3. setti: ENNUSTAMINEN

Question 1

Mitä asioita yritykset pyrkivät ennustamaan?

Answer 1

Ennusteet voidaan jakaa kolmeen pääkategoriaan: yritys, toimiala ja yhteiskunta. JA TIETYSTI KYSYNTÄ, joka yrityksen ja toimialan välissä.

• YRITYS: Tuottavuuden kehitys (esim. budjetteja varten). Oppimisen leviäminen (esim. koulutusten vaikutusnopeus tekemiseen). Laadun korjaantuminen (esim. toimittaja-/operaatio-ongelmat), Tuotekehityksen aikataulu (esim. saadaanko tuote ulos joulumarkkinoille), Markkinointipanostusten vaikutus
• TOIMIALA: Teknologinen kehitys (esim. S-käyrien nopeus), Kuluttajan käyttäytyminen (esim. order winnersien muutokset), Raaka-ainehinnat (esim. nikkeli, teräs, öljy, kaakao, kahvi), Kilpailijoiden tekemiset (esim. investoinnit, uuden TJ:n suunnitelmat), Hintojen muuttuminen (esim. hintaeroosio), Sää (talvet/helteet?), Tuotesyklin kehittyminen
• YHTEISKUNTA: Poliittiset tapahtumat, (esim. vaalitulokset ja yritysverotus-/työlain- säädäntömuutokset, Biden ja tullit/kauppasodat, elvytys…), Talousindikaattorien kehitys (esim. kasvu, korot, työttömyys, valuuttakurssit…). Arvojen kehittyminen (esim. kulutuksen merkitys, työn ja perheen rooli)

Question 2

Ennusteet ovat operaatioiden pohjana

Answer 2

• Ennusteet ovat KAIKEN suunnittelun, päätöksenteon ja resurssien kohdistamisen pohjana. Niin pitkällä, kuin lyhyellä tähtäimellä.

• pitkä tähtäin: kapasiteetti-, sijainti-, teknologiainvestoinnit jne.
• lyhyt tähtäin: materiaalin hankinta, tuotannonsuunnittelu, työntekijöiden palkkaus ja skedulointi, kuljetusten järjestely jne.

• Kilpailu ja kehityksen nopeus nostaneet ennusteiden merkitystä viime aikoina
- väärät päätökset maksavat entistä enemmän

• Tulevaisuuden arviointi ja menestyminen kulkevat siis usein käsi kädessä
- hyvän ennusteen tulee luonnollisesti olla helppokäyttöinen, luotettava, tarkka, ajankohtainen ja merkitsevä

Question 3

Ennusteet ovat operaatioiden pohjana - case EuroDisney ja yliarvioitu kysyntä (yliennuste)

Answer 3

Vasta neljäs Disney-puisto maailmassa

• Euroopassa ei oikeastaan mitään vastaavaa/vertailukohtaa
• ennusteet piti tehdä USA:n puistojen perusteella

Puisto mitoitettiin suuremmalle kävijämäärälle
- vierailijoiden määrä 15-25 % arvioitua vähemmän

Toiminta suunniteltiin väärille kulutustottumuksille

• vierailijat käyttivät puistossa 10% arvioitua vähemmän rahaa
• > Taloudellinen katastrofi

Tappioita paikattiin useilla operaatiomuutoksilla

• hinnat alas, kustannukset tarkkailuun, kohdistettuja investointeja (ostoskeskus, ravintolat, messutilat)
• > Lisää tappioita (ennusteet taas väärin)

Question 4

Ennustemenetelmiä on paljon erilaisia ja ne jaetaan tavallisesti kahteen pääkategoriaan?

Answer 4

Kvantitatiiviset ennustemenetelmät ja kvalitatiiviset ennustemenetelmät. Lisäksi on niin sanottuja epävirallisia ennustemenetelmiä.

Question 5

Kvantitatiiviset ennustemenetelmät

Answer 5

Eli objektiiviset ennustemenetelmät, jotka ovat numeropohjaisia. Niitä on helppo toistaa!
Ne jaetaan 1. Aikasarja-analyysit (historia) ja 2. Kausaalimallit (syy-seuraus)

1.	Aikasarja-analyysit = 
•	naiivi-analyysi
•	suora viiva -analyysi
•	liukuva keskiarvo
•	eksponentiaalinen tasoitus 
•	klassinendekompositio

2. Kausaalimallit (syy-seuraus) =
   • regressio- ja korrelaatiomallit
   • ekonometria
   • leading indicators

Question 6

Kvalitatiiviset ennustemenetelmät

Answer 6

(eli subjektiiviset ennustemenetelmät):
•	Johtoryhmän keskustelu
•	Asiantuntijamielipide
•	Delphi-metodi
•	“Build up” -metodi
•	Markkinatutkimukset
•	Asiakaspaneelit
•	Testimarkkinointi
•	Historia-analogia
•	Elinkaariajattelu

Question 7

“Epävirallisemmat” ennustemenetelmät

Answer 7

• Intuitio, Mutu

* Arvaus

Question 8

Aikasarja-analyysit

Answer 8

Aikasarja-analyyseissä kysyntäennusteet perustetaan historiaan sopivalle mallille. Perusoletuksena siis tulevaisuuden jatkuminen samanlaisena. Muutokset tasossa/trendissä/kausivaihtelussa/syklissäongelmallisia

Useita eri menetelmiä, jotka eroavat toisistaan huomioitavien jaksojen lukumäärän ja jaksojen keskinäisten painojen suhteen. Esim. 2 kk liukuva vs. 4 kk liukuva vs. 4 kk painotettu liukuva

Käytetään tosielämässä pääasiassa lyhyiden ajanjaksojen ennusteisiin! Kaikenlaisten muutosten todennäköisyys lyhyellä aikavälillä pieni. Syklikomponenttia muutenkin hankala huomioida datapuutteen vuoksi. Yksinkertaisia ja antavat tarpeeksi tarkkoja tuloksia.

Question 9

Minkä kahden asian ennustamiseen tällä kurssilla keskitytään?

Answer 9

Myynnin ja kysynnän ennustamiseen! Koska suuri osa kurssin ongelmistamme on kysyntä-vetoisia.

Question 10

Aikasarja-analyysit: naiivi ennuste

Answer 10

Naiivissa ennusteessa oletetaan, että kysyntä seuraavalla jaksolla on sama kuin edellisellä jaksolla

• menetelmänä helppo, halpa ja nopea (koska suoraan vaan edellisen jakson data käytössä)
• joissakin tilanteissa jopa ”toimiva”, mutta riskit suuret
• toimii vakailla aloilla, kuten alkoholin kulutus Australiassa

Question 11

Aikasarja-analyysit: suora viiva

Answer 11

Suora viiva ennusteessa lähtökohtana on trendin jatkuminen samalla uralla

• ”budjetoidaan kasvuksi ensikin vuonna 3%”
• myös suora viiva toimii vakailla aloilla, kuten USA:n nettikaupan volyymin kehitys 2009-2019 ollut aina noin 15% tai sen lähellä.

Question 12

Tulevaisuuteen on varsin hankala nähdä: case liikkeenjohdon yksi kaikki aikojen huonoin neuvo

Answer 12

1980:”Minkä kokoiseksi arvioitte USA:n kännykkäliittymämarkkinan vuonna 2000? Kannattaako meidän investoida?”

Mitä McKinsey vastasi:
- ”Niche-markkina, ei kannata mennä mukaan. Potentiaalisia asiakkaita 20 vuoden kuluttua vain 0,9 miljoonaa!”

MUTTA vuonna 2000: Liittymäasiakkaita 109 miljoonaa (vain 99% ennustevirhe)

Question 13

Aikasarja-analyysit: liukuva keskiarvo

Answer 13

Ennusteeseen haetaan tasoittavaa vaikutusta laskemalla USEAN edellisen jakson keskiarvo
• yksittäisen jakson satunnaisvaihtelun roolia halutaan minimoida (eli poikkeuksellisen korkea/matala ei vaikuta niin paljoa)
• mitä enemmän huomioitavia jaksoja, sitä tasoittavampi ennuste…
• ennuste lasketaan siis EDELLISISTÄ kysyntäluvuista (joten on rivibugin vaara)
• Painottaessa painot pääasiallisesti ”kotiinpäin” eli uusimmalla kysyntäluvulla suurin paino.

Question 14

Myynnin kasvuennuste +20%, mutta toteutunut kasvu “vain” +12%. Mitä tapahtuu osakkeelle?

Answer 14

Osake laski -25%, koska ennustetta ei saavutettu, vaikka kasvu olikin ihan hyvää! Ei siis kannata ennustaa liian optimistisesti, koska YLIENNUSTEET OVAT IKÄVIÄ.

Question 15

Miksi ennusteisiin kannattaa panostaa?

Answer 15

Koska yliennusteet ja aliennusteet ovat vahingollisia niin pitkällä kuin lyhyelläkin aikavälillä.

Forecasting ON ERI ASIA, kuin fortune-telling.

Question 16

Aikasarja-analyysit: eksponentiaalinen tasoitus

Answer 16

Seuraavan jakson ennuste F(t+1) lasketaan edellisen jakson kysynnän ja edellisen jakson ennusteen avulla.
• Tarkkana kumminpäin painot ovat!
• edellisen jakson ennusteen (Ft) paino on vastaavasti 1-alfa
• edellisen jakson kysyntää (Dt) painotetaan ns. alfalla
Käytetty alfa riippuu tilanteesta (hieman taidetta)
• useimmiten määritellään historiallisen kysyntädatan pohjalta: valitaan niin, että ennustevirhe minimoituu (eli mikä sopii kysynnän rakenteeseen)
• käytetyt alfat ovat yleensä pieniä, välillä 0,1 - 0,3: pieni alfan arvo ”tasoittaa” ennustetta, suuri alfan arvo vastaavasti reagoi rajusti kysynnän muutoksiin (ääriesimerkkinä alfa=1 eli naiivi-ennuste)
Menetelmä ottaa itse asiassa huomioon kaiken historiallisen datan! Ja siksi yritykset käyttää sitä!
• kyseessä painotettu keskiarvomalli eksponentiaalisesti laskevilla painoilla

Question 17

Huomioita eksponentiaalisesta tasoituksesta

Answer 17

Suosittu menetelmä rajoitetun IT-muistin aikana
• ei vaadi kuin edellisen ennusteen tallentamisen (vrt. muut aikasarjat)
Yksinkertaisuuden ja helppouden vuoksi vieläkin laajasti käytössä
• vapauttaa myös subjektiivisesta liukuvan ka.:n painojen asettamisesta
Menetelmä voidaan tulkita myös oppimiskaavana
• edelliseen ennusteeseen lisätään osa toteutuneesta ennustevirheestä
• tämä voidaan huomata kaavan uudelleen järjestelemällä:

F(t+1) = F(t) + alfa(D(t) - F(t))

Menetelmää voidaan luonnollisesti käyttää ainoastaan seuraavan jakson ennustamiseen
• laskemiseen tarvitaan aina edellinen, OIKEASTI TOTEUTUNUT, kysynnän arvo!

Question 18

Aikasarjaennusteiden laadun arviointi?

Answer 18

Arvioidaan hyvyyden ja luotettavuuden perusteella.

• menetelmien hyvyysjärjestys on harvoin selkeä
• sopivimman menetelmän löytäminen vaatii ”jalkatyötä”

Menetelmän hyvyyttä mitataan ennustevirheellä = toteutunut – ennuste = D – F
- (yliennusteen etumerkki on siis negatiivinen)

Luotettavuutta arvioitaessa tulee kiinnittää huomio pidempiin kuin yhden jakson virheisiin
- eri mittarit painottavat virheitä hieman eri tavoin
Kumulatiivinen virheiden summa CFE=
Keskimääräinen absoluuttinen poikkeama MAD = (MAD ei ole CFE:n keskiarvo!)
Keskimääräinen neliövirhe MSE =
Keskimääräinen absoluuttinen prosenttivirhe MAPE=

• menetelmien hyvyysjärjestys on harvoin selkeä, koska CFE/MAD/MSE ja MAPE arvoista osa voi olla pienimpiä jossain ja toiset suurempia.
• sopivimman menetelmän löytäminen vaatii ”jalkatyötä”: pitää kokeilla eri menetelmiä ja KATSOTAAN MISSÄ ALHAISIMMAT ENNUSTEVIRHELUVUT!

Question 19

Kausaalimallit

Answer 19

Kausaalimalleissa ennusteet perustetaan historiallisesti näytettyyn syy-seuraus -suhteeseen

• selvästi kehittynein ennustamisen muoto
• perustuu syy-seuraukseen. Esim. jos on kylmä, niin ei silloin mene niin paljoa jäätelöä kaupaksi. Tai mitä enemmän tuotetaan jtn kerralla, sitä pienemmät kustannukset per.

Regressiomallit käytetyimpiä kausaalimalleja
- lineaarinen regressio kaikkein tunnetuin ja yleisin

Datan määrä ei välttämättä korvaa laatua

• leading indicator -muuttujat tulosten kannalta tärkeimpiä (näe metsä puilta) esim. suodattimien kysyntä ja uusien autojen myynti pari vuotta aikaisemmin
• aikaviiveen merkitys useimmin unohdettu muuttuja
• korrelaatio ja selitysaste mallin toimivuuden mittareina. korrelaatio ei automaattisesti merkitse kausaliteettia (esim. jäätelö ja aurinkolasit)

Tarkkana mikä on selittävä muuttuja (X) ja mikä selitettävä (Y

Question 20

MIKSI Korrelaatio ja kausaliteetti vaatii pohdintaa?

Answer 20

Korrelaatio ei automaattisesti merkitse kausaliteettia (esim. jäätelö ja aurinkolasit)

Question 21

Entä jos historiallisessa kysynnässä muutakin kuin vain SATUNNAISTA VAIHTELUA?

Answer 21

SIlloin ”tasoittavat” menetelmät, kuten liukuva keskiarvo ja eksponentiaalinen tasoitus ei oikein toimi…

• Sattuma
• Trendi
• Kausi (-vaihtelut)
• Sykli (laman aikana menee eri asiat kaupaksi, kuin nousukaudella)

Mahdollinen trendi huomioitavissa erikseen! Eli jos satunnaisen vaihtelun lisäksi trendi. TRENDI huomioidaan käyttämällä trendikorjattu eksponentiaalinen tasoitus (double exponential smoothening = Holtin menetelmä).

Kausivaihtelu huomioitavissa monella tavalla: case prosenttiosuudet tai kausikertoimet.
- (”luonnollisten syiden” (= jouluna paljon joululahjoja) lisäksi kausivaihtelu voi syntyä ”itseaiheutettuna” = (pidetään alennusmyynti toukokuussa) aikasarjamalliennusteissa ei tietysti tarvitse ”ymmärtää” kausivaihtelun syitä)

Question 22

Kvalitatiiviset ennustemenetelmät

Answer 22

Kvalitatiiviset menetelmät sopivat varsinkin tilanteisiin, joissa numeromallit ”eivät toimi”
(eli kun tulevaisuuden ei oleteta olevan historian kaltainen) Subjektiivisia, koska vaikea toistaa.
- turhan usein käyttömotiivina kuitenkin osaamis-/aika-/dataongelmat

Erilaisia mielipidemenetelmiä käytössä

• Johtaja sanoo / johtoryhmä keskustelee = ”ylin johto tietää parhaiten”, ongelmana mahdollinen ryhmäajattelu
• Asiantuntijamielipide (”guru-logiikka”) = edustavuus joskus kyseenalaista, kärsii myös konsensus-ajattelusta
• Delphi-metodi (anonyymi asiantuntijapaneli) = anonymiteetillä ja perusteluilla pyritään vähentämään ryhmävaikutusta. Menetelmänä hidas ja ennustekyky keskinkertaista
• “Build up” -metodi (sales force ennuste) = ennuste kootaan organisaatiossa taso kerrallaan alhaalta ylös. Ongelmana mm. tarkoituksellinen vääristely (sekä ylös- että alaspäin)

Mielipiteiden lisäksi kvalitatiiviset ennusteet voidaan perustaa erilaisiin testeihin

• Markkinatutkimukset = ihmisillä tapana liioitella osto- ja käyttöhalukkuuttaan kyselyissä. Vastauksissa korostuu yhteiskunnallisesti hyväksyttävät tavat
• Asiakaspaneelit = paneelimuotoisissa tilaisuuksissa päästään paremmin kiinni asiakkaan motiiveihin, preferensseihin ja todelliseen käytökseen
• Testimarkkinointi = testataan tuotteen/palvelun todellista suosiota markkinoilla. Esim.”Instagram testaa tykkäysmäärien näkymättömyyttä Kanadassa”
• Historia-analogia = esim. uuden tuotteen kysynnän ”muoto” edellisen kaltainen (PS5vs.PS4)
• Elinkaariajattelu = esim.”Suomi jäljessä Pohjoismaita digimusiikista maksamisessa”

Question 23

Kerro yksinkertaistetun ennusteprosessin vaiheet?

Answer 23

1. Mihin ennusteiden tuloksia käytetään?
2. Valitse ennustettavat asiat
3. Valitse ennustettava aikahorisontti
4. Valitse käytettävät menetelmät
5. Kerää data (ja arvioi valittuja menetelmiä)
6. Tee ennuste
7. Analysoi tulokset ja toimi niiden perusteella
8. Arvioi ennusteen hyvyyttä kun mahdollista

Question 24

Ennustemenetelmän valintaperuste

Answer 24

A. Kuinka tarkka tuloksen pitää olla: lyhyellä aikajaksolla ennustevirheeseen sopeutuminen hankalampaa joten vaatii usein suurempaa tarkkuutta

B. Käytössä olevan datan määrä: mitä vähemmän dataa sitä kvalitatiivisempi tapa

C. Käytössä oleva aika ja taloudelliset resurssit: tietotekniikka nopeuttanut prosessia ja laskenut kuluja

D. Väärän tuloksen taloudelliset riskit: korostunut viime aikoina

Yksinkertaistettuna siis kustannusten ja tarkkuuden trade-off!

Question 25

MITEN aikajänne vaikuttaa valittuihin ennustemenetelmiin LYHYELLÄ AIKAJÄNTEELLÄ?

Answer 25

Lyhyt aikajänne (0-3 kk) = Operatiivinen ennustaminen

• tuotannonsuunnittelu ja valmistus
• materiaalien tilaus ja varastomäärät
• töidenjärjestely, huoltotoiminta
• USEIN YKSINKERTAISIA TILASTOLLISIA MALLEJA, kuten aikasarja

Question 26

MITEN aikajänne vaikuttaa valittuihin ennustemenetelmiin KESKIPITKÄLLÄ AIKAJÄNTEELLÄ?

Answer 26

Keskipitkä aikajänne (3-24 kk)

• karkea tuotannonsuunnittelu
• työvoiman tarve, ylityöt, alihankinta
• logistiset ratkaisut
• MELKO KOMPLEKSEJA TILASTOLLISIA MALLEJA

Question 27

MITEN aikajänne vaikuttaa valittuihin ennustemenetelmiin PITKÄLLÄ AIKAJÄNTEELLÄ?

Answer 27

Pitkä aikajänne (2-5 vuotta) = Strateginen ennustaminen

• market entry (kysyntä ja hintataso)
• pitkän aikajakson kapasiteetin tarve
• uuden tuotteen kehittäminen
• KOMPLEKSIT MATEMAATTISET JA SUBJEKTIIVISET MALLIT

Question 28

Ovatko yksinkertaiset vai monimutkaiset ennustemenetelmät suositumpia?

Answer 28

= Yksinkertaisemmat menetelmät suositumpia. Kvalitatiiviset menetelmät monessa yrityksessä kvantitatiivisia käytetympiä. Sillä big data, numeronmurskaus ym. useammin puheissa kuin teoissa

• Kvantitatiivisista menetelmistä aikasarjat kausaliteetteja käytetympiä. Moni nuori tutkija yllättyy miten paljon ennustaminen perustuu erilaisiin eksponentiaalisiin tasoituksiin
• Käytettyjen menetelmien ”kehittyneisyys” perinteisesti korreloinut yrityskoon kanssa. Merkitys usein suurempi ja käytössä erikoistuneita resursseja
• Menetelmien yksinkertaisuuden taustalla usein datan ja organisatorisen tuen puute

Question 29

Ovatko ennusteet usein oikeassa?

Answer 29

Joskus ennusteet jopa osuvat oikeaan: case Hollannin ja Italian tuoreet Euroviisuvoitot.

MUTTA ennusteet ovat harvoin täysin oikeassa!

• Perustuvat historialliseen dataan: oletuksena systeemin jatkuva stabiilisuus
• Tärkeää ymmärtää, kuinka paljon ja minkä takia ennusteet ovat pielessä: toisaalta ennusteen oikea suunta monissa tilanteissa riittävä

SATUNNAINEN VAIHTELU (noise) vs. FUNDAMENTAALINEN VIRHE (mistake: liian pieni aineisto, ulkoinen muutos tai vastaava)

Question 30

Vaikuttaako Satunnaisuus usein ennusteisiin?

Answer 30

KYLLÄ! Koska esimerkiksi keli voi olla paljon parempi ja siksi nyt meneekin paljon enemmän jäätelöä kaupaksi!

Satunnaisuutta on aina ja sitä on hyvin vaikea saada pois millään ennustemenetelmällä. ISOMPI ONGELMA on, että ennustamisessa olisi fundamentaalinen virhe.

Question 31

Ennusteita pitää pyrkiä parantamaan, mutta miten?

Answer 31

TÄRKEÄ TÄMÄ JA SEURAAVAT KAKSI KYSSÄRIÄ! Aina tentissä!

Ennustamisten kehittämiseen on 9 tapaa, jotka jaetaan kahteen: prosessiin ja operatiiviseen näkökulmaan!

Nämä 9 pitää osata ulkoa tentissä!

Question 32

Miten ennusteita voidaan parantaa prosessien näkökulmasta?

Answer 32

TÄRKEÄ!

1. työtapojen standardointi
   - systemaattisempi lähestyminen esim. ennusteen tekijän, käytettävän datan ja analysointimenetelmien suhteen = kaikki mitä tehdään, pitäisi dokumentoida!
2. useiden eri menetelmien käyttö
   - Käytetään sekä kvalitatiivisia että kvantitatiivisia menetelmiä
   - käyttää sekä ”top-down” (johdolta alas) että ”bottom-up”(alhaalta johdolle)
   - ryhmämenetelmillä yliarvioijan kuriin: kokemustenmäärä, puolueettomuus…
3. ennusteinsentiivien huomiointi
   - kannusteet pitää huomioida! Valmentaja sanoo aina, että kyllä tämä liiga voitetaan :D
   - eli liikaa tarkoituksellista virheellisyyttä: valvonnalla tärkeä rooli ja liian positiiviset/negatiiviset ennusteet tulisi yrittää saada pois
   - Miten? Ajatellaan, että voidaanko tekijä ja käyttäjä erottaa? Tekijää arvioidaan ennusteen hyvyyden, käyttäjää ennusteen toteuttamista.
   - RAHA ON PARAS KANNUSTE ja se kannustaa rehellisyyteen.
4. ennusteiden jälkiarviointi
   - turhan usein unohdettu vaihe: ihmisillä tapana toistaa virheitään!
   - koulutuksen roolia ei tule unohtaa
   - yli- tai aliennuste tulee huomioida ja oppia niistä

Question 33

Miten ennusteita voidaan parantaa prosessien näkökulmasta?

Answer 33

TÄRKEÄ!

5. oikean ennusteyksikön valinta
   - liiketoiminnan perusteet ja toimialamme on ymmärrettävä
   - joihinkin välttämättömyystuotteiden kysyntään ei vaikuta pienet hinnan muutokset, koska kaikki ostaa kyllä vessapaperia sen tietyn määrän.
6. myynnin ja todellisen kysynnän eron ymmärtäminen
   - TÄRKEIN: Koska isoin ongelma, jota yritykset tekee. Helposti puhutaan myynnistä ja kysynnästä synonyyminä. Myynti kertoo vain paljonko meni kaupaksi, eikä paljonko kysyntä oli. -> Olisi voinut mennä enemmän TAI meni vähemmän ovh:lla, mutta myytiin hirveällä alennuksella!
   - Eli yritykset käyttää myyntilukuja, koska ne on saatavilla, mutta ne saattavat aliarvoida tai yliarvioida todellista kysyntää.
   - järjestelmät kertovat vain osatotuuden: alennusmyynti, tuote loppunut kesken, laatuongelmat, kampanjoita, jne.
7. väärien ennusteiden kustannusten selvittäminen
   - esim. stock-out (tavara loppuu kesken ja katetta jää saamatta) harvoin huomioitu
   - ennustenumerot vaikuttavat kannattavuuteen! Kannattaa satsata niihin.
8. isojen kokonaisuuksien käyttö
   - usean tuotteen/markkinan/aikajakson kysynnän keskihajonta on pienempi (√)
   - pienen joukon taas suurempi
   = eli kannattaa käyttää isoja kokonaisuuksia ennustamisessa!
9. aikaisen infon kerääminen+hyväksikäyttö
   - ennustetaan mahd. lähellä kysyntää
   - ensimmäisten kk data antaa yllättävän hyvän ennusteen
   - seuraava kyssäri tähän lisäystä!

Question 34

Miten informaatio vaikuttaa ennusteiden laatuun?

Answer 34

Aikainen myynti antaa selvää osviittaa myynnin kehityksestä

• tilanteesta riippuen parikin päivää riittää parantamaan ennustuksia
• onko leffan ekalla viikolla perkeleesti porukkaa vai tosi vähän? Se kertoo jotain tulevasta.

Erityisen hyvä apuväline lyhyen elinkaareen tuotteilla
- vaatteet, elektroniikka, kirjat, elokuvat, musiikki, seminaarit jne.

Yrityksiltä puuttuu sisäiset järjestelmät tiedon käsittelyyn ja toimitusketju usein liian pitkä, hidas tai joustamaton
- vääränlainen tehokkuusajattelu myös ongelmana (täydet rekat, isot erät jne.)

Question 35

Miten selvitä ”vikkelillä” markkinoilla?

Answer 35

YRITYSTEN TULISI KEHITTÄÄ TOIMINTAA NIIN, ETTÄ NE SAISI AIKAISTA INFORMAATIOTA, JONKA AVULLA TEHDÄ ENNUSTEITA!

Kaikkeen toimintaan tulee lisätä joustavuutta. Ja ennustamista/päätöksentekoa tulee nopeuttaa.

Ennustamisen/päätöksenteon nopeuttaminen

• päätöksentekoprosessin uudelleensuunnittelu: esim. hajautetun päätöksenteon lisääminen
• uudenlainen suhtautuminen ennustamiseen: ABB aikoinaan: “7-3 formula” (= kunhan 7 nopeaa ennustetta hyviä niin 3 voi olla huonoja) ja intuitio (väärät ennusteet hyväksyttiin)
• testimarkkinadataan luottaminen: nettisivujen asiakaspalautteet, softatuotteiden beta-versiokommentit
• informaatioteknologian nopeutumisen hyödyntäminen: helpottaa niin tiedon keräämistä, käsittelyä kuin jakamistakin

Joustavuuden lisääminen kaikkeen toimintaan
- tuotesuunnittelu, tuotantomenetelmien kehittäminen, kapasiteetin määrän joustavuus, valikoiman joustavuus, asetusaikojen lyhentäminen, sijaintipäätökset, henkilöstön koulutus, oleelliseen keskittyminen, paremmat alihankintasuhteet jne.