Operations Management 2/ed
Richard B. Chase, Robert F. Jacobs, Nicholas J. Aquilano, Andrea Sianesi
Copyright © 2008 – The McGraw-Hill Companies srl
CAPITOLO 12
PREVISIONE
Domande di analisi e ripasso
1. Qual è la differenza tra domanda dipendente e domanda indipendente?
La domanda indipendente è la domanda di un prodotto o un servizio che si manifesta
separatamente dalla domanda di altri prodotti o servizi. La domanda dipendente viene
calcolata in base alla domanda di altri prodotti o servizi. La differenza tra i due tipi di
domanda sta nel modo in cui le due domande vengono determinate.
2. Esaminate la Figura 12.4 e suggerite un possibile modello da utilizzare per (a) la domanda di
costumi da bagno, (b) la domanda di nuove abitazioni, (c) il consumo di energia elettrica, (d)
un nuovo programma di ampliamento stabilimento.
Per prevedere la domanda degli articoli citati si potrebbero usare, potenzialmente, tutti i
modelli elencati nella Figura 13.4; tuttavia, i seguenti sono generalmente i più appropriati. (1)
La domanda di costumi da bagno potrebbe essere stimata usando il modello di smorzamento
esponenziale: l’orizzonte temporale è breve, la complessità del modello e i costi sono bassi, il
modello è abbastanza accurato e il fabbisogno di dati relativamente basso. (2) Per prevedere
la domanda di nuove abitazioni si potrebbe usare il modello di regressione lineare: gli
orizzonti temporali sono lunghi, la complessità del modello è medio alta, l’accuratezza del
modello è medio alta e il fabbisogno di dati relativamente alto. (3) Per prevedere il consumo
di energia elettrica si potrebbe usare i modelli di regressione causale: gli orizzonti temporali
sono lunghi, la complessità del modello è abbastanza alta, l’accuratezza del modello è alta e il
fabbisogno di dati è alto. (4) Per prevedere un nuovo programma di ampliamento
stabilimento si potrebbero utilizzare le tecniche di previsione qualitativa, che permettono di
prendere in considerazione elementi non quantificabili nel pianificare l’ampliamento di uno
stabilimento.
3. Qual è la logica sottesa al metodo dei minimi quadrati nell’analisi di regressione lineare?
Il metodo dei minimi quadrati consiste nell’interpolare ai dati una retta che minimizza la
somma dei quadrati delle distanze che intercorrono tra particolari punti della retta di
regressione e i dati effettivamente osservati sullo stesso piano cartesiano. Individuando un
punto centrale su un diagramma a dispersione, esiste un numero infinitamente grande di rette
di regressione in grado di rappresentare adeguatamente i dati in termine di deviazione
assoluta. Tuttavia, esiste un’unica retta di regressione che minimizza la somma dei quadrati
delle distanze verticali dei punti dalla retta di regressione.
4. Spiegate il procedimento per effettuare una previsione secondo il metodo di scomposizione
con regressione dei minimi quadrati.
Le fasi del procedimento sono le seguenti:
I.
Scomporre la serie storica nelle sue componenti.
a. Trovare la componente stagionale.
Operations Management 2/ed
Richard B. Chase, Robert F. Jacobs, Nicholas J. Aquilano, Andrea Sianesi
Copyright © 2008 – The McGraw-Hill Companies srl
b. Destagionallizare la domanda.
c. Trovare la componente di trend.
II.
Stimare il valore futuro di ciascuna componente.
a. Proiettare i trend nel futuro.
b. Moltiplicare il trend per la componente stagionale.
5. Proponete qualche semplicissima regola impiegabile per gestire la domanda di un prodotto
dell’azienda. (Un esempio è “domanda limitata alle scorte disponibili.”)
La gestione della domanda può essere effettuata in termini di: controllo degli ordini
(“domanda limitata alle scorte disponibili”); lead time (“consegna in sei settimane”); bisogno
(“fornire prima le parti alle unità inattive”); tempo di apertura (“chiudere presto ogni giorno”,
oppure “chiusura al sabato”), più altri criteri menzionati nel testo, come sconti di prezzo,
incentivi, promozioni, ecc.
6. Quali sono le strategie adottate dai supermercati, compagnie aree, ospedali, banche e
produttori di cereali in fiocchi per influenzare la domanda?
Supermercati: numerosi prodotti in vendita, offerte di prodotti gratuiti (come una confezione
di burro o un filone di pane), e occasionali “notti bianche”, quando il punto vendita rimane
aperto fino a tardi o anche tutta la notte.
Linee aree: tariffe andata e ritorno, tariffe basate sull’età (anziani, bambini, giovani), voli
charter, tariffe di bassa stagione, pasti a bordo di ottima qualità (o il taglio dei pasti a bordo
per offrire prezzi più bassi), aumento della frequenza dei voli, convenzioni con alberghi o
centri di autonoleggio, e agenzie di viaggio per “viaggi organizzati”, champagne gratuito,
sosta gratuita alla terza destinazione, o nuovi terminali.
Ospedali: i pazienti generalmente vanno all’ospedale su raccomandazione del medico. Di
conseguenza, gli ospedali possono offrire spazio per uffici gratuito, assistenza infermieristica,
attrezzature di laboratorio, posizioni di lavoro e l’invio di referti direttamente al medico.
Spesso gli ospedali pubblicizzano la disponibilità di posti letto e le tariffe del servizio, che
tendono a influenzare la domanda. Inoltre, possono diventare il fornitore preferito da
particolari compagnie di assicurazione, ecc.
Banche: omaggi a chi apre un nuovo conto, prelievi gratuiti, cassette di sicurezza gratuite,
consulenza finanziaria gratuita, iscrizione a un “club”, utilizzo gratuito di “sale riservate” per
i titolari di conti con una certa disponibilità finanziaria, sale comuni per le riunioni dei “club”.
Produttori di cereali in fiocchi: pubblicità televisiva, sponsor di qualche evento per ragazzi,
sorprese gratuite nei cereali della prima colazione, utilizzo dei migliori spazi espositivi.
7. Tutti i metodi previsionali che usano lo smorzamento esponenziale, lo smorzamento adattivo
e lo smorzamento esponenziale comprensivo di trend richiedono dei valori di partenza perché
l’equazione sia corretta. Come scegliereste il valore di partenza per – poniamo – Ft – 1?
Operations Management 2/ed
Richard B. Chase, Robert F. Jacobs, Nicholas J. Aquilano, Andrea Sianesi
Copyright © 2008 – The McGraw-Hill Companies srl
I valori di partenza possono essere semplicemente una media dei periodi precedenti, oppure
frutto di congettura. Se il punto di partenza viene riportato indietro nel tempo (anziché
cominciare a usare le equazioni su dati molto recenti) l’equazione avrà la possibilità di
aggiustarsi mani mano che viene portata al presente.
8. Quale delle seguenti tecniche previsionali scegliereste in virtù della maggior precisione:
media mobile semplice, media mobile ponderata, smorzamento esponenziale e analisi di
regressione lineare? Perché?
Delle quattro alternative indicate, la media mobile ponderata è la più accurata, perché i pesi
utilizzati nella ponderazione possono essere scelti in funzione della loro importanza relativa.
Gli altri metodi si fondano su ipotesi, come una media, una linea retta, o una curva
esponenziale. La media ponderata può essere modificata e assumere diverse forme. Tuttavia,
se il periodo di riferimento è molto lungo, la media ponderata può rivelarsi uno strumento
previsionale poco agile. Inoltre, con il passare del tempo, è probabile che si vogliano
cambiare i pesi usati nella ponderazione. Di conseguenza, diventa difficile usare questa
tecnica per un gran numero di applicazioni, come la previsione della domanda di beni in
magazzino.
9. Presentate qualche situazione in cui compare una relazione di trend stagionale.
Gli effetti moltiplicativi sono i più comuni. Tutte le vendite effettuate dalle imprese sono di
fatto moltiplicative. Per esempio, nelle vendite di automobili, all’aumentare della crescita
delle vendite totali, aumenta anche la variazione stagionale.
10. Qual è il principale svantaggio di una previsione quotidiana condotta con l’analisi di
regressione lineare?
Il principale svantaggio sono i calcoli matematici. L’analisi computerizzata porta via poco
tempo, ma il computo manuale è molto lungo e laborioso e passibile di errore.
11. Quali sono i principali problemi associati alla previsione con smorzamento esponenziale
adattivo?
Lo smorzamento esponenziale adattivo comporta notevoli difficoltà di calcolo, perché
richiede che si risolva in sequenza un sistema di equazioni. L’utilizzatore deve scegliere due
costanti per le equazioni; una viene aggiustata dalle equazioni stesse, ma l’altra no; non è
chiaro quale dovrebbe essere il valore. Infine, la convenienza dello smorzamento
esponenziale, rispetto ad altri metodi di previsione, è alquanto discutibile.
12. Come viene calcolato l’indice stagionale, partendo da un’analisi di regressione lineare?
Un indice stagionale è pari al rapporto tra il valore effettivamente osservato e il valore
calcolato a partire dalla retta di regressione. Per attenuare gli effetti degli errori casuali, è
possibile calcolare una media pluriennale dell’indice relativo a uno stesso periodo.
13. Discutete le differenze basilari tra la deviazione assoluta media e lo scarto quadratico medio.
Lo scarto quadratico medio è una misura statistica definita come la radice quadrata della
media aritmetica dei quadrati delle deviazioni dalla media dei dati, ovvero:
Operations Management 2/ed
Richard B. Chase, Robert F. Jacobs, Nicholas J. Aquilano, Andrea Sianesi
Copyright © 2008 – The McGraw-Hill Companies srl
σ=
( xi − x) 2
.
n
La deviazione assoluta media (mean absolute deviation, MAD) è più facile da calcolare,
perché si ottiene semplicemente calcolando il valore assoluto della differenza di ciascun
punto del campione dal valore di un’altra quantità, e poi calcolando la media aritmetica di tali
differenze. Se ciò che interessa è la deviazione assoluta media dalla media aritmetica dei dati,
allora abbiamo:
n
∑ x −x
i
MAD =
i=1
.
n
In questo capitolo, l’oggetto di interesse era la differenza assoluta media tra la domande reale
e la domanda prevista, ovvero:
n
MAD =
∑A
i =1
i
n
− Fi
.
1 MAD è uguale approssimativamente a 0,8σ o, viceversa, 1σ è pari approssimativamente a
1,25 MAD.
14. Quali sono le ricadute degli errori di previsione sulla ricerca di modelli statistici di previsione
ultrasofisticati?
L’esistenza di inevitabili errori di previsione sembra suggerire che sia impossibile realizzare
una previsione perfetta, qualche che sia il modello utilizzato (semplice o sofisticato). Poiché
le previsioni sono basate su dati presenti e passati, è molto probabile incorrere in gravi errori
di previsione se cambiano le condizioni che hanno generato i dati. Questo potrebbe portare a
una previsione non valida o quanto meno segnata da errore. Di conseguenza, potrebbe essere
più indicato smettere di cercare il modo di produrre previsioni più accurate, concentrandosi
invece sulla ricerca di modi di reagire a adattarsi rapidamente ai cambiamenti della domanda.
15. Quali sono i peculiari punti di forza della previsione mirata?
La previsione mirata è semplice, facile da comprendere e facile da applicare; inoltre,
l’esperienza dimostra che produce buoni risultati.
16. Per quali componenti di una serie temporale sono potenzialmente utili le relazioni causali?
Una serie temporale dà luogo a un’equazione, come y = a + bx, dove a è l’intercetta verticale.
Di conseguenza, se esiste una relazione tra y e x, dovrebbe manifestarsi nella pendenza b. Se
non c’è alcuna relazione, b è pari a zero. Non è detto, però, che la relazione sia davvero
“causale”, dal momento che molte relazioni dipendono da fattori esterni all’analisi.
