02.05.2013 Views

Prognosemetoder – en oversikt - Telenor

Prognosemetoder – en oversikt - Telenor

Prognosemetoder – en oversikt - Telenor

SHOW MORE
SHOW LESS

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

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

det kommunisere med. Dermed blir tj<strong>en</strong>est<strong>en</strong><br />

også mer attraktiv.<br />

Etterspørsel<strong>en</strong> vil også være avh<strong>en</strong>gig av<br />

de som ikke har tj<strong>en</strong>est<strong>en</strong>. Det er disse<br />

som er det gj<strong>en</strong>stå<strong>en</strong>de markedspot<strong>en</strong>sialet.<br />

Vekstrat<strong>en</strong> er d<strong>en</strong> årlige tilvekst<strong>en</strong> eller<br />

etterspørsel<strong>en</strong>. Selve kurv<strong>en</strong> er d<strong>en</strong> akkumulerte<br />

etterspørsel<strong>en</strong> fram til det gitte<br />

tidspunktet. Eksempelvis angir kurv<strong>en</strong><br />

ved tidspunkt t totalt antall solgte<br />

abonnem<strong>en</strong>t fra tidspunkt 0 til og med<br />

tidspunkt t for tj<strong>en</strong>est<strong>en</strong>. Mange<br />

empiriske undersøkelser har vist at d<strong>en</strong><br />

akkumulerte etterspørsel<strong>en</strong> har et forløp<br />

som <strong>en</strong> S, og d<strong>en</strong> kalles da også for Skurve.<br />

Selve utledning<strong>en</strong> (d<strong>en</strong> matematiske<br />

beskrivelse) av d<strong>en</strong> Logistiske modell<br />

kan finnes ved å sette opp at <strong>en</strong>dring<strong>en</strong> i<br />

etterspørsel<strong>en</strong> er proporsjonal med de<br />

som har tj<strong>en</strong>est<strong>en</strong> og de som ikke har<br />

tj<strong>en</strong>est<strong>en</strong>, og så løse d<strong>en</strong> differ<strong>en</strong>siallikning<strong>en</strong><br />

som da framkommer.<br />

9.3 Ekspon<strong>en</strong>tiell modell<br />

I <strong>en</strong> tidlig fase vil etterspørsel<strong>en</strong> etter <strong>en</strong><br />

tj<strong>en</strong>este kunne være ekspon<strong>en</strong>tiell. Det<br />

betyr at vekst<strong>en</strong> kun er proporsjonal med<br />

de som har fått tj<strong>en</strong>est<strong>en</strong>.<br />

Vi har da følg<strong>en</strong>de modell:<br />

yt = a e-bt (9.1)<br />

Form<strong>en</strong> på d<strong>en</strong>ne modell<strong>en</strong> er vist i figur<br />

9.1. Kurv<strong>en</strong> har intet v<strong>en</strong>depunkt.<br />

9.4 Modell med avtag<strong>en</strong>de ekspon<strong>en</strong>tiell<br />

vekst<br />

D<strong>en</strong>ne modell<strong>en</strong> har <strong>en</strong> analog form med<br />

d<strong>en</strong> ekspon<strong>en</strong>tielle <strong>–</strong> bare at d<strong>en</strong> avtar<br />

isted<strong>en</strong>for å vokse. En slik beskrivelse vil<br />

være riktig når etterspørsel<strong>en</strong> etter et produkt<br />

eller <strong>en</strong> tj<strong>en</strong>este nærmer seg metning.<br />

La M være metningsnivået eller<br />

markedspot<strong>en</strong>sialet. Vi antar så at etterspørsel<strong>en</strong><br />

ved det tidspunktet da vi starter<br />

å bruke modell<strong>en</strong> (t = 0) er m.<br />

Modell<strong>en</strong> er da gitt ved:<br />

yt = M - (M - m) e -at (9.2)<br />

9.5 Logistisk modell<br />

D<strong>en</strong> Logistiske modell<strong>en</strong> er beskrevet<br />

ved:<br />

M<br />

yt =<br />

(1 + e (a−bt ) ) g<br />

(9.3)<br />

Her er M markedspot<strong>en</strong>sialet og a, b og g<br />

parametere i modell<strong>en</strong>.<br />

Det som er et problem ved d<strong>en</strong> Logistiske<br />

modell, er å estimere parametr<strong>en</strong>e.<br />

Det finnes ulike teknikker som kan<br />

brukes. En måte er å anta faste verdier på<br />

to av parametr<strong>en</strong>e og så estimere de to<br />

øvrige. Deretter kan det settes nye<br />

verdier på de to første parametr<strong>en</strong>e og<br />

prosess<strong>en</strong> kan gj<strong>en</strong>tas. Det er også mulig<br />

å b<strong>en</strong>ytte ikke-lineære estimeringsprosedyrer.<br />

Vi går imidlertid ikke her nærmere<br />

inn på hva dette er for noe.<br />

9.6 Andre metningsmodeller<br />

I tillegg til d<strong>en</strong> Logistiske modell<strong>en</strong>, er<br />

Gompertz modell og Weibull-modell<strong>en</strong><br />

kj<strong>en</strong>te metningsmodeller.<br />

Gompertz modell<strong>en</strong> er gitt ved:<br />

yt = a(eb e<br />

gt<br />

)<br />

(9.4)<br />

Her er a større <strong>en</strong>n 0, b mindre <strong>en</strong>n 0 og<br />

g mindre <strong>en</strong>n 0. Når g er mindre <strong>en</strong>n 0,<br />

vil kurv<strong>en</strong> flate ut mot et metningsnivå<br />

når tid<strong>en</strong> t blir stor.<br />

Weibull-modell<strong>en</strong> er gitt ved:<br />

yt = M −(M − m)eatb<br />

(9.5)<br />

Her er a mindre <strong>en</strong>n 0 og b større <strong>en</strong>n 0.<br />

Sid<strong>en</strong> a er mindre <strong>en</strong>n 0, flater også<br />

d<strong>en</strong>ne kurv<strong>en</strong> ut når tid<strong>en</strong> t blir stor.<br />

10 Glattingsmodeller<br />

Det karakteristiske ved regresjonsmodeller<br />

er at det er mulig å bygge modeller<br />

med flere forklaringsvariable <strong>–</strong> eksempelvis<br />

økonomiske og demografiske forklaringsvariable.<br />

Metningsmodeller har<br />

d<strong>en</strong> eg<strong>en</strong>skap<strong>en</strong> at de gir god tilpasning<br />

til etterspørsel i <strong>en</strong> tidlig fase og når<br />

etterspørsel<strong>en</strong> nærmer seg metning.<br />

De modell<strong>en</strong>e som pres<strong>en</strong>teres videre <strong>–</strong><br />

Glattingsmodeller, Tidsrekkemodeller og<br />

Kalmanfiltermodeller <strong>–</strong> er modeller som<br />

er basert på tidsrekkeanalyse. Her forklares<br />

utvikling<strong>en</strong> av etterspørsel primært<br />

ut fra tidligere verdier på tidsrekk<strong>en</strong>. (Det<br />

er imidlertid mulig å utvide Tidsrekkemodell<strong>en</strong>e<br />

og Kalmanfiltermodell<strong>en</strong>e<br />

med ekstra forklaringsvariable.) M<strong>en</strong><br />

som sagt, det ves<strong>en</strong>tlige med disse modell<strong>en</strong>e<br />

er at de direkte bygger på de tidligere<br />

observasjoner i tidsrekk<strong>en</strong>. Modell<strong>en</strong>e<br />

forutsetter også at avstand<strong>en</strong><br />

mellom hver observasjon er like lang<br />

(ekvidistante observasjoner). Det kan<br />

Figur 9.1 Ekspon<strong>en</strong>tiell vekst<br />

Figur 9.2 Avtag<strong>en</strong>de ekspon<strong>en</strong>tiell<br />

vekst<br />

Figur 9.3 Logistisk modell<br />

Figur 9.4 Gompertz modell<br />

eksempelvis være uk<strong>en</strong>tlige, månedlige<br />

eller årlige observasjoner.<br />

D<strong>en</strong>ne type modeller egner seg spesielt<br />

til å lage prognoser på kort og middels<br />

sikt. Metod<strong>en</strong>e er svært gode til å<br />

beskrive sesongbetonte variasjoner og<br />

utnytter derfor eksister<strong>en</strong>de observasjoner<br />

på <strong>en</strong> effektiv måte.<br />

I dette avsnittet vil vi se på følg<strong>en</strong>de<br />

glattingsmodeller:<br />

- Ekspon<strong>en</strong>tiell glatting<br />

- Holts metode<br />

- Holt-Winters metode.<br />

For mer detaljerte studier h<strong>en</strong>vises det til<br />

[7], [10], [23], [24] og [42].<br />

39

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!