Difference between revisions of "Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)"
(→Cíl měření) |
(→Cíl měření) |
||
Line 157: | Line 157: | ||
K dispozici je také aktuální přehled probíhaného měření, ve kterém jsou údaje pro dané rozpoložení počtu provozoven v jednotlivých městech a jaké je je jejich čistý zisk + tyto údaje lze srovnat s aktuálním celkovým rizikem podniku a nebo aktuálním celkovým průměrem zisku po simulaci MC. | K dispozici je také aktuální přehled probíhaného měření, ve kterém jsou údaje pro dané rozpoložení počtu provozoven v jednotlivých městech a jaké je je jejich čistý zisk + tyto údaje lze srovnat s aktuálním celkovým rizikem podniku a nebo aktuálním celkovým průměrem zisku po simulaci MC. | ||
− | === | + | === Závěr === |
− | Cílem měření bylo zjistit, jaká kombinace počtu provozoven v jednotlivých městech byla nejvíce zisková, viz v následující tabulce. | + | Cílem měření bylo zjistit, jaká kombinace počtu provozoven v jednotlivých městech byla nejvíce zisková, viz v následující tabulce. (Odevzdané zadání jsem lehce zformuloval, neboť jsem nemohl vyhovující data pro zjištění poptávky/nabídky/konkurence bude fixní, proto jsem práci zpracoval, tak že bude pracovat zejména s náhodně generovanými hodnotami v nákladech podniku a návštěvnosti zákazníků. |
+ | |||
+ | Po simulaci pomocí Monte Carlo, byly zjištěny tyto údaje. | ||
[[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]] | [[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]] | ||
Line 167: | Line 169: | ||
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření | ! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření | ||
|- align="center" | |- align="center" | ||
− | | Maximalizace | + | | Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč |
|- align="center" | |- align="center" | ||
− | | Minmalizace | + | | Minmalizace || 20 || 20 || 12 || 14 || -2 303 151 Kč |
|- align="center" | |- align="center" | ||
|} | |} | ||
</center> | </center> | ||
+ | |||
+ | Pro zajímavost sem byla vložena i u kombinace rozpoložení provozoven, kdy se o jedná o nejhorší možný výsledek hospodaření. | ||
+ | |||
+ | '''Interpretace výsledku''' | ||
+ | Je zajímavé, že k docílení maximalního zisku je potřeba, aby v Praze byl, co nejmenší počet provozoven. Důvody mohou následující: Příliš velká fluktuace návštěvnosti ve městě, vysoká míra obsazenosti míst na sezení během dne a následek mnoho ztrátových zákazníků, vysoké nájmy za prostory | ||
+ | |||
+ | ==== Další rozšíření a možnosti ==== | ||
+ | Práci lze rozšířit z designové hlediska a vylepšit tak, aby bylo přehlednější a více intuitivní. Dále lze doplnit některá funkce a vzorce pro zakomponování dalších položek, která mohou ovlivnit výsledek měření. | ||
== Závěr == | == Závěr == |
Revision as of 11:22, 10 June 2018
'''TODO'''
Zadání
Název simulace: Optimalizace počtu provozoven rychleho občerstveni nového podniku v městech ČR
Autor: Nguyen Van Thanh
Typ modelu: Monte Carlo
Modelovací nástroj: MS Excel 2013
Contents
Definice problému
Jsme nový podnik rychlého občerstvení a chceme se prosadit v největších městech České republiky, konkr. Praha, Brno, Plzeň a Ostrava. Sledujeme jaký je stav a vývoj průmyslu rychlého občerstvení v ČR poslední rok, tj. 2017.
Cíl simulace
Pomocí simulace Monte Carlo zkoumáme, jaký je počet optimálního rozpoložení provozen v těchto městech ideální, tak abychom docílili kontinuálního nejvyššího zisku. Dále máme k dispozici předem nastavený formulář, který může sloužit k manuálnímu zadávání počtu provozoven ve vybraných městech.
Metoda
Nejprve byla potřeba zjistit demografické údaje ve vybraných městech, dále z veřejných průzkůmu ohledně průmyslu rychlého občerstvení ve formě dotazníků, veřejných státních průzkumech a akademických prací. K tomu všemu se dále zjišťovaly dynamické složky, které byly zkoumány náklady na provoz rychlého občerstvení v náhodném rozdělení, rozsah jednotlivých složek byly analyzovány na veřejných portálech poskytující nabídky prací a nájmů nebytových prostor.
Statistické údaje
List 00 Info
Obyvatelstvo
1. Praha - 1 294 513 || 2. Brno - 379 527 || 3. Plzeň - 170 936 || 4. Ostrava - 290 450
Návštěvnost
1. Alespoň jednou měsíčně navštíví fast food - 37% 2. Alespoň jednou týdně navštíví fast food - 8% 3. Průměrná útrata strávníka je - 188 Kč 4. Jídlo je snězeno na místě - 40% lidí 5. Časové rozdělení návštěvnosti - ráno - 5% | - odpoledne - 22% | - odpoledne - 41% | - večer/v noci - 32%
Provozovna
1. Průměrné místo na sezení - 39 míst 2. Průměrné náklady na energie - 25% 3. Počet zaměstnanců na jedné provozovně - 11 - 2x obsluha, 2x uklízečka, 1x vedoucí, 2x zástupce vedoucího, 4x kuchař - Na částečný úvazek pracuje - 1/6~1/4 zaměstnanců v provozovně (Náhodná složka - Randombetween) 4. Průměrná marže z tržeb - 19% - tzn. vypočítává se tržby očištěny od náklady na suroviny
Konkurence
1. Počítáme, s tím že máme 7 hlavní konkurentů v průmyslu, se kterou se bude vést boj o návštěvníky 2. Koeficient konkurenta je 1, tzn. že každý si je rovný (v našm případě, máme 1/8 návštěvnosti)
Výpočty dynamických složek jsou vypočteny na listech 05 MC Gener. nájmu a 06 MC Gener. mzdy
Dynamické údaje
List 03 Logika
Praha
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - 95~120 Kč/h (log-normálním rozdělení) 1. Plný úvazek - 80*hodinová sazba 2. Částečný úvazek - 160*hodinová sazba 2. Nájem nebytových prostor (restaurace) - 7k~350k kč/měsíc 1. Nízký extrém - 7k~30k kč/měsíc (náhodná složka - random) 2. Vysoký extrém - 150k~350k kč/měsíc (náhodná složka - random) 3. Standarní interval - 31k~149k kč/měsíc (normálové rozložení) - 70% procent, že se vybere standardní nájem a zbylých 30% je výběr extrému 50% 3. Variabilní složka návštěvnosti (Exponenciální rozdělení) - tzn. je měsíci existuje kladná či záporná odchylka návštěvnosti - Výpočet je sestaven na základě matematcikého poměru mezi Prahou a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste,
lambda u náhodného rozdělení je 4
Brno
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - 80~115 Kč/h (log-normálním rozdělení) 1. Plný úvazek - 80*hodinová sazba 2. Částečný úvazek - 160*hodinová sazba 2. Nájem nebytových prostor (restaurace) - 7k~350k kč/měsíc 1. Nízký extrém - 7k~10k kč/měsíc (náhodná složka - random) 2. Vysoký extrém - 60k~105k kč/měsíc (náhodná složka - random) 3. Standarní interval - 11k~59k kč/měsíc (normálové rozložení) - 70% procent, že se vybere standardní nájem a zbylých 30% je výběr extrému 50% 3. Variabilní složka návštěvnosti (Exponenciální rozdělení) - tzn. je měsíci existuje kladná či záporná odchylka návštěvnosti - Výpočet je sestaven na základě matematcikého poměru mezi Brnem a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste,
lambda u náhodného rozdělení je 3
Plzeň
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - 110~135 Kč/h (log-normálním rozdělení) 1. Plný úvazek - 80*hodinová sazba 2. Částečný úvazek - 160*hodinová sazba 2. Nájem nebytových prostor (restaurace) - 3k~70k kč/měsíc 1. Nízký extrém - 3k~13k kč/měsíc (náhodná složka - random) 2. Vysoký extrém - 50k~70k kč/měsíc (náhodná složka - random) 3. Standarní interval - 14k~49k kč/měsíc (normálové rozložení) - 70% procent, že se vybere standardní nájem a zbylých 30% je výběr extrému 50% 3. Variabilní složka návštěvnosti (Exponenciální rozdělení) - tzn. je měsíci existuje kladná či záporná odchylka návštěvnosti - Výpočet je sestaven na základě matematcikého poměru mezi Plzní a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste,
lambda u náhodného rozdělení je 1
Ostrava
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - 80~110 Kč/h (log-normálním rozdělení) 1. Plný úvazek - 80*hodinová sazba 2. Částečný úvazek - 160*hodinová sazba 2. Nájem nebytových prostor (restaurace) - 6k~350k kč/měsíc 1. Nízký extrém - 6k~10k kč/měsíc (náhodná složka - random) 2. Vysoký extrém - 50k~70k kč/měsíc (náhodná složka - random) 3. Standarní interval - 11k~49k kč/měsíc (normálové rozložení) - 70% procent, že se vybere standardní nájem a zbylých 30% je výběr extrému 50% 3. Variabilní složka návštěvnosti (Exponenciální rozdělení) - tzn. je měsíci existuje kladná či záporná odchylka návštěvnosti - Výpočet je sestaven na základě matematcikého poměru mezi Ostravou a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste,
lambda u náhodného rozdělení je 2
Model
List 03 Logika
Náklady
- Máme k dispozici několik variant rozložení počtu provozoven do vybraných měst, pro tento příklad jsou zvoleny intervaly 1-5, 6-10, 11-15, 16-20. Hodnota každého intervalu se počítá náhodnou metodou random. Aktuální hodnotu v dané měření si vybere právě jedno náhodně generované číslo z jednoho ze 4 intervalů, každý má 25% šanci.
Generovaná hodnota se posléze vypočítá ve všech xls.listech práce a vygeneruje nám následující údaje:
- Nakumulovanou hodnotu nájmu, např. vygeneruje se nám 11 provozoven pro dané období a pro každou provozovnu máme konkrétní náhodně generovaný nájem (neznamená, že se vygeneruje jeden fixní nájem pro všechny. (Výpočet je obsažený v listu 04 Kumulace nájmu a vyhledán pomocí funkce =LOOKUP)
Výpočet celkových nákkladů na nájem=LOOKUP(pocet_provozoven_v_obdobi,'04 MC Kumulace nájmu'!najdi_cislo_provozovny_obsahu,'04 MC Kumulace nájmu'rozsah_hodnot_kumulovanych hodnot)*(1+procento_nakladu_na_energii) - U celkových mzdách nefunguje princip jako u nájmu, ale vybere se průměrná hodnota, která se vynásobí podle počtu zaměstnanců v provozovnách
- Celkové náklady se vypočítají jako součet bodu 1. a 2.
- Denní rozpoložení návštěvnosti:
- zjišťuje se celkový počet míst v provozovnách ve městech
- průměrné hodnoty v jednotlivých časových úsecích (měsíční a denní údaj), data jsou získána z listu 00 Info
- je vypočtena obsazenost provozovny očistěna o návštěvníky, kteří si kupují jídlo s sebou, v případě obsazenosti vyšší než 100% (v excelu vyznačené červeně), se návštěvníci mimo interval počítají jako ztrátoví a jdou do celkových nákladů v listu 01 Souhrn
Souhrnný výsledek měření
List 01 Souhrn
V této sekci jsou zobrazeny nejdůležitejší údaje měření za měřený měsíc:
- Celková návštěvnost
- Z toho kolik bylo ztrátových kvůli nedostatku míst na sezení
- Doplňující info, kolik nebylo využito míst
- Celková tržba
- Celkový zisk očištěný o všechny náklady(tj. marže - podnikové náklady)
K dispozici je také aktuální přehled probíhaného měření, ve kterém jsou údaje pro dané rozpoložení počtu provozoven v jednotlivých městech a jaké je je jejich čistý zisk + tyto údaje lze srovnat s aktuálním celkovým rizikem podniku a nebo aktuálním celkovým průměrem zisku po simulaci MC.
Závěr
Cílem měření bylo zjistit, jaká kombinace počtu provozoven v jednotlivých městech byla nejvíce zisková, viz v následující tabulce. (Odevzdané zadání jsem lehce zformuloval, neboť jsem nemohl vyhovující data pro zjištění poptávky/nabídky/konkurence bude fixní, proto jsem práci zpracoval, tak že bude pracovat zejména s náhodně generovanými hodnotami v nákladech podniku a návštěvnosti zákazníků.
Po simulaci pomocí Monte Carlo, byly zjištěny tyto údaje.
Počet provozoven | Praha | Brno | Plzeň | Ostrava | Celkový výsledek hospodaření |
---|---|---|---|---|---|
Maximalizace | 1 | 19 | 9 | 12 | 4 745 570 Kč |
Minmalizace | 20 | 20 | 12 | 14 | -2 303 151 Kč |
Pro zajímavost sem byla vložena i u kombinace rozpoložení provozoven, kdy se o jedná o nejhorší možný výsledek hospodaření.
Interpretace výsledku Je zajímavé, že k docílení maximalního zisku je potřeba, aby v Praze byl, co nejmenší počet provozoven. Důvody mohou následující: Příliš velká fluktuace návštěvnosti ve městě, vysoká míra obsazenosti míst na sezení během dne a následek mnoho ztrátových zákazníků, vysoké nájmy za prostory
Další rozšíření a možnosti
Práci lze rozšířit z designové hlediska a vylepšit tak, aby bylo přehlednější a více intuitivní. Dále lze doplnit některá funkce a vzorce pro zakomponování dalších položek, která mohou ovlivnit výsledek měření.
Závěr
Ke stažení
Zdroje
https://www.mpo-efekt.cz/upload/7799f3fd595eeee1fa66875530f33e8a/energeticka-narocnost-gastroprovozu-a-moznosti-uspor_final.pdf https://zpravy.aktualne.cz/finance/nakupovani/mcdonalds-kfc-nebo-burger-king-jak-cesi-miluji-fast-foody/r~5ebaface07d211e7bc17002590604f2e/?redirected=1528219245 https://revenuesandprofits.com/mcdonalds-net-profit-and-net-margin-from-2012-to-2016 https://retailek.mediar.cz/2017/02/23/cesi-a-fast-foody-kvalitou-kraluje-ugo-cenou-doner-kebab https://jobs.cz https://sreality.cz http://www.angusburger.cz/files/ab_fransizing_informacni_prospekt.pdf https://www.mpo-efekt.cz/upload/7799f3fd595eeee1fa66875530f33e8a/energeticka-narocnost-gastroprovozu-a-moznosti-uspor_final.pdf https://www.czso.cz/