1Predvianje

2Planiranje i prodaja proizvoda

Promovira proizvode/usluge i nudi ih kupcima, Prikuplja podatke o mogunostima plasmana,Prikuplja podatke o mogunostima plasmana, Planira vrstu, koliinu i vrijeme proizvodnje,Planira vrstu, koliinu i vrijeme proizvodnje, Upravlja zalihamaUpravlja zalihama gotovih proizvoda (daje naloge za izradu proizvoda i

naloge za otpremu robe kupcima), Provodi politiku prodajnih cijena, Ugovara, otprema i fakturira proizvode/usluge, (Naplauje fakturirane proizvode), Odrava prodane proizvode (vlastiti servis ili outsourcing) i Izvjetava o ugovorenim, otpremljenim, zaraunatim (i naplaenim)

proizvodima/uslugama.

Planiranjei prodajaproizvoda

1N1,k Narudba kupca N2,1 Nalog za izradu proizvoda

N9,1 Nalog za otpremu proizvoda kupcu

Nk,1 Raun kupcu

I1,3 Informacije o TK proizvoda

I1,9 Stanje zaliha gotovih proizvoda

I1,12 Proizvodna cijena proizvoda

I12,1 Informacije o prodajiI1,o Informacije za procjenu potranje

Planiranje i prodaja proizvoda prvi je u nizu procesa, kojeg emo detaljno opisati i prouiti u sklopu cjeline upravljanja poslovnim procesima (Operations management). Aktivnosti koje provodi i osnovu kojih tokova navedene su u nastavku:- promovira proizvode/usluge i nudi ih kupcima (N 1,k; I 1,o). Oblik promocije ovisi o proizvodu, masovna za robu iroke potronje, specijalistike prezentacije za npr. autobus-- prikuplja podatke o mogunostima plasmana (N 1,k; I 1,o). Potreprikuplja podatke o mogunostima plasmana (N 1,k; I 1,o). Potrebno je izraditi plan interesa trita bno je izraditi plan interesa trita za pojedine proizvode.za pojedine proizvode.-- planira vrstu, koliinu i vrijeme proizvodnje (N 1,k; I 1,3; I planira vrstu, koliinu i vrijeme proizvodnje (N 1,k; I 1,3; I 1,o). Primjer Hrvatske u proizvodnji 1,o). Primjer Hrvatske u proizvodnji penice, koju nije mogue prodati. Potrebe Hrvatske moe zadovolpenice, koju nije mogue prodati. Potrebe Hrvatske moe zadovoljiti samo Baranja. Potrebno je jiti samo Baranja. Potrebno je restrukturirati gospodarstvo i proizvoditi neto drugo, npr. mrkrestrukturirati gospodarstvo i proizvoditi neto drugo, npr. mrkvu.vu.-- upravlja zalihamaupravlja zalihama gotovih proizvoda (daje naloge za izradu proizvoda i naloge za otpremu robe kupcima) (I 1,9; I 1,9; N 2,1; N 9,1N 2,1; N 9,1). ERP sustavi koje emo detaljnije prouavati kasnije.). ERP sustavi koje emo detaljnije prouavati kasnije.- provodi politiku prodajnih cijena (I 1,12; I 12,1). Prodaja predlae i provodi cijenu, dok ju uprava odreuje.- ugovara, otprema i fakturira proizvode/usluge (N 1,k; N 9,1; N k,1)- (Naplauje fakturirane proizvode) ponekad, ukoliko mu financijska sluba dodijeli taj posao; praksa u manjim tvrtkama - odrava prodane proizvode (vlastiti servis ili outsourcing sve poslove koji ne ine nau temeljnu djelatnost preputamo tvrtkama specijaliziranim za njih) (I 1,3)- izvjetava o ugovorenim, otpremljenim, zaraunatim (i naplaenim) proizvodima/uslugama (I 12, 1).U svakom trino orijentiranom poduzeu, zadatak prodaje je da upravlja proizvodnjom, ne obratno. Prodaja prima informacije od kupaca, ima informacije o zalihama i na temelju njih govori to, kada i u kojoj koliini treba proizvesti.Plavo oznaene aktivnosti specifine se za pojedinu vrstu poduzea. Ne postoje ustaljene metode i tehnike, pomou kojih bi se provodile, ili su, potpuno suprotno, tipizirane za sva poduzea (npr. fakturiranje robe).Crveno oznaene aktivnosti provode se pomou posebnih metoda i tehnika. Ukoliko poduzee to ne ini, rezultati su loi i funkcija prodaje se gubi samo u prometu robe.

3Previanje (Forecasting)

Previanje je promiljanje o onom to e se dogoditi u budunosti: Meteorolozi predviaju vrijeme, Igrai sportske prognoze predviaju ishode utakmica, Poduzea predviaju kolika e biti potranja (demand) za njihovim

proizvodima; O potranji zavise:

Strategija razvoja i dugoroni poslovni planovi, Proizvodnja i nabava, Zalihe gotove robe i sirovina, Radna snaga itd.

Uspostavljanje modernog odnosa izmeu naeg poduzea, njegovih dobavljaa i dobavljaa njegovih dobavljaa, naih kupaca i kupaca naih kupaca (Supply Chain), zavisi od poznavanja budue potranje.

Predmet predvianja su dogaaji koji su mogu dogoditi u danim okolnostima, odnosno koji objektivni uvjeti poslovanja poduzea su vjerojatni da e se dogoditi u odreenom nastupajuem vremenskom razdoblju. Predvianje je nesiguran proces. Ne postoji metoda kojom moemo sa sigurnou predvidjeti kakva e biti budunost potranje naeg proizvoda ili poslovanja. Pri tome, ak i kada prognoziramo sa velikom vjerojatnou da je nae predvianje tono, ne smijemo zaboraviti injenicu da smo predvianje izvrili uz pretpostavku da okolina u kojoj poslujemo ostaje nepromjenjiva. Predvianje, dakle, uvijek sa sobom nosi odreeni rizik. Korisnici u dananje doba imaju veliki izbor proizvoda i veliku koliinu informacija o tim proizvodima, na kojim mogu temeljiti svoj izbor.Poduzea predviaju kolika e biti potranja za njihovim proizvodom, kako e se razvijati prizvodna grana u kojoj posluju, kakav e biti razvoj nove tehnologije, ukojoj mjeri e se mijenjati nacionalni i internacionalni ekonomski uvjeti i sl.Predvianje je i jedan od glavnih preduvjeta za ostvarenje TQM-a, budui da nai kupci ele imati proizvod na raspolaganju kad ga zaele. Ukoliko to nije mogue, oni e proizvod potraiti kod konkurencije.

4Osnovni pojmovi Vremenski doseg (time frame); vremenski period za koji

se predvia pojava: Kratkorono (short-range forecasting): dan, tjedan, mjesec; Srednjerono (mid-range forecasting): nekoliko mjeseci do 2

godine; Dugorono (long-range forcasting): vie od dvije godine.

Kretanje potranje na tritu: Trend: trajna promjena razine potranje na vie ili na nie; Sluajna odstupanja (random variations): vrijednosti potranje

koje odstupaju od predloka, a nisu pod utjecajem poduzea; Sezonalno:periodiko poveanje potranje koje ovisi o odreenim

uvjetima (npr. vrijeme); Sezonalno s trendom: periodiko poveanje potranje, s

naglaenim smjerom kretanja na vie ili nie. Oblici promjene potranje:

Vrijeme

Potra

nja

a) Trend

Vrijeme

Potra

nja

b) Sezonalna

Vrijeme

Potra

nja

c) Sezonalna s trendom

Postoji vie metoda predvianja, neke od njih biti e objanjene u nastavku.Na odluku o tome koju metodu predvianja emo koristiti u naem poduzeu utjee nekoliko faktora. Dva najvanija su vremenski doseg i kretanje potranje na tritu.Vremenski doseg (time frame) predstavlja vremenski period za koji se predvia potranja. On moe biti izraen u danima, tjednima, mjesecim ili godinama. S obzirom na vremenski doseg postoje kratkorona, srednjerona i dugorona predvianja.Kratkorona i srednjerona predvianja karakteristina su za odreivanje budue dnevne, tjedne ilimjesene potranje. Primarno se koriste za determiniranje proizvodnje i sustava dostave.Dugorona predvianja koriste se za strateko planiranje poslovanja, dakle donoenje dugoronih ciljeva, planiranje novih proizvoda, izlaz na novo trite i sl.Potranja na tritu moe se kretati kao trend, sa nepredvienim odstupanjem, sezonalno ili sezonalno s trendom.Trend predstavlja trajnu promjenu potranje na vie ili na nie, dakle potranja se konstantno poveava ili smanjuje (npr. potranja za DVD ureajima se poveava a za video rekorderima se smanjuje).Sluajna odstupanja su nepredvidivi nagli porasti ili padovi potranje, koji ne prate nikakav smjer kretanja.Sezonalna potranja predstavlja nagli porast potranje u nekom odreenom vremenskom razdoblju, ponavlja se periodiki i uvjetovana je nekim, najee vanjskim razlogom.Sezonalna potranja moe pokazivati i smjer kretanja, dakle u svakom periodu pojave moe se vrijednost potranje poveavati ili smanjivati, pa ju nazivamo sezonalna potranja sa trendom.

5Metode predvianja

Kvalitativne Kvantitativne

Vremenske serijeO buduem kretanju pojave sezakljuuje na bazi prolih podataka.

Regresijska analizaMatematiki odnos izmeu promatrane pojavei jedne ili vie nezavisnih pojava (uzroka).

Metode predvianja

Na poetku svakog predvianja, prvi korak koji moramo napraviti je promatrati postojee podatke, analizirati ih i odluiti koja metoda najbolje odgovara poznatim podacima. Kvalitativne metode najee se koriste za dugorona predvianja, kad ne postoji dovoljno poznatih podataka o proloj potranji, odnosno kad vrimo predvianje za uspjeh novog proizvoda na tritu. Za dobivanje podataka se koriste istraivanja pomou upitnika npr. zaposlenicima naeg poduzea ili korisnicima proizvoda (zaposlenici ocjenjuju kakva e biti prodaja novog proizvoda ili kupci govore da li e proizvod zadovoljiti neku njihovu potrebu), miljenja eksperata (npr. Delphi metoda), ispitivanja uspjeha slinih proizvoda na tritu i sl. Menaderi koriste svoje iskustvo, znanje, presuivanje i miljenje da bi predvidjeli buduu potranju. Kvalitativne metode imaju prednost to daju informacije o buduoj potranji na osnovu podataka iz prve ruke, dakle daju ih osobe koje neposredno rade s proizvodom ili ga koriste. Nedostatak kvalitativnih metoda je subjektivna ocjena, to znai da se predvianje temelji samo na neijim miljenjima.Kvantitativne metode koristimo u sluajevima kad elimo predvidjeti daljnji razvoj potranje na tritu za ve postojei proizvod. Openito ih dijelimo na dvije grupe: metode vremenskih serija i regresijske analize.Metode vremenskih serija koristimo za kratkorona predvianja u stabilnoj okolini, gdje nee doi do nekih veih promjena uvjeta pod kojim je proizvod u prolosti proizvoen i prodavan.Regresijska analiza ukljuuje jednu ili vie nezavisnih varijabli, koje utjeu na potranju.

6Struktura procesa predvianja1. Identificiranje svrhe predvianja

2. Prikupljanje povijesnih podataka

3. Analiza podataka i identificiranje predloaka

4. Izbor modela predvianja

5. Razvoj/izraun predvianja iz podataka

6. Provjera tonosti predvianja odreenim mjerama

8a. Predvianje za planirani period

9. Prilagoavanje predvianja kvalitativnim spoznajama

10. Nadzor rezultata i mjerenje tonosti predvianja

Tonost predvianja prihvatljiva?

8b. Izbor nove ili podeavanjeparametara postojee

metode predvianja

Ne

Da

7Metode vremenskih serija (1) Naivno ili intuitivno predvianje: Prognozirana potranja u

istraivanom periodu biti e jednaka stvarnoj potranji iz prethodnog intervala.

Pomina aritmetika sredina (Moving Average): Prognozirana potranja u istraivanom periodu biti e jednaka prosjenoj potranji u n prethodnih intervala:

MAn = Dii=1

n

nPrimjer: Tvrtka MKA, koja proizvodi malekune alate, prodala je tijekom proteklegodine slijedee koliine proizvoda:

SijeanjVeljaaOujakTravanjSvibanjLipanjSrpanjKolovozRujanListopad

12090

10075

1105075

13011090

U zadnjem ste radnom danu listopada.Koliko trebati proizvesti tijekom studenog?

100

120

80

60

Sij Vel Ou Tra Svi Lip Srp Kol Ruj Lis Stu

Potranja

Vrijeme

Metode vremenskih serija koriste podatke o potranji iz prolih razdoblje da bi predvidjele budue zahtjeve. One pretpostavljaju da e koliina potranje koja je bila prisutna u prolosti biti ista i u budunosti.Naivno ili intuitivno predvianje koristi se vrlo rijetko, na principu da je potranja sljedeeg razdoblja jednaka potranji prolog (npr. ako je u sijenju potranja za proizvodom A bila 120 komada, u veljai e ona iznositi takoer 120 komada).Pomina aritmetika sredina koristi podatke o potranji iz kratkog prethodnog vremenskog perioda, te na temelju njih prognozira budui zahtjev za proizvodom (za 1 sljedei period). Vremenski period i nain na koji je on podijeljen u intervale, odreuje se prema vrsti proizvoda (npr. za kruh to e biti dani i predvianje e se vriti na temelju 7 dana, dok e za automobile to biti mjeseci i predvianje e se vriti na temelju 3 ili 4 mjeseca). Ukoliko neznamo koji vremenski period moemo najbolje iskoristiti, saznat emo to metodom eksperimentiranja.Vrijednost budueg razdoblja rauna se prema formuli za MA (vrijednost budueg razdoblja jednaka je zbroju n prethodnih potraivanja podijeljenih brojem tih razdoblja).U grafu su prvo oznaene sve poznate vrijednosti. Za prvo predvianje koritena su tri prethodna razdoblja (za travanj raunamo (120+90+100)/3=103, za svibanj (90+100+75)/3=88, za studeni (130+110+90)/3=110). Za drugo predvianje koriteno je pet prethodnih razdoblja (za lipanj (120+90+100+75+110)/5=99, za studeni (50+75+130+110+90)/5=91).

8Metode vremenskih serija (2)

Ponderirana aritmetika sredina (Weighted MovingAverage): Polazi od toga da sve vrijednosti koje ulaze u raun aritmetike sredine nemaju isti znaaj. Zato vrijedi:

WMAn = Wi Dii=1

n

Wi = teinski faktor za period i, od 0.00 do 1,00

Wi = 1.00i=1

n

gdje je:

Metodu ponderirane aritmetike sredine koristimo kad vrijednosti potranje u prolim razdobljima nemaju jednak utjecaj na budui zahtjev. Primjer: Prvi tjedan lipnja potranja za sladoledom bila je 1000 komada, zadnji tjedan u svibnju 500 komada. Metodom pomine aritmetike sredine za 2 razdoblja (n=2), potranja u drugom tjednu lipnja bila bi 750, to nije tono, budui da su dani sve topliji, ljudi kupuju vie sladoleda. Da bi uskladili taj utjecaj pojedinog razdoblja, podacima iz lipnja dajemo teinu 0,8, a podacima iz svibnja 0,2, jer bi se vrijeme ipak moglo jo promijeniti.Raunamo potranju prema formuli:

WMA=(500*0,2)+(1000*0,8)=100+800=900

9Metode vremenskih serija (3) Eksponencijalno izglaivanje (Exponential Smoothing):

jednostavna i esto koritena metoda. Trai malo podataka, jer prognozira potranju za naredni period na osnovu: Predviene potranje za tekui period, Stvarne potranje za tekui period i Teinskog faktora za izglaivanje.

F t+1 = *Dt + (1-)*FtF t+1 = predvianje za naredni periodDt = stvarna potranja u tekuem perioduFt = ranije utvreno predvianje za tekui period = teinski faktor za izglaivanje, od 0.00 do 1.00

Za =0,20 imamo: F t+1 = O,20*Dt + 0,80*Ft Vei znai da se kod predvianja potranje za naredni periodvie uzima u obzir potranja iz tekueg perioda, a manje iz prolih(to je uzeto u obzir preko prognozirane potranje za tekui period!)

Eksponencijalno izglaivanje je najee koritena metoda predvianja. Zahtijeva minimalnu koliinu podataka i njezina upotreba je pokazala visoki postotak uspjenosti u prognoziranju podataka.Na temelju prve uneene prognozirane vrijednosti, koja je najee jednaka prvoj stvarnoj potranji i stvarne potranje za tekue razdoblje raunamo zahtjev za sljedee razdoblje. Konstantom alfa definiramo teinsku vrijednost, koju pridodajemo stvarnoj potranji (0,2 u primjeru znai pridodavanje male vanosti tekuim podacima, a vee prolim kroz prognozu tekue).

10

Metode izraunavanja trendova Linearni trend (Linear Trend Line): kauzalna metoda, kojom se odreuje

matematika zavisnost izmeu potranje i nekog drugog nezavisnog faktora koji uzrokuje promjenu potranje. esto je taj faktor vrijeme. Regresijska funkcija se rauna po metodi najmanjih kvadrata.

y = a + b*x

a = odsjeak na osi y (vrijednost trenda u ishoditu),b = nagib (koeficijent smjera, apsolutni prirast ili pad pojave),x = vrijeme, izraeno odsjekom vremena (period)y = predvianje potranje za period x

Za koeficijente a i b vrijedi:

nyy

nxx

xbyaxnxyxnxyb

=

==

= 22

Primjer za vjebu u Excel-tablici vjezba 1-1

Pored linearnog trenda mogu se raunati nelinearni trendovi:eksponencijalni, s potencijom, logaritamski i sl. Primjeri u Excel-tablici.

Metodu linearnog trenda koristimo ako smo ustanovili da je prirast ili opadanje vrijednosti potranje priblino konstantno, te da budue vrijednosti uspjeno moe predvidjeti linija pravca. Metoda najmanjih kvadrata utvruje liniju trenda kod koje zbroj kvadarataodstupanja originalnih vrijednosti od trend vrijednosti daje minimum. Odstupanja se kvadriraju radi eliminiranja pozitivnih i negativnih vrijednosti (bez kvadriranja odstupanje od linije trenda bilo bi nula).Nedostatak metode linearnog trenda je ogranieno vremensko razdoblje za koje vrimo predvianje. Naime, ukoliko koristimo ovu metodu moramo biti sigurni da se trend nee promijeniti.

11

Metode izraunavanja trendova Linearni trend sa sezonalnim ujecajem (Linear Trend Line with seasonal

adjustments): metoda koju koristimo kod primjeenog sezonalnog pada ili rasta potranje.

Raunamo jainu sezonalnog utjecaja pojedinog perioda izraunavanjem odnosa potranje u odreenom vremenskom periodu i ukupne potranje

DDiSi =

Si = sezonalni faktor za i-ti vremenski period

Di = ukupna potranja za i-ti vremenski period

D = pojedinana potranja

Sezonalni faktor broj je izmeu 0 i 1 i pokazuje udio u cjelokupnoj potranji, koji se odnosi na svaki pojedini vremenski period. Mnoenjem linearnim trendom predviene potranje i sezonalnih faktora izraunavamo potranju u svim sezonalnim periodima.

Primjer u Excel tablici vjezba 1-2

Metodu linearnog trenda sa sezonalnim utjecajem moemo koristiti vrlo esto, budui da u svakodnevnom ivotu susreemo mnogo primjera sezonalnog kretanja potranje (npr. odjea prema vremenu, sportski artikli ljeti, estitke za blagdane i sl.).

12

Tonost predvianja (1) Stvarne vrijednosti u intervalu predvianja gotovo uvijek se

razlikuju od vrijednosti koje su za taj period izraunate nekom od metoda predvianja.

Ako je izabrani model dobar onda bi zbroj svih greaka, uinjenih tijekom duljeg razdoblja, morao biti blizu nule.

Tonost predvianja se procjenjuje s vie pokazatelja: Srednje apsolutno odstupanje (Mean Absolute Deviation-

MAD), Srednje apsolutno postotno odstupanje (Mean Absolute

Percent Deviation-MAPD), Kumulativna greka (Cumulative Error, E) Prosjena greka (Average Error, Bias), Ponaanje modela (Tracking Signal), Srednje kvadratno odstupanje (Mean Squared Error-MSE).

13

Tonost predvianja (2)

nFD

MAD tt=

Srednje apsolutno odstupanje (Mean absolute deviation): prikazuje apsolutnuprosjenu razliku izmeu stvarne i predviene potranje.

gdje je:

t = broj periodaDt = potranja u periodu tFt = predvianje za period tn = ukupni broj svih intervala

Primjer (vjebe) u Excel tablici vjezba 1-1

Da bi izraunali MAD, moramo izraunati pojedinane razlike izmeu stvarne i predviene potranje.to je vrijednost MAD manja, to je nae predvianje tonije. Ipak, nemogue je tu vrijednost gledati apsolutno. Ako su vrijednosti koje predviamo izraene u milijunima, onda greka izraena u tisuama nee biti velika. Zbog te injenice nemogue je i usporeivati razliita predvianja prema njihovoj apsolutnoj pogreki.

14

Tonost predvianja (3) Srednje apsolutno postotno odstupanje (Mean Absolute Percent

Deviation-MAPD): prikazuje postotak prosjene razlike izmeu stvarne i predviene potranje.

t

tt

DFD

MAPD =

Primjer (vjebe) u Excel tablici vjezba 1-1

Vrijednost MAPD uklanja utjecaj reda veliine vrijednosti u predvianju (kao to je to bio sluej kod MAD).Manja vrijednost MAPD znai tonije predvianje.

15

Tonost predvianja (4) Kumulativna greka (Cumulative Error): prikazuje zbroj svih razlika

stvarne i predviene potranje.

( ) ==ttFDteE

Prosjena greka (Average Error, Bias): prikazuje prosjenu razliku izmeu stvarne i predviene potranje.

( )nFDBIAS tt =

Primjer (vjebe) u Excel tablici vjezba 1-1

Visoka pozitivna vrijednost kumulativne pogreke pokazuje manju predvienu potranju od stvarne, dok visoka negativna vrijednost kumulativne pogreke pokazuje veu predvienu potranju od stvarne.Vrijednost prosjene greke pokazuje prosjenu greku i podatak da li je njen iznos pozitivan ili negativan.

16

Tonost predvianja (5)

Ponaanje modela (Tracking Signal): predstavlja mogunost praenja greaka kroz postupak predvianja.

Srednje kvadratno odstupanje (Mean Squared Error-MSE):

( )MADE

MADFDTS tt ==

( )1

=nFDMSE 2tt

Primjer (vjebe) u Excel tablici vjezba 1-1

Ponaanje modela predvianja potrabno je pratiti zbog mogueg pojavljivanja prevelikih iznosa greaka. To se moe dogoditi zbog iznenadne promjene trenda, sluajnog naglog poveanja jedne vrijednosti potranje i slino.Kumulativna greka i MAD izraunavaju se za svaki korak predvianja (za svaki period) te se prati njihov odnos. Ukoliko je dobivena vrijednost TS unutar prije definiranih granica (obino +-2 do +-5 razlike od MAD), postupak predvianja daje zadovoljavajue rezultate. Srednje kvadratno odstupanje prikazuje odstupanje vrijednosti predvianja slino kao MAD, osim to upotrebljava kvadrate greaka, ime ne smanjuje vrijednost pogreke, kao to to ini MAD.

17

Regresijska analiza

Linearna regresija (Linear Regression): koristimo ju kad izmeu dvije varijable postoji linearna zavisnost.

Korelacija (Correlation): pokazuje jainu ovisnosti zavisne varijable o nezavisnoj. Prima vrijednost izmeu 0 i 1.

Viestruka regresija (Multiple Regression): prikazuje odnos izmeu jedne zavisne i dvije ili vie nezavisnih varijabli.

Primjer u Excel tablici vjezba 1-3

Linearna regresija najjednostavniji je oblik regresije. Koristimo ju kad izmeu dvije varijable postoji linerna povezanost (poveanje jedne uvjetuje poveanje druge i obratno).Zadaa regresijske analize je da objasni promjene vrijednosti zavisne varijable (najee ju oznaavamo sa Y) u ovisnosti o promjenama vrijednosti nezavisne varijable (najee X). Rezultat linearne regresije je regresijski pravac, kojeg izraunavamo kao i linearni trend (y=a+bx).Korelacija u linearnoj regresiji pokazuje jainu ovisnosti zavisne varijable o nezavisnoj. Izraunava se pomou koeficijenta korelacije koji poprima vrijednost izmeu 0 i 1. Ukoliko je koeficijent korelacije blii 0, povezanost je slaba. Ukoliko je on jednak 1, to znai da svaka promjena varijable X uvjetuje linearnu promjenu varijable Y.Viestruka regresijaka analiza prikazuje odnos izmeu jedne zavisne i dvije ili vie nezavisnih varijabli. Npr. elimo predvidjeti koliko ispita emo dati u sljedeih 3 mjeseca, na osnovu podataka od prolih 9 mjeseci. Utjecaj bi mogla biti koliina sati provedenih u uenju (to bi onda raunali linearnom regresijom), ali i koliko koncerata se odrava u gradu za vrijeme ispita, koliko smo koncentrirani na uenje i sl, pri emu bi koristili viestruku regresiju za predvianje.