Zastosowanie zmodyfikowanej metody wskaźników sezonowości do
Transkrypt
Zastosowanie zmodyfikowanej metody wskaźników sezonowości do
ZASTOSOWANIE ZMODYFIKOWANEJ METODY WSKANIKÓW SEZONOWO CI DO PROGNOZOWANIA WIELKO CI POPYTU KRZYSZTOF JURCZYK, MARCIN BARAN, WOJCIECH WOħNIAK Streszczenie W pracy zaprezentowano model krótkoterminowego prognozowania wielkoci popytu w midzynarodowym przedsibiorstwie produkcyjno-dystrybucyjnym. W badaniach przeanalizowano wielko sprzeday omiu wybranych produktów oferowanych przez Przedsibiorstwo X. Miesiczne dane sprzeday pochodziły z lat 2005–2011, z kolei prognoza zbudowana została na okres kolejnych 12 miesicy (rok 2012). Proponowany model zakłada wygładzenie szeregu czasowego metod podobn do metody wygładzania wykładniczego Browna, a nastpnie – dla otrzymanego w ten sposób szeregu czasowego – wyznaczenie prognoz metodami wskaników sezonowoci. Analiza wykazała, e takie podejcie pozwala uzyska prognozy obarczone mniejszymi wartociami błdów MPE oraz MAPE ni prognozy wygenerowane na podstawie danych niezmodyfikowanych. Słowa kluczowe: analiza szeregu czasowego, metoda wskaników sezonowoci, prognozowanie popytu Wprowadzenie Podstawowym zadaniem kierownictwa firmy produkcyjno-dystrybucyjnej jest efektywne zarzdzanie zaopatrzeniem. Budowane plany produkcyjne, zakupowe oraz finansowe przedsibiorstwa powinny bazowa na wiarygodnych prognozach rynkowych, gdy te pozwol na optymalizacj poziomu zapasów oraz zapewnienie odpowiednio wysokiego poziomu obsługi klienta [10]. Minimalizacja poziomu zapasów pozwala ograniczy koszty ich utrzymania. Wysokie stany magazynowe z kolei gwarantuj wysoki poziom obsługi klienta. Te dwa stwierdzenia pozwalaj wysnu wniosek, e dobór odpowiedniej strategii sterowania zapasami ma swoje ródło w profilu popytu jaki jest na te zapasy zgłaszany ze strony rynku [7], [8]. Poprawne zbadanie profilu popytu oraz ustalenie na tej podstawie wiarygodnych prognoz pozwoli przede wszystkim ograniczy koszty gromadzenia zapasów. Wiarygodne prognozy pozwol na dynamiczne dostosowywanie poziomu zapasów do wymaga rynku oraz zwikszenie ich rotacji. To z kolei pozwoli na zwikszenie płynnoci finansowej przedsibiorstwa [7], [8]. W niniejszym artykule zaprezentowano efekty bada polegajcych na zastosowaniu zmodyfikowanej metody wskaników sezonowoci do prognozowania wielkoci popytu w midzynarodowym przedsibiorstwie produkcyjno-dystrybucyjnym, którego nazwa została zakodowana jako Przedsibiorstwo X. Niniejszy artykuł stanowi równie podsumowanie wczeniej prowadzonych w tym zakresie prac [7], [8], [9], [10], [11]. 69 Krzysztof Jurczyk, Marcin Baran, Wojciech Woniak Zastosowanie zmodyfikowanej metody wskaników sezonowoci do prognozowania wielkoci popytu 1. Analiza danych oraz wczeniej prowadzone prace We wczeniejszych pracach, tj. w: [7], [8], [9], [10], [11] zaprezentowano profil działalnoci Przedsibiorstwa X oraz dane wykorzystywane w analizach. Badania wykazały, e popyt na oferowane przez przedsibiorstwo produkty zgłaszany ze strony rynku odznacza si roczn sezonowoci. Najwyszy poziom sprzeday przedsibiorstwo osigało w miesicach letnich i jesiennych (lipiec – listopad), natomiast najniszy – w miesicach zimowych (grudzie – marzec). Na rysunku 1 zaprezentowano przebieg analizowanych szeregów czasowych (8 wybranych pozycji asortymentowych). W tym miejscu naley zaznaczy, e proces zbierania danych okazał si zadaniem czasochłonnym oraz skomplikowanym ze wzgldu na nieprawidłowoci jakie pojawiły si podczas implementacji systemu wspomagania decyzji dotyczcych sterowania zapasami w wymienionym przedsibiorstwie [9], [11]. Ostatecznie uzyskane szeregi czasowe posłuyły jako materiał wejciowy do modeli prognostycznych zbudowanych w oparciu o nastpujce metody: modele naiwne, modele redniej ruchomej, modele wygładzania wykładniczego oraz metody wskaników sezonowoci [2], [3], [4], [5], [6], [10], [14]. Wyboru metod prognostycznych, których efektywno oraz moliwo praktycznego wykorzystania postanowiono w ten sposób przetestowa dokonało kierownictwo Przedsibiorstwa X. 4 P 01 P 02 w ie lk o s p rz e d a y [ s z t . ] w ie lk o s p rz e d a y [ s z t . ] x 10 8 6 4 2 2006 2008 2010 2012 7000 4000 1000 2006 2008 rok w ie lk o s p rz e d a y [ s z t . ] w ie lk o s p rz e d a y [ s z t . ] 4000 2500 1000 2006 2008 2010 2012 2.7 0.3 2006 2008 2006 2008 2010 2012 3 0 2006 2008 rok 5 0 2006 2008 2012 1 5 w ie lk o s p rz e d a y [ s z t . ] w ie lk o s p rz e d a y [ s z t . ] 10 2010 2 P 07 x 10 2012 P 06 x 10 rok 4 2010 rok 5 4 0 2012 1.1 w ie lk o s p rz e d a y [ s z t . ] w ie lk o s p rz e d a y [ s z t . ] 8 2010 1.9 P 05 x 10 2012 P 04 x 10 rok 4 2010 rok 5 P 03 2010 2012 rok 2.4 P 08 x 10 1.6 0.8 0 2006 2008 rok Rysunek 1. Wielko sprzeday wybranych produktów w latach 2005–2011 ródło: [10, s. 9077]. 70 Studies & Proceedings of Polish Association for Knowledge Management Nr 78, 2016 W tabeli 1 zestawiono wartoci błdów MAPE (redni wzgldny błd procentowy – równanie 1) słuce ocenie uzyskanych rozwiza. Inn wykorzystywan miar jakoci otrzymanych rozwiza, do której autorzy odwołaj si w dalszej czci tekstu jest błd MPE (redni błd procentowy – równanie 2). MAPE = MPE = n yi y i' 1 n 1 n n ¦ i =1 n ¦ i =1 yi − yi' yi (1) yi − yi' yi (2) gdzie: – liczba obserwacji, – warto zmiennej y w i-tym okresie, – prognoza na i-ty okres. Tabela 1. rednie wartoci błdu MAPE uzyskane wykorzystanymi klasycznymi metodami prognozowania Metoda prognozowania Model naiwny Model 2-okresowej redniej ruchomej Model 3-okresowej redniej ruchomej Model Browna Model Holta Model addytywny Wintera Model multiplikatywny Wintera Metoda wskaników sezonowoci (addytywna) Metoda wskaników sezonowoci (multiplikatywna) MAPE [%] 38,30 71,90 91,75 72,27 61,00 61,86 112,49 24,43 25,05 ródło: [10, s. 9083]. Porównujc rednie wartoci błdu MAPE dla wszystkich analizowanych metod (tabela 1) stwierdzono, e metoda wskaników sezonowoci – zarówno addytywna jak i multiplikatywna – najlepiej nadaje si do prognozowania wielkoci popytu w Przedsibiorstwie X. Pojawiło si pytanie czy historyczne dane sprzeday stanowi rzetelny materiał wejciowy przy budowie prognoz popytu [10]. W niniejszym artykule zaprezentowano zmodyfikowan metod wskaników sezonowoci, która uwzgldnia załoenie o wczeniejszym pojawieniu si popytu. 2. Prognozowanie popytu na podstawie danych sprzeday Prognozowanie popytu czsto utosamiane jest z procesem prognozowania sprzeday [1], [12], [13]. W praktyce czsto trudno zmierzy rzeczywisty popyt – nigdy nie mamy pewnoci czy zapytanie ze strony klienta o dany produkt bdzie skutkowało dokonaniem sprzeday lub z drugiej strony czy klient ponowi swoje zapytanie ponownie w sytuacji wystpienia braku. Pierwsz prób prezentacji filtru, sztucznie generujcego dane popytu na podstawie danych sprzeday Przedsibiorstwa X zaprezentowano w [7]. Załoeniem proponowanej metody był podział danych miesicznych na dwie czci w stosunku 3:1, a nastpnie przesunicie ¼ czci danych 71 Krzysztof Jurczyk, Marcin Baran, Wojciech Woniak Zastosowanie zmodyfikowanej metody wskaników sezonowoci do prognozowania wielkoci popytu do okresu poprzedniego. W ten sposób mona było wygenerowa dane słuce do dalszej analizy. Co wicej proponowana metoda umoliwiała równie uwzgldnienie zdolnoci produkcyjnych – jeli wielko popytu w którym z poprzednich podokresów przekraczała zdolnoci produkcyjne, nastpowała ponowna weryfikacja danych poprzez kolejne ich przesunicie. Przedstawiona wówczas metoda wymaga jednak formalnego zapisu i weryfikacji na omawianym wczeniej zestawie danych. Matematyczny zapis tego postpowania (równanie 3) przypomina metod wygładzania wykładniczego Browna. Α § Α· (3) ytM = ¨1 − ¸ yt + yt −1 Β¹ Β © gdzie: ytM – sztucznie wygenerowana wielko popytu w okresie t, y t – realizacja sprzeday w okresie t, yt −1 – realizacja sprzeday w okresie t-1, A – przyjty czas realizacji zamówienia, B – długo kadego z okresów t. W analizowanym przypadku, jak mona łatwo zauway długoci okresu bdzie jeden miesic, natomiast czas realizacji zamówienia ustalono jako jeden tydzie. Dla uproszczenia oblicze przyjto: A = 0,25 oraz B = 1. P 01 x 10 wielko sprzeday/popytu wielko sprzeday/popytu 4 9 7 5 3 2006 2008 2010 2012 P 02 7500 4500 1500 2006 2008 3000 1500 2006 2008 2010 2012 2006 2008 2006 2010 2012 3 2008 2006 2008 rok wielko sprzeday/popytu wielko sprzeday/popytu 2012 1 5 5 2008 2010 2 P 07 2006 2012 P 06 x 10 rok 4 2010 1 0.5 wielko sprzeday/popytu wielko sprzeday/popytu 2 x 10 2012 2 1.5 rok 5 10 2010 2.5 5 P 05 x 10 2012 P 04 x 10 rok 4 8 2010 rok 5 P 03 wielko sprzeday/popytu wielko sprzeday/popytu rok 2010 2012 2.4 P 08 x 10 1.6 0.8 2006 rok 2008 rok rzeczywiste dane sprzeday wygenerowane dane popytu Rysunek 2. Rzeczywiste dane sprzeday oraz wygenerowane dane popytu dla produktów ródło: opracowanie własne na podstawie danych Przedsibiorstwa X. W poprzednim podrozdziale zaznaczono, e najnisze wartoci błdu MAPE uzyskano przy zastosowaniu metody wskaników sezonowoci. Ponadto w [10] zwrócono uwag na fakt, e zarówno addytywny jak i multiplikatywny model odznaczaj si porównywalnym oddziaływaniem 72 Studies & Proceedings of Polish Association for Knowledge Management Nr 78, 2016 czynnika losowego. Z tego wzgldu w budowie modelu dedykowanego wykorzystano obie te metody modyfikujc jedynie sygnał wejciowy – pojawia si ytM w miejsce yt . Na rysunku 2 przedstawiono przebieg sztucznie wygenerowanego popytu na produkty Przedsibiorstwa X w porównaniu z przebiegiem szeregu czasowego obrazujcego rzeczywiste dane sprzeday. W tabeli 2 zestawiono z kolei oszacowane metod najmniejszych kwadratów parametry liniowej funkcji trendu (y = x + ) dla wszystkich omiu produktów. Tabela 2. Parametry liniowej funkcji trendu (y = x + ) popytu na produkty Przedsibiorstwa X Produkt P_01 P_02 P_03 P_04 10,29 8,05 1,50 132,39 47 668,30 5 007,04 2 209,15 111 840,63 Produkt P_05 P_06 P_07 P_08 39,13 24,66 96,58 -46,48 29 811,95 107 145,32 25 739,17 83 686,39 ródło: Opracowanie własne na podstawie danych Przedsibiorstwa X. Zestawienie oczyszczonych wskaników sezonowoci dla kadego z omiu analizowanych produktów zamieszczono w tabelach 3 (dla modelu addytywnego) oraz 4 (dla modelu multiplikatywnego). Tabela 3. Oczyszczone wskaniki sezonowoci dla modeli prognostycznych zbudowanych w oparciu o model addytywny (dla zmodyfikowanych danych wejciowych) Produkt P_01 P_02 P_03 P_04 P_05 P_06 P_07 P_08 Produkt P_01 P_02 P_03 P_04 P_05 P_06 P_07 P_08 I -13 758,04 -3 262,32 -896,44 -69 028,74 -19 513,50 -64 936,33 -24 393,35 -43 764,73 II -10 868,27 -2 435,87 -642,16 -55 451,00 -15 856,79 -49 029,29 -26 050,72 -26 225,77 VII 21 060,34 1 723,68 716,20 90 255,01 26 200,17 110 386,09 16 117,21 90 894,45 VIII 22 274,27 2 233,44 820,11 101 817,41 29 718,79 52 490,98 29 064,37 20 026,74 Miesic III -7 607,88 -1 711,08 -427,48 -41 436,10 -12 015,02 -35 752,19 -23 759,81 -15 265,02 Miesic IX 8 789,13 1 874,39 514,57 41 726,61 11 751,16 20 011,25 2 046,88 14 539,06 IV -5 259,44 -1 076,69 -258,88 -29 735,58 -8 754,85 -5 070,36 -13 282,80 4 914,35 V 1 571,73 -241,66 22,01 -1 115,23 -604,03 51 915,74 14 219,61 34 372,60 VI 14 124,46 886,32 451,33 52 996,20 15 088,30 93 726,96 1 715,08 88 662,90 X 1 523,43 1 723,89 340,42 14 039,29 3 737,20 -29 364,44 22 872,75 -50 425,96 XI -11 209,18 1 018,11 -49,82 -33 854,36 -9 895,20 -67 700,40 13 868,41 -64 435,93 XII -20 640,56 -732,20 -589,86 -70 213,51 -19 856,23 -76 678,00 -12 417,63 -53 292,69 ródło: opracowanie własne na podstawie danych Przedsibiorstwa X. 73 Krzysztof Jurczyk, Marcin Baran, Wojciech Woniak Zastosowanie zmodyfikowanej metody wskaników sezonowoci do prognozowania wielkoci popytu Tabela 4. Oczyszczone wskaniki sezonowoci dla modeli prognostycznych zbudowanych w oparciu o model multiplikatywny (dla zmodyfikowanych danych wejciowych) Produkt P_01 P_02 P_03 P_04 P_05 P_06 P_07 P_08 Produkt P_01 P_02 P_03 P_04 P_05 P_06 P_07 P_08 Miesic I 0,714 0,386 0,604 0,409 0,376 0,399 0,169 0,466 II 0,774 0,542 0,717 0,526 0,494 0,547 0,114 0,679 III 0,842 0,680 0,812 0,647 0,618 0,669 0,194 0,813 VII 1,438 1,323 1,315 1,767 1,831 2,020 1,569 2,115 VIII 1,463 1,418 1,361 1,867 1,944 1,485 1,985 1,246 IX 1,183 1,351 1,226 1,355 1,373 1,185 1,069 1,178 IV 0,891 0,799 0,886 0,747 0,722 0,953 0,544 1,060 V 1,033 0,956 1,010 0,991 0,981 1,480 1,473 1,421 VI 1,293 1,167 1,199 1,451 1,479 1,866 1,063 2,087 X 1,032 1,322 1,150 1,120 1,119 0,729 1,768 0,381 XI 0,767 1,191 0,978 0,714 0,688 0,375 1,472 0,209 XII 0,572 0,865 0,742 0,406 0,374 0,293 0,580 0,345 Miesic ródło: opracowanie własne na podstawie danych Przedsibiorstwa X. Zestawienie wartoci błdów MPE oraz MAPE, jakimi były obarczone prognozy wygasłe w przypadku obu tych metod zawiera tabela 5. Tabela 5. Wartoci błdów MPE oraz MAPE dla prognoz wygasłych uzyskanych metod wskaników sezonowoci (dla zmodyfikowanych danych wejciowych) Produkt P_01 P_02 P_03 P_04 P_05 P_06 P_07 P_08 rednia Odchylenie standardowe Model addytywny MPE MAPE -1,36% 9,20% -0,35% 5,90% -0,50% 5,75% -3,38% 15,18% -3,97% 16,61% -6,95% 20,53% -16,92% 43,30% -10,09% 27,19% -5,44% 17,96% 5,72% 12,62% Model multiplikatywny MPE MAPE -1,36% 9,19% -0,46% 5,53% -0,52% 5,67% -3,42% 14,68% -4,01% 15,97% -6,90% 20,41% -18,31% 37,73% -10,22% 27,49% -5,65% 17,08% 6,12% 11,20% ródło: opracowanie własne na podstawie danych Przedsibiorstwa X. Modyfikacja danych sprzeday za pomoc filtru opisanego wczeniej równaniem 3 pozwoliła osign mniejsze wartoci błdów MPE oraz MAPE dla prognoz wygasłych zbudowanych przy uyciu metod wskaników sezonowoci. Najwiksza rónica jest zauwaalna w przypadku modelu prognostycznego dla produktu P_07. W tabeli 6 zestawiono ponadto udziały procentowe poszczególnych składowych szeregu czasowego. 74 Studies & Proceedings of Polish Association for Knowledge Management Nr 78, 2016 Tabela 6. Dekompozycja szeregu czasowego na składowe bdce oddziaływaniem trendu, sezonowoci oraz czynnika losowego (dla zmodyfikowanych danych wejciowych) Produkt P_01 P_02 P_03 P_04 P_05 P_06 P_07 P_08 trend 0,03 % 1,16 % 0,41 % 0,28 % 0,30 % 0,01 % 1,21 % 0,04 % Model addytywny sezonowo 87,98 % 95,58 % 92,94 % 90,85 % 90,83 % 91,67 % 77,35 % 86,97 % Model multiplikatywny trend sezonowo losowo 0,03 % 88,02 % 11,95 % 1,16 % 95,56 % 3,27 % 0,41 % 93,02 % 6,56 % 0,28 % 90,98 % 8,73 % 0,30 % 90,97 % 8,73 % 0,01 % 91,71 % 8,28 % 1,21 % 76,08 % 22,71 % 0,04 % 86,77 % 13,19 % losowo 11,99 % 3,25 % 6,65 % 8,87 % 8,88 % 8,32 % 21,43 % 12,98 % ródło: opracowanie własne na podstawie danych Przedsibiorstwa X. Przebieg prognoz popytu na okres kolejnych 12 miesicy (rok 2012), zbudowanych przy uyciu multiplikatywnych modeli wskaników sezonowoci zobrazowano rysunkiem 3. P 01 x 10 P 02 w ie lk o s p rz e d a y / p o p y t u w ie lk o s p rz e d a y / p o p y t u 4 9 7 5 3 2005 2006 2007 2008 2009 rok 2010 2011 2012 2013 7500 4500 1500 2005 w ie lk o s p rz e d a y / p o p y t u 1500 2007 w ie lk o s p rz e d a y /p o p y tu 8 2009 rok x 10 2010 2011 2012 2013 2 2007 10 2009 rok 2011 2013 2005 2007 2009 rok 2011 2013 historyczne dane sprzedazy 2011 2012 2013 2010 2011 2012 2013 2 1 0.5 2005 2006 2007 2008 3 2009 rok P 06 x 10 2 1 2005 2007 5 5 2010 1.5 P 07 x 10 2009 rok P 04 5 5 2005 2008 2.5 P 05 4 w ie lk o s p rz e d a y /p o p y tu 2008 2007 x 10 w ie lk o s p rz e d a y /p o p y tu 2006 4 w ie lk o s p rz e d a y /p o p y tu w ie lk o s p rz e d a y / p o p y t u 3000 2005 2006 5 P 03 2.4 2009 rok 2011 2013 2011 2013 P 08 x 10 1.6 0.8 2005 2007 2009 rok prognoza popytu (model multiplikatywny) Rysunek 3. Przebieg prognoz popytu uzyskanych zmodyfikowan multiplikatywn metod wskaników sezonowoci ródło: opracowanie własne na podstawie danych Przedsibiorstwa X. 75 Krzysztof Jurczyk, Marcin Baran, Wojciech Woniak Zastosowanie zmodyfikowanej metody wskaników sezonowoci do prognozowania wielkoci popytu 3. Podsumowanie Porównujc rednie wartoci błdu MAPE dla wszystkich analizowanych metod (tabele: 1 oraz 5) naley stwierdzi, e metoda wskaników sezonowoci – zarówno addytywna jak i multiplikatywna – najlepiej nadaje si do prognozowania wielkoci popytu w Przedsibiorstwie X. Ponadto w pracy zaprezentowano moliwo prognozowania wielkoci popytu przy uyciu zmodyfikowanych danych sprzeday. Dane sprzeday nie zostały w adnym przypadku oczyszczane, a jedynie modyfikowane poprzez uwzgldnienie załoonego momentu składania zamówienia (w omawianym przypadku był to okres jednego tygodnia). Analiza wykazała, e takie podejcie pozwala uzyska prognozy obarczone mniejszymi wartociami błdów ni prognozy generowane na podstawie danych niezmodyfikowanych. Bibliografia [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] Axsäter S., Inventory Control, Third Edition, Springer, 2015. Box G.E.P., Jenkins G.M., Analiza szeregów czasowych, PWE, Warszawa 1983. Brown R. G., Statistical Forecasting for Inventory Control, McGraw-Hill, Nowy Jork 1959. Cielak M. [red.], Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 1999. Dittmann P., Prognozowanie w przedsibiorstwie. Metody i ich zastosowanie, Wolters Kluwer business, Kraków 2008. Holt C.C., Forecasting Seasonal and Trends by Exponentially Weighted Moving Averages, ONR Research Memorandum No. 52/1957. Jurczyk K., Strategia planowania centralnego w przedsibiorstwie X, Logistyka 2/2012, s. 709–716. Jurczyk K., Zastosowanie sztucznych sieci neuronowych jako narzdzia wspomagajcego zarzdzanie zapasami i planowanie popytu na przykładzie przedsibiorstwa dystrybucyjnego, Logistyka 2/2011, s. 233–244. Jurczyk K., Baran M., Implementacja systemu wspomagania decyzji dotyczcych sterowania zapasami i problemy jej towarzyszce – studium przypadku, Logistyka 2/2015, s. 316–322. Jurczyk K., Gdowska K., Krótkoterminowe prognozowanie wielkoci popytu z wykorzystaniem klasycznych metod predykcji na przykładzie midzynarodowego przedsibiorstwa produkcyjno-dystrybucyjnego, Logistyka 4/2015, s. 9076–9084. Jurczyk K., Woniak W., Selected problems of the implementation of the decision support system for inventory control in an international production and distribution enterprise, Logistyka 4/2014, s. 4395–4399. Nahmias, S., Demand Estimation in Lost Sales Inventory Systems, Naval Research Logistics, Volume 41, Issue 6, 1994, s. 739–757. Silver E.A., Pyke D.F., Peterson R., Inventory Management and Production Planning and Scheduling, Third Edition, John Wiley & Sons, Nowy Jork 1998. Winters P.R., General Exponential forecasting; A Computer Program for the IBM 360, ONR Re-search Memorandum No. 71/1960. 76 Studies & Proceedings of Polish Association for Knowledge Management Nr 78, 2016 DEMAND VOLUME FORECASTING WITH THE USAGE OF THE MODIFIED SEASONAL INDICES METHOD Summary In the paper a short-term demand forecasting model for international prodution and distribution enterprise was introduced. The results from using classical forecasting methods were compared with the results from using modified indexed forecasting methods (both: multiplicative and additive). In the research sales data of ten chosen products were analyzed. Historical input data came from 2005–2011 and demand forecast was prepared for 1-year period (2012). The proposed model assumes the time series smoothing method similar to the Brown’s exponential smoothing, and then – for the obtained time series – the forecasts’ calculation with the usage of the seasonal indices method. Analysis showed that this approach allows for the better results with lower error values of MPE and MAPE than forecasts based on the unmodified data. Keywords: demand forecasting, seasonal indices method, time series analysis Krzysztof Jurczyk Katedra Inynierii Zarzdzania Wydział Zarzdzania AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Ul. Gramatyka 10, 30-067 Kraków e-mail: [email protected] Marcin Baran Katedra Inynierii Zarzdzania Wydział Zarzdzania AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Ul. Gramatyka 10, 30-067 Kraków e-mail: [email protected] Wojciech Woniak Katedra Inynierii Zarzdzania Wydział Zarzdzania AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Ul. Gramatyka 10, 30-067 Kraków e-mail: [email protected] 77