Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
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