OR-Notes to seria wstępnych notatek z tematów, które należą do szerokiego działu badań terenowych LUB LUB oryginalnie używanych mnie we wstępnym kursu OR daję w Imperial College Są teraz dostępne dla wszystkich studentów i nauczycieli zainteresowanych LUB z zastrzeżeniem następujących warunków. Pełny wykaz tematów dostępnych w OR-Notes można znaleźć tutaj. Przykłady dotyczące przykładów na żywo. Najbardziej przykładowy egzamin na UG w 1996 r. Zapotrzebowanie na produkt w każdym z pięciu miesięcy przedstawiono poniżej Użyj średniej ruchomej w ciągu dwóch miesięcy, aby wygenerować prognozę popytu w miesiącu 6.Przyprowadzić wyrównanie wykładnicze ze stałą wygładzania równą 0 do wygenerowania prognozy popytu na popyt w miesiącu 6.Każda z tych dwóch prognoz wolisz i dlaczego. Średnia miesięczna miesiąca wynosi od dwóch do pięciu. Prognoza na szóstym szóstym jest tylko średnią ruchoma miesiąca, tj. Średnią ruchoma w miesiącu 5 m 5 2350. Zastosowanie wygładzania wykładniczego z wygładzaniem stała z 0 9. dostajemy. Jak przed prognozą na miesiąc sześć 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 średniej wykładniczej średniej ze stałą wygładzania wynoszącą 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Przeważnie wtedy widzimy, że wyrównywanie wykładnicze wydaje się dać najlepsze prognozy na 1 miesiąc, ponieważ ma niższą MSD. W związku z tym wolimy prognozę 2386, która została wyprodukowana przez wyrównywanie wykładnicze. Najbardziej przykładowy przykład egzaminu z 1994 roku na UG. Poniższa tabela przedstawia zapotrzebowanie na nową aftanię w sklepie dla każdego z ostatnich 7 miesięcy. Obliczenie średniej ruchomej dwóch miesięcy w miesiącach od dwóch do siedmiu. Jaka będzie Twoja prognoza dla popytu w miesiącu 8. Zastosuj gładką wykładniczkę o stałej wygładzaniu równą 0, aby prognozować popyt w 8. miesiącu. Jakieś dwa prognozy na miesiąc ósmy? u wolę i dlaczego. Właściciel sklepu wierzy, że klienci przechodzą do tej nowej aferencji po dalszej pielęgnacji przez inne marki Omówmy, jak można modelować to zachowanie przełączania i wskazać dane, których potrzebujesz, aby potwierdzić, czy to nastąpi, czy nie. Dwumiesięczny ruch średnia dla miesięcy od dwóch do siedmiu jest podana przez. Prognoza dla miesiąca ósemka jest tylko średnią ruchoma miesiąca, tj. średnia ruchoma miesiąca 7 m 7 46. W zależności od wyrównania wykładniczego ze stałą wygładzania równą 0 otrzymamy. przed prognozą dla miesiąca ósemka jest średnią dla miesiąca 7 M 7 31 11 31, ponieważ nie możemy mieć ułamkowego zapotrzebowania. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej. and dla wykładniczo wyostrzonej średniej ze stałą wygładzania równą 0 1.Następnie widzimy, że średnia miesięczna ruchu wynosi dwa miesiące, dając najlepsze przewidywania jednomiesięczne, ponieważ ma niższą MSD. Dlatego wolimy prognozę o f 46, która została wyprodukowana przez średnią ruchomą w ciągu dwóch miesięcy. Aby przeanalizować przełączanie, musimy użyć modelu procesu Markowa, w którym marki państw i potrzebujemy informacji dotyczących stanu początkowego i prawdopodobieństwa przełączania klientów z badań Musimy uruchomić model na dane historyczne, aby sprawdzić, czy mamy do czynienia z modelem i zachowaniem historycznym. Na przykład z przykładu 1992 UG. Poniższa tabela przedstawia zapotrzebowanie na konkretną markę maszynki do golenia w sklepie przez co najmniej dziewięć miesięcy. Średnia dla miesięcy od trzech do dziewięciu Jaka byłaby twoja prognoza dla popytu w miesiącu dziesięć. Wyrównanie wykładnicze ze stałą wygładzania wynosi 0 3, aby prognozować popyt w miesiącu dziesięć. Jakieś dwa prognozy na dziesięć miesięcy wolisz i dlaczego. Średnia miesięczna średnia za miesiąc od 3 do 9. Prognoza na miesiąc 10 to średnia ruchoma miesiąca, tj. średnia ruchoma w miesiącu 9 m 9 20 33. Ponieważ nie możemy ułamkowe zapotrzebowanie na prognozę dla miesiąca 10 wynosi 20.Zastosowanie wyrównania wykładniczego ze stałą wygładzania równą 0-3 otrzymamy. Zanim prognoza na miesiąc 10 jest średnią dla miesiąca 9 M 9 18 57 19, ponieważ nie możemy mieć ułamkowego popytu. porównaj dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, to dla średniej ruchomej i średniej wygładzonej wykładniczo ze stałą wygładzania równą 0 3.Następnie widzimy, że średnia trwa trzy miesiące wydaje się dawać najlepsze prognozy jednomiesięczne z uwagi na niższy poziom MSD W związku z tym wolimy prognozę 20, która została wyprodukowana przez średnią ruchomej w ciągu trzech miesięcy. Przykład na przykład z 1991 r. UG Poniższa tabela przedstawia zapotrzebowanie na określoną markę faksów w dom towarowy w każdym z ostatnich dwunastu miesięcy. Oblicz średnią ruchomej w ciągu miesiąca od 4 do 12 miesięcy. Jaka będzie Twoja prognoza dla popytu w miesiącu 13. Zastosuj wyrównywanie wykładnicze ze stałą wygładzania równą 0 do 2 Mam prognozę na zapotrzebowanie w miesiącu 13. Jakie są dwie prognozy dla miesiąca 13. Czy inne czynniki, nieuwzględnione w powyższych obliczeniach, mogą wpływać na zapotrzebowanie na faks w miesiącu 13. Cztery miesiące w ruchu średnia dla miesięcy od 4 do 12 wynosi: 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 dla miesiąca 13 jest tylko średnią ruchoma dla miesiąc, tj. średnia ruchoma w miesiącu 12 m 12 46 25. Ponieważ nie możemy mieć ułamkowego zapotrzebowania, prognoza dla miesiąca 13 wynosi 46. Wydaje się, że wyrównanie wykładnicze z wygładzoną stałą równą 0 otrzymamy. Przed prognozą na miesiąc 13 jest średnią dla miesiąca 12 M 12 38 618 39, ponieważ nie możemy mieć ułamkowego zapotrzebowania. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchyłki MSD Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej oraz dla średniej wygładzonej wykładniczo ze stałą wygładzania równą 0 2. Następnie widzimy, że średnia ruchoma w ciągu czterech miesięcy wydaje się być najlepszym prognozami na 1 miesiąc, ponieważ ma niższą wartość MSD. Dlatego wolimy prognozę 46, która została produkowane przez cztery miesiące ruchome average. seasonalne popyt. przy zmiany, zarówno tej marki i innych brands. general sytuacji gospodarczej. new technology. Forecasting przykład 1989 UG egzamin. Start poniżej pokazuje zapotrzebowanie na konkretną markę kuchenki mikrofalowej w dziale przechowywać w każdym z ostatnich dwunastu miesięcy. Oblicz średnią ruchomą w ciągu sześciu miesięcy dla każdego miesiąca Jaka będzie twoja prognoza dla popytu w miesiącu 13. Zastosuj wyrównywanie wykładnicze ze stałą wygładzania wynoszącą 0 7, aby prognozować popyt w miesiącu 13.Jednak z dwóch prognoz dla miesiąca 13 wolisz i dlaczego. Teraz nie możemy obliczyć średniej ruchomej w ciągu sześciu miesięcy do momentu, w którym mamy co najmniej 6 obserwacji - tzn. Możemy obliczyć taką średnią od miesiąca 6 w stosunku do Henc e 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 miesiąca 13 jest tylko średnią ruchoma dla miesiąc, tj. średnia ruchoma w miesiącu 12 m 12 38 17. Ponieważ nie możemy mieć ułamkowego zapotrzebowania, prognoza dla miesiąca 13 wynosi 38. Wyrównywanie wykładnicze z wyrównaniem wykładowym ze stałą wygładzania wynoszącą 0 7 otrzymujemy. Przykłady obliczeń prognozy. A 1 Metody obliczania prognozy Dostępne są dwanaście metod obliczania prognoz Większość powyższych metod zapewnia ograniczoną kontrolę użytkownika Na przykład może być określona masa umieszczona na ostatnich danych historycznych lub zakres danych daty używanych w obliczeniach Poniższe przykłady przedstawiają obliczenia procedura dla każdego z dostępnych metod prognozowania, biorąc pod uwagę identyczny zestaw danych historycznych. Poniższe przykłady wykorzystują te same lata 2004 i 2005 s dane ales do produkcji prognozy sprzedaży w 2006 r. Oprócz prognozy kalkulacja, każdy przykład zawiera symulowaną prognozę na rok 2005 dla opcji przetwarzania okresu trzymiesięcznego 193, która jest następnie wykorzystywana do procentowej dokładności i średnich bezwzględnych obliczeń odchylenia rzeczywistej sprzedaży w porównaniu do symulacji prognoza. A 2 Kryteria oceny prognozy wyników. W zależności od wyboru opcji przetwarzania oraz trendów i wzorców istniejących w danych o sprzedaży, niektóre metody prognozowania będą działały lepiej niż inne dla danego zbioru danych historycznych. Metoda prognozowania, która jest odpowiednia dla jednego produkt może nie być odpowiedni dla innego produktu Jest mało prawdopodobne, że metoda prognozowania, która zapewnia dobre wyniki w jednym etapie cyklu życia produktu, pozostanie właściwa przez cały cykl życia. Możesz wybrać jedną z dwóch metod w celu oceny bieżącej wydajności metody prognozowania Są to średnie odchylenia bezwzględne MAD i procent dokładności POA Obie strony te metody oceny skuteczności wymagają historycznych danych dotyczących sprzedaży dla określonego przez użytkownika okresu czasu Okres ten jest nazywany okresem okresów utrzymywania lub okresami najbardziej odpowiednimi do PBF Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, które z metod prognozowania mają być wykorzystane w procesie tworzenia następna prognoza prognozy Ta rekomendacja jest specyficzna dla każdego produktu i może zmieniać się z jednej prognozy na następną. Dwie metody prognozowania wyników są przedstawione na stronach następujących przykładów dwunastu metod prognozowania. A 3 Metoda 1 - Określony Procent Ponad Ostatni rok. Ta metoda zwielokrotnia dane z poprzedniego roku o współczynnik określony przez użytkownika, np. 1 10 przy 10 zwiększeniu, lub 0 97 dla 3-krotnego spadku. Wymagana historia sprzedaży Jeden rok dla obliczania prognozy plus określona przez użytkownika liczba okresy czasu dla oceny opcji przetwarzania prognozy wydajności 19.A 4 1 Prognoza Obliczenia. Historia sprzedaży stosowana przy obliczaniu współczynnika wzrostu opcja 2a 3 w tym przykładzie. Sp. ostatnie trzy miesiące 2005 114 119 137 370.So te same trzy miesiące dla poprzedniego roku 123 139 133 395. obliczony współczynnik 370 395 0 9367.liczyć prognozy. January, sprzedaż w 2005 r. 128 0 9367 119 8036 lub około 120. lutego 2005 r. Sprzedaż 117 0 9367 109 5939 lub około 110 mln zł, sprzedaż w 2005 r. 115 0 9367 107 7205 lub około 108.A 4 2 Symulowane obliczanie prognozy. Przez trzy miesiące 2005 r. Przed okres trzymiesięczny lipiec, sierpień, wrzesień 1986 r. 140 131 400. Z tym samym trzy miesiące za poprzedni rok.141 128 118 387. obliczony współczynnik 400 387 1 033591731.kliczanie symulacji prognozy. W październiku 2004 r. sprzedaż 123 1 033591731 127 13178. Listopad 2004 r. Sprzedaż 139 1 033591731 143 66925.December 2004 sprzedaż 133 1 033591731 137 4677.A 4 3 Procent dokładności Obliczenia. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Średnia Kalkulacja odchylenia bezwzględnego. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 467 7 3 12 75624.A 5 Metoda 3 - Ostatni rok w tym roku. Ta metoda kopiuje dane dotyczące sprzedaŜy z poprzedniego roku na następny rok. Wymagana historia sprzedaŜy Rok do obliczenia prognozy wraz z liczbą okresów czasu wyznaczonych do oceny prognozowanych wyników opcja przetwarzania 19.A 6 1 Prognoza Obliczenia. Numina okresów, które mają zostać uwzględnione w średniej opcji przetwarzania 4a 3 w tym przykładzie. Dla każdego miesiąca prognozy średnie dane z poprzednich trzech miesięcy. Prognoza styczności 114 119 137 370, 370 3 123 333 lub 123. Prognoza lutowna 119 137 123 379, 379 3 126 333 lub 126. Prognoza makro 137 123 126 379, 386 3 128 667 lub 129.A 6 2 Symulowana prognoza Obliczenia. Obnia 2005 r. Sprzedaż 129 140 131 3 133 3333 . Sprzedaż w listopadzie 2005 r. 140 131 114 3 128 3333 Sprzedaż w grudniu 2005 r. 131 114 119 3 121 3333.A 6 3 Procent dokładności Obliczenia. POA 133 3333 128 3333 121 3333 114 119 137 103 103 513.A 6 4 Obliczanie średniego bezwzględnego odchylenia. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metoda 5 - Przybliżenie liniowe. Przybliżenie liniowe oblicza tendencję opartą na dwóch punktach danych dotyczących historii sprzedaży. Te dwa punkty definiują prostą linię trendu przewidzianą w przyszłości. Ostrożnie użyj tej metody, ponieważ prognozy długoterminowe są wykorzystywane przez niewielkie zmiany w zaledwie dwóch punkty danych. Wymagana historia sprzedaży Liczba okresów uwzględnienia w opcji przetwarzania regresji 5a, plus 1 plus liczba okresów czasu dla oceny opcji przetwarzania prognozy wydajności 19.A 8 1 Prognoza Obliczanie. Następna liczba okresów uwzględnienia w opcji przetwarzania regresji 6a 3 w tym przykładzie. Dla każdego miesiąca prognozy należy dodać wzrost lub spadek w określonych okresach przed okresem holdout poprzedniego okresu. Zgodnie z poprzednich trzech miesięcy 114 119 137 3 123 3333.Summary z poprzednich trzech miesięcy z wagą uważane. 114 1 119 2 137 3 763.Różnica pomiędzy wartościami. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 23 2 11 5. Wartość 2 Wartość średnia - wartość 123 3333 - 11 5 2 100 3333.Forecast 1 wartość n1 wartość2 4 11 5 100 3333 146 333 lub 146.Forecast 5 11 5 100 3333 157 8333 lub 158.Forecast 6 11 5 100 3333 169 3333 lub 169.A 8 2 Symulowana prognoza Prognoza sprzedaży na poziomie z października 2004 r. Z ubiegłych trzech miesięcy . 129 140 131 3 133 3333. Streszczenie z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 129 1 140 2 131 3 802.Między różnymi wartościami. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 2 2 1. Wartość 2 Średnia wartość1 133 3333-1 2 131 3333.Forecast 1 n wartość1 wartość2 4 1 131 3333 135 3333. sprzeda yw 2004 r. Z caego okresu trzech miesi cy. 140 131 114 3 128 3333. Podsumowanie ostatnich trzech miesięcy z uwzględnieniem wagi. 140 1 131 2 114 3 744.Różnica pomiędzy wartościami 744 - 128 3333 1 2 3 -25 9999. Różnicę Różnicową Różnicę -25 9999 2 -12 9999. Wartość 2 Wartość średnia - wartość 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333. W grudniu 2004 r. Sprzedaż w ciągu ostatnich trzech miesięcy. 131 114 119 3 121 3333.Summary z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 131 1 114 2 119 3 716.Różnica pomiędzy wartościami. 716 - 121 3333 1 2 3 -11 9999. Współczynnik różnicy w stosunku do wartości 1 -9 9999 2 -5 9999. Wartość 2 Średnia wartość 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent dokładności Obliczanie dokładności. POA 135 33 102 33 109 33 114 119 137 93 93 78.A 8 4 Średnia obliczalność odchylenia bezwzględnego. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metoda 7 - Drugi Przybliżenie stopnia. Regresja liniowa określa wartości dla a i b w projekcie prognozy Y a bX w celu dopasowania prostej do danych z historii sprzedaży. Drugi stopień zbliżenia jest podobny. Jednakże ta metoda określa wartości dla a, b i c w prognozowana formuła Y a bX cX2 w celu dopasowania krzywej do historii historii sprzedaży Ta metoda może być użyteczna, gdy produkt znajduje się w przejściu między etapami cyklu życiowego Przykładowo, gdy nowy produkt przemieszcza się od etapu wprowadzania do etapów wzrostu , trend sprzedaży może przyspieszyć Ze względu na drugi termin zamówień, prognoza może szybko się zbliżać nieskończoność lub spadek do zera w zależności od tego, czy współczynnik c jest dodatni czy ujemny Dlatego też ta metoda jest użyteczna tylko w krótkim okresie czasu. Specyfikacja techniczna Forecasta Odnosi się do formuły a, b i c, aby dopasować krzywą do dokładnie trzech punktów. opcja przetwarzania 7a, liczba okresów danych zgromadzonych w każdym z trzech punktów W tym przykładzie n 3 W związku z tym faktyczne dane o sprzedaży od kwietnia do czerwca są łączone w pierwszy punkt, od pierwszego kwartału do września, w celu utworzenia Q2 , a od października do grudnia suma do Q3 Krzywa będzie dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży 3 n okresy obliczania prognozy plus liczba okresów potrzebnych do oceny prognozy PBF. Ilość okresy obejmujące opcję przetwarzania 7a 3 w tym przykładzie. Użyj poprzednich 3 n miesięcy w blokach trwających trzy miesiące. Q1 kwi - gru 125 122 137 384.q2 lip - wrz 129 140 131 400.q3 paź - gru 114 119 137 370. Następny etap obejmuje c przeliczając trzy współczynniki a, b i c do wzoru prognozowania Y a bX cX 2. 1 Q 1 a bX cX 2 gdzie X 1 a b c c 2, 2 Q 2 a bX cX 2 gdzie X 2 a 2b 4c. 3 Q3 a bX cX2 gdzie X3 a 3b 9c. Solve trzy równania jednocześnie znaleźć b, a i c. Subtract równanie 1 z równania 2 i rozwiązać dla b. Spodstaw tego równania dla b do równania 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ostatecznie zastąp te równania dla aib w równaniu 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. Metoda przybliżenia drugiego stopnia a, b i c w następujący sposób. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 - 23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2. stycznia do marca Prognoza marcowa X 4 322 340 - 368 3 294 3 98 za okres od kwietnia do czerwca prognoza X 5. 322 425 - 575 3 57 333 lub 57 za okres od lipca do września. X 6. 322 510 - 828 3 1 33 lub 1 za okres od października do grudnia X 7. 322 595 - 1127 3 -70.A 9 2 Symulowana prognoza Prognozy październik, listopad i sprzedaż w grudniu 2004.q1 sty - mar 360.q2 kwi - cze 384.q3 lip - wrzesień 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Procent dokładności Obliczenia. POA 136 136 136 114 119 137 100 110 27.A 9 4 Średnia obliczalność odchylenia bezwzględnego. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metoda 8 - metoda elastyczna Metoda elastyczności Procent powyżej n miesięcy Poprzedni jest podobny do metody 1, w procentach w ubiegłym roku Obie metody pomnożają dane sprzedaży z poprzedniego okresu przez określony przez użytkownika czynnik , a następnie projekt tego wyniku w przyszłość W metodzie Procent w ubiegłym roku projekcja oparta jest na danych z tego samego okresu czasu w roku poprzednim. Metoda elastyczna dodaje możliwość określania innego okresu poza tym samym okresem roku ubiegłego wykorzystanie jako podstawa obliczeń. Współczynnik korekcyjny Na przykład, określ opcję 1 15 w opcji przetwarzania 8b, aby zwiększyć poprzednie dane dotyczące historii sprzedaży o 15. Czas bazowy Na przykład n 3 spowoduje, że pierwsza prognoza zostanie oparta na danych o sprzedaży w Październik 2005. Minimalna historia sprzedaży Użytkownik podał numer o f okresy powrotu do okresu bazowego plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. A 10 4 Średnia obliczalność odchylenia bezwzględnego. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metoda 9 - Ważony przepływ Średnia Średnia ważona średnia metoda WMA jest podobna do metody 4, Moving Average MA Jednakże przy średniej ważonej ruchomej można przypisać nierówne wagi do danych historycznych Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę dla krótkoterminowe Najnowsze dane są zazwyczaj przypisywane większej wagi niż starsze dane, dzięki czemu WMA reaguje bardziej na zmiany poziomu sprzedaży Mimo to, prognozowane nastawienia i systematyczne błędy występują nadal, gdy historia sprzedaży produktów wykazuje silną tendencję lub wzorce sezonowe metoda lepiej sprawdza się w przypadku krótkoterminowych prognoz produktów dojrzałych, a nie na produkty w fazie wzrostu lub starzenia się cyklu życia. należy podać liczbę okresów historii sprzedaży, kalkulacja prognozy Na przykład określić n 3 w opcji przetwarzania 9a, aby wykorzystać ostatnie trzy okresy jako podstawę projekcji do następnego okresu. Duża wartość dla n takich jak 12 wymaga większej historii sprzedaży. Stwarza stabilną prognozę , ale będzie powolna rozpoznawać zmiany poziomu sprzedaży Z drugiej strony mała wartość dla n np. 3 szybciej reaguje na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać odchylenia przypisane do każdego z historycznych okresów danych Przyporządkowane ciężary muszą wynosić 1 00 Na przykład, gdy n 3, przyporządkuj wagi 0 6, 0 3 i 0 1, przy czym najnowsze dane otrzymują największą wagę. Minimalna wyma gana historia sprzedaży plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metoda 10 - wygładzanie liniowe. Ta metoda jest podobna do Metoda 9, Ważona średnia ruchoma WMA Jak kiedykolwiek, zamiast arbitralnie przyporządkować wagi do danych historycznych, formuła jest używana do przypisywania odważników, które spadają liniowo i sumują do 1 00. Metoda następnie oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć projekcję na krótką metę. Jest to prawda wszystkich linearnych średnich kroczących technik prognozowania, przewidywanych stron i błędów systematycznych pojawiają się, gdy historia sprzedaży produktów wykazuje silny trend lub sezonowe wzorce Ta metoda działa lepiej w przypadku krótkoterminowych prognoz produktów dojrzałych, a nie dla produktów w fazie wzrostu lub starzenia się życia cyklu. n liczby okresów historii sprzedaży do wykorzystania w kalkulacji prognozy Jest to określone w opcji przetwarzania 10a Na przykład określić n 3 w opcji przetwarzania 10b, aby wykorzystać trzy ostatnie okresy jako podstawę projekcji do następny okres System automatycznie przydzieli wagi do danych historycznych, które spadają liniowo i sumują do 1 00 Na przykład, gdy n 3, s ystem przypisuje wagi 0 5, 0 3333 i 0 1, przy czym najstarsze dane otrzymują największą wagę. Minimalna historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozy PBF. A 12 1 Prognoza Obliczenia. Liczba okresów uwzględnienia w opcji wygładzania średniej opcji przetwarzania 10a 3 w tym przykładzie. Ratio dla jednego okresu poprzedzającego 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio dla dwóch okresów poprzedzających 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio na trzy okresy poprzedzające 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. Prognoza styczności 137 0 5 119 1 3 114 1 6 127 16 lub 127. Prognoza dla lutego 127 0 5 137 1 3 119 1 6 129. Prognoza makroekonomiczna 129 0 5 127 1 3 137 1 6 129 666 lub 130.A 12 2 Symulowana prognoza Prognoza sprzedaży w październiku 2004 r. 129 1 6 140 2 6 131 3 6 133 6666.Niemcy 2004 r. Sprzedaż 140 1 6 131 2 6 114 3 6 124. Sprzedaż w grudniu 2004 r. 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent dokładności Obliczenia. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Średnie obliczenie odchylenia bezwzględnego. SZALONY 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metoda 11 - wyrównywanie wykładnicze Metoda ta jest podobna do metody 10, Wygładzanie liniowe W wyrównywaniu liniowym system przypisuje wagi do danych historycznych, które spadają liniowo W wyrównywaniu wykładniczym , system przypisuje odważniki, które uległy rozkładowi wykładniczo Równowaga prognozowania wyrównania wykładniczego to. Prognoza Poprzednia sprzedaż rzeczywista 1 - poprzednia prognoza. Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu, a prognozą z poprzedniego okresu a jest Waga zastosowana do rzeczywistej sprzedaży za poprzedni okres 1 - a jest wagą zastosowaną do prognozy dla poprzedniego okresu Okres ważności dla zakresu od 0 do 1 i zwykle mieści się w przedziale od 0 do 0 4 Suma wagi wynosi 1 00 a 1 - a 1. Powinieneś przypisać wartość dla stałej wygładzania, a Jeśli nie przypisujesz wartości dla stałej wygładzania, system oblicza założoną wartość w oparciu o liczbę okresów historii sprzedaży określoną d w opcji przetwarzania 11a. a stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży Ważne wartości w przedziale od 0 do 1.n zakresu danych historii sprzedaży, aby uwzględnić w obliczeniach Ogólnie rok danych dotyczących historii sprzedaży jest wystarczająca do oszacowania ogólnego poziomu sprzedaży W tym przykładzie wybrano małą wartość dla nn 3 w celu zredukowania ręcznych obliczeń wymaganych do sprawdzenia wyników Wyrównywanie wykładnicze może generować prognozę na podstawie zaledwie jednego historycznego punkt danych. Minimalna wymagana historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozy PBF. A 13 1 Prognoza Kalkulacja. Ilość okresów uwzględnienia w opcji wygładzania średniej obróbki 11a 3 oraz opcja przetwarzania faktury alfa 11b w tym miejscu przykład. a współczynnik najstarszych danych handlowych 2 1 1 lub 1, gdy określony jest alfa. a współczynnik dla 2 najstarszych danych handlowych 2 1 2 lub alfa, gdy alfa jest określony. a współczynnik dla trzeciego najstarszego numeru sprzedaży 2 1 3 lub alfa po podaniu alfa. a współczynnika dla ostatnich danych dotyczących sprzedaży 2 1 n lub alfa, gdy alfa jest określony. Niemcy Sm Śr. do października Rzeczywisty 1 - Październik Śr. Śr. 1 114 0 0 114. Lipiec Śr. Śr. Śr. Listopad Rzeczywisty 1 - listopad Sm Śr. 2 3 119 1 3 114 117 3333.January Prognoza Grudnia Rzeczywisty 1 - Grudzień Śr. Śr. 2 4 137 2 4 117 3333 127 16665 lub 127. Prognoza lutego Prognoza styczniowa 127. Prognoza makroekonomiczna w styczniu Prognoza 127.A 13 2 Symulowana prognoza obliczania. July, 2004 Sm Śr. 2 2 129 129.August Sm Śr. 2 3 140 1 3 129 136 3333.September Sm Śr. 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140 Wrzesień Sm Śr. Śr. 2 3 131 1 3 140 134.Prz. Śr. Śr. Śr. 2 4 114 2 4 134 124.Niemie 2004 r. Wrzesień wrz Średnia 124 Sierpnia 2004 Sm Średnia 2 2 131 131. Oktober Sm Śr. 2 3 114 1 3 131 119 6666.Niemcy Sm Śr. 2 4 119 2 4 119 6666 119 3333. Wczoraj 2004 r. Sprzedaż Wrz. Sm Śr. 119 3333.A 13 3 Procent Dokładności Calcula t. 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Średnia obliczalność odchylenia bezwzględnego. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metoda 12 - wyrównywanie wyrównawcze z tendencją i sezonowością Metoda ta jest podobna do metody 11 Wyrównywanie wykładnicze, w którym obliczana jest średnia wygładzona. Metoda 12 zawiera również wyrażenie w równaniu prognozowania do obliczania wygładzonej tendencji Prognoza składa się ze średniej wygładzonej dostosowanej do trendu liniowego w opcji przetwarzania prognoza jest również dostosowywana do sezonowości. a stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży Ważna wartość dla alfa wynosi od 0 do 1.b stała wygładzania używana do obliczania wygładzonej średnia dla składnika tendencji prognozy Prawidłowe wartości dla zakresu beta od 0 do 1.Chociaż indeks sezonowy jest stosowany do prognozy. a i b są niezależne od siebie Nie muszą dodawać do 1 0.Min imum wymagał historii sprzedaży dwa lata oraz liczby okresów czasu potrzebnych do oceny prognozy PBF. Metoda 12 wykorzystuje dwa równania wyrównania wykładniczego i jedną prostą średnią do obliczenia średniej wygładzonej, wygładzonej tendencji i prostego średniego czynnika sezonowego. A 14 1 Prognoza Obliczenia. A Średnica wykładniczo wygładzona. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Ocena prognoz. Można wybrać metody prognozowania, aby wygenerować aż dwanaście prognoz dla każdego produktu. Każda prognoza metoda prawdopodobnie utworzy nieco inną projekcję Kiedy tysiące produktów jest prognozowane, niepraktyczne jest dokonanie subiektywnej decyzji dotyczącej tego, które z prognoz użyć w planach każdego z produktów. System automatycznie ocenia wydajność każdej z metod prognozowania które wybierzesz, a dla każdej z prognoz produktów Możesz wybrać jeden z dwóch kryteriów wydajności, średnie odchylenie bezwzględne MAD i procenty Accur acy POA MAD jest miarą błędu prognozowego POA jest miarą przewidywanej tendencji Obie te techniki oceny skuteczności wymagają rzeczywistych danych dotyczących historii sprzedaży dla określonego przez użytkownika okresu czasu Ten okres najnowszej historii nazwany jest okresem holdout lub okresami najlepiej odpowiadającymi PBF. Aby zmierzyć skuteczność metody prognozowania, użyj prognozowanych formuł do symulacji prognozy na historyczny okres holdoutu Zazwyczaj występują różnice między rzeczywistymi danymi dotyczącymi sprzedaży a symulowaną prognozą dla okresu utrzymywania rezerwy. Gdy wybrano wiele metod prognozy, ten sam proces występuje dla każdej metody Wielokrotne prognozy są obliczane dla okresu utrzymywania i porównane do znanej historii sprzedaży w tym samym okresie czasu Zalecana jest metoda prognozowania, która najlepiej pasuje do prognozy i rzeczywistej sprzedaży w okresie utrzymywania rezerwy w Twoich planach To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednego prognozowania na ne xt. A 16 Średnie odchylenie bezwzględne MAD. MAD jest średnią lub średnią wartości bezwzględnych lub wielkości odchyleń lub błędów między rzeczywistymi a prognozowanymi danymi MAD jest miarą średniej wielkości błędów oczekiwanych, biorąc pod uwagę metodę prognozowania i dane historia Ponieważ wartości bezwzględne są stosowane w obliczeniach, pozytywne błędy nie eliminują negatywnych błędów Porównując kilka metod prognozowania, ten z najmniejszym MAD okazał się najbardziej niezawodny dla tego produktu w tym okresie utrzymywania rezerwy Kiedy prognoza jest bezstronna i błędy są zwykle rozłożone, istnieje prosty związek matematyczny pomiędzy MAD a dwoma innymi wspólnymi środkami rozkładu, odchyleniem standardowym i średnim błędem kwadratowym. A 16 1 Procent dokładności POA. Percent dokładności POA jest miarą przewidywanej tendencji Gdy prognozy są konsekwentnie zbyt wysokie zapasy gromadzą się i rosną koszty zapasów Kiedy prognozy są konsekwentnie dwa niskie, zapasy są konsumowane i spadek obsługi klienta s Prognoza, która wynosi 10 jednostek za niska, a następnie 8 jednostek za wysoka, a następnie 2 jednostki zbyt wysokie, byłoby nieprzewidywalną prognozą. Błąd dodatni równy 10 jest anulowany przez błędy ujemne 8 i 2. Rzeczywiste - prognoza. Kiedy produkt mogą być przechowywane w magazynie, a kiedy prognoza jest bezstronna, można wykorzystać małą ilość zapasów zabezpieczających do buforowania błędów W tej sytuacji nie jest tak ważne, aby wyeliminować błędy prognozy, ponieważ ma generować obiektywne prognozy. W przemyśle usługowym , powyŜsza sytuacja byłaby postrzegana jako trzy błędy SłuŜby byłyby za mało pracowników w pierwszym okresie, a następnie przepracowane przez następne dwa okresy W usługach, wielkość błędów prognozowych jest zazwyczaj większa niŜ przewidywana nastawa. Podsumowanie w okresie utrzymywania rezerwy pozwala na pozytywne błędy w celu wyeliminowania negatywnych błędów Jeśli łączna rzeczywista sprzedaż przekracza całkowitą prognozę sprzedaży, współczynnik jest większy niż 100 Oczywiście, niemożliwe jest dokładniejsze niż 100 Kiedy prognoza jest unbias ed, współczynnik POA wynosi 100 W związku z tym bardziej pożądane jest 95 dokładne, niż 110 dokładne Kryteria POA wybierają metodę prognozowania, która ma współczynnik POA najbliższy 100. Skryptowanie na tej stronie zwiększa nawigację treści, ale nie w jakikolwiek sposób zmieniaj treść. Konkurs obejmuje generowanie liczby, zestaw liczb lub scenariuszy, które odpowiadają przyszłym zdarzeniom Niezbędne jest planowanie krótkofalowe i długoterminowe Z definicji prognoza opiera się na danych z przeszłości , w przeciwieństwie do predykcji, która jest bardziej subiektywna i oparta na instynkcie, odczucie jelit lub zgadywanie Na przykład, wieczorna informacja daje prognozę pogody nie prognozę pogody Niezależnie od tego, prognozy i prognozy terminów są często używane w sposób interwencyjny Na przykład , definicje regresji technika stosowana niekiedy w prognozowaniu ogólnie stwierdza, że jej celem jest wyjaśnienie lub przewidzenie. Prognozowanie opiera się na wielu założeniach. W przeszłości powtórzę się inaczej , to, co wydarzyło się w przeszłości, stanie się znowu w przyszłości. Jak przewidywany horyzont jest krótszy, dokładność prognozy wzrasta Na przykład prognoza na jutro będzie dokładniejsza niż przewidywana w przyszłym miesiącu, prognoza na następny miesiąc będzie dokładniejsza niż prognoza na przyszły rok, a prognoza na następny rok będzie dokładniejsza niż prognoza na dziesięć lat w przyszłości. Rejestracja w zestawieniu jest dokładniejsza niż prognozowanie poszczególnych elementów Oznacza to, że firma będzie w stanie prognozować całkowity popyt na jego całe spektrum produktów dokładniej niż będzie w stanie przewidzieć jednostkowe jednostki magazynowania Jednostki SKU Przykładowo General Motors może dokładniej przewidywać całkowitą liczbę samochodów potrzebnych na przyszły rok niż całkowita liczba białych Chevrolet Impalas z pewnym pakietem opcji . Prognozy rzadko są dokładne. Ponadto prognozy prawie nigdy nie są całkowicie dokładne. Niektóre są bardzo bliskie, niewielu ma rację w stosunku do pieniędzy. Dlatego też jest mądry oferując zakres prognoz Jeśli miałby się spodziewać zapotrzebowanie na 100.000 jednostek na następny miesiąc, jest mało prawdopodobne, że popyt wynosiłby 100 000 dokładnie Jednak prognoza 90 000 do 110 000 zapewniłaby znacznie większy cel planowania. William J Stevenson wymienia wiele charakterystyk, które są wspólne dla dobrej prognozy. Należy określić i podać pewien stopień dokładności, aby można było porównać inne prognozy. Niezawodność metody prognozy powinna konsekwentnie zapewniać dobrą prognozę, jeśli użytkownik ma ustanowić pewne stopień zaufania. Tymczasem potrzebna jest pewna ilość czasu, aby odpowiedzieć na prognozę, więc horyzont prognozy musi pozwolić na czas niezbędny do wprowadzenia zmian. Z łatwiejszy w użyciu i zrozumieć użytkowników prognozy musi być pewny siebie i wygodny w pracy z tym. Skuteczny koszt przygotowania prognozy nie powinien przeważyć nad korzyściami płynącymi z prognozy. Techniki projekcji obejmują od prostych do ekstremalnych y skomplikowane techniki Te techniki 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 we wcześniejszych etapach cyklu życia produktu, gdy w przeszłości istnieją dane z przeszłości do wykorzystania w Metody ilościowe Metody jakościowe obejmują technikę Delphi, technikę Grupy Nominalnej NGT, opinie siły roboczej, opinie wykonawców i badania rynku. Techniki Delphi Dele. Technika Delphi wykorzystuje zespół ekspertów do przedstawienia prognozy. Każdy ekspertów proszony jest o przedstawienie prognozy potrzebna ręka Po dokonaniu wstępnych prognoz każdy biegły czyta to, co każdy inny ekspert napisał i jest oczywiście pod wpływem swoich poglądów Następna prognoza jest następnie sporządzana przez każdego eksperta Każdy biegły odczytuje to, co napisał każdy inny ekspert i ponownie wpływa na postrzeganie innych Proces ten powtarza się aż do każdego exp ert zbliża się do wymaganego scenariusza lub numerów. TECHNIKA GRUPY NOMINALNEJ. Niemiecka technika grupy jest podobna do techniki Delphi, w której wykorzystuje grupę uczestników, zazwyczaj ekspertów Po odpowiedzeniu uczestników na pytania związane z prognozą, oceniają ich odpowiedzi w kolejności postrzeganej względnej wagi Następnie rankingi są zbierane i agregowane W końcu grupa powinna osiągnąć porozumienie co do priorytetów w rankingu. OPINIE DLA PRZEDMIOTÓW Pracownicy handlowi często są dobrym źródłem informacji dotyczących przyszłego zapotrzebowania Kierownik sprzedaży może prosić o dane wejściowe od każdego sprzedającego i łączenie ich odpowiedzi w złożoną prognozę sprzedaży Kryteria należy zachować podczas korzystania z tej techniki, ponieważ członkowie zespołu sprzedaży mogą nie być w stanie rozróżnić tego, co klienci mówią i co właściwie robią. prognozy zostaną wykorzystane do ustalenia kwot sprzedaży, siły sprzedaży mogą być skłonne do przedstawienia niższych szacunków. EXECUTIVE OPI NIONS. Cztery razy menedżerowie na wyższych szczeblach spotykają się i opracowują prognozy w oparciu o wiedzę na temat obszarów odpowiedzialnych. Jest to czasami określane jako jury opinii wykonawczej. MARKET RESEARCH. W badaniach rynku, badania dotyczące konsumentów są wykorzystywane do ustalenia potencjalnego zapotrzebowania. Zazwyczaj wymaga to skonstruowania kwestionariusza, który domagał się osobistych, demograficznych, ekonomicznych i marketingowych informacji. Zresztą osoby zajmujące się badaniami rynku zbierają takie informacje osobiście w punktach sprzedaży detalicznej i centrach handlowych, gdzie konsument może doświadczać smaku, czuć, zapachu i zobaczyć konkretny produkt. Badacz musi być ostrożny, aby próbka badanych osób była reprezentatywna dla pożądanego celu dla konsumentów. TECHNIKI KWALIFIKOWALNE. Techniki prognozowania ilościowego są na ogół bardziej obiektywne niż ich odpowiedniki jakościowe Prognozy ilościowe mogą obejmować prognozy dotyczące serii czasowej tj. projekcji przeszłości w przyszłości lub prognoz opartych na modelach asocjacyjnych tj. na podstawie jednego lub więcej zmienne objaśniające Dane serii czasowej mogą mieć podstawowe zachowania, które muszą zostać zidentyfikowane przez prezentera Ponadto prognoza może wymagać identyfikacji przyczyn zachowań Niektóre z tych zachowań mogą być wzorcami lub po prostu losowymi odmianami Wśród wzorców są. które są długoterminowymi zmianami w górę lub w dół w danych. Zasadniczość, która powoduje krótkotrwałe wahania, które zwykle są związane z porę roku, miesiąca lub nawet konkretnego dnia, co świadczy sprzedaż detaliczna w okresie świąt Bożego Narodzenia lub skoki w działalności bankowej pierwszego dnia miesiąca oraz w piątki. Cykle, które są odmiennymi wariacjami trwającymi ponad rok, które zwykle są powiązane z warunkami ekonomicznymi lub politycznymi. Typy zmian, które nie odzwierciedlają typowych zachowań, takich jak okres ekstremalnych warunków pogodowych czy strajk strajkowy. Różnice losowe, obejmujące wszystkie nietypowe zachowania, których nie uwzględniono w innych klasyfikacjach. Wśród modeli serii czasowych, najprostszym jest prognoza na naiwnym A na v e prognoza po prostu wykorzystuje rzeczywisty popyt w minionym okresie, ponieważ prognozowany popyt na następny okres Oczywiście zakłada, że przeszłość będzie powtarzać. Zakłada się również, że jakiekolwiek trendy, sezonowość lub cykle są odzwierciedlane w poprzednim okresie s lub nie istnieje Przykładowe prognozy są przedstawione w Tabeli 1. Tablica 1 Na ve Prognozowanie. Inna prosta technika to uśrednianie Aby prognozować przy uśrednianiu, wystarczy zwykła średnia pewnej liczby okresów przeszłe dane przez zsumowanie każdego okresu i podzielenie wyniku przez liczbę okresów Ta technika okazała się być bardzo skuteczna w prognozowaniu krótkoterminowych. Warianty uśredniania obejmują średnią ruchome, średnią ważoną i ważoną średnią ruchoma Średnia średnia ruchoma przyjmuje z góry określoną liczbę okresów, sumuje ich rzeczywisty popyt i dzieli się przez liczbę okresów, aby osiągnąć prognozę Dla każdego kolejnego okresu najstarszy okres danych upada i dodano ostatni okres Zakładając trzykomiesięczną średnią ruchoma i wykorzystując dane z tabeli 1, po prostu dodajemy 45 stycznia, 60 lutego i 72 marca i podziel się przez trzy, aby osiągnąć prognozę na 45 kwietnia 60 72 177 3 59. Aby osiągnąć prognozę na maj, spadnie popyt styczniowy z równania i dodaj zapotrzebowanie od kwietnia Tabela 2 przedstawia przykład trójmianowej prognozy średniej ruchomej. Tabela 2 Prognoza średniej ruchomej trzej po trzech miesiącach. Szacowany ciężar 000 sA ważony średnia zastosuje z góry określoną wagę do każdego miesiąca poprzednich danych, sumuje poprzednie dane z każdego okresu i dzieli się na całkowitą wagę. Jeśli prekursor dostosuje wagi, aby ich suma była równa 1, to odważniki zostaną pomnożone przez rzeczywiste zapotrzebowanie każdego obowiązującego 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 przy użyciu odważników z 4 3 2 i 1 przyniosłoby prognozę na czerwiec jako 60 1 72 2 58 3 40 4 53 8.Forecasters mogą również używać kombinacji średniej ważonej i średniej ruchomej 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 ruchowych, w miarę dodawania każdego nowego okresu, dane z najstarszego okresu są odrzucane Tabela 3 przedstawia średnią ważoną średnią z trzech ważonych średniej ruchomej wykorzystującą wagi 5 3 i 2.Tabela 3 Średnioroczna średnia ruchoma ważona przez trzy miesiące. Zapotrzebowanie rzeczywiste 000 sA bardziej złożona forma ważonej średniej ruchomej jest wygładzaniem wykładniczym, tak nazwanym, ponieważ masa upośledza wykładniczo, ponieważ wiek danych wygładza wyrównywanie przyjmuje prognozę z poprzedniego okresu i dostosowuje ją przez z góry ustaloną stałą wygładzania, zwaną alpha, wartość alfa jest mniejsza niż jedna pomnożona przez różnicę w poprzedniej prognozie i zapotrzebowanie, które faktycznie wystąpiły w poprzednio przewidywanym okresie zwanym błędem prognozy Wyrównywanie wyrównania 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 kontynuowania prac nad okresem, w którym obecny Konieczna jest również potrzeba znacznej ilości danych z przeszłości oraz początek lub wstępna prognoza. Wstępna prognoza może być rzeczywistą prognozą z poprzedniego okresu, rzeczywistym popytem z poprzedniego okresu lub można ją oszacować na podstawie średniej wartości całości lub części wcześniejsze dane Niektóre heurystyka istnieją do obliczania początkowej prognozy Na przykład, heurystyczny N 2 1 i alfa 5 wykazywałyby N równe 3, wskazując, że użytkownik najpierw przeanalizowałby pierwsze trzy okresy danych, aby uzyskać wstępną prognozę. dokładność pierwotnej prognozy nie jest krytyczna, jeśli używamy dużej ilości danych, ponieważ wygładzanie wykładnicze jest samoregulujące. Biorąc pod uwagę enoug h okresy przeszłych danych, wygładzenie wykładnicze ostatecznie spowoduje poprawne korekty w celu zrekompensowania racjonalnie niedokładnej początkowej prognozy Wykorzystując dane stosowane w innych przykładach, początkową prognozę wynoszącą 50 i alfę alfa wynoszącą 7, prognozę dla lutego jest obliczana jako taka Nowy prognoza Grudzień 50 7 45 50 41 5.Następna prognoza dla marca Nowa prognoza marzec 41 5 7 60 41 5 54 45 Proces ten trwa do czasu, kiedy prekursor osiągnie wymagany okres W tabeli 4 nastąpi to na miesiąc czerwca, faktyczny popyt na czerwiec nie jest znany. Rzeczywisty popyt 000 s. Rozszerzenie wygładzania wykładniczego może być użyte, gdy dane serii czasowej wykazują tendencję liniową Ta metoda jest znana pod kilkoma nazwami, wyrównywana potrójnie wygładzoną tendencją, w tym trend FIT i Holt s Model Bez korekty, proste efekty wyrównania wykładniczego będą opóźniać tendencję, tzn. prognoza będzie zawsze niska, jeśli trend się zwiększy lub będzie wysoki, jeśli trend się zmniejszy W tym modelu Są dwa stałe wygładzania i reprezentujące składnik tendencji. Przedłużenie modelu Holt s Metoda Holt-Winter s uwzględnia tendencję i sezonowość Istnieją dwie wersje: multiplikatywne i addytywne, przy czym mnożnik jest najbardziej rozpowszechniony stosowane 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 indeksy sezonowe średniej lub trendu Poniższe wartości mnoży się w kolejności aby uwzględnić sezonowość Krewny 0 8 wskazywałoby popyt, który wynosi 80 procent średniej, podczas gdy 1 10 wskaże popyt, który jest o 10 procent wyższy od średniej Szczegółowe informacje dotyczące tej metody można znaleźć w większości podręczników zarządzania operacjami lub jednej z liczb książek na temat prognozowania. Techniki powiązaniowe lub przyczynowo-skutkowe obejmują identyfikację zmiennych, które można wykorzystać do przewidywania anothe r zmienna stopa procentowa Na przykład, stopy procentowe mogą być wykorzystane do prognozowania zapotrzebowania na refinansowanie w domu Zazwyczaj wymaga to regresji liniowej, w której celem jest opracowanie równania, które podsumowuje efekty niezależnych od predykatora zmiennych zależnych od prognozowanych zmienna Jeśli została wykreślona zmienna predykcyjna, celem byłoby uzyskanie równania prostej, która minimalizuje sumę kwadratowych odchyleń od linii z odchyleniem w odległości od każdego punktu do linii Równanie pojawi się jako ya bx, gdzie y jest przewidywaną zmienną zależną, x jest zmienną niezależną od predykenta, b jest nachyleniem linii, a jest równe wysokości linii na przechwytywaniu y Kiedy równanie zostanie określone, użytkownik może wstawić wartości bieżące dla zmiennej niezależnej predykatora, aby uzyskać prognozowaną zależną zmienną. Jeśli istnieje więcej niż jedna zmienna predykcyjna lub jeśli relacja między wskaźnikiem predykcyjnym a prognozą nie jest liniowa, prosta regresja liniowa będzie niewłaściwa W sytuacjach z wieloma predyktorami należy zastosować regresję wielokrotną, podczas gdy nielinearne relacje wymagają zastosowania regresji krzywoliniowej. KONOMETRYCZNE PROGNOZYE. Ekonometryczne metody, takie jak autoregresywny zintegrowany średnioroczny model ARIMA , użyj skomplikowanych równań matematycznych w celu ukazania przeszłych relacji między zapotrzebowaniem a zmiennymi wpływającymi na zapotrzebowanie Równanie jest wyprowadzane, a następnie testowane i dostrojone w celu zapewnienia, że jest ona tak wiarygodną reprezentacją dotychczasowego związku, jak to tylko możliwe Kiedy to nastąpi, przewidywane wartości wpływających zmiennych dochodów, cen, itd. są wstawiane do równania w celu dokonania prognozy. PROGNOZA OCENY. Dokładność dokładności może być określona poprzez obliczenie stronniczości, średniego odchylenia bezwzględnego MAD, średniego błędu kwadratowego MSE lub średniego bezwzględnego błędu procentowego MAPE dla prognoza przy użyciu różnych wartości dla alfa Bias jest sumą błędów prognozy FE Dla wykładniczej smo przykład powyżej, obliczone nastawienie byłoby 60 41 5 72 54 45 58 66 74 40 60 62 6 69.Jeśli jeden zakłada, że niski skłania wskazuje ogólny błąd o niskim prognozie, można obliczyć tendencję do szeregu potencjalnych wartości alfa i przypuszczają, że najmniejsza tendencja byłaby najdokładniejsza. Jednakże należy zachować ostrożność w tym, że bardzo niedokładne prognozy mogą przynieść niskie nastawienie, jeśli mają tendencję do bycia zarówno nad prognozą, jak i prognozowanymi negatywnymi i pozytywnymi. Na przykład ponad trzy okresy, w których firma może wykorzystać określoną wartość alfa do prognozowanych przez 75 000 jednostek 75 000, w prognozie 100 000 000 jednostek, a następnie ponad prognozę o 25 000 jednostek 25 000, co daje złudzenie 75 000 000 000 25 000 0 Porównując inną alfę prognozy na poziomie 2.000 jednostek, 1.000 jednostek i 3.000 jednostek spowodowałyby tendencję do 5 000 jednostek Jeśli normalny popyt wynosiłby 100 000 jednostek na okres, pierwsza alfa przyniosłaby prognozy, które wyniosły nawet o 100 procent, podczas gdy alfa wynosiłaby maksymalnie tylko 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 prognozy błędy, a następnie dzielą się liczbą prognoz FE N Dzięki uwzględnieniu bezwzględnej wartości błędów prognozy pominięto rekompensatę wartości dodatnich i ujemnych Oznacza to, że zarówno prognoza 50, jak i prognoza 50 są wyłączone przez 50 Korzystanie dane 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 alfa, prekursor będzie wiedział, że alfa o najniższym MAD daje najdokładniejszą prognozę. Mean error square MSE może być również wykorzystany w ten sam sposób MSE jest sumą prognozowanych błędów dzielonych przez N-1 FE N-1 Wyrównać błędy przestawienia eliminują możliwość potrącenia 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 MAD, prekursor może porównać MSE prognoz uzyskanych przy użyciu różnych wartości alfa i przyjąć alfa z najniższym MSE daje najbardziej dokładną prognozę. Średni procentowy błąd procentowy MAPE jest średnim bezwzględnym procentowym błędem Aby osiągnąć MAPE należy wziąć sumę wskaźników pomiędzy prognozą błąd i rzeczywiste czasy zapotrzebowania 100, aby uzyskać procent i podzielić przez N Rzeczywistą prognozę zapotrzebowania Rzeczywiste zapotrzebowanie 100 N Korzystając z danych z przykładu wygładzania wykładniczego, MAPE można obliczyć następująco: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 Podobnie jak w przypadku MAD i MSE, im niższy jest błąd względny, tym dokładniejsza jest prognoza. Należy zauważyć, że w niektórych przypadkach zdolność prognozy do szybkiego reagowania na zmiany wzorców danych uważa się za ważniejsza niż dokładność Dlatego jeden z wybranych metod prognozowania powinien odzwierciedlać względną wagę ważności między dokładnością i szybkością reakcji, określoną przez prezentera. WYKONANIE PROGNOZA. William J Stevenson wymienia następujące elementy jako podstawowe etapy procesu prognozowania. cel prognozy Czynniki takie jak: jak i kiedy przewidziana jest prognoza, wymagany stopień dokładności oraz wymagany poziom szczegółowości określają czas, pieniądze, pracowników, które mogą być przeznaczone na prognozę i rodzaj metody prognozowania być wykorzystywane. Ustanowienie horyzontu czasowego To zdarza się po ustaleniu celu prognozy Długoterminowe prognozy wymagają dłuższych horyzontów czasowych i vice versa Dokładność jest ponownie rozważana. Wybierz technikę prognozowania Wybrana technika zależy od celu prognozy, wymagany horyzont czasowy i dozwolony koszt. Zbieranie i analizowanie danych Ilość i rodzaj danych potrzebnych jest regulowany przez prognozy s cel, wybrana technika prognozowania oraz wszelkie względy kosztowe. Make prognozę. Monitor prognozy Ocenia wydajność prognozy i zmodyfikuj, jeśli to konieczne. KALNE CZYTANIE. Finch, Byron J Operations 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 od. Stevenson, William J. Operations Management 8 ed Boston McGraw-Hill Irwin , 2005. Czytaj także artykuł o prognozowaniu z Wikipedii.
No comments:
Post a Comment