Moving Average. This Beispiel lehrt Sie, wie man den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen Ein gleitender Durchschnitt wird verwendet, um Unregelmäßigkeiten Peaks und Täler zu glätten, um Trends leicht zu erkennen.1 Zuerst lassen Sie uns einen Blick auf unsere Zeitreihe Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis finden Sie die Schaltfläche Datenanalyse Klicken Sie hier, um das Analyse-ToolPak-Add-In zu laden. 3. Wählen Sie Gleitender Durchschnitt und klicken Sie auf OK.4 Klicken Sie in das Feld Eingabebereich und wählen Sie den Bereich B2 M2 aus. 5 Klicken Sie in das Feld Intervall und geben Sie ein. 6.6 Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3.8 Zeichnen Sie einen Graphen dieser Werte. Erläuterung, weil wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der vorherigen 5 Datenpunkte und Der aktuelle Datenpunkt Als Ergebnis werden Spitzen und Täler geglättet. Der Graph zeigt einen zunehmenden Trend Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da es nicht genügend vorherige Datenpunkte gibt.9 Wiederholen Sie die Schritte 2 bis 8 für das Intervall 2 Und Intervall 4.Conclusion Die la Rger das Intervall, je mehr die Gipfel und Täler geglättet werden Je kleiner das Intervall, desto näher sind die gleitenden Mittelwerte zu den aktuellen Datenpunkten. OR-Noten sind eine Reihe von einleitenden Notizen zu Themen, die unter die breite Überschrift des Feldes fallen Der Operationsforschung ODER Sie wurden ursprünglich von mir in einem einleitenden ODER-Kurs verwendet, den ich im Imperial College gebe. Sie sind jetzt für den Einsatz von Studenten und Lehrern, die an ODER vorbehaltlich der folgenden Bedingungen interessiert sind, verfügbar. Eine vollständige Liste der in OR - Anmerkungen können hier gefunden werden. Forecasting Beispiele. Forecasting Beispiel 1996 UG Prüfung. Die Nachfrage nach einem Produkt in jedem der letzten fünf Monate ist unten gezeigt. Verwenden Sie einen zwei Monate gleitenden Durchschnitt, um eine Prognose für die Nachfrage im Monat 6.Apply exponentielle Glättung zu generieren Mit einer Glättungskonstante von 0 9, um eine Prognose für die Nachfrage nach Nachfrage im Monat zu generieren 6.Welche von diesen beiden Prognosen bevorzugen Sie und warum. Die zwei Monate gleitenden Durchschnitt für die Monate zwei bis fünf ist gegeben durch die Prognose für m Auf sechs ist nur der gleitende Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 5 m 5 2350.Applying exponentielle Glättung mit einer Glättung Konstante von 0 9 wir bekommen. As vor der Prognose für Monat sechs ist nur der Durchschnitt für Monat 5 M 5 2386.Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung MSD. Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt. Page 155 - 19 18 - 23 21 - 24 3 16 67.und für den exponentiell geglätteten Durchschnitt mit a Glättungskonstante von 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Insgesamt sehen wir dann, dass die exponentielle Glättung den besten einen Monat voraus prognostiziert, da es eine niedrigere MSD hat Bevorzugen die Prognose von 2386, die durch exponentielle Glättung produziert wurde. Forecasting Beispiel 1994 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einem neuen Aftershave in einem Geschäft für jeden der letzten 7 Monate. Calculate ein zwei Monate gleitenden Durchschnitt für Monate zwei zu Sieben Was wäre Ihre Prognose für die Nachfrage im Monat acht. Apply Exponentielle Glättung mit einer Glättungskonstante von 0 1, um eine Prognose für die Nachfrage im Monat acht abzuleiten. Welche der beiden Prognosen für den Monat acht bevorzugen Sie und warum. Der Ladenbesitzer glaubt, dass Kunden auf diese neue Aftershave von anderen Marken Diskutieren Wie Sie dieses Schaltverhalten modellieren und die Daten angeben können, die Sie benötigen, um zu bestätigen, ob diese Umschaltung stattfindet oder nicht. Der zweimonatige gleitende Durchschnitt für die Monate zwei bis sieben ist gegeben. Die Prognose für den Monat acht ist nur der gleitende Durchschnitt für Der Monat vor, dass dh der gleitende Durchschnitt für Monat 7 m 7 46.Applying exponentielle Glättung mit einer Glättung Konstante von 0 1 Wir bekommen. As vor der Prognose für Monat acht ist nur der Durchschnitt für Monat 7 M 7 31 11 31 wie wir können nicht Haben fraktionale Nachfrage. Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung MSD Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0 1.Ove Rall dann sehen wir, dass die zwei Monate gleitenden Durchschnitt scheint die besten einen Monat voraus Prognosen geben, da es eine niedrigere MSD Daher haben wir die Prognose von 46, die von der zwei Monate gleitenden Durchschnitt produziert wurde. Um zu prüfen, Umschalten müssen wir Verwenden Sie ein Markov-Prozess-Modell, wo Staaten Marken und wir benötigen Anfangszustand Informationen und Kunden Umschaltwahrscheinlichkeiten aus Umfragen Wir müssten das Modell auf historische Daten zu sehen, ob wir eine Passform zwischen dem Modell und historische Verhalten. Forecasting Beispiel 1992 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Rasiermesser in einem Geschäft für jeden der letzten neun Monate. Kalkulieren Sie einen dreimonatigen gleitenden Durchschnitt für Monate drei bis neun Was wäre Ihre Prognose für die Nachfrage in Monat zehn. Apply exponentiell Glättung mit einer Glättungskonstante von 0 3, um eine Prognose für die Nachfrage in Monat zehn abzuleiten. Welche der beiden Prognosen für Monat zehn bevorzugen Sie und warum. Die dreimonatige gleitende Durchschnitt für die Monate 3 bis 9 ist giv En durch. Die Prognose für den Monat 10 ist nur der gleitende Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 9 m 9 20 33.Hence, da wir nicht fraktionale Nachfrage die Prognose für Monat 10 ist 20.Applying exponentielle Glättung mit einem Glättung Konstante von 0 3 Wir bekommen. As vor der Prognose für Monat 10 ist nur der Durchschnitt für den Monat 9 M 9 18 57 19 Wie können wir nicht fraktionale Nachfrage haben. Um die beiden Prognosen zu vergleichen berechnen wir die mittlere quadratische Abweichung MSD Wenn wir dies tun Wir finden das für den gleitenden Durchschnitt und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0 3.Overall dann sehen wir, dass der dreimonatige gleitende Durchschnitt scheint die besten einen Monat voraus Prognosen zu geben, da es eine niedrigere MSD hat. Daher bevorzugen wir Die Prognose von 20, die von der dreimonatigen gleitenden Durchschnitt produziert wurde. Forecasting Beispiel 1991 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Faxgerät in einem Kaufhaus in jedem der letzten zwölf Monate. Calculate die vier Monate Bewegung Durchschnittlich für Monate 4 bis 12 Was wäre Ihre Prognose für die Nachfrage im Monat 13.Apply exponentielle Glättung mit einer Glättung Konstante von 0 2, um eine Prognose für die Nachfrage im Monat 13.Welche der beiden Prognosen für den Monat 13 haben Sie Bevorzugen und warum. Welche anderen Faktoren, die in den obigen Berechnungen nicht berücksichtigt wurden, könnten die Nachfrage nach dem Faxgerät im Monat 13 beeinflussen. Der viermonatige gleitende Durchschnitt für die Monate 4 bis 12 ist gegeben durch. 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.Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für den Monat vor dem dh der gleitende Durchschnitt für den Monat 12 m 12 46 25.Wie können wir nicht haben Fraktionale Nachfrage die Prognose für Monat 13 ist 46.Applying exponentielle Glättung mit einer Glättung Konstante von 0 2 Wir bekommen. As vor der Prognose für Monat 13 ist nur der Durchschnitt für Monat 12 M 12 38 618 39 als w E kann nicht fraktionale Nachfrage haben. Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung MSD Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0 2.Overall dann sehen wir, dass die Vier Monate gleitenden Durchschnitt scheint, die besten einen Monat voraus Prognosen zu geben, da es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die von den viermonatigen gleitenden Durchschnitt produziert wurde. seasonal demand. price ändert sich sowohl diese Marke als auch andere Marken. Allgemeine wirtschaftliche situation. new technology. Forecasting Beispiel 1989 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Mikrowellenherd in einem Kaufhaus in jedem der letzten zwölf Monate. Kalkulieren Sie einen sechsmonatigen gleitenden Durchschnitt für jeden Monat Was wäre Ihre Prognose für die Nachfrage im Monat 13.Apply exponentielle Glättung mit einer Glättung Konstante von 0 7, um eine Prognose für die Nachfrage im Monat 13.Welche der beiden Prognosen für Monat 13 Sie bevorzugen und warum. Now Wir können einen sechsmonatigen gleitenden Durchschnitt nicht berechnen, bis wir mindestens 6 Beobachtungen haben - dh wir können nur einen solchen Durchschnitt ab dem 6. Monat berechnen. Wir haben also 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.Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für den Monat vor dem, dh der gleitende Durchschnitt für den Monat 12 m 12 38 17.Hest, da wir keine gebrochene Nachfrage haben können Die Prognose für den Monat 13 ist 38.Applying exponentielle Glättung mit einer Glättungskonstante von 0 7 Wir bekommen. Forecasting beinhaltet die Erzeugung einer Zahl, Satz von Zahlen oder Szenario, das einem zukünftigen Vorkommen entspricht Es ist absolut notwendig, kurz-und Langzeitplanung Nach Definition basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut gefühlt oder erraten zum Beispiel den Abend News gibt die wettervorhersage nicht die wettervorhersage Unabhängig davon werden die Begriffe Prognose und Vorhersage häufig inter-changeable verwendet. Beispielsweise definieren Definitionen der Regression eine Technik, die manchmal bei der Prognose verwendet wird, in der Regel, dass ihr Zweck es ist, zu erklären oder vorherzusagen. Forecasting basiert auf einem Anzahl der Annahmen Die Vergangenheit wird sich wiederholen Mit anderen Worten: Was in der Vergangenheit passiert ist, wird in Zukunft wieder passieren. Wenn der Prognosehorizont verkürzt, prognostizierte Genauigkeitssteigerungen Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für Im nächsten Monat wird eine Prognose für den nächsten Monat genauer sein als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer sein als eine Prognose für zehn Jahre in der Zukunft. Forecasting in der Aggregate ist genauer als die Vorhersage einzelner Elemente Dies bedeutet Dass ein Unternehmen in der Lage sein wird, die Gesamtnachfrage über sein gesamtes Produktspektrum genauer zu prognostizieren, als es in der Lage ist, einzelne Sto zu prognostizieren Ck-keeping units SKUs Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren, als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Forecasts sind selten genau. Darüber hinaus sind die Prognosen fast nie völlig genau Einige sind sehr nah, wenige sind direkt auf dem geld deshalb ist es ratsam, eine prognostizierte reihe anzubieten Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es äußerst unwahrscheinlich, dass die Nachfrage 100.000 genau gleich ist. Allerdings ist eine Prognose Von 90.000 bis 110.000 würde ein viel größeres Ziel für die Planung. William J Stevenson listet eine Reihe von Merkmalen, die gemeinsam für eine gute Prognose sind. Akurate ein gewisses Maß an Genauigkeit sollte bestimmt und angegeben werden, so dass Vergleich zu alternativen Prognosen gemacht werden kann. Reliable Die Prognosemethode sollte konsequent eine gute Prognose, wenn der Benutzer ist, um ein gewisses Maß an Vertrauen zu etablieren. Zur Zeit ist eine gewisse Zeit benötigt, um r Espond auf die Prognose, so dass die Prognose Horizont muss für die Zeit notwendig, um Änderungen zu machen. Einfach zu bedienen und zu verstehen, Benutzer der Prognose muss zuversichtlich und komfortabel mit ihm zu arbeiten. Cost-effektiv die Kosten für die Prognose sollte nicht überwiegen die Vorteile Aus der Prognose gewonnen. Forecasting-Techniken reichen von der einfachen bis zu den extrem komplexen Diese Techniken sind in der Regel als qualitative oder quantitative. QUALITATIVE TECHNIQUES. Qualitative Prognose Techniken sind in der Regel mehr subjektiv als ihre quantitativen Gegenstücke Qualitative Techniken sind in den früheren Stadien von nützlicher Der Produktlebenszyklus, wenn weniger vergangene Daten für den Einsatz in quantitativen Methoden existieren Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique NGT, Außendienst-Stellungnahmen, Exekutiv-Meinungen und Marktforschung. THE DELPHI TECHNIQUE. Die Delphi-Technik nutzt ein Expertengremium Um eine Prognose zu produzieren. Jeder Experte wird gebeten, eine Prognose zu liefern Ökologisch auf die nötige Notwendigkeit Nach den anfänglichen Prognosen liest jeder Experte, was jeder andere Experte schrieb und natürlich von seinen Ansichten beeinflusst wird. Eine nachfolgende Prognose wird dann von jedem Experten gemacht. Jeder Experte liest dann wieder, was jeder andere Experte schrieb Und wird wieder von den Wahrnehmungen der anderen beeinflusst Dieser Prozeß wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder Zahlen hat. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet Nachdem die Teilnehmer auf Prognose-bezogene Fragen reagieren, rangieren sie ihre Antworten in der Reihenfolge der wahrgenommenen relativen Bedeutung. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der Ranglisten erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter Ist oft eine gute Quelle von Informationen über zukünftige Nachfrage Der Vertriebsleiter kann nach Input von jedem Vertriebsmitarbeiter und aggr Zähle ihre Antworten in eine Außendienst-Komposit-Prognose Achtung sollte bei der Anwendung dieser Technik ausgeübt werden, da die Mitglieder der Außendienst nicht in der Lage sein zu unterscheiden, was Kunden sagen und was sie tatsächlich tun Auch wenn die Prognosen verwendet werden, um Umsatz zu etablieren Quoten, kann der Außendienst versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Sometimes Oberstufen Manager treffen und entwickeln Prognosen auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche Dies wird manchmal als eine Jury der Exekutive Meinung. MARKET FORSCHUNG Marktforschung, Verbraucherumfragen werden verwendet, um potenzielle Nachfrage zu etablieren Diese Vermarktungsforschung beinhaltet in der Regel den Aufbau eines Fragebogens, der persönliche, demographische, ökonomische und Marketinginformationen anfordert. Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher kann Erleben Sie Geschmack, fühlen, riechen und sehen Sie ein bestimmtes Produkt Der Forscher muss darauf achten, dass Die Stichprobe der befragten Personen repräsentiert das gewünschte Verbraucherziel. QUANTITATIVE TECHNIKEN. Quantitative Prognosetechniken sind in der Regel objektiver als ihre qualitativen Gegenstücke Quantitative Prognosen können Zeitreihenprognosen sein, dh eine Projektion der Vergangenheit in die Zukunft oder Prognosen auf der Grundlage assoziativer Modelle, dh Basierend auf einer oder mehreren erläuternden Variablen Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein Muster sind. Trends, die langfristige Bewegungen nach oben oder unten in den data. Seasonality, die kurzfristige Variationen, die in der Regel mit der Zeit des Jahres, Monat oder sogar einen bestimmten Tag, wie durch Einzelhandel verkauft wird produziert produziert Weihnachten oder die Spikes in Banking-Aktivität am ersten des Monats und freitags. Cycles, die wavelike Variationen dauernden m Erz als ein Jahr, das gewöhnlich an ökonomische oder politische Bedingungen gebunden ist. Irreguläre Variationen, die nicht typisches Verhalten widerspiegeln, wie z. B. eine Periode des extremen Wetters oder eines Gewerkschaftsstreiks. Randomische Variationen, die alle nicht typischen Verhaltensweisen umfassen, die nicht von der Andere Klassifikationen. Unter den Zeitreihenmodellen ist die einfachste die na-ve-Prognose Eine na-ve-Prognose verwendet einfach die tatsächliche Nachfrage nach der vergangenen Periode als die prognostizierte Nachfrage für die nächste Periode. Dies macht natürlich die Annahme, dass die Vergangenheit wird Wiederholen Es geht auch davon aus, dass irgendwelche Trends, Saisonalität oder Zyklen sich entweder in der vorherigen Periode s Nachfrage oder nicht existieren Ein Beispiel für na ve Prognose ist in Tabelle 1 dargestellt. Tabelle 1 Na ve Forecasting. Another einfache Technik ist die Verwendung von Mittelwert Um eine Prognose mit Mittelung zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summieren jeder Periode und dividiert das Ergebnis durch die Anzahl der Perioden Diese Technik wurde gefunden Für die kurzfristige Prognose sehr effektiv zu sein. Die Durchschnittswerte umfassen den gleitenden Durchschnitt, den gewogenen Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt eine vorgegebene Anzahl von Perioden ein, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der zu erreichenden Perioden Eine Prognose Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Angenommen, ein dreimonatiger gleitender Durchschnitt und die Daten aus Tabelle 1, würde man einfach den 45. Januar, den 60. Februar und den 72. März hinzufügen und teilen Um drei zu einer Prognose für April 45 60 72 177 3 59.Um eine Prognose für Mai zu erreichen, würde man die Januar-Nachfrage aus der Gleichung fallen lassen und die Nachfrage ab April hinzufügen Tabelle 2 zeigt ein Beispiel für einen dreimonatigen Umzug Durchschnittliche prognose. Tabelle 2 Drei Monate bewegte durchschnittliche Prognose. Aktuale Nachfrage 000 sA gewichteten Durchschnitt gilt ein vorgegebenes Gewicht auf jeden Monat der vergangenen Daten, summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte Wenn die Der Prognostiker passt die Gewichte so an, dass ihre Summe gleich 1 ist, dann werden die Gewichte mit der tatsächlichen Nachfrage jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erreichen. In der Regel sind die neueren Daten um so höher, je größer das Gewicht und die Je größer die Daten, desto kleiner das Gewicht Mit dem Anforderungsbeispiel würde ein gewichteter Durchschnitt mit Gewichten von 4 3 2 und 1 die Prognose für Juni als 60 1 72 2 58 3 40 4 53 ergeben. 8.Forecasters können auch eine Kombination der Gewichtete durchschnittliche und gleitende Durchschnittsprognosen Eine gewichtete gleitende Durchschnittsprognose weist Gewichte auf eine vorgegebene Anzahl von Perioden von tatsächlichen Daten zu und berechnet die Prognose auf die gleiche Weise wie oben beschrieben Wie bei allen laufenden Prognosen, wie jede neue Periode hinzugefügt wird, werden die Daten vom ältesten Zeitraum wird verworfen Tabelle 3 zeigt eine dreimonatige gewichtete gleitende durchschnittliche Prognose unter Verwendung der Gewichte 5 3 und 2.Tabelle 3 Drei Monate gewichtete bewegliche durchschnittliche Prognose. Aktuelle Nachfrage 000 sA komplexere Form von gewichtet Gleitender Durchschnitt ist exponentielle Glättung, so genannt, weil das Gewicht exponentiell abfällt, da die Datenperioden Exponentielle Glättung die vorherige Periode s prognostiziert und passt sie durch eine vorgegebene Glättungskonstante, genannt alpha der Wert für alpha ist kleiner als eins multipliziert mit der Differenz in Die vorherige Prognose und die Nachfrage, die tatsächlich während des zuvor prognostizierten Zeitraums als Prognosefehler aufgetreten ist. Exponentielle Glättung wird formell als solche ausgedrückt. Neue Prognose vorherige Prognose Alpha-Ist-Nachfrage vorherige Prognose FFA F. Exponentielle Glättung erfordert, dass der Prognostiker die Prognose in einem vergangenen Zeitraum beginnt und Arbeit vorwärts zu dem Zeitraum, für den eine aktuelle Prognose benötigt wird Eine erhebliche Anzahl von vergangenen Daten und eine Anfangs - oder Anfangsprognose sind ebenfalls notwendig Die anfängliche Prognose kann eine tatsächliche Prognose aus einer vorherigen Periode, die tatsächliche Nachfrage aus einer früheren Periode oder sie sein Kann durch Mittelung aller oder eines Teils der vergangenen Daten geschätzt werden Einige Heuristiken Existieren für die Berechnung einer anfänglichen Prognose Zum Beispiel würde die Heuristik N 2 1 und ein Alpha von 5 ein N von 3 ergeben, was darauf hinweist, dass der Benutzer die ersten drei Datenperioden durchschnittlich für eine erste Prognose beurteilen würde. Allerdings ist die Genauigkeit der anfänglichen Prognose Ist nicht kritisch, wenn man große Mengen an Daten verwendet, da die exponentielle Glättung selbstkorrigiert ist. Bei genügend Perioden vergangener Daten wird eine exponentielle Glättung schließlich genügend Korrekturen vornehmen, um eine vernünftig ungenaue Anfangsprognose zu kompensieren. Die Verwendung der in anderen Beispielen verwendeten Daten Initialprognose von 50 und ein Alpha von 7, wird eine Prognose für Februar als solche berechnet. Neue Prognose Februar 50 7 45 50 41 5.Next, die Prognose für März Neue Prognose März 41 5 7 60 41 5 54 45 Dieser Vorgang wird bis dahin fortgesetzt Der Prognostiker erreicht den gewünschten Zeitraum In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage nach Juni nicht bekannt ist. Aktuelle Nachfrage 000 s. Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihe d Ata zeigt einen linearen Trend Diese Methode ist bekannt durch mehrere Namen doppelte Glättung Trend-angepasst exponentielle Glättung Prognose einschließlich Trend FIT und Holt s Modell Ohne Anpassung, einfache exponentielle Glättung Ergebnisse wird den Trend verzögern, das heißt, die Prognose wird immer niedrig sein, wenn die Trend steigt oder hoch, wenn der Trend abnimmt Mit diesem Modell gibt es zwei Glättungskonstanten und mit der Darstellung der Trendkomponente. Eine Erweiterung des Holt-Modells, genannt Holt-Winter-Methode, berücksichtigt sowohl Trend als auch Saisonalität Zwei Versionen, multiplikativ und additiv, wobei das Multiplikator am weitesten verbreitet ist Im additiven Modell wird die Saisonalität als Quantität ausgedrückt, die dem Serien-Durchschnitt hinzugefügt oder subtrahiert werden soll. Das multiplikative Modell drückt die Saisonalität als Prozentsatz aus, der als saisonale Verwandte oder saisonale bekannt ist Indizes des Mittels oder Tendenzes Diese werden dann multipliziert mit den Werten, um die Saisonalität zu berücksichtigen. Ein Verwandter von 0 8 wäre i Ndicate Nachfrage, die 80 Prozent des Durchschnitts ist, während 1 10 würde die Nachfrage, die 10 Prozent über dem Durchschnitt Detaillierte Informationen über diese Methode finden Sie in den meisten Operationen Management Lehrbücher oder einer von einer Reihe von Büchern über die Vorhersage. Associative oder kausale Techniken Beinhalten die Identifizierung von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorherzusagen. Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu prognostizieren. In der Regel beinhaltet dies die Verwendung von lineare Regression, wo das Ziel ist, eine Gleichung zu entwickeln, die zusammenfasst Die Effekte der prädiktorunabhängigen Variablen auf die prognostizierte abhängige Variable Wenn die Prädiktorvariable aufgetragen wurde, wäre das Objekt, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert, wobei die Abweichung der Abstand von jedem Punkt ist Auf die Linie Die Gleichung würde als ya bx erscheinen, wobei y die vorhergesagte abhängige Variable ist, x ist die pre Dictor unabhängige Variable, b ist die Steigung der Linie, und a ist gleich der Höhe der Linie am y-Intercept Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die prädiktorunabhängige Variable einfügen, um zu einer Prognose abhängig zu kommen Variabel. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, ist eine einfache lineare Regression unzureichend. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nichtlineare Beziehungen die Verwendung von Krummlinige Regression. Erkonzentrische FORECASTING. Econometric Methoden, wie autoregressive integrierte Moving-Average-Modell ARIMA, verwenden komplexe mathematische Gleichungen zu zeigen, vergangene Beziehungen zwischen Nachfrage und Variablen, die die Nachfrage beeinflussen Eine Gleichung abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es Ist so zuverlässig eine Darstellung der bisherigen Beziehung wie möglich Sobald dies geschehen ist, sind die projizierten Werte der Beeinflussung Variablen Einkommen, Preise, etc. werden in die Gleichung eingefügt, um eine Prognose zu machen. EVALUATING FORECASTS. Forecast Genauigkeit kann durch die Berechnung der Bias, mittlere absolute Abweichung MAD, mittlere quadratische Fehler MSE oder mittlere absolute Prozent Fehler MAPE für die Prognose mit verschiedenen Werte für alpha Bias ist die Summe der Prognosefehler FE Für das oben erwähnte exponentielle Glättungsbeispiel wäre die berechnete Vorspannung 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Wenn man annimmt, dass eine niedrige Vorspannung eine Gesamtniedrigkeit anzeigt Prognosefehler, man könnte die Vorspannung für eine Anzahl von potentiellen Werten von alpha berechnen und davon ausgehen, dass die mit der niedrigsten Vorspannung die genaueste sein würde. Allerdings ist Vorsicht zu beachten, dass wild ungenaue Prognosen eine niedrige Vorspannung ergeben können, wenn sie dazu neigen Sowohl über Prognose als auch unter Prognose negativ und positiv Zum Beispiel, über drei Perioden kann ein Unternehmen einen bestimmten Wert von Alpha bis über Prognose von 75.000 Einheiten 75.000, unter Prognose von 100.000 Einheiten 100.000, und Dann über die Prognose von 25.000 Einheiten 25.000, was eine Vorspannung von null 75.000 100.000 25.000 0 Im Vergleich dazu ein weiteres Alpha, das über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten würde in einer Vorspannung von 5.000 Einheiten führen würde Wenn die normale Nachfrage 100.000 Einheiten pro Periode würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Vorspannung in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist Die mittlere absolute Abweichung MAD Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann durch die Anzahl der Prognosen FE N ab. Mit dem Absolutwert der Prognosefehler wird die Kompensation von positiven und negativen Werten vermieden Bedeutet, dass sowohl eine Vorprognose von 50 als auch eine unterprognose von 50 ausgeschaltet werden. 50 Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Daher ist der Prognostiker im Durchschnitt 16 35 Einheiten pro Prognose aus. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Meanquadratfehler MSE kann auch genutzt werden In der gleichen Weise MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 FE N-1 Das Quadrieren der Prognosefehler beseitigt die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben, MSE wäre 18 5 17 55 8 74 20 62 3 383 94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die mit verschiedenen Alpha-Werten abgeleitet werden und davon ausgehen, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert Prozent-Fehler MAPE ist der durchschnittliche absolute Prozentfehler Um an der MAPE zu gelangen, muss man die Summe der Verhältnisse zwischen Prognosefehler und tatsächlichen Bedarfszeiten 100 nehmen, um den Prozentsatz zu erhalten und durch N Tatsächliche Nachfrageprognose Tatsächliche Nachfrage zu teilen 100 N Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAPE wie folgt berechnet werden: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Wie bei MAD und MSE je niedriger der relative Fehler, desto genauer ist die Prognose. Es ist anzumerken, dass in einigen Fällen die Fähigkeit der Prognose, sich schnell zu ändern, um auf Veränderungen in den Datenmustern zu reagieren, als wichtiger als die Genauigkeit angesehen wird. Daher sollte eine Auswahl von Prognosemethoden das relative Gleichgewicht zwischen der Genauigkeit und der Reaktionsfähigkeit widerspiegeln , Wie vom prognostiker bestimmt. MAKING A FORECAST. William J Stevenson listet die folgenden als die grundlegenden Schritte in der Prognose-Prozess. Determine der Prognose s Zweck Faktoren wie wie und wann die Prognose verwendet wird, die Grad der Genauigkeit benötigt, und Die Höhe der Details bestimmen bestimmen die Kosten Zeit, Geld, Mitarbeiter, die auf die Prognose gewidmet werden können und die Art der Prognose-Methode genutzt werden. Erstellen Sie einen Zeithorizont Dies geschieht, nachdem man abschrecken Abgebaut den Zweck der Prognose Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik Die gewählte Technik hängt vom Zweck der Prognose, dem gewünschten Zeithorizont und den erlaubten Kosten ab Daten analysieren Die Menge und Art der benötigten Daten unterliegt dem Ziel der Prognose, der gewählten Prognosemethode und allen Kostenüberlegungen. Machen Sie die Prognose. Monitor die Prognose Bewerten Sie die Leistung der Prognose und ändern Sie ggf..FURTHER READING. Finch , Byron J Operations jetzt Profitabilität, Prozesse, Performance 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Ökonometrische Analyse 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr. Marion Die Nominal-Gruppe-Technik Der Forschungsprozess verfügbar From. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Sie lesen auch Artikel über Forecasting aus Wikipedia.
No comments:
Post a Comment