Przykładowa Prosta Prognoza Średniej Ruchomej

Przeprowadzka Średnia. Ten przykład uczy, jak obliczyć średnią ruchową serii czasowej w programie Excel Średnia średnica ruchoma służy do wygładzania szczytów i dolin nieprawidłowego rozpoznania trendów.1 Po pierwsze, spójrzmy na nasze serie czasowe.2 Na karcie Dane kliknij pozycję Analiza danych. Należy nacisnąć przycisk Analiza danych Kliknij tutaj, aby załadować dodatek Analysis ToolPak.3 Wybierz Średnia ruchoma i kliknij przycisk OK.4 Kliknij pole Zakres wejściowy i wybierz zakres B2 M2. 5 Kliknij w polu Interwał i wpisz 6.6 Kliknij w polu Zakres wyjściowy i wybierz komórkę B3.8 Wykres wykresu tych wartości. Instrukcja, ponieważ ustawiamy przedział na 6, średnia ruchoma jest średnią z poprzednich 5 punktów danych i bieżący punkt danych W rezultacie szczyty i doliny są wygładzone Wykres pokazuje tendencję wzrostową Excel nie może obliczyć średniej ruchomej dla pierwszych 5 punktów danych, ponieważ nie ma wystarczająco dużo poprzednich punktów danych.9 Powtórz kroki od 2 do 8 dla przedziału 2 i przedziału 4. Konkluzja La W miarę upływu czasu im więcej pików i dolin są wygładzane Im krótszy odstęp, im przybliżone są średnie ruchome, to do rzeczywistych punktów danych. OR-Uwagi to seria wstępnych notatek dotyczących tematów objętych szeroką pozycją pola badań operacyjnych LUB LUB pierwotnie wykorzystywanych przeze mnie w wstępnym kursie OR daję w Imperial College Są one dostępne dla wszystkich studentów i nauczycieli zainteresowanych LUB z zastrzeżeniem następujących warunków. Ana lista tematów dostępnych w OR - Uwagi można znaleźć tutaj. Najbieramy przykłady. Przykłady z przykładu 1996 roku. Zapotrzebowanie na produkt w każdym z ostatnich pięciu miesięcy przedstawiono poniżej. Użyj dwóch miesięcy średniej ruchomej, aby wygenerować prognozę popytu w miesiącu 6.Przykładanie wygładzania wykładniczego z stałą wygładzania 0 9, aby wygenerować prognozę zapotrzebowania na popyt w miesiącu 6. Jakie są dwie te prognozy wolisz i dlaczego. Średnia miesięczna średnia w miesiącach od dwóch do pięciu wynosi. Prognoza dla m onth six jest tylko średnią ruchoma miesiąca, tj. średnią ruchoma w miesiącu 5 m 5 2350.Przykładanie wygładzania wykładniczego ze stałą wygładzania równą 0 otrzymamy. Jak prognoza na miesiąc 6 jest średnią dla miesiąca 5 M 5 2386. Aby porównać te dwie prognozy, obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej. MSD 15 - 19 18 - 23 21 - 24 3 16 67. oraz dla średniej wykładniczej średniej z Stała wygładzania wynosiła 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Przekonamy się wtedy, że wyrównanie wykładnicze wydaje się dać najlepsze prognozy na 1 miesiąc, ponieważ ma niższą MSD wolą prognozę 2386, która została wyprodukowana przez wyrównywanie wykładnicze. Najbardziej przykładowy przykład z 1994 r. UG. Poniższa tabela przedstawia zapotrzebowanie na nowy magazyn golarki w każdym z ostatnich siedmiu miesięcy. Oblicza średnią z dwóch miesięcy dla miesięcy od dwóch do siedem Jaka byłaby twoja prognoza popytu w miesiącu ósmym wyrównywanie wykładnicze ze stałą wygładzania wynoszącą 0 do uzyskania prognozy popytu w miesiącu 8. Jakie są dwa prognozy dla miesiąca ósmego wolisz i dlaczego właściciel sklepu wierzy, że klienci przechodzą do tej nowej aftersji z innych marek Dyskusje jak można modelować to zachowanie przełączania i wskazać dane potrzebne do potwierdzenia, czy to przełączenie ma miejsce, czy nie. Dwumiesięczna średnia ruchoma dla miesięcy od dwóch do siedmiu jest podana przez. Prognoza dla miesiąca ósemka jest tylko średnią ruchoma dla miesiąc poprzedzający tzn. średnią ruchową w miesiącu 7 m 7 46. Wywołując wyrównanie wykładnicze ze stałą wygładzania równą 0, otrzymujemy. Jak prognoza na miesiąc ósmy jest średnią dla miesiąca 7 M 7 31 11 31, ponieważ nie możemy mają ułamkowe zapotrzebowanie. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, to znajdziemy dla średniej ruchomej i średniej wygładzonej wykładniczo ze stałą wygładzania 0 1.Ove rall wtedy widzimy, że średnia miesięczna średniej ruchomej wydaje się dać najlepsze prognozy co miesiąc, ponieważ ma niższą MSD. Dlatego wolimy prognozę 46, która została wyprodukowana przez średnią ruchomej w ciągu dwóch miesięcy. Aby przeanalizować przełączanie, musimy użyj modelu Markowa, w którym marki państw i będziemy potrzebować informacji dotyczących stanu początkowego i prawdopodobieństwa przełączania klientów z badań Musimy uruchomić model z danymi historycznymi, aby sprawdzić, czy mamy do czynienia z modelem i zachowaniem historycznym. egzamin. Poniższa tabela przedstawia zapotrzebowanie na konkretną markę maszynki do golenia w sklepie przez co najmniej dziewięć miesięcy. Oblicz średnią ruchomą w ciągu trzech miesięcy od trzech do dziewięciu miesięcy. Jaka będzie Twoja prognoza dla zapotrzebowania w miesiącu dziesięć. wygładzając stałą wygładzania 0 3, aby prognozować popyt w miesiącu dziesiątym. Jakieś z dwóch prognoz dla miesiąca dziesięciu wolisz i dlaczego średnia trwa trzy miesiące od miesięcy 3 do 9 wynosi giv pl. Prognoza dla miesiąca 10 jest tylko średnią ruchoma miesiąca, tj. średnią ruchoma w miesiącu 9 m 9 20 33. Ponieważ nie możemy mieć ułamkowego zapotrzebowania, prognoza dla miesiąca 10 wynosi 20.Applying smoothing with a stała wygładzanie z 0 3 otrzymamy. Zanim prognoza na miesiąc 10 jest średnią dla miesiąca 9 M 9 18 57 19, ponieważ nie możemy mieć ułamkowego zapotrzebowania. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy to dla średniej ruchomej i dla średniej wygładzonej wykładniczo ze stałą wygładzania równą 0 3.Następnie widzimy, że średnia trwa trzy miesiące wydaje się dać najlepsze prognozy na 1 miesiąc, ponieważ ma niższą MSD W związku z tym wolimy prognoza 20, która została wyprodukowana przez średnią ruchomą w ciągu trzech miesięcy. Najbardziej przykładowy przykład badania UG w roku 1991. Poniższa tabela przedstawia zapotrzebowanie na określoną markę faksów w domach towarowych w każdym z ostatnich dwunastu miesięcy. Oblicz cztery miesiące mov średnio dla miesięcy 4 do 12 Jaka byłaby twoja prognoza dla popytu w miesiącu 13. Zastosuj wyrównywanie wykładnicze ze stałą wygładzania 0 2, aby prognozować zapotrzebowanie w miesiącu 13. Jakie są dwie prognozy dla miesiąca 13 wolą i dlaczego. Jakie inne czynniki, nieuwzględnione w powyższych obliczeniach, mogą wpłynąć na zapotrzebowanie na faks w miesiącu 13. Średniometr czteromiesięczny dla miesięcy od 4 do 12 jest podany przez: 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 m 8 33 32 30 27 4 30 5 m 9 37 33 32 30 4 33 m 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25. Prognoza na miesiąc 13 to średnia ruchoma miesiąca, tj. średnia ruchoma w miesiącu 12 m 12 46 25. Ponieważ nie możemy ułamkowe zapotrzebowanie na prognozę dla miesiąca 13 wynosi 46. Wydaje się wyrównywanie wyrównania ze stałą wygładzania 0 2 otrzymamy. Aż przed prognozą na miesiąc 13 jest średnią dla miesiąca 12 M 12 38 618 39 jak w e nie może mieć ułamkowego zapotrzebowania. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, to dla średniej ruchomej i średniej wygładzonej wykładniczo ze stałą wygładzania równą 0 2. Następnie widzimy, że czteromiesięczna średnia ruchoma wydaje się dać najlepsze prognozy na 1 miesiąc, ponieważ ma niższą stopę MSD. Dlatego wolimy prognozę 46, która została wyprodukowana przez średnią ruchomej w ciągu czterech miesięcy. Wymiar popytu na cenę w wymiarze sześciomiesięcznym, zarówno tej marki, jak i innych marek. ogólna sytuacja ekonomiczna. Nowa technologia. Najbardziej przykładowy przykład z 1989 roku. Poniższa tabela przedstawia zapotrzebowanie na konkretną markę mikrofalówki w domach towarowych w każdym z ostatnich miesięcy. prognoza dla popytu w miesiącu 13.Przyprowadzanie wygładzania wykładniczego ze stałą wygładzania równą 0 7 w celu uzyskania prognozy popytu w miesiącu 13. Jakie są dwie prognozy na miesiąc 13 i dlaczego? nie możemy obliczyć sześciomiesięcznej średniej ruchomej, dopóki nie mamy co najmniej 6 obserwacji - tzn. możemy obliczyć taką średnią z miesiąca 6, a więc mamy 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17. Prognoza na miesiąc 13 to średnia ruchoma miesiąca, tj. Średnia ruchoma w miesiącu 12 m 12 38 17. Ponieważ nie możemy mieć ułamkowego popytu prognoza dla miesiąca 13 wynosi 38. Wywołuje wyrównywanie wykładnicze ze stałą wygładzania równą 0 7. Prognozowanie obejmuje generowanie liczby, zestaw liczb lub scenariuszy odpowiadających przyszłym zdarzeniom. planowanie długoterminowe Z definicji prognoza opiera się na danych z przeszłości, w przeciwieństwie do przewidywań, która jest bardziej subiektywna i oparta na instynkcie, uczucie jelit lub zgadywanie Na przykład wieczór wiadomości prognoza pogody i prognozy pogody Niezależnie od tego, czy prognozy i prognozy terminów są często używane w sposób zmienny na przykład Na przykład definicje regresji technika czasami używana w prognozowaniu ogólnie mówi, że jej celem jest wyjaśnienie lub przewidzenie. Prognozowanie opiera się na liczba założeń. Przeszłość powtórzy się Innymi słowy, to, co wydarzyło się w przeszłości, stanie się znowu w przyszłości. Jak przewidywany horyzont skraca się, dokładność prognozy wzrasta Na przykład prognoza dla jutra będzie dokładniejsza niż przewidywana w przyszłym miesiącu prognoza na następny miesiąc będzie dokładniejsza niż prognoza na następny rok, a prognoza na następny rok będzie dokładniejsza niż prognoza na dziesięć lat w przyszłości. Standaż danych w skali globalnej jest dokładniejszy niż prognozowanie poszczególnych elementów Oznacza to, że firma będzie w stanie dokładnie przewidzieć całkowite zapotrzebowanie na cały zakres swoich produktów, niż będzie w stanie prognozować indywidualne sto Jednostki utrzymujące SKK Na przykład General Motors może dokładniej prognozować całkowitą liczbę samochodów potrzebnych na przyszły rok niż całkowita liczba białych Chevrolet Impalas z pewnym pakietem opcji. Rzutki są rzadko dokładne. Ponadto prognozy prawie nigdy nie są całkowicie dokładne. niektóre są bardzo bliskie, niewiele osób ma rację w stosunku do pieniędzy Dlatego warto zaoferować zakres prognoz Jeśli miałby się spodziewać zapotrzebowanie na 100 000 jednostek na następny miesiąc, jest mało prawdopodobne, aby popyt wynosiłby dokładnie 100 000 Dokładnie, prognoza z 90.000 do 110.000 stanowiłoby znacznie większy cel planowania. William J Stevenson wymienia szereg cech charakterystycznych, które są wspólne dla dobrej prognozy. Dokonaj oceny i określenia pewnego stopnia dokładności, aby można było dokonać porównania alternatywnych prognoz. metoda prognozy powinna konsekwentnie zapewniać dobrą prognozę, jeśli użytkownik ma ustanowić pewien stopień zaufania. Potrzebny jest pewien czas, aby r w związku z tym prognozowany horyzont prognoz musi pozwolić na czas niezbędny do wprowadzenia zmian. Z łatwiejszy w obsłudze i zrozumieć użytkowników prognozy muszą być pewni i wygodnie pracować z tym. Skuteczny koszt dokonywania prognozy nie powinien przeważać nad korzyściami uzyskane z prognozy. Techniki prognozowania wahają się od prostych do bardzo skomplikowanych. Techniki te są zazwyczaj klasyfikowane jako jakościowe lub ilościowe. TECHNIKI KWALITACYJNE. Techniki prognozowania jakościowego są na ogół bardziej subiektywne niż ich odpowiedniki ilościowe. Techniki jakościowe są bardziej użyteczne w poprzednich etapach cykl życia produktu, gdy istnieją mniej danych z przeszłości do wykorzystania w metodach ilościowych Metody jakościowe obejmują technikę Delphi, technikę grupy nominalnej NGT, opinie siły roboczej, opinie wykonawców i badania rynkowe. Techniki DELPHI DELE. Technika Delphi wykorzystuje panel ekspertów do przedstawienia prognozy Każdy ekspertów proszony jest o przedstawienie prognozy sp ecific po potrzebę Po przygotowaniu wstępnych prognoz każdy ekspert odczytuje to, co napisał każdy inny ekspert, i jest oczywiście pod wpływem swoich poglądów Następna prognoza jest następnie sporządzana przez każdego eksperta Każdy biegły odczytuje to, co każdy inny ekspert pisał i ponownie wpływa na postrzeganie innych Proces ten powtarza się, dopóki każdy ekspert nie zgodzi się na potrzebny scenariusz lub liczby. TECHNIKA GRUPY NOMINALNEJ. Niemiecka technika grupy jest podobna do techniki Delphi, ponieważ wykorzystuje grupę uczestników, zazwyczaj ekspertów Po tym, jak uczestnicy odpowiedzą na pytania związane z prognozą, oceniają swoje odpowiedzi w kolejności postrzeganej względnej wagi, a następnie zbierane są i agregowane rankingi. Ostatecznie grupa powinna osiągnąć konsensus co do priorytetów w rankingu. OPINIE FORCE STRUKTURY. Personel sprzedaży jest często dobrym źródłem informacji dotyczących przyszłego zapotrzebowania. Kierownik sprzedaży może poprosić o informacje pochodzące od każdego sprzedawcę i agr wymień swoje reakcje na złożoną prognozę sprzedaży klienta Należy zachować ostrożność podczas korzystania z tej techniki, ponieważ członkowie sił sprzedaży mogą nie być w stanie rozróżnić tego, co klienci mówią, a co właściwie robią. Również jeśli prognozy zostaną wykorzystane do ustalenia sprzedaży kwoty, siły sprzedaży mogą być skłonne do przedstawienia niższych szacunków. OPISY EKSPOZYCJI. Cztery razy szefowie wyższego szczebla spotykają się i opracowują prognozy w oparciu o wiedzę na temat obszarów, w których są odpowiedzialni. Jest to czasami określane jako jury opinii wykonawczej. MARKET RESEARCH. In badania rynkowe, badania konsumenckie są wykorzystywane do ustalenia potencjalnego popytu Badania takie obejmują zazwyczaj opracowanie kwestionariusza, w którym gromadzono informacje osobiste, demograficzne, ekonomiczne i marketingowe. Na tej podstawie badacze rynku zbierają te informacje osobiście w punktach sprzedaży detalicznej i centrach handlowych, gdzie konsument może doświadczać smaku, odczuć, zapachu i zobaczyć konkretny produkt Naukowiec musi być ostrożny próba badanych osób jest reprezentatywna dla pożądanego celu konsumenckiego. TECHNIKI KWESTIETYCZNE. Techniki prognozowania ilościowego są na ogół bardziej obiektywne niż ich odpowiedniki jakościowe Prognozy ilościowe mogą być prognozami dotyczącymi serii czasowej tj. projekcji przeszłości w przyszłości lub prognoz opartych na modelach asocjacyjnych tj. na podstawie jednej lub kilku zmiennych objaśniających Dane serii czasowej mogą mieć podstawowe zachowania, które muszą zostać zidentyfikowane przez prezentera Ponadto prognoza może potrzebować zidentyfikować przyczyny zachowań Niektóre z tych zachowań mogą być wzorcami lub po prostu losowymi odmianami Wśród wzorce to. Tendencje, które są długoterminowymi ruchami w górę lub w dół w danych. Seasonality, która generuje wahania krótkoterminowe, które zwykle są związane z pory roku, miesiąca, a nawet konkretnego dnia, co świadczy o sprzedaży detalicznej na Boże Narodzenie lub skoki aktywności bankowej w pierwszym miesiącu i piątkach. Cykle, które są odmiennymi wariacjami trwającymi m rudy niż rok, które zwykle są powiązane z warunkami ekonomicznymi lub politycznymi. Tyle reguła, które nie odzwierciedlają typowych zachowań, takich jak okres ekstremalnych zjawisk pogodowych czy strajk związkowy. Różnice losowe, obejmujące wszystkie nietypowe zachowania, których nie uwzględniono inne klasyfikacje. Wśród modeli serii czasowych, najprostszym jest prognoza Na prognozie po prostu wykorzystuje rzeczywiste zapotrzebowanie z poprzedniego okresu, ponieważ prognozowany popyt na następny okres Oczywiście zakłada, że ​​przeszłość będzie powtarzać Przyjmuje się również, że wszelkie trendy, sezonowość lub cykle są odzwierciedlone w poprzednim okresie lub nie istnieją Przykładowy plan prognozowania został przedstawiony w Tabeli 1. Tabel 1 Na ve Forecasting. Inna prosta technika to wykorzystanie uśrednianie Aby prognozować uśrednianie, wystarczy zwykła średnia pewnej liczby okresów przeszłych danych przez zsumowanie każdego okresu i podzielenie wyniku przez liczbę okresów Ta technika została znaleziona być bardzo skuteczne w prognozach krótkoterminowych. Uwarunkowania krótkoterminowe obejmują średnią ruchową, średnią ważoną i ważoną średnią ruchoma Średnia średnia ruchoma ma określoną liczbę okresów, sumuje ich rzeczywisty popyt i dzieli się na liczbę okresów, do osiągnięcia prognoza Dla każdego kolejnego okresu najstarszy okres danych upuszcza się i dodaje się ostatni okres Zakładając trzykondytywną średnią ruchliwą i używając danych z tabeli 1, po prostu dodajemy 45 stycznia, 60 lutego i 72 marca i podziel się przez trzy, aby osiągnąć prognozę na kwiecień 45 60 72 177 3 59. Aby osiągnąć prognozę na maj, spadnie popyt styczniowy z równania i doda zapotrzebowanie od kwietnia Tabela 2 przedstawia przykład 3-miesięcznego ruchu średnia prognoza. Tabela 2 Prognoza średniej ruchomej w ciągu trzech miesięcy. Szacowana ważona średnia ważona ważona dla każdego miesiąca poprzednich danych wynosi z poprzednio określoną masą, sumuje poprzednie dane z każdego okresu i dzieli się na całkowitą masę. prekursor dostosowuje wagi tak, aby ich suma równa 1, a następnie odważniki są mnożone przez rzeczywiste zapotrzebowanie danego okresu. Wyniki są następnie sumowane w celu osiągnięcia ważonej prognozy Ogólnie rzecz biorąc, im dłużej dane, tym większa masa, a im starsze dane, tym mniejsza masa Wykorzystując przykład zapotrzebowania, ważoną średnią z zastosowaniem wag 4 3 2 i 1 prognozuje się na czerwiec jako 60 1 72 2 58 3 40 4 53 8.Forecasters mogą również używać kombinacji średnie ważone i średnie ruchome prognozy Prognoza ważonej średniej ruchomej przypisuje wagi do z góry określonej liczby okresów rzeczywistych danych i oblicza prognozę w taki sam sposób, jak opisano powyżej Podobnie jak w przypadku wszystkich prognoz ruchu, w miarę dodawania każdego nowego okresu, dane z najstarszej okres jest odrzucany Tabela 3 przedstawia średnią ważoną z trzymiesięczną średnią ruchomą, wykorzystującą wagi 5 3 i 2. Tabelę 3 Prognozy średniej ruchomej ważonej w trzech miesiącach. Stałe zapotrzebowanie 000 sA bardziej złożona forma ważonego średnia ruchoma jest równomierna wygładzaniem, tak nazwana, ponieważ masa maleje wykładniczo, gdy wiek danych wygładza Exponencję przyjmuje prognozę z poprzedniego okresu i dostosowuje ją przez z góry określoną stałą wygładzania, zwaną alfą, wartość alfa jest mniejsza niż jedna pomnożona przez różnicę poprzednia prognoza i zapotrzebowanie, które wystąpiły w poprzednio przewidywanym okresie zwanym błędem prognozy Wyrównywanie wyrównawcze wyrażone jest formulaically jako takie Nowa prognoza poprzednia prognoza alfa faktyczny popyt poprzednia prognoza FFA F. Wyrównanie delikatne wymaga od prekursora rozpoczęcia prognozy w ubiegłym okresie i prace nad okresem, w którym potrzebna jest bieżąca prognoza Znaczna ilość dotychczasowych danych oraz początek lub wstępna prognoza są również konieczne Wstępna prognoza może być rzeczywistą prognozą z poprzedniego okresu, rzeczywistym popytem z poprzedniego okresu lub można oszacować poprzez uśrednienie całej lub części przeszłych danych Niektóre heurystyka istnieją do obliczenia początkowej prognozy Na przykład, heurystyczny N 2 1 i alfa 5 daje wynik N równy 3, wskazując, że użytkownik uzyskałby początkową średnią pierwsze trzy okresy danych, ale dokładność pierwotnej prognozy nie ma znaczenia jeśli używamy dużej ilości danych, ponieważ wygładzanie wykładnicze jest samoregulujące Z uwagi na zbyt długie okresy przeszłych danych wyrównanie wykładnicze w końcu doprowadzi do wystarczających korekt, aby zrekompensować racjonalnie niedokładną prognozę początkową Używając danych używanych w innych przykładach, początkowa prognoza wynosząca 50 i alfa wynosząca 7, prognoza na luty jest obliczana jako taka Nowa prognoza 50 lutego 7 45 50 41 5.Następna prognoza dla marca Nowa prognoza marzec 41 5 7 60 41 5 54 45 Proces ten trwa do prognozowany okres osiąga pożądany okres W tabeli 4 nastąpi to na miesiąc czerwca, ponieważ rzeczywisty popyt na czerwiec nie jest znany. Rzeczywiste zapotrzebowanie 000. Przedłużenie wygładzania wykładniczego można zastosować, gdy szereg czasowy d ata wykazuje tendencję liniową Ta metoda znana jest pod kilkoma nazwami Wyrównywanie wyrównania potrojonego potrójnie wygładzoną tendencją, w tym trendu FIT i modelu Holt Bez korekty, proste efekty wyrównywania wykładniczki ulegną trenowaniu, tzn. prognoza zawsze będzie niska, jeśli trend wzrasta lub jest wysoki, jeśli tendencja maleje W tym modelu istnieją dwie stałe wygładzania i reprezentujące składnik tendencji. Przedłużenie modelu Holt s Metoda Holt-Winter s uwzględnia tendencję i sezonowość dwie wersje, multiplikatywne i addytywne, przy czym mnożnik jest najszerzej stosowany W modelu addytywnym sezonowość wyrażana jest jako ilość dodawana do lub odejmowana od średniej serii Model multiplikatywny wyraża sezonowość jako procent znany jako sezonowy krewny lub sezonowy indeksy średniej lub tendencji Są to wartości mnożone razy w celu uwzględnienia sezonowości Krewny 0 8 i ndikatny popyt, który wynosi 80 procent średniej, podczas gdy 1 10 wskazuje na popyt, który jest o 10 procent wyższy od średniej Szczegółowe informacje dotyczące tej metody można znaleźć w większości podręczników do zarządzania operacjami lub w jednej z wielu książek na temat prognozowania. Techniki nawiązania lub przyczyny obejmować identyfikację zmiennych, które można wykorzystać do przewidzenia innej zmiennej zainteresowania Na przykład, stopy procentowe mogą być wykorzystane do prognozowania zapotrzebowania na refinansowanie w domu Zazwyczaj wymaga to regresji liniowej, w której celem jest opracowanie równań podsumowujących wpływ zmiennych niezależnych od predykucji na prognozowaną zależną zmienną Jeśli została wykreślona zmienna predykcyjna, celem byłoby uzyskanie równania prostej, która minimalizuje sumę kwadratowych odchyleń od linii z odchyleniem będącym odległością od każdego punktu do linii Równanie pojawi się jako ya bx, gdzie y jest przewidywaną zmienną zależną, x jest poprzednią zmienna niezależna dyktora, b jest nachyleniem linii, a jest równa wysokości linii na przechwytywaniu y Kiedy równanie zostanie określone, użytkownik może wstawić wartości bieżące dla zmiennej niezależnej predykatora, aby uzyskać zależną od prognozy Jeśli istnieje więcej niż jedna zmienna predykcyjna lub jeśli związek między predyktorem a prognozą nie jest liniowy, prosta regresja liniowa będzie niewystarczająca W sytuacjach z wieloma predyktorami należy zastosować regresję wielokrotną, podczas gdy nielinearne relacje wymagają użycia regresja krzywoliniowa. EKTOROMICZNE PROGNOZY. Ekonometryczne metody, takie jak autoregresywny zintegrowany ruchomy średni model ARIMA, stosuj złożone równania matematyczne w celu ukazania przeszłych relacji między zapotrzebowaniem a zmiennymi, które wpływają na zapotrzebowanie Równanie jest wyprowadzane, a następnie testowane i dostrojone, aby zapewnić, że jest równie wiarygodnym odzwierciedleniem wcześniejszej relacji, jak to możliwe Kiedy to nastąpi, przewidywane wartości wpływu zmienne dochody, ceny itp. są wstawiane do równania w celu dokonania prognozy. PROGNOZY EWALUACYJNE. Dokładność rzutu może być określona poprzez obliczenie stronniczości, średniego odchylenia bezwzględnego MAD, średniego błędu kwadratowego MSE lub średniego bezwzględnego błędu procentowego MAPE dla prognozy przy użyciu różnych wartości dla alfa Błąd jest sumą błędów prognozy FE Dla przykładu wyrównania wykładniczego powyżej, obliczona tendencja będzie wynosić 60 41 5 72 54 45 58 66 74 40 60 62 6 69.Jeżeli ktoś zakłada, że ​​niskie nastawienie wskazuje ogólnie niski Błędy prognozy można obliczyć tendencje do szeregu potencjalnych wartości alfa i przypuszczać, że najmniejsza tendencja byłaby najdokładniejsza Jednak należy zachować ostrożność w tym, że dziko niedokładne prognozy mogą przynieść niskie nastawienie, jeśli mają tendencję do być zarówno nad prognozą, jak i prognozowaną negatywną i pozytywną Na przykład, w trzech okresach firma może wykorzystać określoną wartość alfa do prognozowanych przez 75 000 jednostek 75 000, w prognozie 100 000 000 jednostek; a następnie prognozowane przez 25 000 jednostek 25 000, dając zera 75 000 100 000 25 000 0 Dla porównania, inna alfa wyniosła ponad prognozy wynoszące 2000 jednostek, 1000 jednostek i 3000 jednostek, przyniosłoby tendencję do 5000 jednostek Jeśli normalny popyt wyniósł 100 000 sztuk na pierwszy alfa przyniosłby prognozy, które wyniosły nawet o 100 procent, podczas gdy drugi alfa byłby wyłączony maksymalnie o 3 procent, mimo że tendencja do pierwszej prognozy była zerowa. Bezpieczniejszą miarą dokładności prognozy jest średnie bezwzględne odchylenie MAD Aby obliczyć MAD, prekursor sumuje wartość bezwzględną błędów prognozy, a następnie dzieli się na liczbę prognoz FE N Przyjmując bezwzględną wartość błędów prognozy, ujemne jest wyrównanie wartości dodatnich i ujemnych oznacza, że ​​zarówno przekroczona prognoza na poziomie 50, jak i prognoza 50 są wyłączone przez 50 Korzystając z danych z przykładu wygładzania wykładniczego, MAD można obliczyć następująco: 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 W związku z tym prognozuje się średnio 16 35 jednostek na prognozę W porównaniu z wynikami innych alfów, prekursor będzie wiedział, że alfa z najniższym MAD daje największą prognozę. Mean błąd kwadratowy MSE może być również wykorzystany w ten sam sposób MSE jest sumą prognozowanych błędów dzielonych przez N-1 FE N-1 Wyrównywanie błędów prognozowych eliminuje możliwość wyrównywania liczb ujemnych, ponieważ żaden z wyników nie może być ujemny Wykorzystując te same dane jak powyżej, MSE wynosiłby 18 5 17 55 8 74 20 62 3 383 94 Podobnie jak w przypadku MAD, prekursor może porównać MSE prognoz uzyskanych przy użyciu różnych wartości alfa i przyjmować alfa z najniższym MSE daje najbardziej dokładną prognozę. Średnia bezwzględna procentowy błąd MAPE jest średnim bezwzględnym błędem procentowym Aby dotrzeć do MAPE należy wziąć sumę wskaźników pomiędzy błędem prognozy a rzeczywistym czasem zapotrzebowania 100, aby uzyskać procent i podzielić przez N Rzeczywistą prognozę popytu Aktualne zapotrzebowanie 100 N Korzystając z danych z przykładu wyrównania wykładniczego, MAPE można obliczyć następująco: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Podobnie jak w przypadku MAD i MSE, im niższy jest błąd względny, tym dokładniejsza jest prognoza. Należy zauważyć, że w niektórych przypadkach zdolność prognozowania do szybkiego reagowania na zmiany wzorców danych jest ważniejsza niż dokładność. Dlatego jeden z wybranych metod prognozowania powinien odzwierciedlać względną wagę ważności między dokładnością a szybkością odpowiedzi , jak określono przez prezentera. WYKONANIE PROGNOZA. William J Stevenson wymienia następujące elementy jako podstawowe etapy procesu prognozowania. Określ cel prognozy Czynniki takie jak: jak i kiedy będzie stosowana prognoza, wymagany stopień dokładności i poziom wymaganego szczegółu określa czas, koszt, pracowników, które mogą być przeznaczone na prognozę i rodzaj metody prognozowania, która ma być wykorzystana. Ustanowienie horyzontu czasu To zdarza się po tym, wydobycie celu prognozy Długoterminowe prognozy wymagają dłuższych horyzontów czasowych i vice versa Dokładność jest ponownie rozważana. Wybierz technikę prognozowania Wybrana technika zależy od celu prognozy, wymaganego horyzontu czasowego i dozwolonych kosztów. analizuj dane Ilość i rodzaj potrzebnych danych jest zależny od przewidywanego celu, wybranej techniki prognozowania oraz wszelkich rozważań o kosztach. Make prognozę. Monitora prognozy Ocenia wydajność prognozy i zmodyfikuj, jeśli to konieczne. ZALECIE DOSTĘPNE. , Byron J Operacje teraz rentowność, procesy, wydajność 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Analiza ekonometryczna 5 ed Górna Saddle River, NJ Prentice Hall, 2003.Joppe, dr Marion Technika Grupy Nominalnej Proces badawczy dostępny z. Stevenson, William J. Operations Management 8 z Bostonu McGraw-Hill Irwin, 2005. Czytaj także artykuł o prognozowaniu z Wikipedii.