Efterspørgselsforecasting og Leveringsoptimering

Størrelse: px

Starte visningen fra side:

Download "Efterspørgselsforecasting og Leveringsoptimering"

Aage Thorsen
10 år siden
Visninger:

1 Efterspørgselsforecasting og Leveringsoptimering Bjørn Nedergaard Jensen

Koncernen beskæftiger i alt cirka 2.800 medarbejdere.

2 Berlingske Media 2 En af Danmarks største medieudgivere og leverandør af både trykte og digitale udgivelser. Koncernen beskæftiger i alt cirka medarbejdere. Danmarks ældste medievirksomhed. Grundlagt i 1749 af Ernst Henrich Berling. Ejet af London selskabet Mecom Group.

3 Udvikling i avissalget 3

4 Løssalget 4 Aviser i løssalg sælges gennem forhandlere dvs. kiosker, supermarkeder, tankstationer osv. Forhandlerne køber ikke aviserne, men stiller deres forretning til rådighed mod, at de modtagere en andel af omsætningen. Til gengæld kan forhandleren returnere eksemplarer der ikke bliver solgt. Gennemsnitssalget pr. forhandler har været faldende primært pga. udviklingen i markedet, men for B.T. også fordi antallet af abonnenter er steget. De fleste af vores publikationer er først og fremmest abonnements aviser kun for B.T. og Bilen udgør løssalget den største andel af salget.

Til gengæld kan forhandleren returnere eksemplarer der ikke bliver solgt. Gennemsnitssalget pr. forhandler har været faldende primært pga.

5 Problemstilling 5 Finde den optimale levering til hver enkelt forhandler dvs. den levering som maksimere dækningsbidraget. Relevante omkostninger Den tabte indtjening ved et mistet salg som følge af en udsolgt situation Omkostningen til fremstilling og distribution af en avis som ikke bliver solgt. Den optimale leveringsstørrelse opfylder at E[ MC RETUR ] = E[ MC TABT SALG ] MCRETUR P( Q* E) MC MC RETUR TABT SALG

Relevante omkostninger Den tabte indtjening ved et mistet salg som følge af en udsolgt situation

6 Bestemmelse af leveringen 6 Marginal omkostning ved retur avis MC RETUR = TRYK + DISTRIBUTION + RETUR Marginal omkostning ved tabt salg MC TABT SALG = (1-AVANCE)*SALGSPRIS - TRYK - DISTRIBUTION Hvis efterspørgslen antages at være normal fordelt E ~ N(, 2 ) 1 MC Q* RETUR 1 * MC RETUR MC TABT SALG

SALG = (1-AVANCE)*SALGSPRIS - TRYK - DISTRIBUTION Hvis efterspørgslen

7 7 Eksempel Salg af B.T. hos en forhandler i København en mandag og avance på 12%. MC RETUR = 1,25 + 0,5 + 0,25 = 2 kr. MC TABT SALG = (1-0,12)*16 1,25 0,5 = 12,33 kr. P( Q * E) ,33 13,6% Hvis efterspørgslen hos forhandleren er normal fordelt med middelværdi 6 og standardafvigelse 3. Q* = * 3 = 9,3 10 stk.

8 Statistisk forecasting 8 Kombinationen af produkt og forhandler giver omkring tidsserier, hvor der skal laves efterspørgslesforecast og leveringsberegning. På en uge drejer det sig om cirka forecast. Forecasting i dette omfang kræver naturligvis et standardiseret setup og en minimering af den manuelle indblanding i forecast processen. I Berlingske Media har vi benyttet statistisk forecasting til beregning af leveringer i mange år. Indtil 2010 har vi benyttet en model udviklet i starten af 1980 erne. I slutningen af 2009 implementerede vi en ny løsning i samarbejde med SAS Institute. Nu benytter vi SAS Forecast Server til at udregne vores forecast.

Forecasting i dette omfang kræver naturligvis et standardiseret setup og en minimering af den manuelle indblanding i forecast processen.

9 9 Det Gamle system Det gamle forecast system var baseret på eksponentiel smoothing. Samme model blev benyttet for alle forhandlere. Metoden krævede ikke særlig store mængder af historisk data. Forecast kunne udregnes ud fra det seneste forecast og den seneste efterspørgselsobservation. Stillede ikke store krav til regnekraft. Modellen lagde størst vægt på seneste observationer og kunne således reagere på en trend, men der var ingen sæson komponent i modellen. Det var ikke muligt at benytte input variable til, at forklare variationen i efterspørgslen. Frasortering af outliers skete på baggrund af bruger observationer og brugerdefinerede regler.

Stillede ikke store krav til regnekraft.

10 Bestemmelse af efterspørgslen Salg hos forhandler 2394 Vi ønsker at forecaste efterspørgslen i fremtiden. Det vi kan observere historisk er salget. Salg = Min(Levering,Efterspørgsel) Dette betyder at efterspørgslen er ukendt når forhandleren går udsolgt. Til at skabe efterspørgselshistorik benyttes en expectation maximization algoritme, som udregner den mest sandsynlig efterspørgsel ud fra salget.

Det vi kan observere historisk er salget.

11 11 Sæson og events B.T. Salg Uge

12 12 Automatisk model selektion Efterspørgsel - BP 2015 Efterspørgsel - BP 1048 Vi benytter 3 års data historik til at identificere modeller der kan beskrive efterspørgselsudviklingen. Det nye system kan udføre automatisk analyse af tidsserierne og finde model kandidater. Modeltyper Simple udjævningsmodeller. Smoothing modeller med trend og sæson komponenter. Komplekse ARIMAX modeller som også kan tage højde for events og input serier. System kan automatiske udvælge den bedste model blandt kandidaterne.

Det nye system kan udføre automatisk analyse af tidsserierne og finde model kandidater. Modeltyper Simple udjævningsmodeller.

13 13 Top down forecasting Efterspørgsel - Top niveau Efterspørgsel - BP 2394 System laver forecast både for det samlede salg og for hver enkelt forhandler. Det kan være vanskeligt at identificere trend, sæson og andre effekter på forhandler niveau. Vi benytter et top down princip, hvor top og bund konsolideres således, at summen af forhandlernes forecast svarer til top forecastet. Standard afvigelsen på den enkelte forhandlers forecast benyttes til beregning af leveringen. 0

forhandler. Det kan være vanskeligt at identificere trend, sæson og andre effekter på forhandler niveau.

14 Forklarende variable 14 Sæsonkomponenter Helligdage Forside kategori Kampagner Søndagsåbninger Vejr data?

15 Løsningsarkitektur 15

16 Forecast processen 16

17 Forhandlere styret af systemet 17 Fase Implementering Andel af forhandlere Andel af levering BT Fase 1 Uge % 52% BT Fase 2 Uge % 68% BT Fase 3 Uge % 78%

levering BT Fase 1 Uge 3-2010 58% 52% BT Fase

18 Udvikling efter implementering 18

19 Tabt salg estimat B.T. 19

20 Forecast præcision 20

21 Resultater efter implementering 21 Retur procenten er faldet med 3,5 procentpoint målt over et helt år siden implementeringen på de forhandlere som styres via systemet. Antallet af udsolgt observationer er ligger på samme niveau som før implementeringen. Det tabte salgs andel af efterspørgslen er steget marginalt. Vi har haft fokus på at øge andelen af forhandlere, som styres af systemet og fra uge 20 i 2011 er vi oppe på cirka 89% af forhandlerne. Vi er begyndt at måle på vores forecast præcision og sammenligne med præcisionen af en naiv model. Vi har højere præcision end én naiv model vil give.

22 Udfordringer / Nye muligheder 22 Uobserverbart tabt salg. Implementering af egne forecast modeller.

Relaterede dokumenter

FASTSÆTTELSE AF TILLÆG TIL SPOT- PRISEN FOR KONKURSRAMTE KUNDER 2017

FASTSÆTTELSE AF TILLÆG TIL SPOT- PRISEN FOR KONKURSRAMTE KUNDER 2017 29. november 2016 Engros & Transmission 16/10983 Mikkel Hoffmann Bjarrum SAGSFREMSTILLING 1. Sekretariatet for Energitilsynet (SET)