Przenoszenie średniej prognozy Wprowadzenie. Jak można się spodziewać, patrzymy na niektóre z najbardziej prymitywnych podejść do prognozowania. Ale miejmy nadzieję, że są to co najmniej warte wstępu do niektórych zagadnień związanych z komputerem związanych z wdrażaniem prognoz w arkuszach kalkulacyjnych. W tym kontekście będziemy kontynuować od początku i rozpocząć pracę z prognozą Moving Average. Przenoszenie średnich prognoz. Wszyscy znają średnie ruchome prognozy niezależnie od tego, czy uważają, że są. Wszyscy studenci studiują je przez cały czas. Pomyśl o swoich testach w kursie, w którym podczas semestru będziesz miał cztery testy. Pozwala przyjąć, że masz 85 przy pierwszym testie. Jak oceniasz Twój drugi punkt testowy Co sądzisz, że Twój nauczyciel przewidziałby następny wynik testu Jak myślisz, że Twoi znajomi mogą przewidzieć następny wynik testu Jak myślisz, że twoi rodzice mogą przewidzieć następny wynik testu Niezależnie od tego, wszystkie blabbing, które możesz zrobić znajomym i rodzicom, to oni i nauczyciel bardzo oczekują, że dostaniesz coś w tej dziedzinie, którą właśnie dostałeś. No cóż, teraz pomyślmy, że pomimo twojej samoobrony do swoich znajomych, oszacujesz siebie i postanów, że możesz uczyć się mniej na drugim teście, a więc dostajesz 73. Teraz wszyscy zainteresowani i niezainteresowani idą przewiduj, że otrzymasz trzeci test Istnieją dwa bardzo prawdopodobne podejścia do nich, aby opracować szacunkowe niezależnie od tego, czy będą dzielić się nim z Tobą. Mogą powiedzieć sobie, ten facet zawsze dmucha o jego inteligencję. On będzie dostać kolejne 73, jeśli ma szczęście. Może rodzice będą starali się być bardziej pomocni i powiedzieli: "WELL", jak dotąd dostałeś 85 i 73, więc może powinieneś się dowiedzieć na temat (85 73) 2 79. Nie wiem, może gdybyś mniej imprezował i werent waha się weasel na całym miejscu i jeśli zacząłeś robić dużo więcej studiów, możesz uzyskać wyższy score. quot Obydwa te szacunki są w rzeczywistości przenoszą średnie prognozy. Pierwszy używa tylko swojego ostatniego wyniku, aby prognozować przyszłe wyniki. Nazywa się to ruchomą średnią prognozą przy użyciu jednego okresu danych. Druga to również średnia ruchoma, ale wykorzystująca dwa okresy danych. Pozwala przyjąć, że wszyscy ci ludzie popychają do twojego wielkiego umysłu, jakby się wkurzyli i postanowili dobrze wykonać trzeci test ze swoich własnych powodów i położyć większy wynik przed Twoimi notatkami. Robisz test, a Twój wynik jest w rzeczywistości 89 Wszyscy, łącznie z sobą, są pod wrażeniem. Więc teraz masz ostatni test semestru nadchodzącego i jak zwykle masz wrażenie, że musimy nakłonić wszystkich do stworzenia swoich prognoz dotyczących sposobu, w jaki wykonasz ostatni test. Mam nadzieję, że widzisz wzór. Teraz, miejmy nadzieję, widać wzór. Jaki jest Twój najlepszy gwizdek podczas pracy. Teraz wracamy do naszej nowej firmy zajmującej się sprzątaniem, która rozpoczęła się od twojej ukochanej siostry o nazwie Gwizdek podczas pracy. Masz dane z przeszłych sprzedaży przedstawione w następnej części arkusza kalkulacyjnego. Najpierw przedstawiamy dane dotyczące trzech okresowych prognoz średniej ruchomej. Wpisem dla komórki C6 powinno być Teraz możesz skopiować tę formułę komórki do innych komórek C7 do C11. Zauważ, jak średnia przenosi się do ostatnich danych historycznych, ale używa dokładnie trzech ostatnich okresów dostępnych dla każdego przewidywania. Warto też zauważyć, że nie musimy naprawdę przewidzieć z ostatnich okresów, aby rozwinąć nasze najnowsze prognozy. To zdecydowanie różni się od wyrafinowanego modelu wygładzania. Ive uwzględniła przewidywania kwotowania, ponieważ będziemy używać ich na następnej stronie internetowej w celu pomiaru ważności przewidywania. Teraz chcę przedstawić analogiczne wyniki dla dwóch okresów ruchomych średniej prognozy. Wpisem dla komórki C5 powinno być Teraz możesz skopiować tę formułę komórki do innych komórek C6 do C11. Zauważmy, że teraz tylko dwie ostatnie dane historyczne są wykorzystywane do każdego przewidywania. Znowu uwzględniono prognozy kwotowania dla celów ilustracyjnych i późniejsze wykorzystanie w walidacji prognozy. Inne ważne rzeczy do zauważenia. W przypadku prognozy średniej ruchomej w skali m wykorzystuje się jedynie najmniejsze wartości danych, aby przewidzieć. Nic więcej nie jest konieczne. Jeśli chodzi o prognozę średniej ruchomej w okresie m, przy prognozowaniu kwotowania zauważ, że pierwsza predykcja występuje w okresie m 1. Zarówno te kwestie będą bardzo znaczące, gdy opracujemy nasz kod. Rozwój funkcji przeciętnej ruchomości. Teraz musimy opracować kod dla prognozy średniej ruchomej, którą można używać bardziej elastycznie. Kod jest następujący. Zauważ, że dane wejściowe są dla liczby okresów, których chcesz używać w prognozie i tablicach wartości historycznych. Można go przechowywać w dowolnej skoroszycie. Funkcja MovingAverage (Historical, NumberOfPeriods) jako pojedynczy Deklarowanie i inicjowanie zmiennych Dim Item as Variant Dim Counter jako Integer Dim Akumulacja jako pojedynczy Dim HistoricalSize jako Integer Inicjalizacja zmiennych Counter 1 Akumulacja 0 Określenie rozmiaru historycznego HistoricalSize Historical. Count licznika 1 dla NumberOfPeriods Zbieranie odpowiedniej liczby ostatnich poprzednich wartości Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Akumulacja NumberOfPeriods Kod zostanie wyjaśniony w klasie. Chcesz umieścić funkcję w arkuszu kalkulacyjnym, aby wynik obliczeń pojawił się tam, gdzie powinien on wyglądać następująco. Średnia Średnia: Co to jest i jak obliczyć Oglądaj film lub przeczytaj poniższy artykuł: średnia ruchoma to technika aby uzyskać ogólny obraz trendów w zbiorze danych, jest to średnia liczby podzbiorów liczb. Średnia ruchoma jest niezwykle przydatna do przewidywania długoterminowych trendów. Można go obliczyć przez dowolny okres czasu. Jeśli na przykład masz dane dotyczące sprzedaży w okresie dwudziestu lat, możesz obliczyć pięcioletnią ruchomą średnią, czteroletnią średnią ruchome, trzyletnią średnią ruchoma itd. Analitycy giełdowi często używają średniej ruchomej 50 lub 200 dni, aby pomóc im dostrzec trendy na rynku akcji i (miejmy nadzieję) prognozę, w której walczą o zasoby. Średnia reprezentuje wartość 8220middling8221 zbioru liczb. Średnia ruchoma jest dokładnie taka sama, ale średnia jest obliczana kilka razy dla kilku podgrup danych. Na przykład, jeśli chcesz uzyskać dwuletnią ruchomą średnią dla zestawu danych w latach 2000, 2001, 2002 i 2003, znajdziesz średnie dla podzbiorów 20002001, 20012002 i 20022003. Średnie ruchy są zazwyczaj wykreślane i najlepiej wizualizowane. Obliczanie 5-letniego przykładu średniej ruchomej Przykładowy problem: obliczyć pięcioletnią ruchomą średnią z następującego zestawu danych: (4M 6M 5M 8M 9M) 5 6.4M Średnia sprzedaż w drugim podgrupie pięciu lat (2004 8211 2008). w połowie 2006 r. wynosi 6,6 mln: (6 mln 5 m 8 m 9 m 5 m) 5 6.6 M Średnia sprzedaż za trzeci podgrupę pięciu lat (2005 8211 2009 r.). wyśrodkowany w 2007 r., wynosi 6,6 M: (5 M 8 M 9 M 5 M 4 M) 5,2 M Kontynuuj obliczanie każdej średniej pięcioletniej, aż do końca zbioru (2009-2017). Daje to szereg punktów (średnich), które można wykorzystać do wykreślania wykresu średnich kroczących. Poniższa tabela Excel pokazuje średnie ruchome obliczone na lata 2003-2017 wraz z wykresem rozproszonym danych: obejrzyj film lub przeczytaj poniższe kroki: Excel ma potężny dodatek, narzędzie analizy danych Datapak (jak ładować dane Analysis Toolpak), które daje wiele dodatkowych opcji, w tym funkcję zautomatyzowanej średniej ruchomej. Funkcja oblicza nie tylko średnią ruchomej, ale równocześnie generuje dane oryginalne. co pozwala zaoszczędzić wiele naciśnięć klawiszy. Excel 2017: Kroki Krok 1: Kliknij kartę 8220Data8221, a następnie kliknij przycisk 8220Data Analysis.8221 Krok 2: Kliknij 8220Moving average8221, a następnie kliknij przycisk 8220OK.8221 Krok 3: Kliknij pole 8220Input Range8221, a następnie wybierz swoje dane. Jeśli uwzględnisz nagłówki kolumn, sprawdź etykiety w pierwszym rzędzie. Krok 4: Wpisz odstęp w polu. Interwał to liczba punktów, które Excel ma użyć do obliczania średniej ruchomej. Na przykład 822058221 wykorzystałby poprzednie 5 punktów danych do obliczania średniej dla każdego następnego punktu. Im krótszy odstęp, tym bliżej średniej ruchomej do pierwotnego zestawu danych. Krok 5: Kliknij pole 8220Output Range8221 i wybierz obszar na arkuszu, w którym ma się pojawić wynik. Lub kliknij przycisk radiowy 8220Nowy arkusz8221. Krok 6: Zaznacz pole 8220Chart Output8221, jeśli chcesz zobaczyć wykres z zestawu danych (jeśli zapomnisz, zawsze możesz go cofnąć i dodać go lub wybierz kartę z karty 8220Insert8221.8221 Krok 7: Naciśnij 8220OK .8221 Excel zwróci wyniki w obszarze określonym w kroku 6. Obejrzyj film wideo lub przeczytaj poniższe kroki: Problem z próbką: obliczyć średnią ruchu w programie Excel w ciągu trzech lat: 2003 (33M), 2004 (22 M), 2005 (36 M), 2006 (34 M), 2007 (43 M), 2008 (39 M), 2009 (41 M), 2017 (36 M), 2017 (45 M), 2017 (56 M), 2017 (64 M). 1: Wpisz swoje dane w dwóch kolumnach w programie Excel. Pierwsza kolumna powinna mieć rok i drugą kolumnę dane ilościowe (w tym przykładzie problem, dane dotyczące sprzedaży). : Obliczyć pierwszą średnią z trzech lat (2003-2005) dla danych. W przypadku tego przykładowego problemu wpisz 8220 (B2B3B4) 38221 do komórki D3.Kalkulując pierwszą średnią Krok 3: Przeciągnij kwadrat w prawym dolnym rogu d własne, aby przenieść formułę do wszystkich komórek w kolumnie. To oblicza średnie dla kolejnych lat (np. 2004-2006, 2005-2007). Przeciągnij formułę. Krok 4: (Opcjonalnie) Utwórz wykres. Zaznacz wszystkie dane w arkuszu roboczym. Kliknij kartę 8220Insert8221, a następnie kliknij przycisk 8220Scatter, 8221, a następnie kliknij przycisk 8220Szakres z gładkimi liniami i znacznikami.8221 W arkuszu roboczym pojawi się wykres średniej ruchomej. Zapoznaj się z naszym kanałem YouTube, aby uzyskać więcej informacji na temat statystyk Pomoc i porady Przekazywanie Średnia ocena: Co to jest i jak obliczyć ostatnią modyfikację: 8 stycznia 2018 r. Przez Andale 22 przemyślenia na temat ldquo Średnia ruchoma: co to jest i jak to obliczyć rdquo To jest doskonały i prosty do przyswojenia. Dzięki za pracę Jest to bardzo jasne i pouczające. Pytanie: W jaki sposób obliczyć 4-letnią średnią ruchoma Jaki byłby rok 4-letniej średniej ruchomej centrum będzie wynosił średnie pod koniec drugiego roku (tj. 31 grudnia). Czy mogę użyć średniego dochodu do prognozowania przyszłych zarobków, kto wie o środku średniej, proszę, uprzejmie powiedz mi, czy ktoś wie. Tutaj it8217s biorąc pod uwagę, że musimy rozważyć 5 lat za uzyskanie średniej, która znajduje się w centrum. Nastaj, a co z resztą lat, jeśli chcemy uzyskać średnią 20178230as my don8217t mają dalsze wartości po 2017 r., To jak byśmy to obliczyli don8217t ma więcej informacji, niemożliwe byłoby obliczenie 5-letniej MA na rok 2017. Można by uzyskać dwuletnią ruchomą średnią choć. Cześć, dzięki za film. Jednak jedna rzecz jest niejasna. Jak prognozować w nadchodzących miesiącach Film przedstawia prognozę miesięcy, dla których dane są już dostępne. Cześć, Raw, I8217m pracuje nad rozszerzeniem artykułu na prognozy. Proces jest nieco bardziej skomplikowany niż korzystanie z przeszłych danych. Spójrz na ten artykuł Uniwersytetu w Duke, który wyjaśnia to głębiej. Pozdrawiam, Stephanie dziękuję za jasne wyjaśnienie. Cześć Nie można zlokalizować linku do sugerowanego artykułu Uniwersytetu w Duke. Żądanie ponownego umieszczenia linku Przykłady prognozowania obliczeń A.1 Metody obliczania prognozy Dostępne są 12 metod obliczania prognoz. Większość z tych metod zapewnia ograniczoną kontrolę nad użytkownikami. Na przykład można określić wagę umieszczoną na ostatnich danych historycznych lub zakres danych daty używanych w obliczeniach. Następujące przykłady przedstawiają procedurę obliczania dla każdego z dostępnych metod prognozowania, biorąc pod uwagę identyczny zestaw danych historycznych. Poniższe przykłady wykorzystują takie same dane o sprzedaży w 2004 i 2005 roku, aby uzyskać prognozę sprzedaży w 2006 roku. Obok przewidywanej kalkulacji, każdy przykład obejmuje symulowaną prognozę dla okresu trzymiesięcznego okresu rozliczeniowego (opcja 193), która jest następnie wykorzystywana do procentu dokładności i średnich odchyleń bezwzględnych (rzeczywistej sprzedaży w porównaniu z prognozą symulowaną). A.2 Prognoza wyników Kryteria W zależności od wyboru opcji przetwarzania oraz tendencji i wzorców istniejących w danych o sprzedaży, niektóre metody prognozowania będą działać lepiej niż inne dla danego zbioru danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może być nieodpowiednia dla innego produktu. Jest mało prawdopodobne, aby metoda prognozowania zapewniająca dobre wyniki w jednym etapie cyklu życia produktu pozostanie właściwa przez cały cykl życia. Można wybrać jedną z dwóch metod oceny bieżącej skuteczności metod prognozowania. Są to średnie odchylenia bezwzględne (MAD) i procent dokładności (POA). Obie te metody oceny skuteczności wymagają historycznych danych dotyczących sprzedaży dla określonego przez użytkownika okresu. Ten okres czasu nazywa się okresem holdout lub period best fit (PBF). Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, które z metod prognozowania będą wykorzystywane przy przygotowywaniu kolejnej prognozy prognozy. To zalecenie jest specyficzne dla każdego produktu i może się zmieniać z jednego generowania prognozy do następnego. Obydwa prognozowane metody oceny skuteczności są przedstawione na stronach następujących przykładów dwunastu metod prognozowania. A.3 Metoda 1 - Określony Procent W porównaniu z poprzednim rokiem Ta metoda pomnożona przez dane z poprzedniego roku o współczynnik określony przez użytkownika, na przykład o 1,10 dla 10 lub o 0,97 dla trzech obniżek. Wymagana historia sprzedaży: rok do obliczenia prognozy plus określona przez użytkownika liczba okresów czasu dla oceny prognozy (opcja 19). A.4.1 Prognoza Kalkulacja Zakres historii sprzedaży do wykorzystania przy obliczaniu współczynnika wzrostu (opcja przetwarzania 2a) 3 w tym przykładzie. Suma trzech miesięcy 2005 r .: 114 119 137 370 Suma tych samych trzech miesięcy w roku poprzednim: 123 139 133 395 Obliczony współczynnik 370395 0,9367 Oblicz prognozy: styczeń 2005 r. Sprzedaż 128 0,9367 119,8036 lub około 120 lutego 2005 r. Sprzedaż 117 0.9367 109.5939 lub około 110 marca 2005 r. Sprzedaż 115 0.9367 107.7205 lub około 108 A.4.2 Symulowany obliczenia prognozy Suma trzech miesięcy 2005 r. Przed okresem utrzymywania rezerwy (lipiec, sierpień, wrzesień): 129 140 131 400 Suma tych samych trzech miesięcy dla poprzedni rok: 141 128 118 387 Obliczony współczynnik 400387 1.033591731 Oblicz prognozę symulacji: październik 2004 r. sprzedaż 123 1.033591731 127.13178 listopad 2004 r. sprzedaż 139 1.033591731 143.66925 grudzień 2004 r. 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 obliczalność odchylenia bezwzględnego MAD (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metoda 3 - W ubiegłym roku do tego roku Ta metoda kopiuje dane sprzedaży z poprzedniego roku na następny rok. Wymagana historia sprzedaży: rok do obliczenia prognozy wraz z liczbą okresów czasu wyznaczonych do oceny prognozy (opcja 19). A.6.1 Prognoza Obliczanie Liczba okresów, które należy uwzględnić w średniej (opcja przetwarzania 4a) 3 w tym przykładzie Dla każdego miesiąca prognozy, średnie dane z poprzednich trzech miesięcy. Prognoza stycznia: 114 119 137 370, 370 3 123.333 lub 123 lutego prognoza: 119 137 123 379, 379 3 126.333 lub 126 Marzec prognoza: 137 123 126 379, 386 3 128.667 lub 129 A.6.2 Symulowana prognoza Obliczanie sprzedaży październik 2005 (129 140 133) 3 133.3333 listopad 2005 sprzedaż (140 131 114) 3 128.3333 grudzień 2005 sprzedaż (131 114 119) 3 121.3333 A.6.3 Procent dokładności Obliczenia POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Średni bezwzględny Obliczanie odchylenia MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metoda 5 - Przybliżenie liniowe Zbliżenie liniowe oblicza trend w oparciu o dwa punkty danych historii sprzedaży. Te dwa punkty definiują prostą linię trendu przewidzianą w przyszłości. Użyj tej metody z ostrożnością, ponieważ długie prognozy są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Wymagana historia sprzedaży: liczba okresów uwzględnienia w regresji (opcja przetwarzania 5a) plus 1 plus liczba okresów oceny wyników prognozy (opcja 19). A.8.1 Prognoza Kalkulacja Liczba okresów uwzględnienia w regresji (opcja przetwarzania 6a) 3 w tym przykładzie Dla każdego miesiąca prognozy należy dodać wzrost lub spadek w określonych przedziałach przed okresem holdout poprzedniego okresu. Średnia z poprzednich trzech miesięcy (114 119 137) 3 123.3333 Podsumowanie ostatnich trzech miesięcy z uwzględnieniem ciężaru (114 1) (119 2) (137 3) 763 Różnica między wartościami 763 - 123.3333 (1 2 3) 23 Stosunek ( 12 22 32) - 2 3 14 - 12 2 Wartość1 RóżnicaRatio 232 11.5 Wartość2 Wartość średnia - wartość1 123.3333 - 11.5 2 100.3333 Prognoza (1 n) wartość value1 4 4 11.5 100.3333 146.333 lub 146 Prognoza 5 11.5 100.3333 157.8333 lub 158 Prognoza 6 11.5 100.3333 169.3333 lub 169 A.8.2 Symulowana prognoza Prognoza sprzedaży października 2004: Średnia z poprzednich trzech miesięcy (129 140 131) 3 133.3333 Podsumowanie ostatnich trzech miesięcy z uwzględnieniem ciężaru (129 1) (140 2) (131 3) 802 Różnica między Wartości 802 - 133.3333 (1 2 3) 2 Stosunek (12 22 32) - 2 3 14 - 12 2 Wartość1 RóżnicaRozwój 22 1 Wartość2 Średni - wartość1 133.3333 - 1 2 131.3333 Prognoza (1 n) Wartość1 Wartość2 4 1 131.3333 135.3333 Listopad 2004 obroty Średnia z poprzednich trzech miesięcy (140 131 114) 3 128.3333 Podsumowanie ostatnich trzech miesięcy z uwzględnieniem ciężaru (140 1) (131 2) (114 3) 744 Różnica między wartościami 744 - 128.3333 (1 2 3) -25.9999 Wartość1 RóżnicaRatio -25.99992 -12.9999 Wartość2 Wskaźnik średniej wartości 1 128.3333 - (-12.9999) 2 154.3333 Prognoza 4 -12.9999 154.3333 102.3333 Sprzedaż w grudniu 2004 średnia z poprzednich trzech miesięcy (131 114 119) 3 121.3333 Podsumowanie ostatnich trzech miesięcy z uwzględnieniem ciężaru ( 131 1) (114 2) (119 3) 716 Różnica między wartościami 716 - 121.3333 (1 2 3) -11.9999 Wartość1 RóżnicaRatio -11.99992 -5.9999 Wartość2 Wartość średnia - wartość1 121.3333 - (-5.9999) 2 133.3333 Prognoza 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Procent dokładności Obliczenie POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Średni odchylenie bezwzględne MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Metoda 7 - Secon d Approximation (regresja) Regresja liniowa określa wartości dla a i b w projekcie prognozy Y a bX w celu dopasowania prostej linii do danych historii sprzedaży. Podejście drugiego stopnia jest podobne. Jednakże ta metoda określa wartości dla a, b i c w projekcie prognozy 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. Na przykład, gdy nowy produkt przejdzie od etapu wprowadzania do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Z powodu drugiego rzędu, prognoza może szybko podchodzić do nieskończoności lub spada do zera (w zależności od tego, czy współczynnik c jest dodatni czy ujemny). Dlatego ta metoda jest użyteczna tylko w krótkim okresie czasu. Specyfikacja prognozy: Wzory określają a, b i c, aby dopasować krzywą dokładnie do trzech punktów. W opcji przetwarzania 7a określasz n, liczbę okresów gromadzenia danych w każdym z trzech punktów. W tym przykładzie n 3. W związku z tym faktyczne dane o sprzedaży od kwietnia do czerwca są połączone w pierwszym punkcie, Q1. Od lipca do września dodaje się razem, aby utworzyć Q2, a od października do grudnia suma do trzeciego kwartału. Krzywa zostanie dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży: 3 n okresy obliczania prognozy plus liczba okresów potrzebnych do oceny prognozy (PBF). Liczba okresów uwzględnienia (opcja przetwarzania 7a) 3 w tym przykładzie Użyj poprzednich (3 n) miesięcy w blokach trzymiesięcznych: Q1 (kwiecień - czerwiec) 125 122 137 384 Q2 (lip - wrz) 129 140 131 400 Q3 ( Oct-Dec) 114 119 137 370 Następny krok polega na obliczeniu trzech współczynników a, b i c do wykorzystania w projekcie prognozowania Y a bX cX2 (1) Q1 a bX cX2 (gdzie X1) abc (2) Q2 a równanie (1) z równania (2) jest równe (2), a b c c2 (gdzie X 2) a 2b 4c (3) Q3 a bX cX2 (gdzie X3) a 3b 9c Rozwiąż trzy równania jednocześnie, i rozwiązać dla b (2) - (1) Q2 - Q1 b 3c Zamień to równanie dla b na równanie (3) (3) Q3 a 3 (Q2-Q1) - 3c c Na koniec zastąpić te równania dla aib (Q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Metoda przybliżania drugiego stopnia oblicza a, b i c następująco: Q3 (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 (370 - 400) -23 b (Q2-Q1) -3c (400-384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 styczeń do marca Prognoza marcowa (X4): (322 340 - 368) 3 2943 98 za okres od kwietnia do czerwca prognoza (X5): (322 425 - 575) 3 57.333 lub 57 za okres od lipca do września (X6): (322 510 - 828) 3 1,33 lub 1 za okres od października do grudnia (X7) (322 595 - 11273 -70 A.9.2 Symulowana prognoza Obliczanie października, listopada i grudnia 2004 r. SprzedaŜ: Q1 (Jan - Mar) 360 Q2 (kwiecień - czerwiec) 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) 163 136 A.9.3 Procent dokładności Obliczanie 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 elastyczna (Procent powyżej n miesięcy poprzednich) jest podobna do metody 1, w procentach w zeszłym roku. Obydwa metody pomnożają dane o sprzedaży od poprzedniego okresu przez określony przez użytkownika czynnik, a następnie projektują, które skutkują w przyszłości. Procent oparty na ostatnim rocznym projekcji opiera się na danych z tego samego okresu w roku poprzednim. Metoda Elastyczność dodaje możliwość określania innego okresu poza tym samym okresem roku ubiegłego, co podstawę obliczeń. Mnożnik. Na przykład określ opcję 1.15 w opcji przetwarzania 8b, aby zwiększyć poprzednie dane dotyczące historii sprzedaży o 15. Okres bazowy. Na przykład n 3 spowoduje, że pierwsza prognoza zostanie oparta na danych o sprzedaży w październiku 2005 roku. Minimalna historia sprzedaży: określona przez użytkownika liczba okresów powrotu do okresu bazowego oraz liczba okresów potrzebnych do oceny prognozy ( PBF). A.10.4 Średnia obliczalność odchylenia bezwzględnego MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metoda 9 - średnia ważona Średnia Średnia Średnia Średnia (WMA) jest podobna do metody 4, Moving Average (MA). Jednak przy średniej ważonej ruchomej można przypisać nierówne wagi do danych historycznych. Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę na najbliższy okres. Dalsze dane są zwykle przypisywane większej wagi niż starsze dane, dzięki czemu WMA reaguje na zmiany poziomu sprzedaży. Jednak prognozowane nastawienia i systematyczne błędy nadal występują, gdy historia sprzedaży produktów wykazuje silny trend lub sezonowe wzorce. Metoda ta lepiej sprawdza się w przypadku prognoz krótkoterminowych produktów dojrzałych, a nie produktów w fazie wzrostu lub starzenia się cyklu życiowego. n liczba okresów historii sprzedaży do wykorzystania w kalkulacji prognozy. Na przykład określić opcję n 3 w opcji przetwarzania 9a, aby wykorzystać trzy ostatnie okresy jako podstawę projekcji do następnego okresu. Duża wartość n (np. 12) wymaga większej historii sprzedaży. Prowadzi to do stabilnej prognozy, ale będzie powolna rozpoznawać zmiany poziomu sprzedaży. Z drugiej strony mała wartość dla n (np. 3) reaguje szybciej na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać na zmiany. Masa przypisana do każdego z historycznych okresów danych. Przyznane ciężary muszą wynosić 1,00. Na przykład, gdy n 3, przypisać ciężary 0,6, 0,3 i 0,1, przy czym najnowsze dane otrzymują największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów potrzebnych do oceny prognozy (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 metody 9, ważonej średniej przemieszczania (WMA). Jednak zamiast arbitralnie przyporządkować odważniki do danych historycznych, formułę stosuje się do przypisania odważników, które spadają liniowo i sumują się do 1,00. Metoda następnie oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę na krótką metę. Podobnie jak w przypadku wszystkich liniowych średnich średnich kroczących technik prognozowania i błędów systematycznych pojawiają się, gdy historia sprzedaży produktów wykazuje silny trend lub sezonowe wzorce. Metoda ta lepiej sprawdza się w przypadku prognoz krótkoterminowych produktów dojrzałych, a nie produktów w fazie wzrostu lub starzenia się cyklu życiowego. n liczba okresów historii sprzedaży do wykorzystania w kalkulacji prognozy. Jest to określone w opcji przetwarzania 10a. Na przykład podaj n 3 w opcji przetwarzania 10b, aby wykorzystać najnowsze trzy okresy jako podstawę projekcji do następnego okresu. System automatycznie przypisa wagi do danych historycznych, które spadają liniowo i wynoszą 1,00. Na przykład, gdy n 3, system przypisze wagi 0,5, 0,3333 i 0,1, przy czym najstarsze dane otrzymują największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów potrzebnych do oceny prognozy (PBF). A.12.1 Prognoza Obliczanie Liczba okresów uwzględniających średnią wygładzania (opcja przetwarzania 10a) 3 w tym przykładzie Stosunek dla jednego okresu poprzedzającego 3 (n2 n) 2 3 (32 3) 2 36 0,5 Współczynnik dla dwóch okresów poprzedzających 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Współczynnik dla trzech okresów poprzedzających 1 (n 2 n) 2 1 (32 3) 2 16 0.1666 .. Prognoza stycznia: 137 0.5 119 13 114 16 127.16 lub 127 Luty prognoza: 127 0.5 137 13 119 16 129 Prognoza marcowa: 129 0.5 127 13 137 16 129.666 lub 130 A.12.2 Symulowana prognoza Obliczenia Sprzedaż w październiku 2004 r. 129 16 140 26 131 36 133.6666 listopad 2004 r. Sprzedaż 140 16 131 26 114 36 124 grudnia 2004 r. Sprzedaż 131 16 114 26 119 36 119.3333 A.12.3 Procent dokładności Obliczenie POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Średni odchylenie bezwzględne MAD (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 danych historycznych, które spadają liniowo. W wyrównywaniu wykładniczym system przypisuje odważniki, które rozkładają się wykładniczo. Wyrażenie predykcyjne równa jest: Prognoza a (poprzednia faktyczna sprzedaż) (1 - a) Poprzednia prognoza Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu i prognozy z poprzedniego okresu. a jest wagą stosowaną do rzeczywistej sprzedaży za poprzedni okres. (1 - a) jest wagą zastosowaną do prognozy dla poprzedniego okresu. Prawidłowe wartości w zakresie od 0 do 1, i zwykle mieszczą się w zakresie od 0,1 do 0,4. Suma ciężarów wynosi 1,00. a (1 - a) 1 Należy przypisać wartość dla stałej wygładzania, a. Jeśli nie ustawisz wartości dla stałej wygładzania, system oblicza założoną wartość w oparciu o liczbę okresów historii sprzedaży określoną w opcji przetwarzania 11a. stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży. Poprawne wartości w zakresie od 0 do 1. n zakresu danych historii sprzedaży, które mają zostać uwzględnione w obliczeniach. Ogólnie, jeden rok danych dotyczących historii sprzedaży jest wystarczający, aby oszacować ogólny poziom sprzedaży. W tym przykładzie wybrano małą wartość dla n (n 3) w celu zredukowania ręcznych obliczeń wymaganych do sprawdzenia wyników. Wyrównywanie wykładnicze może wygenerować prognozę na podstawie zaledwie jednego historycznego punktu danych. Minimalna wymagana historia sprzedaży: n plus liczba okresów potrzebnych do oceny prognozy (PBF). A.13.1 Prognoza Obliczanie Liczba okresów uwzględnienia w średniej wygładzania (opcja przetwarzania 11a) 3 oraz współczynnik alfa (opcja przetwarzania 11b) w tym przykładzie jest pustym elementem najstarszych danych handlowych 2 (11) lub 1, gdy alfa jest określony współczynnik 2 najstarszych danych handlowych 2 (12) lub alfa, gdy alfa jest określony jako współczynnik trzeciej najstarszej sprzedaży 2 (13) lub alfa, gdy alfa jest określony współczynnikiem dla ostatnich danych sprzedaży 2 (1n) , lub alfa, gdy alfa jest określony listopad Sm. Średnia a (Październik Rzeczywisty) (1 - a) Październik Sm. Średnia 1 114 0 0 114 grudzień Sm. Średnia a (Listopad Rzeczywisty) (1 - a) Listopad Sm. Średnia 23 119 13 114 117.3333 Styczeń Prognoza a (grudzień Aktualne) (1 - a) Grudzień Sm. Średnia 24 137 24 117.3333 127.16665 lub 127 Luty Prognoza Styczeń Prognoza 127 Marzec Prognoza Styczeń Prognoza 127 A.13.2 Symulowana Prognoza Obliczanie Lipiec 2004 Sm. Średnia 22 129 129 sierpnia Sm. Średnia 23 140 13 129 136.3333 Wrzesień Sm. Średnia 24 131 24 136.3333 133.6666 Październik, 2004 sprzedaŜ Wrz. Sm. Średnia 133.6666 Sierpień, 2004 Sm. Średnia 22 140 140 września Sm. Średnia 23 131 13 140 134 października Sm. Średnia 24 114 24 134 124 listopad, 2004 sprzedaże Wt. Średnia 124 września 2004 Sm. Średnia 22 131 131 października Sm. Średnia 23 114 13 131 119.6666 Listopad Sm. Średnia 24 119 24 119.6666 119.3333 Sprzedaż w grudniu 2004 r. Wrz. Średnia 119.3333 A.13.3 Procent obliczenia dokładności POA (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 wykładnicze z tendencją i sezonowością Ta metoda jest podobna do metody 11, Exponential Smoothing, która wylicza średnią wygładzoną. Metoda 12 zawiera jednak również termin w równaniu prognozującym do wyliczenia wygładzonej tendencji. Prognoza składa się ze średniej wygładzonej dostosowanej do tendencji liniowej. Jeśli określono w opcji przetwarzania, prognoza jest również dostosowywana do sezonowości. stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży. Prawidłowe wartości zakresu alfa wynoszą od 0 do 1. b stała wygładzania używana do obliczania średniej wygładzonej dla składnika tendencji prognozy. Prawidłowe wartości dla zakresu beta od 0 do 1. Niezależnie od tego, czy indeks sezonowy jest stosowany do prognozy a i b. Nie muszą dodawać do 1.0. Minimalna wymagana historia sprzedaży: dwa lata plus liczba okresów potrzebnych do oceny prognozy (PBF). Metoda 12 wykorzystuje dwa równania wyrównania wykładniczego i jedną prostą średnią do obliczania średniej wygładzonej, wygładzonej tendencji i prostego średniego czynnika sezonowego. A.14.1 Prognoza Obliczenia A) Wyraźne wyrównanie średniej wartości 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 metoda prognozowania prawdopodobnie utworzy nieco inną projekcję. Gdy przewidziano tysiące produktów, trudno jest podjąć subiektywną decyzję co do tego, które z prognoz użyć w planach każdego z produktów. System automatycznie ocenia wydajność każdego wybranego sposobu prognozowania i dla każdego z produktów. Możesz wybrać jeden z dwóch kryteriów wydajności, średniego odchylenia bezwzględnego (MAD) i procentu dokładności (POA). MAD jest miarą błędu prognozy. POA jest miarą przewidywanego nastawienia. Obie te techniki oceny skuteczności wymagają rzeczywistych danych dotyczących historii sprzedaży dla określonego przez użytkownika okresu. Ten okres najnowszej historii zwany jest okresem trzymania lub okresami najlepiej dopasowanymi (PBF). Aby zmierzyć skuteczność metody prognozowania, użyj prognozowych formuł do symulacji prognozy na historyczny okres utrzymywania rezerwy. Zwykle 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. Wiele prognoz jest obliczanych w okresie holdout i porównywane do znanych historii sprzedaży w tym samym okresie czasu. Zalecana jest metoda prognozowania, która najlepiej pasuje pomiędzy prognozą a rzeczywistą sprzedażą w okresie zawieszenia, do wykorzystania w planach. To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednego generowania prognozy na drugie. A.16 Średnie odchylenie bezwzględne (MAD) MAD jest średnią (lub średnią) wartości bezwzględnych (lub wielkości) odchyleń (lub błędów) pomiędzy rzeczywistymi i prognozowanymi danymi. MAD jest miarą średniej wielkości błędów oczekiwanych, biorąc pod uwagę metodę prognozowania i historię danych. Ponieważ w obliczaniu są stosowane wartości bezwzględne, błędy dodatnie nie eliminują błędów negatywnych. W porównaniu z kilkoma metodami prognozowania, ten z najmniejszym MAD okazał się być najbardziej niezawodny dla tego produktu w tym okresie utrzymywania. Jeśli prognoza jest bezstronna, a błędy są rozproszone, istnieje prosty związek matematyczny pomiędzy MAD a dwoma innymi wspólnymi miarami dystrybucji, odchylenia standardowego i średniego kwadratu: A.16.1 Procent dokładności (POA) Procent dokładności (POA) jest miara prognozowania. Kiedy prognozy są zbyt wysokie, gromadzone są zapasy i koszty zapasów wzrastają. Kiedy prognozy są konsekwentnie dwa niskie, zapasy są konsumowane, a obsługa klienta spada. Prognoza, która wynosi 10 jednostek za niska, a następnie 8 jednostek za wysoka, a następnie 2 jednostki za wysoka, byłoby nieprzewidywalną prognozą. Błąd dodatni wynoszący 10 jest anulowany przez błędy ujemne w wysokości 8 i 2. Błąd Stan faktyczny - prognoza Kiedy produkt można przechowywać w magazynie, a gdy prognoza jest bezstronna, można zastosować niewielką ilość zapasów bezpieczeństwa, aby buforować błędy. W tej sytuacji nie jest tak ważne, aby wyeliminować błędy prognozy, ponieważ ma generować nieprzewidywalne prognozy. Jednakże w przemyśle usługowym powyższa sytuacja byłaby postrzegana jako trzy błędy. W pierwszym okresie służby byłyby niewystarczające, a następnie przez wiele kolejnych okresów. W usługach, wielkość błędów prognozy jest zazwyczaj ważniejsza niż przewidywana tendencja. Podsumowanie w okresie holdoutu pozwala na pozytywne błędy w celu wyeliminowania negatywnych błędów. Gdy całkowita sprzedaż przekracza całkowitą prognozę sprzedaży, współczynnik ten jest większy niż 100. Oczywiście, nie da się dokładnie określić dokładności 100. Jeśli prognoza jest bezstronna, współczynnik POA wynosi 100. Dlatego też bardziej pożądane jest 95 dokładne, niż dokładne 110. Kryteria POA wybierają metodę prognozowania, która ma współczynnik POA najbliżej 100. Skryptowanie na tej stronie ulepsza nawigację treści, ale w żaden sposób nie zmienia zawartości. OR-Notes to seria wstępnych notatek dotyczących tematów, które należą do szerokiego nagłówek działu badań operacyjnych (OR). Były one pierwotnie używane przez mnie w wstępnym kursie OR daję w Imperial College. Są one dostępne dla wszystkich studentów i nauczycieli zainteresowanych LUB z zastrzeżeniem następujących warunków: Pełną listę tematów dostępnych w OR-Notes można znaleźć tutaj. Przykłady prognozowania Prognozowanie przykładu badania UG w 1996 r. Zapotrzebowanie na produkt w każdym z pięciu miesięcy przedstawiono poniżej. Użyj dwumiesięcznej średniej ruchomej, aby wygenerować prognozę popytu w miesiącu 6. Zastosuj wyrównywanie wykładnicze ze stałą wygładzania wynoszącą 0,9, aby wygenerować prognozę popytu na popyt w miesiącu 6. Która z tych dwóch prognoz wolisz i dlaczegoMiesięczny ruch Średnia dla miesięcy od dwóch do pięciu jest podana przez: Prognoza dla szóstego miesiąca jest tylko średnią ruchoma miesiąca, tj. średnią ruchomą dla miesiąca 5 m 5 2350. Stosowanie wyrównania wykładniczego ze stałą wygładzania 0,9 otrzymujemy: Jak wcześniej prognoza dla szóstego miesiąca jest średnią dla miesiąca 5 M 5 2386 Aby porównać te dwie prognozy, obliczymy średnie kwadratowe odchylenie (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej MSD (15 - 19) sup2 (18-23) sup2 (21-24) sup23 16.67 i dla średniej wykładniczej średniej ze stałą wygładzania 0,9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58-24) sup24 10.44 Ogólnie widzimy, że wygładzanie wykładnicze wydaje się zapewniać najlepsze prognozy na 1 miesiąc, ponieważ ma niższy poziom MSD. Stąd wolimy prognozę 2386, która została wyprodukowana przez wyrównywanie wykładnicze. Przykład prognozowania na rok 1994 UG Poniższa tabela przedstawia zapotrzebowanie na nową afterszę w sklepie w ciągu ostatnich 7 miesięcy. Oblicz średnią ruchomą w ciągu miesiąca od dwóch do siedmiu miesięcy. Jaka byłaby twoja prognoza dla popytu w miesiącu ósmym Zastosuj wyrównanie wykładnicze z wyrównaniem wykładniczym ze stałą wygładzania 0,1, aby prognozować popyt w ósmym miesiącu. Która z dwóch prognoz dla miesiąca ósmego wolisz i dlaczego? Strażnik sklepu uważa, że klienci przechodzą na tę nową aferencję po innych produktach. Omów, jak można modelować to zachowanie przełączania i wskazać dane potrzebne do potwierdzenia, czy to przełączanie ma miejsce, czy nie. Średnia miesięczna miesiąca od dwóch do siedmiu wynosi od dwóch do siedmiu: Prognoza na miesiąc jest tylko średnią ruchoma miesiąca, tj. Średnią ruchoma w miesiącu 7 m 7 46. Stosowanie wyrównania wykładniczego ze stałą wygładzania równą 0,1 get: Jak poprzednio prognoza na miesiąc osiem jest średnią dla miesiąca 7 M 7 31.11 31 (ponieważ nie możemy mieć popytu częściowego). Dla porównania dwóch prognoz obliczamy średnie kwadratowe odchylenie (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej i dla wykładniczo wyostrzonej średniej ze stałą wygładzania 0,1. Ogólnie rzecz biorąc, widzimy, że średnia miesięczna ruchu dwóch miesięcy wydaje się najlepiej przewidywać co miesiąc, ponieważ ma niższą MSD. Stąd wolimy prognozę 46, która została wyprodukowana przez średnią ruchomej w ciągu dwóch miesięcy. Aby przeanalizować przełączanie, musimy użyć modelu procesu Markowa, w którym stwierdza się marki i potrzebujemy 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 zachowaniami historycznymi. Prognozowanie przykładu badania UG w 1992 r. Poniższa tabela przedstawia zapotrzebowanie na konkretną markę maszynki do golenia w sklepie przez co najmniej dziewięć miesięcy. Oblicz średnią ruchomą w ciągu trzech do dziewięciu miesięcy. Jaka byłaby twoja prognoza dla popytu w miesiącu dziesiątym Zastosuj wyrównywanie wykładnicze ze stałą wygładzania wynoszącą 0,3, aby prognozować popyt w miesiącu dziesiątym. Która z dwóch prognoz dla dziesięciu miesięcy wolisz i dlaczego Średnia trwa trzy miesiące dla miesięcy 3 do 9: Prognoza na miesiąc jest tylko średnią ruchoma miesiąca, tj. Średnia ruchoma w miesiącu 9 m 9 20.33. Stąd (ponieważ nie możemy mieć ułamkowego zapotrzebowania) prognoza dla miesiąca 10 wynosi 20. Stosując wyrównanie wykładnicze ze stałą wygładzania 0,3, otrzymujemy: Jak poprzednio prognoza na miesiąc 10 jest średnią dla miesiąca 9 M 9 18.57 19 nie może mieć popytu częściowego). Dla porównania dwóch prognoz obliczamy średnie kwadratowe odchylenie (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej i dla średniej wykładniczej przeciętnej ze stałą wygładzania 0,3. Ogólnie rzecz ujmując, widzimy, że średnia trwa trzy miesiące wydaje się dać najlepsze przewidywania z jednomiesięcznym wyprzedzeniem, ponieważ ma niższy poziom MSD. Stąd wolimy prognozę 20, która została wyprodukowana przez trzy miesięczne średnie ruchome. Przykład prognozowania na rok 1991 UG Poniższa tabela przedstawia zapotrzebowanie na konkretną markę faksową w domach towarowych w każdym z ostatnich dwunastu miesięcy. Oblicz średnią ruchomej miesiąca na 4 do 12 miesięcy. Jaka będzie Twoja prognoza dla popytu w miesiącu 13 Zastosuj wyrównywanie wykładnicze ze stałą wygładzania 0,2, aby prognozować popyt w miesiącu 13. Która z dwóch prognoz miesięcznych 13 Czy wolisz i dlaczego jakieś inne czynniki, nieuwzględnione w powyższych obliczeniach, mogą wpływać na zapotrzebowanie na faks w miesiącu 13 Średnia miesięczna średnia miesięczna 4 do 12 wynosi: m 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 miesiąca 13 jest tylko średnią ruchoma miesiąca, tzn. Średnią ruchoma za miesiąc 12 m 12 46.25. W związku z tym (jak nie możemy mieć zapotrzebowania częściowego) prognoza dla miesiąca 13 wynosi 46. Stosowanie wygładzania wykładniczego ze stałą wygładzania 0,2 otrzymujemy: Jak poprzednio prognoza na miesiąc 13 jest średnią dla miesiąca 12 M 12 38,618 39 (jak nie może mieć popytu częściowego). Dla porównania dwóch prognoz obliczamy średnie kwadratowe odchylenie (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej i dla wykładniczo wyostrzonej średniej ze stałą wygładzania wynoszącą 0,2. Ogólnie widzimy, że średnia ruchoma w ciągu czterech miesięcy wydaje się zapewniać najlepsze przewidywania z jednomiesięcznym wyprzedzeniem, ponieważ ma niższy poziom MSD. Stąd wolimy prognozę 46, która została wyprodukowana przez czteromiesięczną średnią ruchoma. sezonowe zmiany cen reklamowych, zarówno tej marki, jak i innych marek ogólna sytuacja ekonomiczna nowa technologia Prognozowanie przykładu 1989 UG test Poniższa tabela przedstawia zapotrzebowanie na konkretną markę kuchenki mikrofalowej w domach towarowych 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 0,7, aby prognozować popyt w miesiącu 13. Która z dwóch prognoz dla miesiąca 13 wolisz i dlaczego Teraz nie możemy obliczyć sześciu miesięcznej średniej ruchomej do momentu, w którym mamy co najmniej 6 obserwacji - tzn. możemy obliczyć taką średnią dopiero od 6 miesiąca. Stąd mamy: m (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 wcześniej tj. średnia ruchoma w miesiącu 12 m 12 38.17. Stąd (ponieważ nie możemy mieć ułamkowego zapotrzebowania) prognoza dla miesiąca 13 wynosi 38. Stosując wyrównywanie wykładnicze ze stałą wygładzania 0,7 otrzymujemy:
No comments:
Post a Comment