Difference between revisions of "Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)"
(→Závěr) |
(→Závěr) |
||
(24 intermediate revisions by the same user not shown) | |||
Line 1: | Line 1: | ||
− | + | '''''Zadání:''''' Jeden z faktorů hodnocení předmětu ''4IT495 Simulace Systému'' je zpracování simulace a její dokumentace na těchto stránkách. | |
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | ''' | ||
− | |||
− | |||
− | |||
− | |||
+ | '''Název simulace:''' Optimalizace počtu provozoven rychleho občerstveni nového podniku v městech ČR<br /> | ||
+ | '''Autor:''' Nguyen Van Thanh<br /> | ||
+ | '''Typ modelu:''' Monte Carlo<br /> | ||
+ | '''Modelovací nástroj:''' MS Excel 2013<br /> | ||
__TOC__ | __TOC__ | ||
Line 18: | Line 11: | ||
== Definice problému == | == 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. | + | 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. K dispozici máme veřejné průzkumy a statistiky, které nám slouží jako ovlivňující faktory našeho zkoumání.Výsledky práce slouží jako predikce pro následující rok, tj. 2018 a tyto výsledky jsou interprotovány v měsíčním časovém úseku. |
+ | |||
+ | Práce je '''strukturována''' na 1 hlavní statistickou část ''00 Info'', ve které jsou získány veškeré fixní faktory ovlivňující naší práci. Dále nejdůležitější část architektury a funkce práce ''03 Logika'', ve které jsou zpracovány všechny vzorce. K přehlednosti jsou doplněny 4 další pomocné xls.listy, se kterými lze zkontrolovat správnost a přesnost jednotlivých náhodných veličin formou Monte Carlo. | ||
== Cíl simulace == | == 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. | + | 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 viz dále. |
− | == Metoda == | + | == Metoda a vstupní data == |
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. | 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. | 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 === | === Statistické údaje === | ||
− | |||
− | |||
==== Obyvatelstvo ==== | ==== Obyvatelstvo ==== | ||
Line 61: | Line 53: | ||
2. Koeficient konkurenta je 1, tzn. že každý si je rovný (v našm případě, máme 1/8 návštěvnosti) | 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'' | ||
− | |||
+ | <center>List ''00 Info''</center> | ||
+ | [[File:informace.jpg|center|400px]] | ||
=== Dynamické údaje === | === Dynamické údaje === | ||
− | List ''03 Logika'' | + | <Center>List ''03 Logika''</Center> |
− | + | [[File:logika.jpg|center|500px]] | |
+ | |||
+ | ''' Praha ''' | ||
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''95~120 Kč/h''' (log-normálním rozdělení) | 1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''95~120 Kč/h''' (log-normálním rozdělení) | ||
Line 85: | Line 81: | ||
- Výpočet je sestaven na základě matematcikého poměru mezi '''Prahou''' a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste, <br />lambda u náhodného rozdělení je '''4''' | - Výpočet je sestaven na základě matematcikého poměru mezi '''Prahou''' a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste, <br />lambda u náhodného rozdělení je '''4''' | ||
− | + | ''' Brno ''' | |
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''80~115 Kč/h''' (log-normálním rozdělení) | 1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''80~115 Kč/h''' (log-normálním rozdělení) | ||
Line 91: | Line 87: | ||
2. Částečný úvazek - 160*hodinová sazba | 2. Částečný úvazek - 160*hodinová sazba | ||
− | 2. Nájem nebytových prostor (restaurace) - '''7k~ | + | 2. Nájem nebytových prostor (restaurace) - '''7k~105k kč/měsíc''' |
1. Nízký extrém - '''7k~10k kč/měsíc''' (náhodná složka - random) | 1. Nízký extrém - '''7k~10k kč/měsíc''' (náhodná složka - random) | ||
2. Vysoký extrém - '''60k~105k kč/měsíc''' (náhodná složka - random) | 2. Vysoký extrém - '''60k~105k kč/měsíc''' (náhodná složka - random) | ||
Line 101: | Line 97: | ||
- Výpočet je sestaven na základě matematcikého poměru mezi '''Brnem''' a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste,<br /> lambda u náhodného rozdělení je '''3''' | - Výpočet je sestaven na základě matematcikého poměru mezi '''Brnem''' a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste,<br /> lambda u náhodného rozdělení je '''3''' | ||
− | + | '''Plzeň''' | |
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''110~135 Kč/h''' (log-normálním rozdělení) | 1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''110~135 Kč/h''' (log-normálním rozdělení) | ||
Line 117: | Line 113: | ||
- Výpočet je sestaven na základě matematcikého poměru mezi '''Plzní''' a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste, <br />lambda u náhodného rozdělení je '''1''' | - Výpočet je sestaven na základě matematcikého poměru mezi '''Plzní''' a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste, <br />lambda u náhodného rozdělení je '''1''' | ||
− | + | '''Ostrava ''' | |
1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''80~110 Kč/h''' (log-normálním rozdělení) | 1. Průměrná mzda zaměstnanců v řetězcích rychlého občerstvení - '''80~110 Kč/h''' (log-normálním rozdělení) | ||
Line 123: | Line 119: | ||
2. Částečný úvazek - 160*hodinová sazba | 2. Částečný úvazek - 160*hodinová sazba | ||
− | 2. Nájem nebytových prostor (restaurace) - '''6k~ | + | 2. Nájem nebytových prostor (restaurace) - '''6k~70k kč/měsíc''' |
1. Nízký extrém - '''6k~10k kč/měsíc''' (náhodná složka - random) | 1. Nízký extrém - '''6k~10k kč/měsíc''' (náhodná složka - random) | ||
2. Vysoký extrém - '''50k~70k kč/měsíc''' (náhodná složka - random) | 2. Vysoký extrém - '''50k~70k kč/měsíc''' (náhodná složka - random) | ||
Line 137: | Line 133: | ||
== Model == | == Model == | ||
− | List ''03 Logika'' | + | <Center>List ''03 Logika''</Center> |
+ | [[File:logika.jpg|center|500px]] | ||
==== Náklady ==== | ==== 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. | :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. | ||
− | <center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center> | + | <br /><center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center><br /> |
Generovaná hodnota se posléze vypočítá ve všech xls.listech práce a vygeneruje nám následující údaje: | 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)<Center>''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)''</center> | + | [[File:kumulace.jpg|right|300px|Kumulace nájmů]] |
+ | #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)<br /><br /><Center>''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)''</center><br /> | ||
#U celkových mzdách nefunguje princip jako u nájmu, ale vybere se průměrná hodnota, která se vynásobí podle počtu zaměstnanců v provozovnách | #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. | #Celkové náklady se vypočítají jako součet bodu 1. a 2. | ||
#Denní rozpoložení návštěvnosti: <br />- zjišťuje se celkový počet míst v provozovnách ve městech <br />- průměrné hodnoty v jednotlivých časových úsecích (měsíční a denní údaj), data jsou získána z listu ''00 Info''<br />- 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'' | #Denní rozpoložení návštěvnosti: <br />- zjišťuje se celkový počet míst v provozovnách ve městech <br />- průměrné hodnoty v jednotlivých časových úsecích (měsíční a denní údaj), data jsou získána z listu ''00 Info''<br />- 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'' | ||
− | '''Simulace Monte Carlo - obecný model''' | + | <center>'''Simulace Monte Carlo - obecný model''' |
− | '' | + | ''pozn. Generují se náhodné počty provozoven</center>'' |
[[File:General.jpg|center|500px|frame|Obecný model simulace]] | [[File:General.jpg|center|500px|frame|Obecný model simulace]] | ||
Line 156: | Line 154: | ||
== Souhrnný výsledek měření == | == Souhrnný výsledek měření == | ||
− | List ''01 Souhrn'' | + | <Center>List ''01 Souhrn''</Center> |
+ | [[File:souhrn.jpg|center|400px]] | ||
V této sekci jsou zobrazeny nejdůležitejší údaje měření za měřený měsíc:<br />- Celková návštěvnost<br />- Z toho kolik bylo ztrátových kvůli nedostatku míst na sezení<br />- Doplňující info, kolik nebylo využito míst <br />- Celková tržba<br />- Celkový zisk očištěný o všechny náklady(tj. marže - podnikové náklady) | V této sekci jsou zobrazeny nejdůležitejší údaje měření za měřený měsíc:<br />- Celková návštěvnost<br />- Z toho kolik bylo ztrátových kvůli nedostatku míst na sezení<br />- Doplňující info, kolik nebylo využito míst <br />- Celková tržba<br />- Celkový zisk očištěný o všechny náklady(tj. marže - podnikové náklady) | ||
Line 175: | Line 174: | ||
| Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč | | Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč | ||
|- align="center" | |- align="center" | ||
− | | | + | | Minimalizace || 20 || 20 || 12 || 14 || -2 303 151 Kč |
|- align="center" | |- align="center" | ||
|} | |} | ||
Line 185: | Line 184: | ||
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 nebo vysoké nájmy a jejich kolísání za prostory. | 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 nebo vysoké nájmy a jejich kolísání 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. | 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. | ||
Latest revision as of 11:19, 12 June 2018
Zadání: Jeden z faktorů hodnocení předmětu 4IT495 Simulace Systému je zpracování simulace a její dokumentace na těchto stránkách.
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. K dispozici máme veřejné průzkumy a statistiky, které nám slouží jako ovlivňující faktory našeho zkoumání.Výsledky práce slouží jako predikce pro následující rok, tj. 2018 a tyto výsledky jsou interprotovány v měsíčním časovém úseku.
Práce je strukturována na 1 hlavní statistickou část 00 Info, ve které jsou získány veškeré fixní faktory ovlivňující naší práci. Dále nejdůležitější část architektury a funkce práce 03 Logika, ve které jsou zpracovány všechny vzorce. K přehlednosti jsou doplněny 4 další pomocné xls.listy, se kterými lze zkontrolovat správnost a přesnost jednotlivých náhodných veličin formou Monte Carlo.
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 viz dále.
Metoda a vstupní data
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
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
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~105k 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~70k 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
Zdroje: [1][2][3][4][5][6][7][8][9]
Model
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
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 |
Minimalizace | 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 nebo vysoké nájmy a jejich kolísání 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.
Ke stažení
Použité 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/