀𝑛𝑛 =
𝑛𝑛
unde:
𝑛𝑛, reprezintă numărul de perioade din media mobilă;
𝑀𝑀𝑀𝑀, media mobilă;
𝐹𝐹𝑡𝑡 , este prognoza pentru perioada următoare, t;
𝐴𝐴𝑖𝑖 , este valoarea curentă în perioada i;
• Media mobilă ponderată este asemănătoare mediei mobile (simple) cu excepția faptului că
acordă o pondere mai mare valorilor cele mai recente dintr-o serie de timp. Cu cât perioada
mediei mobile este mai scurtă, cu atât mai mult se pune accent pe valorice cele mai recente.
De exemplu, daca sunt analizate valorile din ultimele 4 perioade

consecutive a unor valori de date, prezentate în tabelul 3.4, valoarea cea
mai recentă poate fi luată în calcul cu ponderea cea mai mare 0,50,
următoarea valoare recentă cu ponderea 0,25, următoarea cu ponderea 0,15
și ultima cu ponderea 0,10. Suma ponderilor trebuie să fie egală cu 1.
• Netezirea exponențială. Modul de calcul a mediei mobile exponențiale este puțin mai
complicat decât cel al mediei mobile simple. Cel mai important lucru de reținut este ca
media mobila exponențială este mult mai sensibilă la dinamica recentă a valorilor
înregistrate.
𝐹𝐹𝑡𝑡 = 𝐹𝐹𝑡𝑡−1 + 𝛼𝛼(𝐴𝐴𝑡𝑡−1 − 𝐹𝐹𝑡𝑡−1 )

unde:
𝐹𝐹𝑡𝑡 , este prognoza pentru perioada următoare, t;
𝐹𝐹𝑡𝑡−1 , este prognoza din perioada anterioară, t-1;
𝐴𝐴𝑡𝑡−1 , este valoarea curentă în perioada t-1;
t, perioada curentă;
(𝐴𝐴𝑡𝑡−1 − 𝐹𝐹𝑡𝑡−1 ), reprezintă eroarea de prognozare;
α, reprezintă procentul erorii de prognozare.
Prognoza viitoare = Prognoza anterioară + α × (Valoarea înregistrată anterior – Prognoza anterioară)
Tehnici de medie
Exemplul 1.5
Volum vânzări Media mobilă Media mobilă
In tabelul 5.7 sunt prezentate Media
Media mobilă
înregistrat exponențială α=0.3 exponențială α=0.25
o serie de valori ce reprezintă Perioada
autovehicule
mobilă
ponderată
simplă
volumul de vânzări, lunar, [luni]
gama XT, At α 0.3 α 0.25
pentru un anumit tip de [produse]
Ft ponderi Eroarea Eroarea
Ft Ft Ft
automobil. Se dorește 1 134 - -
prognozarea valorilor
2 145 134 11.00 134 11.00
vândute pentru cea de-a
douăsprezecea lună utilizând 3 146 137.3 8.70 136.75 9.25
cele trei modele bazate pe 4 169 139.9 29.09 139.063 29.94
medie. Variația valorilor
5 180 148.6 31.36 146.547 33.45
utilizând modelul mediei
mobile exponențiale 6 163 158 4.95 154.91 8.09
(netezirea exponențială) este 7 168 159.5 8.47 156.933 11.07
prezentată în figura 5.8. Se
poate observa că cu cât
8 156 0.05 162.1 -6.07 159.699 -3.70
valoarea coeficientului α este 9 175 0.1 160.3 14.75 158.775 16.23

mai mică cu atât mai mult,
10 169 0.25 164.7 4.32 162.831 6.17
valorile prognozate sunt mai
mici decât valorile 11 163 0.6 166 -2.97 164.373 -1.37
înregistrate ale vânzărilor.

12 160.727 165.35 165.1 164.030
Tehnici de medie
Variație volum vânzări înregistrat și prognozat - Tehnici de medie

Nr. produse
180 Volum vânzări înregistrat

autovehicule gama XT, At
F12 (media mobilă
175 [produse]
ponderată), 165.35
Media mobilă exponențială
170
α=0.3
165
Media mobilă exponențială
160 α=0.25
155
F12 (medie mobila exp.) , F12 (media mobila simplă)
150 164.030
F12 (media mobila

145 simplă), 160.727 F12 (media mobilă
ponderată)
140
135 F12 (medie mobila exp.)
130
0 1 2 3 4 5 6 7 8 9 10 11 12 13 luni
Modele bazate pe trend
Analiza trendului implică dezvoltarea unei ecuații care va descrie în mod adecvat trendul
(presupunând că acesta este prezent în date).
Există două tehnici importante de prognozare atunci când trendul există:
• Analiza de regresie care este o metodă ce potrivește un set de date în lungul

unei drepte (stabilirea unei ecuații de trend);
• Modelarea neliniară nu se face după o dreaptă, ci după o curbă, în general

parabolă.
• Metoda Holt care este o netezire dublă exponențială ce permite simultan

netezirea unei serii de date și a unui trend. Mai este întâlnită sub denumirea
de Netezirea exponențială pentru ajustarea trendului
Modele bazate pe trend
• Modelarea liniară (analiza de regresie)
În cazul în care se cunosc n serii date perechi (𝑥𝑥1 , 𝑦𝑦1 ), (𝑥𝑥2 , 𝑦𝑦2 ), …, (𝑥𝑥𝑛𝑛 , 𝑦𝑦𝑛𝑛 ), pentru două
variabile X și Y. Presupunând că yi, este valoarea observată a lui Y când xi este valoarea
observată a lui X, unde Y este o variabilă dependentă și X este o variabilă independentă, atunci
putem spune că există o relație între X și Y care poate fi reprezentată printr-o dreaptă.
𝑌𝑌 ′ = 𝑎𝑎 + 𝑏𝑏
Unde Y’ este valoarea previzionată a lui Y. Scopul este identificarea valorilor a și b astfel încât
dreapta 𝑌𝑌 ′ = 𝑎𝑎 + 𝑏𝑏𝑏𝑏 să potrivească cele mai bune date.
𝑛𝑛 ∑ 𝑡𝑡𝑡𝑡 − ∑ 𝑡𝑡 ∑ 𝑦𝑦 ∑ 𝑦𝑦 − 𝑏𝑏 ∑ 𝑡𝑡
𝑏𝑏 =
𝑛𝑛 ∑ 𝑡𝑡 2 − �∑𝑡𝑡)
2 𝑎𝑎 =
𝑛𝑛
unde:
n este numărul de perioade, x este egal cu t iar y sunt valorile efective ale variabilei prognozate.
5.4.2 Metodele de prognoză cantitative Modele bazate pe trend
5.4.2.1 Prognoze bazate pe serii de timp • Modelarea liniară (analiza de regresie)
Exemplul 5.7 Volum Date calculate
Pentru datele cunoscute din Perioada vânzări
tabelul 5.9 privind vânzările de [săptămâ covorașe
Date calculate Coeficienți Valori Y
covorașe pentru o firmă ni] auto
ecuație
producătoare de accesorii auto, [produse]
trend liniar
să se determine graficul t y ty
∑ 𝒕𝒕 ∑ 𝒕𝒕𝟐𝟐
∑ 𝒚𝒚 ∑ 𝒕𝒕𝒕𝒕 b a
vânzărilor și să se analizeze dacă
acestea se potrivesc unui trend. 1 235 235 235.27
2 239 478 238.35
În cazul în care datele se
3 240 720 241.42
potrivesc unui trend, să se 4 246 984 244.49
determine ecuația dreptei de 5 250 1250 247.56
trend și să se prognozeze 6 248 1488 250.64
vânzările pentru săptămânile 11 7 251 1757 253.71
și 12. 8 259 2072 256.78
După calculul coeficienților a și 9 260 2340 259.85
b, ecuația dreptei de trend este 10 263 2630 262.93
11 266.00
𝑌𝑌 = 232,2 + 3,07𝑋𝑋. Valorile 12 269.07
prognozate pentru săptămânile
11 și 12 sunt: 𝑌𝑌11 = 55 385 2491 13954 3.07 232.20
266 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝, respectiv, 𝑌𝑌12 = 𝑌𝑌 = 232,2 + 3,07𝑋𝑋

269.07 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝.
3.4.2.1 Prognoze bazate pe serii de timp • Modelarea liniară (analiza de regresie)
Exemplul 5.7
Pentru datele cunoscute din
tabelul 5.9 privind vânzările de
covorașe pentru o firmă
producătoare de accesorii auto, 270
să se determine graficul 265 263
vânzărilor și să se analizeze dacă 259

260
volum vânzări
260
acestea se potrivesc unui trend.
255 y = 3.0727x + 232.2
În cazul în care datele se 251
250
potrivesc unui trend, să se 250 248
determine ecuația dreptei de
246
245
trend și să se prognozeze 240
239 Valori vânzări
vânzările pentru săptămânile 11 240
și 12.
235
235
După calculul coeficienților a și săptămâni
230
b, ecuația dreptei de trend este 0 1 2 3 4 5 6 7 8 9 10 11 12
𝑌𝑌 = 232,2 + 3,07𝑋𝑋. Valorile
prognozate pentru săptămânile
11 și 12 sunt: 𝑌𝑌11 =
266 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝, respectiv, 𝑌𝑌12 =
269.07 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝.
5.4.2.1 Prognoze bazate pe serii de timp • Metoda Holt sau Netezirea exponențială
pentru ajustarea trendului
În netezirea exponențială pentru ajustarea trendului (sau dubla netezire) se utilizează indicatorul
prognoza de netezire a trendului (TAFt+1) care este compus din două elemente:
• St, reprezintă prognoza netezită – reprezintă valoarea interceptată la momentul t.
• Tt, estimarea curentă a trendului – reprezintă valoarea pantei dreptei la momentul t.
Astfel,
𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡+1 = 𝐹𝐹𝑡𝑡 = 𝑆𝑆𝑡𝑡 + 𝑇𝑇𝑡𝑡
Cele două mărimi pot fi calculate cu relațiile:
𝑆𝑆𝑡𝑡 = 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 + 𝛼𝛼(𝐴𝐴𝑡𝑡 − 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 )
𝑇𝑇𝑡𝑡 = 𝑇𝑇𝑡𝑡−1 + 𝛽𝛽(𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 − 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡−1 − 𝑇𝑇𝑡𝑡−1 )

unde α şi β sunt constante de netezire. În multe cazuri aceste două constante pot fi egale dar
pentru cele mai multe aplicații și pentru o stabilitate mai mare, acestea se estimează pe baza
experienței iar 𝛽𝛽 ≤ α.
Estimarea inițială a trendului este bazată pe o schimbare netă de 5, pentru două perioade
(schimbări de la perioada 1 la perioada 3), pentru o medie de 2,5.
Volum vânzări
Perioada Prognoza obținută prin Prognoză netezită Estimare curentă a trendului
covorașe auto
[săptămâni] ajustarea trendului α=0.1 β=0.1
[produse]
𝑇𝑇𝑡𝑡
𝑆𝑆𝑡𝑡 =
= 𝑇𝑇𝑡𝑡−1 + 𝛽𝛽(𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡
t At 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 + 𝛼𝛼(𝐴𝐴𝑡𝑡 − 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 )
𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡+1 − 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡−1 − 𝑇𝑇𝑡𝑡−1 )
= 𝐹𝐹𝑡𝑡 = 𝑆𝑆𝑡𝑡 + 𝑇𝑇𝑡𝑡 0.1 0.1
1 235
2 239
3 240 2,5
4 246 242.5 242.8500 2.2500
5 250 245.1000 245.5900 2.2850
6 248 247.8750 247.8875 2.3340
7 251 250.2215 250.2994 2.3353
8 259 252.6346 253.2711 2.3430
9 260 255.6142 256.0528 2.4067
10 263 258.4594 258.9135 2.4505
11 261.3640
240 + 235
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = = 2,5
2
265
261.3640
260
258.4594
volum vânzări
255.6142
255
252.6346
250 250.2215
247.8750
245 245.1000
240 Valori vânzări

valori prognozate
235
săptămâni
230
0 1 2 3 4 5 6 7 8 9 10 11 12
5.4.2.1 Prognoze bazate pe serii de timp Tehnici pentru sezonalitate
Aceste tehnici sunt utilizate pentru variațiile sezoniere (sezonalitate) ale vânzărilor de produse. O
serie sezonieră de valori se poate repeta la fiecare N perioade pentru o anumită valoare a lui N
(care trebuie să fie de miminum 3). Atunci când se utilizează tehnicile sezoniere trebuie stabilit
foarte clar lungimea sezonului, cuvântul sezon nu se referă la o perioada de un an.
• Modelul aditiv. Valoarea prognozată se determină adunând sezonalitatea la trend sau

medie;
• Modelul multiplicativ. Valoarea prognozată se determină multiplicând trendul cu
sezonalitatea.
Sezonalitatea se exprimă în procente care de fapt sunt indici de sezonalitate. Aceștia sunt calculați
pe baza experienței de către persoane specializate.
In cazul în care se cunoaște sezonalitatea, valoarea prognozată se determină cu relația:
Valoarea prognozată = Trendul + Sezonalitatea, în cazul modelului aditiv;
Valoarea prognozată = Trendul x Sezonalitatea, în cazul modelului multiplicativ.
Desezonalitatea se determină extrăgând sezonalitatea din prognoză pentru a obține trendul.
Prognoza - Sezonalitatea = Trendul
Exemplu 5.11.
Pentru sistemul de taxare auto din cadrul unei companii, se dorește determinarea indicilor
sezonieri pentru fiecare zi lucrătoare. Pentru această analiză vor fi luate în considerare doar
valorile (tabel 5.13) din zilele lucrătoare din ultimele 4 săptămâni.
Săptămâna 1 Săptămâna 2 Săptămâna 3 Săptămâna 4
Luni 170 173 148 161
Marți 175 190 159 128
Miercuri 178 195 160 148
Joi 180 196 183 168
Vineri 150 140 146 126
1. Va fi calculată media pentru toate valorile înregistrate. Aceasta are valoarea 163,7.
Săptămâna 1 Săptămâna 2 Săptămâna 3 Săptămâna 4
Luni 170 173 148 161
Marți 175 190 159 128
Miercuri 178 195 160 148
Joi 180 196 183 168
Vineri 150 140 146 126
170.6 178.8 159.2 146.2
Media tuturor
163.7
valorilor înregistrate
2. Fiecare valoare înregistrată, va fi împărțită la valoarea mediei. Astfel vor fi obținute valorile
de mai jos. 1.0385 1.0568 0.9041 0.9835
1.0690 1.1607 0.9713 0.7819
Luni 0.9957
1.0874 1.1912 0.9774 0.9041
1.0996 1.1973 1.1179 1.0263 Marți 0.9957
0.9163 0.8552 0.8919 0.7697 Miercuri 1.0400
Joi 1.1103
3. Pentru fiecare sezon (zi) va fi determinat indicele Vineri 0.8583
sezonier calculând media celor patru săptămâni
Suma indicilor sezonieri trebuie să
analizate. Astfel, indicii sezonieri pentru cele 5 zile
fie 5 deoarece au fost analizate
lucrătoare ale săptămânii voi fi:
cinci sezoane (zile).
4. Previziunea numărului de mașini ce vor utiliza sistemul de taxare al UPB pentru următoarea
perioadă de timp poate fi calculat multiplicând indicii sezonieri (zilnici) cu media numărului de
mașini ce utilizează sistemul, în perioada analizată.
Zi Indice sezonier Medie Prognoză
Luni 0.9957 163
Marți 0.9957 163
Miercuri 1.0400 163,7 170.25
Joi 1.1103 181.75
Vineri 0.8583 140.5
Determinarea indicilor sezonieri pentru serii de date cu trend se face în felul următor:
Indici Valoare Valoare prognozată utilizând
Exemplul 5.13. Perioada sezonieri prognozată, indicii de sezonalitate
trimestriali Ft trimestriali, Ft
Un producător de y=124+7.5t
t
cabluri pentru instalații 1 1.2
electrice auto dorește să 2 1.1
prognozeze cererea 3 0.75
trimestrială pentru 4 0.95
5 1.2
perioadele 15 și 16,
6 1.1
având la dispoziție 7 0.75
ecuația trendului 𝑦𝑦 = 8 0.95
124 + 7,5𝑡𝑡. Se cunosc 9 1.2
10 1.1
următorii indici
11 0.75
sezonieri prezenți în 12 0.95
tabelul 5.15. 13 1.2
14 1.1
15 0.75 236.5000 177.375
16 0.95 244.0000 231.8
5.4.2 Metodele de prognoză cantitative Tehnici pentru sezonalitate
Determinarea indicilor sezonieri pentru media
mobilă centrată:
Valoare Media centrată Indici Indice estimativ
Perioada, t Media
înregistrată, At mobilă sezonieri pentru ziua de vineri
Exemplul 5.14. Marți 65
Pentru parcarea Miercuri 74
unui centru de Joi 80
afaceri se dorește Vineri 98 68.2857 1.4351
determinarea Sâmbătă 70 67.5714 1.0359
indicelui sezonier Duminică 25 67.4286 0.3708
pentru ziua de Luni 66 68.2857 68.1429 0.9686
vineri, cunoscând Marți 60 67.5714 68.2857 0.8787
volumul Miercuri 73 67.4286 69.7143 1.0471
mașinilor parcate Joi 85 68.1429 70.4286 1.2069
zilnic, tabel 5.17. Vineri 99 68.2857 70.4286 1.4057 1.3764
Sâmbătă 80 69.7143 71.0000 1.1268
Modul de calcul
Duminică 30 70.4286 71.4286 0.4200
al valorilor din
Luni 66 70.4286 71.7143 0.9203
tabelul 5.17 este
Marți 64 71.0000 69.4286 0.9218
prezentat în
Miercuri 76 71.4286 68.4286 1.1106
figura 5.15
Joi 87 71.7143 66.7143 1.3041
Vineri 83 69.4286 64.4286 1.2882
Sâmbătă 73 68.4286
Duminică 18 66.7143
Luni 50 64.4285
Metode bazate pe cicluri
Ciclurile sunt similare variațiilor sezoniere, doar că perioadele de analiză sunt mai
lungi, între 2-6 ani, iar neregularitatea datelor le face foarte greu de abordat.
Astfel, se impune determinarea unei variabile care se află în legătură cu ceea ce se
dorește a fi prognozat.
5.4.2.2 Prognoza cauzală (asociativă)
Modelele denumite prognoze cauzale sau asociative au la bază ipoteza că variabila pe care
dorim să o prognozăm este legată de o altă variabilă care are legătură cu mediul înconjurător.
Astfel se pune problema de a identifica relațiile dintre variabila care ne interesează și alte
variabile. Aceste relații pot fi foarte complexe și sunt materializate sub forma unor modele
matematice care sunt utilizate pentru prognoza viitoare a variabilei care interesează.
Unele dintre cele mai cunoscute modele de prognoză cauzală sunt modele de regresie care pot fi:
• Regresie liniară simplă;

• Regresie neliniară;
• Regresie multiplă.
Regresia liniară
În regresia liniară, variabilele ce trebuie prognozate sunt numite variabile dependente și sunt
obținute din alte variabile numite variabile independente și sunt dispuse de-a lungul unei drepte.
Se poate vedea ca variabila dependentă este liniar legată de variabila independentă, iar relația
dintre cele două este ecuația unei drepte, 𝑌𝑌 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏.
unde:
0.45
0.4 Valori actuale
Y este variabila dependentă;
variabile dependente
0.35 X, variabila independentă;

0.3
y = bx + a a, valoarea lui Y când x=0
0.25
(interceptor). Acesta se calculează
0.2
cu relația:
0.15
0.1 ∑ 𝑦𝑦 � ∑ 𝑡𝑡 2 − ∑ 𝑡𝑡 � ∑ 𝑡𝑡 � 𝑦𝑦
𝑎𝑎 = ↔ 𝑎𝑎
0.05 𝑛𝑛 ∑ 𝑡𝑡 2 − ∑ 𝑡𝑡 2
0
variabile independente ∑ 𝑦𝑦 − 𝑏𝑏 ∑ 𝑡𝑡
0 5 10 15 20 =
𝑛𝑛
b, panta dreptei (coeficient de regresie), se calculează cu relația:
unde: n, reprezintă numărul de observații; ∑ 𝑋𝑋𝑋𝑋 − 𝑛𝑛𝑋𝑋𝑋𝑋
� media valorilor Y; 𝑏𝑏 =
𝑌𝑌, ∑ 𝑋𝑋 2 − 𝑛𝑛 � 𝑋𝑋� 2
� media valorilor X
𝑋𝑋,
Regresia liniară
Exemplul 1.17
Volum vânzări, X, mil. euro Profit, Y. mil. euro
Un dealer de piese de schimb
[1] [2]
pentru autovehicule dorește să
7 0.15
realizeze o prognoză utilizând
2 0.1
analiza de regresie privind
6 0.13
profitul în funcție de volumul
4 0.15
vânzărilor pentru unul dintre
14 0.25
magazinele din lanțul
15 0.27
comercial pe care îl deține.
16 0.24
Ținta de profit este de 0,30
12 0.2
mil. euro. Se cunosc datele din
14 0.27
tabelul 5.20, care reprezintă
20 0.44
volumul vânzărilor și profitul,
15 0.34
în mil. de euro, pentru
7 0.17
douăsprezece magazine pe
care le deține. De asemenea,
să se analizeze dacă volumul
vânzărilor este un bun
predictor pentru profit.
Regresia liniară
Rezolvare. Volum vânzări, X, mil.
Profit, Y. mil. euro XY
euro X2 Y2
În acest exemplu profitul [1] [2] [3] [4] [5]
este variabila dependentă,
7 0.15 1.05 49 0.0225
Y, iar volumul vânzărilor
2 0.1 0.2 4 0.01
este variabila
6 0.13 0.78 36 0.0169
independentă. Presupunem
4 0.15 0.6 16 0.0225
că între cele două variabile
14 0.25 3.5 196 0.0625
există o relație, astfel
15 0.27 4.05 225 0.0729
pentru a calcula ecuația de
16 0.24 3.84 256 0.0576
regresie liniară se va
12 0.2 2.4 144 0.04
calcula datele din
14 0.27 3.78 196 0.0729
coloanele 3, 4 si 5 din
20 0.44 8.8 400 0.1936
tabelul 5.21. De asemenea,
15 0.34 5.1 225 0.1156
în tabelul 5.21 sunt
7 0.17 1.19 49 0.0289
calculate mediile pentru Total 132 2.71 35.29 1796 0.7159
variabilele X și Y. Medie 7 0.17
𝑛𝑛 ∑ 𝑥𝑥𝑥𝑥 − ∑ 𝑥𝑥 ∑ 𝑦𝑦 12 ∗ 35 − 132 ∗ 2,71
𝑏𝑏 = 2 → 𝑏𝑏 = 2 = 0,01593
2
𝑛𝑛 ∑ 𝑥𝑥 − �∑𝑥𝑥 ) 12 ∗ 1,796 − 1,796
∑ 𝑦𝑦 − 𝑏𝑏 ∑ 𝑥𝑥 2,71 − 0,01593 ∗ 132
𝑎𝑎 = → 𝑎𝑎 = = 0,0506
Regresia liniară
În pasul trei va fi determinata ecuația de regresie: 𝑌𝑌 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏
𝑌𝑌 = 0,0506 + 0,01593𝑋𝑋
Având ecuația de regresie, putem calcula orice valoare a lui Y pentru care se cunoaște X. Astfel,
pentru un alt magazin pentru care se dorește ca volumul vânzărilor să fie de 20 mil. euro, profitul
va fi:
𝑌𝑌 = 0,0506 + 0,01593 ∗ 18 = 0,3373 𝑚𝑚𝑚𝑚𝑚𝑚. 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒
0.45
0.4
profit
0.35
0.3 y = 0.0159x + 0.0506
0.25
0.2 Valori actuale

0.15
0.1
0.05
volum vânzări
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Regresia liniară
3.4.2.2 Prognoza cauzală (asociativă) Coeficientul de corelație
Când înregistrăm o regresie liniară, de foarte mare ajutor este determinarea coeficientului de
corelație care măsoară direcția și puterea relației dintre cele două variabile analizate, variabila
independentă și dependentă.
𝑛𝑛(∑ 𝑋𝑋𝑋𝑋) − (∑ 𝑋𝑋) � (∑𝑌𝑌)
𝑟𝑟 =
Coeficientul de corelație se notează cu r 𝑛𝑛 ∑ 𝑋𝑋 2 − �∑𝑋𝑋) �
2
𝑛𝑛 � ∑ 𝑌𝑌 2 − �∑𝑌𝑌)
2
și se calculează cu relația:
Astfel, valorile cuprinse în intervalul 𝑟𝑟 ∈ −1, +1 pot fi interpretate în felul următor:
• Pentru 𝑟𝑟 = + 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 , există o relație pozitiv liniară între cele două variabile. Pentru
fiecare creștere cu o unitate a variabilei independente avem de-a face cu o creștere cu o
unitate a variabilei dependente. Avem de-a face cu o corelație directă.
• Pentru 𝑟𝑟 = − 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 , există o relație negativ liniară între cele două variabile. Tocmai
datorită faptului că relația este negativă asta nu înseamnă că ele nu sunt în relație. Cele două
variabile au valori opuse. Astfel pentru fiecare creștere cu o unitate a variabilei
independente avem de-a face cu o descreștere cu o unitate a variabilei dependente. Avem
de-a face cu o corelație inversă.
• Pentru 𝑟𝑟 = 0, nu există relație liniară între cele două variabile.
Regresia liniară
De obicei valorile lui r, cele mai apropiate de -1 sau 1, determină cele mai bune relații între cele
două variabile.
Pătratul coeficientului de corelație 𝑟𝑟 2 , poate determina care este cea mai bună variabilă
independentă ce explică schimbările variabilei dependente. Statistic, s-a demonstrat că există
următoarele situații:
 𝑟𝑟 2 ∈ 0,8 … 1 → X este un foarte bun predictor;

 𝑟𝑟 2 ∈ 0,25 … 0,8 → X este un bun predictor;
 𝑟𝑟 2 ∈ 0 … 0,25 → trebuie predictor.
Pentru cazul analizat valorile sunt calculate mai jos. Astfel, 𝑟𝑟 = 0,9167, valoarea lui r este
apropiată de 1, ceea ce înseamnă că între cele două variabile există o relație liniară puternic
pozitivă. Valoarea pătratului lui r, 𝑟𝑟 2 = 0,84 ∈ 0,8 … 1 ceea ce înseamnă că valoarea
vânzărilor este un foarte bun predictor.
12 � 35,29 − (132 � 2,71)

𝑟𝑟 = = 0,9167
12 � 1976 − 1322 � [12 � 0,7159 − 2,712 ]
Regresia neliniară
Regresia neliniară se aplică atunci când reprezentarea grafică a datelor implică un trend
neliniar. Cele mai utilizate trenduri de regresie neliniară sunt: parabolică, exponențială și
logaritmică. Regresia multiplă
Regresia multiplă este o extensie a regresiei liniare. Astfel, în cazul în care nu este identificată o
regrese liniară cele două variabilele, poate fi dezvoltată o relație între variabila dependentă și
mai multe variabile independente. Relația generală pentru regresia multiplă este:
𝑌𝑌 = 𝐵𝐵0 + 𝐵𝐵1 𝑋𝑋1 + 𝐵𝐵2 𝑋𝑋2 + ⋯ + +𝐵𝐵𝑛𝑛 𝑋𝑋𝑛𝑛

unde: Y este variabila dependentă;
B, interceptorul lui Y;
𝐵𝐵1 … 𝐵𝐵𝑛𝑛 , coeficient care reprezintă influenta variabilei
independente asupra variabilei dependente;
𝑋𝑋1 … 𝑋𝑋𝑛𝑛 , variabilele independente.
Regresia multiplă este o unealtă foarte bună de previziune și poate fi utilizată atunci când
factori multipli influențează variabila ce trebuie prognozată. În orice caz, pentru regresia
multiplă, volumul datelor necesare prognozei crește semnificativ iar pentru utilizarea acestei
sunt folosite soft-uri specializate.
Un principiu de bază al previziunii este acela că acestea nu sunt perfecte. Cel mai important
principiu după care se alege tehnica de previziune este precizia acesteia.
5.5.1 Măsurarea preciziei previziunii
Eroarea (Abaterea) de prognozare este definită ca fiind diferența dintre valoarea efectivă și
valoarea prognozată.
unde:
𝐸𝐸𝑡𝑡 = 𝐴𝐴𝑡𝑡 − 𝐹𝐹𝑡𝑡 𝐸𝐸𝑡𝑡 , este eroarea previziunii pentru perioada t;
𝐴𝐴𝑡𝑡 , valoarea actuală pentru perioada t;
𝐹𝐹𝑡𝑡 , valoarea prognozată pentru perioada t.
Două dintre cele mai cunoscute și utilizate erori sunt:
• Abaterea medie absolută, MAD, (Mean Absolute Deviation) reprezintă media erorilor
absolute și se determină cu relația:
∑ 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ă − 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ă
𝑀𝑀𝑀𝑀𝑀𝑀 =
𝑛𝑛
• Abaterea medie pătrată, MSE, (Mean Square Error) este media erorilor pătrate și se
determină cu relația:
∑ 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ă − 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ă 2
𝑀𝑀𝑀𝑀𝑀𝑀 =
𝑛𝑛
Exemplul 1.20.
Se cunosc următoarele date, tabel 5.24 privind volumul vânzărilor pentru o companie
producătoare de echipamente de protecție pentru companii petroliere. Se dorește determinarea
MAD și MSE pentru datele înregistrate.
│Eroarea│
Perioada Valori actuale Valori prognozate Eroarea Eroarea2
(valoare absolută)
[1] [2] [3] [4] [5] [6]
1 130 125 5 5 25
2 115 114 1 1 1
3 192 195 -3 3 9
4 184 190 -6 6 36
5 213 211 2 2 4
6 176 180 -4 4 16
7 274 274 0 0 0
8 212 216 -4 4 16
Total -9 25 107
MAD =3.125
MSE =13.375
25 107
𝑀𝑀𝑀𝑀𝑀𝑀 = = 3,125 𝑀𝑀𝑀𝑀𝑀𝑀 = = 13,375
8 8
În cazul în care se dorește selectarea unei metode de prognoză pe baza MAD și MSE, vor
datele din următorul exemplu prezentate în tabelul 5.25:
Metoda A Metoda B
Vânzări
Săpt. valori Valori Valori
Eroarea │Eroarea│ Eroarea2 Eroarea │Eroarea│ Eroarea2
actuale prognozate prognozate
1 22 20 2 2 4 24 -2 2 4
2 20 19 1 1 1 20 0 0 0
3 15 16 -1 1 1 13 2 2 4
4 18 19 -1 1 1 16 2 2 4
5 30 28 2 2 4 26 4 4 16
Total 3 7 11 6 10 28
Precizia pentru Metoda A Precizia pentru Metoda B

7 10
𝑀𝑀𝑀𝑀𝑀𝑀 = = 1,4 𝑀𝑀𝑀𝑀𝑀𝑀 = =2
5 5
11 28
𝑀𝑀𝑀𝑀𝑀𝑀 = = 2,2 𝑀𝑀𝑀𝑀𝑀𝑀 = = 5,6
5 5
5.5.2 Monitorizarea prognozelor
Atunci când există diferențe în valorile prognozate și valorile înregistrate (actuale) se pune
problema identificării cauzelor care determină variațiile aleatoare și care este limita în care
influențează prognoza. Limita prognozei reprezintă tendința pe care o are prognoza de a fi sub
sau deasupra valorilor înregistrate (actuale). Variațiile aleatoare nu pot fi controlate dar limitele
pot fi corectate.
Una dintre metodele prin care poate fi controlată limita este monitorizarea prognozei prin
semnal de urmărire.
Semnalul de urmărire, notat TS (tracking signal) se determină ca raport între suma algebrică a
erorilor de previziune și MAD.
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎ă 𝑎𝑎 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

𝑇𝑇𝑇𝑇 =
𝑀𝑀𝑀𝑀𝑀𝑀
5.6.1 Factori privind alegerea modelului de prognoză
• Cantitatea și tipul de date disponibile. Modelele de prognoză cantitativă necesită

cunoașterea anumitor categorii de date. În cazul în care acestea nu sunt suficiente se impune
utilizarea unei metode de prognoză calitativă. De asemenea, modele de prognoză cantitative
necesită cantități diferite de date. Astfel, netezirea exponențială necesită o cantitate mică de
date istorice, în timp regresia liniară necesită un volum foarte mare de date.
• Gradul de precizie cerut. Tipul modelului selectat este legat și de gradul de precizie cerut.
Există situații ce necesită doar estimări de prognoză, în timp în alte situații avem nevoie de o
precizie precisă. Cu cât este mai mare gradul de preciziei, cu atât este mai mare costul
procesului de prognoză. Prognozele care au un grad ridicat al preciziei necesită costuri
pentru colectarea datelor și pentru soft-urile cu ajutorul cărora sunt prelucrate datele.
• Lungimea intervalului de prognoză. Anumite modele de prognoză sunt mai potrivite
pentru orizonturi de prognoză scurte, în timp ce altele sunt mai bune pentru orizonturi lungi.
Este foarte important de știut orizontul de prognoză.
• Date actualizate. Este foarte important ca datele utilizate să fie actuale astfel încât să poată
fi selectat modelul corespunzător.
5.6.2 Softuri pentru prognoze

Astfel, este destul de greu de spus care este cel mai bun software. Pachetele soft pot fi încadrate
în una dintre cele trei categorii:
• foi de calcul tabelar;
Microsoft Excel®, Quatro Pro® și Lotus sunt cele mai familiare soft-uri. Aceste pachete soft
au o capacitate redusă pentru prognoză, ele pot fi folosite pentru metode precum netezirea
exponențială simplă sau analiza de regresie
• pachete statistice;
Pachete statistice sunt soft-uri complexe ce pot realiza analize statistice. Cele mai utilizate
pachete statistice sunt SPSS, SAS, NCSS și Minitab. Aceste pachete soft au capabilități de
prognoză dar și capacitate de analiză a datelor.
• pachete de prognoză specializate.
Acestea sunt soft-uri specializate pentru realizarea de prognoze însă nu pot oferi prea multe
date privind analiza statistică. Dintre cele mai utilizate menționez Masterat ForecastPro,
SIBYLRunner, Autobox. și SCA.

Curs 4 - Cap.5

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs 4 - Cap.5

Încărcat de

Drepturi de autor:

Formate disponibile

CONSULTANTA PENTRU MANAGEMENT OPERATIONAL

5.4.1 Metode de prognoză calitativă

5.4.2 Metode de prognoză cantitative

5.5 Măsurarea preciziei prognozelor

5.1 Concepte și terminologie

IPOTEZE: experiența, cunoștințele și capacitatea managerială a conducerii

În literatura de specialitate, noțiunea de previziune înseamnă a prefigura evenimente viitoare și

5.1 Concepte și terminologie

Tehnica de previziune cuprinde un ansamblu de procedee de anticipare a viitorului

Cerințe privind metodologia de previziune:

• calitatea previziunilor depinde hotărâtor de cunoașterea temeinică a realității;

5.2 Principiile previziunii

5.3 Etapele procesului de prognoză

Decide ce trebuie prognozat

Evaluarea și analiza datelor apropiate Identificare date

Modelul de prognoză trebuie selectat și

Generarea prognozei Prognoză

Monitorizarea preciziei prognozei

5.4 Tipuri de metode de previziune

Sunt consistente și obiective,

Datele cuantificabile nu pot fi

5.4 Tipuri de metode de previziune

OPINIA EXECUTIVĂ Este bună pentru planificarea

CERCETAREA DE PIAȚĂ Este un bun determinant pentru Dezvoltarea unui chestionar

5.4 Tipuri de metode de previziune

Poate fi folosită numai dacă

MEDIE SIMPLĂ MOBILĂ Este o metodă de previziune în

Abordarea • pentru o serie constantă

În realizarea prognozelor se folosesc trei tehnici de medie, respectiv:

• Media mobilă (simplă). O prognoză bazată pe medie mobilă (simplă) folosește un

De exemplu, daca sunt analizate valorile din ultimele 4 perioade

𝐹𝐹𝑡𝑡 = 𝐹𝐹𝑡𝑡−1 + 𝛼𝛼(𝐴𝐴𝑡𝑡−1 − 𝐹𝐹𝑡𝑡−1 )

valoarea coeficientului α este 9 175 0.1 160.3 14.75 158.775 16.23

înregistrate ale vânzărilor.

Variație volum vânzări înregistrat și prognozat - Tehnici de medie

180 Volum vânzări înregistrat

F12 (media mobila

135 F12 (medie mobila exp.)

Modele bazate pe trend

• Analiza de regresie care este o metodă ce potrivește un set de date în lungul

• Modelarea neliniară nu se face după o dreaptă, ci după o curbă, în general

• Metoda Holt care este o netezire dublă exponențială ce permite simultan

Modele bazate pe trend

• Modelarea liniară (analiza de regresie)

266 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝, respectiv, 𝑌𝑌12 = 𝑌𝑌 = 232,2 + 3,07𝑋𝑋

să se determine graficul 265 263

vânzărilor și să se analizeze dacă 259

𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡+1 = 𝐹𝐹𝑡𝑡 = 𝑆𝑆𝑡𝑡 + 𝑇𝑇𝑡𝑡

Cele două mărimi pot fi calculate cu relațiile:

𝑆𝑆𝑡𝑡 = 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 + 𝛼𝛼(𝐴𝐴𝑡𝑡 − 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 )

𝑇𝑇𝑡𝑡 = 𝑇𝑇𝑡𝑡−1 + 𝛽𝛽(𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡 − 𝑇𝑇𝑇𝑇𝑇𝑇𝑡𝑡−1 − 𝑇𝑇𝑡𝑡−1 )

240 Valori vânzări

• Modelul aditiv. Valoarea prognozată se determină adunând sezonalitatea la trend sau

Metode bazate pe cicluri

5.4.2.2 Prognoza cauzală (asociativă)

• Regresie liniară simplă;

0.35 X, variabila independentă;

0.3 y = 0.0159x + 0.0506

0.2 Valori actuale

 𝑟𝑟 2 ∈ 0,8 … 1 → X este un foarte bun predictor;

12 � 35,29 − (132 � 2,71)

𝑌𝑌 = 𝐵𝐵0 + 𝐵𝐵1 𝑋𝑋1 + 𝐵𝐵2 𝑋𝑋2 + ⋯ + +𝐵𝐵𝑛𝑛 𝑋𝑋𝑛𝑛

Două dintre cele mai cunoscute și utilizate erori sunt: