Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

14 Møtebeskrivelser Transport og div. reisekostnader Kartlagte møter "Oppblåsing" (til landsbasis) Møtepotensial Prognosemodell Prognostisert møtepotensial Sortering etter fysiske og psykologiske aspekter Antall møtedeltakere Kostnader til telekommunikasjon Erstattbare møter fordelt på teletjenester Erstattbare møter fordelt på teletjenester imidlertid foretas justeringer, da ikke alle vil opptre rasjonelt og avholde et telemøte når dette lønner seg økonomisk og forutsatt at det som foregår på møtet er av en slik karakter at det ikke er nød- Antall arbeidssteder Kostnader ved tapt tid pga reising Ikke erstattbare møter Bruk av dokumenter o.l Økonomisk vurdering av tidsbesparelse ved telekom. Figur 3.3 Eksempel på hvorledes etterspørsel etter bildetelefon og konferansefjernsyn kan avledes ut fra møtevirksomhet i norske bedrifter vendig med personlig frammøte. Figur 3.3 viser prinsippet i en slik sortering av kartlagte møter [2]. I tillegg må en være klar over at nye tjenester også åpner mulighet for nye applikasjoner som vil komme. Det har i lang tid vært store problemer med å kunne gi innvalgsserier til bedrifter på grunn av manglende nummer. Ved innføring av ny nummerplan har Televerket fått en større etterspørsel etter innvalgsnummer som nå kan tilfredsstilles. Etterspørsel etter innvalg er avhengig av hussentraltype og eventuell utskifting, kostnader ved anskaffelse samt også besparelse av tid og kostnader for ekspedient. Markedsundersøkelser blant bedrifter vil kunne bidra til å kartlegge disse forholdene samt gi underlag til prognoser. I tillegg vil selvsagt de registrerte data i form av historiske data om etterspørsel etter innvalgsnummer være viktig underlagsmateriale for prognosene. Generelt kan det sies at underlag fra markedsundersøkelser ofte er et supplement til prognoseunderlaget. Et annet eksempel på bruk av markedsundersøkelse til underlag for prognoser, er å stille et sett av prisspørsmål for å få estimert en etterspørselskurve. Figur 3.4 viser et av resultatene fra en markedsundersøkelse som i 1976 ble gjort blant de første abonnentene i Norge som i et pilotprosjekt fikk tildelt knappsatsapparater og tilleggstjenester [3]. Etter at de hadde hatt tjenestene en periode ble de spurt om hva de var villige til å betale for å bruke tjenestene. Ut fra dette kunne det så settes opp en etterspørselskurve basert på svarene. I figur 3.4 er det vist hva abonnentene på den tiden og med den tids kroneverdi var villig til å betale for å ha et knappsatsapparat. Ut fra forutsetninger om prisendringer kunne det her blitt laget en prognose for anskaffelse av knappsatsapparat. I den Delphiundersøkelsen som nå gjennomføres i RACE-prosjektet TITAN settes det også opp spørsmål for hver tjeneste som skal brukes til å anslå en etterspørselskurve. Dette ses i spørreskjemaet i figur 3.2. Her er det imidlertid ekspertene som vil angi forventet etterspørsel og ikke abonnenter som har brukt tjenesten. Bruk av offentlige statistikker vil også sammen med markedsundersøkelser være til god hjelp i potensialberegninger. Dette vil bli nærmere omtalt i kapittel 8, der metningsmodeller introduseres som en av de kvantitative prognosemodellene. En viktig parameter som inngår i denne modellen er markedspotensialet for tjenesten. Dersom en har få eller ingen
observasjoner, fordi det er en ny tjeneste, må markedspotensialet anslås før det lages prognoser. Når det gjelder bruk av markedsundersøkelser generelt skal en være klar over at dette er beheftet med usikkerhet. Resultatene her skal være representative for hele populasjonen (f eks norske husstander), men de som kartlegges er et utsnitt eller et utvalg av populasjonen. Usikkerheten i resultatene avtar med utvalgets størrelse og går mot 0 når størrelsen på utvalget blir lik hele populasjonen. Anta at vi skal anslå usikkerheten i et svarresultatet på et spørsmål der andelen som har valgt et gitt alternativ er p og der antallet i utvalget er n. Dersom populasjonen er stor i forhold til antallet i utvalget, vil en nedre grense for usikkerheten være gitt ved variansen som er: p(1 - p)/n Dette forutsetter at de som er i utvalget er trukket ut på en tilfeldig (representativ) måte. Kvadratroten av det uttrykket som står over, er lik standardavviket. Vanligvis vil 2 ganger standardavviket til hver side for den estimerte p-verdien være et tilnærmet 95 % konfidensintervall. Dette intervallet sier noe om den statistiske sikkerheten i markedsundersøkelsen. For å konkretisere dette ser vi på et eksempel. Anta at vi har foretatt en markedsundersøkelse og at utvalgets størrelse er n = 900. Vi har stilt et spørsmål der de spurte (respondentene) skulle angi hvilket alternativ de foretrakk. Det kan eksempelvis være et prisspørsmål for en tjeneste, der det er satt opp ulike prisalternativer eller det kunne være, slik vi kjenner igjen fra avisene, et spørsmål om å angi hvilket parti en vil stemme på. Anta at på ett av svaralternativene har vi estimert at p = 0,10. Det vil si at 10 % av de spurte har valgt dette alternativet. Hva er da den statistiske usikkerheten i dette resultatet? Standardavviket blir da 0,01; det vil si 1 %. Konfidensintervallet som er 2 ganger standardavviket til hver side for p blir da (8,0 % – 12,0 %). Dette viser at resultater selv fra representative markedsundersøkelser må behandles med varsomhet. 4 Dataunderlag og bearbeiding av data 4.1 Hvorfor er det viktig å bearbeide underlagsdata? Den mest arbeidskrevende delen av prognosearbeidet er anskaffelse og bearbeiding av data. Anslagsvis 80 % av det totale prognosearbeidet går med til selve datahåndteringen. For å kunne lage gode prognoser er det av helt avgjørende betydning at datagrunnlaget er godt. Det betyr at dataene skal være representative, at de skal være konsistente, at de skal være riktige og at de skal være på en hensiktsmessig form. Unormale data som er framkommet enten ut fra feil i dataene eller ut fra spesielle hendelser som ikke er representative for den generelle utviklingen, må det justeres for. Det er også viktig å definere de ulike dataene på hensiktsmessig måte og deretter endre/vedlikeholde definisjonene i takt med utviklingen. Nye definisjoner kan eksempelvis være nøvendig i tilknytning til innføring av nye tjenester. En modell er aldri bedre enn de data som benyttes. Er dataene dårlige, blir prognosen også dårlig. Få data gir også usikre prognoser. Dersom det er mulig, bør det i en slik situasjon arbeides med å framskaffe ytterligere data – enten ved observasjoner over et lengre tidsrom eller ved å se på en mer detaljert utvikling over samme tidsrom. Dette kan gjøres eksempelvis ved å gå over fra å lage prognoser for årlige data til å lage prognoser for kvartalsvise eller månedlige data. Det kan også være aktuelt å supplere de aktuelle data med data fra forklaringsvariable som vil bidra til sikrere prognoser. I dataene som angir en gitt utvikling kan det være spesielle hopp (nivåskift), knekk (trendskift) eller spesielle unormale punkter (outliere) som det er viktig å justere for. Figur 4.1 til 4.5 viser eksempel på en slik utvikling. Det ses av figuren at antall tellerskritt på USA/Canada takst etter 1 januar 1992 gjør et markert hopp (nivåskift). Det er for øvrig her snakk om betydelige ekstrainntekter for Televerket som det var få som var klar over effekten av. Dette skyldtes at tellerskritt på innenlandsk opplysningstjeneste 1 januar 1992 ble lagt til USA/Canada takst – som skaffet Tele- Prosentandel av abonnentene 80 70 60 50 40 30 20 10 = under 20 000 kr = 20 000 - 30 000 kr = 40 000 - 59 900 kr 100 200 300 Engangsavgift kr verket anslagsvis 300 mill kr i ekstrainntekter på årsbasis. Fra 1993 ble innenlandsk opplysningstjeneste lagt på en annen takstklasse. For å kunne lage gode prognoser for tellerskritt, er det viktig å separere tellerskrittene på ulike takstklasser og lage prognoser på utviklingen innen hver enkelt takstklasse. For å kunne få en kontinuerlig utvikling relateres volumutviklingen til siste års takster, slik at en unngår hopp i tidsrekken hver gang lengden på tellerskrittet endres på de ulike takstklasser. I figuren vises det for øvrig at fra 1 januar 1991 opphørte rikstakst 1, slik at abonnentene etter det kun har tre ulike innenlandske takster. For å kunne ha data på sammenliknbar form før og etter endringen, er det nødvendig å justere dataene slik at det kan lages prognoser med samme sikkerhet som tidligere. Det ses at utviklingen endrer seg markant. Dette skyldes at Televerket stoppet formidling av sex-telefoner over = 60 000 - 89 900 kr = 90 000 - 119 000 kr = 120 000 kr og over Figur 3.4 Estimert etterspørsel fra abonnenter i ulike inntektsgrupper i 1976 for anskaffelse av knappsatsapparat 15
Page 2 and 3: Innhold TEMA: Introduksjon, Kjell S
Page 5 and 6: 1 Utvikling av prognosearbeidet i T
Page 7 and 8: - Prognoser for vanlig telefonabonn
Page 9 and 10: De økonomiske beregninger som ligg
Page 11 and 12: ment fra bedrifter. I tillegg er de
Page 13: Tele-hjemmearbeid Kommunikasjon mel
Page 17 and 18: 1.nyttårsdag (x 10 000) 400 350 30
Page 19 and 20: 20 dere med antall abonnenter. niv
Page 21 and 22: Indeks 220 200 180 160 140 120 100
Page 23 and 24: menes at det statistisk ikke er tro
Page 25 and 26: klassiske prognosemetoden i den fø
Page 27 and 28: Tabell 6.3 Tidsrekker med forskjell
Page 29 and 30: 38 7.3 Enkel modellbygging Utgangsp
Page 31 and 32: Når vi bruker minste kvadraters me
Page 33 and 34: e t 0 99.9 Figur 7.13 Plott av resi
Page 35 and 36: 58 53 48 43 38 33 28 1 0.5 0 -0.5 -
Page 37 and 38: sjonene eller utviklingen til y. Va
Page 39 and 40: det kommunisere med. Dermed blir tj
Page 41 and 42: 1 og ved t med (1 - b) og summerer
Page 43 and 44: i etterspørselen i påfølgende m
Page 45 and 46: aggregerte prognosen er riktig. Ned
Page 47 and 48: prognosene vil med sikkerhet ikke v
Page 49 and 50: skyld, er lite, vil det også være
Page 51: Ed: O D Anderson. Amsterdam, North
Page 54 and 55: 54 Diverse enkeltpersoner 16 Televe
Page 56 and 57: Figur 3.3 Innhenting av informasjon
Page 58 and 59: 58 Selvbetjening over telenettet Tj
Page 60 and 61: 60 Det kan være vanskelig med noen
Page 62 and 63: 62 I TITAN-prosjektet ble det foret
Page 64 and 65:
64 Prosentandel av husstander 25 20
Page 66 and 67:
66 I N E T T E T Annullerte bestill
Page 68 and 69:
(x 100) 22 17 12 68 7 2 -3 01/87 +
Page 70 and 71:
periodene, skyldes at dette skjules
Page 72 and 73:
72 “givende” sentralen til den
Page 74 and 75:
74 spesielt er opptatt av forklarin
Page 76 and 77:
001.18:621.39 76 Glattingsmodeller
Page 78 and 79:
78 Tabell 2 De opprinnelige sesongo
Page 80 and 81:
80 0.025 0.02 0.015 0.01 0.005 y' t
Page 82 and 83:
Tabell 3 Holts metode 82 År t Anta
Page 84 and 85:
Tabell 5 Hvordan Holt-Winters addit
Page 86 and 87:
(x 100) 20 15 10 86 5 0 antall abon
Page 88 and 89:
Abonnement 540 520 500 480 460 88 n
Page 90 and 91:
90 ingsprosedyre som skal iterere s
Page 92 and 93:
92 forbedringer av modellen. Plott
Page 94 and 95:
94 Vi ser av (5.12) at variansen ti
Page 96 and 97:
96 Figur 7.2 Residualer fra lineær
Page 98 and 99:
98 Tabellen viser at alle parameter
Page 100 and 101:
disse til å lage prognoser med. So
Page 102 and 103:
102 16 Bøe, J, Stordahl, K. Teller
Page 104 and 105:
200 180 160 140 120 100 80 60 40 Fi
Page 106 and 107:
106 1 0.8 0.6 0.4 0.2 0 1 0.8 0.6 0
Page 108 and 109:
108 Tabell 2 viser de historiske da
Page 110 and 111:
001.18:621.39 110 Box-Jenkins metod
Page 112 and 113:
Standardavvik 600 550 500 450 400 S
Page 114 and 115:
114 AR-parametre og q MA-parametre
Page 116 and 117:
116 Figur 13 Autokorrelasjonsfunksj
Page 118 and 119:
118 Korrelasjonsverdi Vi ser av fig
Page 120 and 121:
120 Aksepter hypotesen om at parame
Page 122 and 123:
Residualer 0.4 0.3 0.2 0.1 122 0 -0
Page 124 and 125:
124 Referanser 1 Stordahl, K, Hjelk
Page 126 and 127:
Tabell 1 Volum tellerskritt, abonne
Page 128 and 129:
128 Tabell 3a Prognose fra modell b
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
001.18:621.39 134 Prognoser for abo
Page 136 and 137:
136 Tabell 3 Analyse av støyledden
Page 138 and 139:
138 Tabell 5 Utskrift av prognosepr
Page 140 and 141:
vi ikke diskutere her. Poenget er
Page 142 and 143:
142 prognosen. Da “beskjæres”
Page 144 and 145:
144 7 Stordahl, K. Prognosemetoder:
Page 146 and 147:
Tabell 1 Oversikt over takstklassen
Page 148 and 149:
148 Tabell 5 Antall samtalesekunder
Page 150 and 151:
150 a) (x1000) 45 35 25 15 5 (x1000
Page 152 and 153:
152 Tabell 8 viser de avleste telle
Page 154 and 155:
154 Tabell 11 Komplett datasett med
Page 156 and 157:
001.18:621.39 156 Prognoser for nye
Page 158 and 159:
158 3.1 Vurderinger av foreliggende
Page 160 and 161:
160 passer utmerket, med relativt l
Page 162 and 163:
2B+D aksesser (x1000) 7 6 5 4 3 2 1
Page 164 and 165:
164 (x1000) 10 8 6 4 2 0 Tabell 6 I
Page 166 and 167:
001.18:621.39 166 Prognoser for pri
Page 168 and 169:
168 der ˆσ β* = ˆσ = ˆy t =
Page 170 and 171:
n r (t) 90 % 10 170 1,00 0,80 0,60
Page 172 and 173:
ønsker å benytte disse metodene f
Page 174 and 175:
174 Remote router/ Bridge hand, the
Page 176 and 177:
176 Figure 5 ATM cell Bridge 48 byt
Page 178 and 179:
178 DTE less than 2 Mbit/s, Frame R
Page 180 and 181:
180 References 1 Mannsåker, B et a
Page 182 and 183:
182 Table of contents page Introduc
Page 184 and 185:
006 621.391 184 Signal processing B
Page 186 and 187:
006:681.324 006:681.327.8 186 Data
Page 188 and 189:
006 621.39 188 Teletraffic and dime
Page 190 and 191:
190 contractor. The project had a b
Page 192 and 193:
Table 2 ITU Recommendations for con
Page 194 and 195:
006 654.01:65 194 Telecommunication
Page 196 and 197:
006 196 Introduction EURESCOM is an
Page 198:
198 Intelligent networks 26 % Infra
show all

Prognosemetoder – en oversikt - Telenor

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?