Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-10T11:07:48Z

Xngut65: /* Statistické údaje */

'''''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 

{| align="right"
| __TOC__
|}
=== 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.

== 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 ===

<Center>List ''00 Info''</Center>
[[File:kumulace.jpg|center|500px]]

==== 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 ===

<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. 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'''

Zdroje: <ref>https://www.mpo-efekt.cz/upload/7799f3fd595eeee1fa66875530f33e8a/energeticka-narocnost-gastroprovozu-a-moznosti-uspor_final.pdf</ref><ref>https://zpravy.aktualne.cz/finance/nakupovani/mcdonalds-kfc-nebo-burger-king-jak-cesi-miluji-fast-foody/r~5ebaface07d211e7bc17002590604f2e/?redirected=1528219245</ref><ref>https://revenuesandprofits.com/mcdonalds-net-profit-and-net-margin-from-2012-to-2016</ref><ref>https://retailek.mediar.cz/2017/02/23/cesi-a-fast-foody-kvalitou-kraluje-ugo-cenou-doner-kebab</ref><ref>https://jobs.cz</ref><ref>https://sreality.cz</ref><ref>http://www.angusburger.cz/files/ab_fransizing_informacni_prospekt.pdf</ref><ref>https://www.mpo-efekt.cz/upload/7799f3fd595eeee1fa66875530f33e8a/energeticka-narocnost-gastroprovozu-a-moznosti-uspor_final.pdf</ref><ref>https://www.czso.cz/</ref>

== 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.
<center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center>
Generovaná hodnota se posléze vypočítá ve všech xls.listech práce a vygeneruje nám následující údaje:

[[File:kumulace.jpg|right|300px]]
#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>
#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''

'''Simulace Monte Carlo - obecný model'''
''<center>pozn. Generují se náhodné počty provozoven</center>''

[[File:General.jpg|center|500px|frame|Obecný model simulace]]

== Souhrnný výsledek měření ==

<Center>List ''01 Souhrn''</Center>
[[File:souhrn.jpg|center|400px]]

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.

[[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]]

<center>
{| class="wikitable"
|+ Výsledek měření
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření
|- align="center"
| Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč
|- align="center"
| Minmalizace || 20 || 20 || 12 || 14 || -2 303 151 Kč
|- align="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 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 ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== Použité zdroje ==

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-10T11:07:26Z

Xngut65: /* Souhrnný výsledek měření */

'''''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 

{| align="right"
| __TOC__
|}
=== 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.

== 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 ===

<Center>List ''00 Info''</Center>
[[File:kumulace.jpg|center|400px]]

==== 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 ===

<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. 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'''

Zdroje: <ref>https://www.mpo-efekt.cz/upload/7799f3fd595eeee1fa66875530f33e8a/energeticka-narocnost-gastroprovozu-a-moznosti-uspor_final.pdf</ref><ref>https://zpravy.aktualne.cz/finance/nakupovani/mcdonalds-kfc-nebo-burger-king-jak-cesi-miluji-fast-foody/r~5ebaface07d211e7bc17002590604f2e/?redirected=1528219245</ref><ref>https://revenuesandprofits.com/mcdonalds-net-profit-and-net-margin-from-2012-to-2016</ref><ref>https://retailek.mediar.cz/2017/02/23/cesi-a-fast-foody-kvalitou-kraluje-ugo-cenou-doner-kebab</ref><ref>https://jobs.cz</ref><ref>https://sreality.cz</ref><ref>http://www.angusburger.cz/files/ab_fransizing_informacni_prospekt.pdf</ref><ref>https://www.mpo-efekt.cz/upload/7799f3fd595eeee1fa66875530f33e8a/energeticka-narocnost-gastroprovozu-a-moznosti-uspor_final.pdf</ref><ref>https://www.czso.cz/</ref>

== 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.
<center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center>
Generovaná hodnota se posléze vypočítá ve všech xls.listech práce a vygeneruje nám následující údaje:

[[File:kumulace.jpg|right|300px]]
#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>
#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''

'''Simulace Monte Carlo - obecný model'''
''<center>pozn. Generují se náhodné počty provozoven</center>''

[[File:General.jpg|center|500px|frame|Obecný model simulace]]

== Souhrnný výsledek měření ==

<Center>List ''01 Souhrn''</Center>
[[File:souhrn.jpg|center|400px]]

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.

[[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]]

<center>
{| class="wikitable"
|+ Výsledek měření
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření
|- align="center"
| Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč
|- align="center"
| Minmalizace || 20 || 20 || 12 || 14 || -2 303 151 Kč
|- align="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 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 ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== Použité zdroje ==

2018-06-10T09:25:12Z

Xngut65: /* Model */

[['''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

__TOC__

== 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.
<center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center>
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>
#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''

'''Simulace Monte Carlo - obecný model'''

''pozn. Generují se náhodné počty provozoven''

[[File:General.jpg|center|500px|Obecný model simulace]]

== 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.

[[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]]

<center>
{| class="wikitable"
|+ Výsledek měření
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření
|- align="center"
| Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč
|- align="center"
| Minmalizace || 20 || 20 || 12 || 14 || -2 303 151 Kč
|- align="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 ==

== Ke stažení ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== 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/

File:General.jpg

2018-06-10T09:24:31Z

Xngut65:

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-10T09:22:44Z

Xngut65: /* Cíl měření */

[['''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

__TOC__

== 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.
<center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center>
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>
#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.

[[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]]

<center>
{| class="wikitable"
|+ Výsledek měření
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření
|- align="center"
| Maximalizace || 1 || 19 || 9 || 12 || 4 745 570 Kč
|- align="center"
| Minmalizace || 20 || 20 || 12 || 14 || -2 303 151 Kč
|- align="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 ==

== Ke stažení ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== 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/

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-10T08:43:13Z

Xngut65: /* Cíl měření */

[['''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

__TOC__

== 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.
<center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center>
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>
#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.

=== Cíl měření ===
Cílem měření bylo zjistit, jaká kombinace počtu provozoven v jednotlivých městech byla nejvíce zisková, viz v následující tabulce.

[[File:Max.jpg|right|caption|500px|Výsledek měření s konkrétními daty (maximalizace)]]

<center>
{| class="wikitable"
|+ Výsledek měření
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření
|- align="center"
| Maximalizace zisku || 1 || 19 || 9 || 12 || 4 745 570 Kč
|- align="center"
| Minmalizace zisku || 20 || 20 || 12 || 14 || -2 303 151 Kč
|- align="center"
|}
</center>

== Závěr ==

== Ke stažení ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== 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/

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-10T08:41:31Z

Xngut65:

[['''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

__TOC__

== 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.
<center>''Výpočet interavalu: =IF(RAND()<0.5,IF(RAND()<0.5,interval_1,interval_2),(IF(RAND()<0.5,interval_3,interval_4)))''</center>
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>
#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.

=== Cíl měření ===
Cílem měření bylo zjistit, jaká kombinace počtu provozoven v jednotlivých městech byla nejvíce zisková, viz v následující tabulce.

[[File:Max.jpg|right|frame|100px|Výsledek měření s konkrétními daty (maximalizace)]]

<center>
{| class="wikitable"
|+ Výsledek měření
! Počet provozoven !! Praha !! Brno!! Plzeň !! Ostrava !! Celkový výsledek hospodaření
|- align="center"
| Maximalizace zisku || 1 || 19 || 9 || 12 || 4 745 570 Kč
|- align="center"
| Minmalizace zisku || 20 || 20 || 12 || 14 || -2 303 151 Kč
|- align="center"
|}
</center>

== Závěr ==

== Ke stažení ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== 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/

File:Max.jpg

2018-06-10T08:30:05Z

Xngut65:

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-10T07:05:50Z

Xngut65:

File:Mc finalv1.xlsx

2018-06-10T06:03:33Z

Xngut65: Xngut65 načetl novou verzi File:Mc finalv1.xlsx

Simulace

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-09T12:13:16Z

Xngut65:

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-09T12:11:51Z

Xngut65:

[['''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

__TOC__

== 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 ===

==== 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

=== 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~149 kč/měsíc (normálové rozložení)

3. Variabilní složka návštěvnosti (Exponenciální rozdělení)
- tzn. je měsíci existuje kladná či záporná odchylka)
- Výpočet je sestaven na základě matematcikého poměru mezi zvoleným městem a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste

== Výpočet ==

== Závěr ==

== Ke stažení ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== 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

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-09T11:48:32Z

Xngut65: /* Ke stažení */

= [['''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

__TOC__

== 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 ===

==== 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

=== 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~149 kč/měsíc (normálové rozložení)

3. Variabilní složka návštěvnosti (Exponenciální rozdělení)
- tzn. je měsíci existuje kladná či záporná odchylka)
- Výpočet je sestaven na základě matematcikého poměru mezi zvoleným městem a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste

== Výpočet ==

== Závěr ==

== Ke stažení ==
[http://www.simulace.info/index.php/File:Mc_finalv1.xlsx#file Soubor]

== 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

File:Mc finalv1.xlsx

2018-06-09T11:45:27Z

Xngut65: Simulace

Simulace

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-09T11:43:17Z

Xngut65: /* Zdroje */

= [['''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

__TOC__

== 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 ===

==== 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

=== 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~149 kč/měsíc (normálové rozložení)

3. Variabilní složka návštěvnosti (Exponenciální rozdělení)
- tzn. je měsíci existuje kladná či záporná odchylka)
- Výpočet je sestaven na základě matematcikého poměru mezi zvoleným městem a městem s nejnižší počtem obyvatel (Plzeň), protože odchylka s rostoucí velikostí města roste

== Výpočet ==

== 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

Optimalizace počtu provozoven rychlého občerstvení nového podniku ve městech ČR (Monte Carlo)

2018-06-09T11:37:19Z

Xngut65: /* TODO */

SS 2017/2018/cs

2018-06-09T11:36:44Z

Xngut65: /* Vypracovaná témata LS 2017/2018 */

{{DISPLAYTITLE:LS 2017/2018}}

Semestrální práce (simulace) z letního semestru 2017/2018. Sem přidejte odkaz na stránku s Vaší prací. Nejprve je třeba nechat schválit [[Assignment_SS_2017/2018/cs|zadání práce]].

=Vypracovaná témata LS 2017/2018=
* [[Simulace úspor na důchod ve zvoleném kraji v ČR (Monte Carlo)]] - Jan Marek Slabihoud, slaj09
* [[Můj život aneb jak poznat tu pravou (NetLogo)]] - Mai Duc Anh, maid01
* [[Simulace pohybu zavazadel na letišiti (SIMPROCESS)]] - Daniel Navrátil, navd00
* [[Simulace_jizdy_v_dopravni_zacpe]] - Daniel Nejezchleb, xnejd00
* [[Optimalizace_provozu_školní_jídelny]] - Ulrika Anna Jagošová, xjagu00
* [[Simulace činnosti kavárny (Vensim)]] - Mariia Alekseeva
* [[Simulace vícejazyčné komunity (NetLogo)]] - Marina Lushnikova, xlusm05
* [[Simulace_automatizovaneho_nakladani_kamionu]] (NetLogo) - Kenan Dervisevic, derk01
* [[Optimalizace po%C4%8Dtu provozoven rychl%C3%A9ho ob%C4%8Derstven%C3%AD nov%C3%A9ho podniku ve m%C4%9Bstech %C4%8CR (Monte Carlo)]] - Nguyen Van Thanh, xngut65