Przenoszenie średniej prognozy wstępnej. Jak można się domyślić, patrzymy na niektóre z najbardziej prymitywnych podejść do prognozowania. Miejmy nadzieję, że są to przynajmniej wartościowe wprowadzenie do niektórych problemów informatycznych związanych z wdrażaniem prognoz w arkuszach kalkulacyjnych. W tym duchu będziemy kontynuować od początku i zacząć pracę z prognozami średniej ruchomej. Średnie prognozy ruchome. Wszyscy znają średnie ruchome prognozy, niezależnie od tego, czy uważają, że są. Wszyscy studenci robią to cały czas. Pomyśl o swoich wynikach testowych na kursie, w którym będziesz miał cztery testy w trakcie semestru. Załóżmy, że masz 85 na pierwszym teście. Co byś przewidział dla swojego drugiego wyniku testu Jak sądzisz, co Twój nauczyciel przewidział dla twojego następnego wyniku testu Co twoim zdaniem mogą przewidzieć twoi znajomi dla twojego następnego wyniku testu Co twoim zdaniem rodzice mogą przewidzieć dla twojego następnego wyniku testu Niezależnie od wszystko, co możesz zrobić swoim przyjaciołom i rodzicom, oni i twój nauczyciel najprawdopodobniej oczekują, że dostaniesz coś w okolicy 85, którą właśnie dostałeś. Teraz załóżmy, że pomimo twojej autopromocji dla twoich przyjaciół, przeinaczasz siebie i wyobrażasz sobie, że możesz mniej uczyć się na drugi test, a więc dostajesz 73. Teraz, co się dzieje z tymi wszystkimi zainteresowanymi i beztroskimi? spodziewaj się, że dostaniesz swój trzeci test. Istnieją dwa bardzo prawdopodobne podejścia do opracowania oszacowania, niezależnie od tego, czy podzielą się nim z tobą. Mogą powiedzieć sobie: "Ten facet zawsze dmucha o swoich sprytach. Zamierza uzyskać kolejne 73, jeśli ma szczęście. Może rodzice będą starali się być bardziej pomocni i powiedzieć: "Cóż, jak dotąd dostałeś 85 i 73, więc może powinieneś pomyśleć o zdobyciu czegoś" (85 73) 2 79. Nie wiem, może gdybyś mniej imprezował i nie kręcili weasel w całym miejscu i jeśli zacząłeś robić o wiele więcej nauki, możesz uzyskać wyższy wynik. Oba te szacunki są w rzeczywistości średnią ruchomą. Pierwszym z nich jest wykorzystanie tylko ostatniego wyniku do prognozowania przyszłej skuteczności. Jest to tak zwana prognoza średniej ruchomej z użyciem jednego okresu danych. Drugi to również prognoza średniej ruchomej, ale z wykorzystaniem dwóch okresów danych. Załóżmy, że wszyscy ci ludzie, którzy wpadają w twój wielki umysł, trochę cię wkurzyli i postanawiasz zrobić dobrze w trzecim teście z własnych powodów i wystawić wyższy wynik przed swoimi cytatami. Poddajesz się testowi, a twój wynik to w rzeczywistości 89 Każdy, łącznie z tobą, jest pod wrażeniem. Teraz masz już ostatni test semestru i jak zwykle czujesz potrzebę nakłonienia wszystkich do przedstawienia swoich przewidywań na temat ostatniego testu. Mam nadzieję, że widzisz ten wzór. Miejmy nadzieję, że widać wzór. Co według ciebie jest najdokładniejszym Gwizdkiem, podczas gdy my pracujemy. Teraz wracamy do naszej nowej firmy sprzątającej rozpoczętej przez twoją siostrę o imieniu Whistle While We Work. Masz kilka poprzednich danych dotyczących sprzedaży reprezentowanych w poniższej sekcji z arkusza kalkulacyjnego. Najpierw przedstawiamy dane dla trzyzmianowej prognozy średniej ruchomej. Wpis dla komórki C6 powinien być teraz. Teraz możesz skopiować tę formułę komórki do innych komórek od C7 do C11. Zwróć uwagę, jak średnia porusza się po najnowszych danych historycznych, ale używa dokładnie trzech ostatnich okresów dostępnych dla każdej prognozy. Powinieneś również zauważyć, że tak naprawdę nie musimy tworzyć prognoz dla przeszłych okresów, aby rozwinąć naszą najnowszą prognozę. To zdecydowanie różni się od wykładniczego modelu wygładzania. Podaję prognozy cudzysłowów, ponieważ użyjemy ich na następnej stronie internetowej do pomiaru trafności prognozy. Teraz chcę przedstawić analogiczne wyniki dla dwuletniej prognozy średniej ruchomej. Wpis dla komórki C5 powinien być teraz. Teraz możesz skopiować tę formułę komórki do innych komórek od C6 do C11. Zwróć uwagę, jak teraz dla każdej prognozy są używane tylko dwa najnowsze dane historyczne. Ponownie uwzględniłem prognozy quotpast dla celów ilustracyjnych i do późniejszego wykorzystania w walidacji prognoz. Kilka innych rzeczy, o których należy pamiętać. Dla prognozy średniej ruchomej z okresu m do prognozowania wykorzystuje się tylko m najnowsze wartości danych. Nic więcej nie jest konieczne. Dla prognozy średniej ruchomej okresu m, podczas dokonywania prognozy quotpast, zauważ, że pierwsza prognoza ma miejsce w okresie m 1. Oba te problemy będą bardzo istotne, gdy opracujemy nasz kod. Opracowanie średniej ruchomej funkcji. Teraz musimy opracować kod dla średniej ruchomej prognozy, która może być wykorzystywana bardziej elastycznie. Kod następuje. Zauważ, że dane wejściowe odnoszą się do liczby okresów, których chcesz użyć w prognozie i tablicy wartości historycznych. Możesz przechowywać go w dowolnym skoroszycie, który chcesz. Funkcja MovingAverage (Historyczne, NumberOfPeriods) Jako pojedyncze zadeklarowanie i inicjalizacja zmiennych Dim Pozycja jako zmienny licznik wymiaru jako całkowita liczba wymiarów Dim Dimit as Single Dim HistoricalSize jako liczba całkowita Inicjowanie zmiennych Counter 1 Akumulacja 0 Określanie rozmiaru tablicy historycznej HistoricalSize Historical. Count dla licznika 1 na NumberOfPeriods Kumulacja odpowiedniej liczby ostatnio obserwowanych wartości Akumulacja akumulacja Historycznie (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kod zostanie wyjaśniony w klasie. Chcesz umieścić funkcję w arkuszu kalkulacyjnym, aby wynik obliczeń pojawiał się tam, gdzie powinien być następujący.3 Zrozumienie poziomów i metod prognoz Możesz wygenerować zarówno prognozy dotyczące szczegółów (pojedynczych pozycji), jak i podsumowania (linii produktów), które odzwierciedlają produkt wzorce popytu. System analizuje przeszłe wyniki sprzedaży, aby obliczyć prognozy za pomocą 12 metod prognozowania. Prognozy zawierają szczegółowe informacje na poziomie pozycji i informacje o wyższym poziomie dotyczące oddziału lub firmy jako całości. 3.1 Kryteria oceny wyników prognozy W zależności od wyboru opcji przetwarzania oraz trendów i wzorców w danych sprzedaży, niektóre metody prognozowania działają lepiej niż inne dla danego zestawu danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może nie być odpowiednia dla innego produktu. Może się okazać, że metoda prognozowania, która zapewnia dobre wyniki na jednym etapie cyklu życia produktu, pozostaje odpowiednia w całym cyklu życia. Możesz wybrać jedną z dwóch metod oceny aktualnej wydajności metod prognozowania: Procent dokładności (POA). Średnie absolutne odchylenie (MAD). Obie te metody oceny wydajności wymagają danych historycznych dotyczących sprzedaży dla określonego okresu. Ten okres nazywany jest okresem wstrzymania lub okresem najlepszego dopasowania. Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, którą metodę prognozowania zastosować przy tworzeniu następnej prognozy. To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednej generacji generowania prognozy na drugą. 3.1.1 Najlepsze dopasowanie System zaleca prognozę najlepszego dopasowania, stosując wybrane metody prognozowania do historii zamówień poprzednich zamówień i porównując symulację prognozy z rzeczywistą historią. Po wygenerowaniu prognozy najlepszego dopasowania system porównuje rzeczywistą historię zamówień sprzedaży z prognozami dla określonego okresu czasu i oblicza, jak dokładnie każda inna metoda prognozowania przewidywała sprzedaż. Następnie system zaleca najdokładniejsze prognozy jako najlepsze dopasowanie. Ta grafika ilustruje najlepsze dopasowania prognozy: Rysunek 3-1 Najlepsza prognoza dopasowania System wykorzystuje tę sekwencję kroków do określenia najlepszego dopasowania: Użyj każdej określonej metody, aby zasymulować prognozę okresu wstrzymania. Porównaj rzeczywistą sprzedaż z symulowanymi prognozami okresu wstrzymania. Oblicz POA lub MAD, aby określić, która metoda prognozowania najlepiej pasuje do dotychczasowej faktycznej sprzedaży. System korzysta z POA lub MAD, w oparciu o wybrane opcje przetwarzania. Poleć najlepszą prognozę POA, która jest najbliższa 100% (ponad lub poniżej) lub MAD, która jest najbliższa zeru. 3.2 Metody prognozowania JD Edwards EnterpriseOne Forecast Management wykorzystuje 12 metod do prognozowania ilościowego i wskazuje, która metoda najlepiej pasuje do sytuacji prognostycznej. W tej sekcji omówiono: Metoda 1: Procent w ciągu ostatniego roku. Metoda 2: Obliczony procent w ciągu ostatniego roku. Metoda 3: Ostatni rok w tym roku. Metoda 4: Średnia ruchoma. Metoda 5: Aproksymacja liniowa. Metoda 6: Regresja najmniejszych kwadratów. Metoda 7: Aproksymacja drugiego stopnia. Metoda 8: Elastyczna metoda. Metoda 9: Średnia ważona ruchoma. Metoda 10: Wygładzanie liniowe. Metoda 11: Wygładzanie wykładnicze. Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością. Określ metodę, której chcesz użyć w opcjach przetwarzania dla programu Generowanie prognoz (R34650). Większość tych metod zapewnia ograniczoną kontrolę. Na przykład waga umieszczona na ostatnich danych historycznych lub w zakresie dat danych historycznych wykorzystywanych w obliczeniach może zostać określona przez Ciebie. Przykłady w przewodniku wskazują procedurę obliczania dla każdej z dostępnych metod prognostycznych, biorąc pod uwagę identyczny zestaw danych historycznych. Przykłady metod w przewodniku wykorzystują część lub wszystkie te zbiory danych, które są danymi historycznymi z ostatnich dwóch lat. Prognoza prognozy trafia do przyszłego roku. Dane dotyczące historii sprzedaży są stabilne przy niewielkich sezonowych wzrostach w lipcu i grudniu. Ten wzór jest charakterystyczny dla dojrzałego produktu, który może się zbliżać do przestarzałości. 3.2.1 Metoda 1: procent w ostatnim roku Ta metoda wykorzystuje formułę Procent na przestrzeni ostatniego roku, aby pomnożyć każdy okres prognozy przez określony wzrost lub spadek procentowy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów dla najlepszego dopasowania plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.1.1 Przykład: Metoda 1: Procent w ubiegłym roku Procent nad ubiegłorocznym wzorem zwielokrotnia dane o sprzedaży z poprzedniego roku o określony czynnik, a następnie projekty, które pojawią się w ciągu najbliższego roku. Ta metoda może być przydatna w budżetowaniu do symulacji wpływu określonej stopy wzrostu lub gdy historia sprzedaży ma znaczący składnik sezonowy. Specyfikacja prognozy: współczynnik mnożenia. Na przykład, wybierz opcję 110 w opcji przetwarzania, aby zwiększyć dane historii sprzedaży z poprzedniego roku o 10 procent. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy oraz liczba okresów czasu wymaganych do oceny prognozowanej skuteczności (okresy najlepszego dopasowania), które określasz. Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza lutowa wynosi 117 razy 1.1 128,7 zaokrąglona do 129. Prognoza marcowa wynosi 115 razy 1.1 126,5 zaokrąglona do 127. 3.2.2 Metoda 2: Obliczony procent w ciągu ostatniego roku Ta metoda używa obliczonego procentu ponad Formuła zeszłoroczna, aby porównać wcześniejszą sprzedaż określonych okresów ze sprzedażą z tych samych okresów roku poprzedniego. System określa procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów historii zamówień sprzedaży plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania krótkoterminowego popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.2.1 Przykład: Metoda 2: Obliczony procent w ciągu ostatniego roku Formuła wyliczenia procentowego w ubiegłym roku mnoży dane dotyczące sprzedaży z poprzedniego roku przez współczynnik obliczany przez system, a następnie projektuje ten wynik na następny rok. Ta metoda może być przydatna w prognozowaniu wpływu przedłużenia ostatniego wzrostu stopy produktu na następny rok przy zachowaniu sezonowości, która jest obecna w historii sprzedaży. Specyfikacja prognozy: zakres historii sprzedaży do wykorzystania przy obliczaniu tempa wzrostu. Na przykład określ n = 4 w opcji przetwarzania, aby porównać historię sprzedaży dla ostatnich czterech okresów z tymi samymi czterema okresami poprzedniego roku. Użyj obliczonego współczynnika, aby wykonać projekcję na następny rok. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest historią wykorzystywaną w prognozowaniu obliczeń, biorąc pod uwagę: n 4: prognoza lutowa wynosi 117 razy 0,9766 114,26 zaokrąglona do 114. prognoza marcowa wynosi 115 razy 0,9766 112,31 zaokrąglona do 112. 3.2.3 Metoda 3: Ostatni rok do tego roku Ta metoda wykorzystuje sprzedaż w ubiegłym roku na prognozy na kolejne lata. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów plus jeden rok historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty z poziomem popytu lub sezonowym zapotrzebowaniem bez trendu. 3.2.3.1 Przykład: Metoda 3: Ostatni rok w tym roku Formuła "ostatni rok do tego roku" kopiuje dane dotyczące sprzedaży z poprzedniego roku do następnego roku. Ta metoda może być przydatna w budżetowaniu do symulacji sprzedaży na obecnym poziomie. Produkt jest dojrzały i nie ma trendu w dłuższej perspektywie, ale może występować znaczny sezonowy wzór zapotrzebowania. Specyfikacja prognozy: brak. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza styczniowa to styczeń zeszłego roku z wartością prognozowaną na poziomie 128. Prognoza w lutym jest równa lutowi ubiegłego roku z prognozą 117. Prognoza marcowa to marzec ubiegłego roku z prognozą 115. 3.2.4 Metoda 4: Średnia krocząca Ta metoda wykorzystuje średnią ruchomą do wyliczenia określonej liczby okresów do wyświetlenia w następnym okresie. Powinieneś go często przeliczać (miesięcznie lub co najmniej raz na kwartał), aby odzwierciedlić zmieniający się popyt. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty bez tendencji. 3.2.4.1 Przykład: Metoda 4: Średnia ruchoma ruchoma (MA) jest popularną metodą uśredniania wyników ostatniej historii sprzedaży w celu określenia projekcji na krótką metę. Metoda prognozowania MA pozostaje w tyle za trendami. Pogorszenie prognozy i systematyczne błędy pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowość. Ta metoda sprawdza się lepiej w prognozach krótkiego zasięgu produktów dojrzałych niż w przypadku produktów, które znajdują się na etapie wzrostu lub starzenia się w cyklu życia. Specyfikacje prognozy: n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Powoduje to stabilną prognozę, ale powoli rozpoznaje zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. Wymagana historia sprzedaży: n plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią stosowaną w obliczeniach prognozy: prognoza lutowa jest równa (114 119 137 125) 4 123,75 zaokrąglona do 124. Prognoza marcowa jest równa (119 137 125 124) 4 126,25 zaokrąglona do 126. 3.2.5 Metoda 5: Liniowe przybliżenie Ta metoda wykorzystuje formułę Liniową aproksymację do obliczenia trendu z liczby okresów historii zamówień sprzedaży i do projekcji tego trendu do prognozy. Powinieneś ponownie obliczać trend co miesiąc, aby wykryć zmiany trendów. Ta metoda wymaga liczby okresów najlepszego dopasowania plus liczba określonych okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na nowe produkty lub produkty o stałych, pozytywnych lub negatywnych tendencjach, które nie są związane z wahaniami sezonowymi. 3.2.5.1 Przykład: Metoda 5: Aproksymacja liniowa Przybliżenie liniowe oblicza trend oparty na dwóch punktach danych historii sprzedaży. Te dwa punkty definiują prostą linię trendu rzutowaną w przyszłość. Tej metody należy używać ostrożnie, ponieważ prognozy dotyczące dalekiego zasięgu są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Specyfikacja prognozy: n jest równy punktowi danych w historii sprzedaży, który jest porównywany z najnowszym punktem danych w celu identyfikacji trendu. Na przykład, określ n 4, aby wykorzystać różnicę między grudniem (najnowsze dane) a sierpniem (cztery okresy przed grudniem) jako podstawę do obliczenia trendu. Minimalna wymagana historia sprzedaży: n plus 1 plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w kalkulacji prognoz: prognoza styczniowa Grudzień z ubiegłego roku 1 (Trend), która wynosi 137 (1 razy 2) 139. Prognoza z lutego: grudzień ubiegłego roku 1 (Trend), który wynosi 137 (2 razy 2) 141. Prognoza marcowa grudzień poprzedniego roku 1 (Trend), która wynosi 137 (3 razy 2) 143. 3.2.6 Metoda 6: Regresja najmniejszych kwadratów Metoda regresji najmniejszych kwadratów (LSR) wyprowadza równanie opisujące liniową zależność między historycznymi danymi sprzedaży i upływ czasu. LSR dopasowuje linię do wybranego zakresu danych, tak aby zminimalizować sumę kwadratów różnic pomiędzy rzeczywistymi punktami danych sprzedaży i linią regresji. Prognoza jest rzutem tej prostej w przyszłość. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalne wymaganie to dwa historyczne punkty danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych znajduje się trend liniowy. 3.2.6.1 Przykład: Metoda 6: Regresja Liniowa Najmniejszych Kwadratów lub Regresja Najmniejszych Kwadratów (LSR) jest najpopularniejszą metodą identyfikacji trendu liniowego w historycznych danych o sprzedaży. Metoda oblicza wartości dla a i b, które mają być użyte we wzorze: To równanie opisuje linię prostą, gdzie Y oznacza sprzedaż, a X oznacza czas. Regresja liniowa powoli rozpoznaje punkty zwrotne i przesunięcia funkcji w popycie. Regresja liniowa dopasowuje się do danych w linii prostej, nawet jeśli dane są sezonowe lub lepiej opisane krzywą. Gdy dane historii sprzedaży podążają za krzywą lub mają silny rozkład sezonowy, pojawiają się błędy prognoz i błędy systemowe. Specyfikacja prognozy: n jest równy okresom historii sprzedaży, które zostaną użyte do obliczenia wartości dla aib. Na przykład, określ n 4, aby wykorzystać historię od września do grudnia jako podstawę do obliczeń. Gdy dane są dostępne, zwykle używane jest większe n (na przykład n 24). LSR definiuje linię dla zaledwie dwóch punktów danych. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Minimalna wymagana historia sprzedaży: n okresów plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana w obliczeniach prognozy: prognoza marcowa wynosi 119,5 (7 razy 2,3) 135,6 zaokrąglona do 136. 3.2.7 Metoda 7: Aproksymacja drugiego stopnia Aby zaprojektować prognozę, ta metoda wykorzystuje formułę aproksymacji drugiego stopnia do wykreślenia krzywej jest to oparte na liczbie okresów historii sprzedaży. Ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień 3 razy. Ta metoda nie jest przydatna do prognozowania popytu na dłuższy okres. 3.2.7.1 Przykład: Metoda 7: Aproksymacja drugiego stopnia Regresja liniowa określa wartości a i b we wzorze prognozy Y a b X w celu dopasowania linii prostej do danych historii sprzedaży. Aproksymacja drugiego stopnia jest podobna, ale ta metoda określa wartości a, b i cw tym wzorze prognozy: Y a b X c X 2 Celem tej metody jest dopasowanie krzywej do danych historii sprzedaży. Ta metoda jest przydatna, gdy produkt przechodzi przez etapy cyklu życia. Na przykład, kiedy nowy produkt przechodzi od etapu wprowadzenia do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Ze względu na termin drugiego rzędu prognoza może szybko zbliżyć się do nieskończoności lub spaść do zera (w zależności od tego, czy współczynnik c jest dodatni czy ujemny). Ta metoda jest przydatna tylko w krótkim okresie. Prognozy prognozy: formuła znajduje a, b i c, aby dopasować krzywą do dokładnie trzech punktów. Określasz n, liczbę okresów gromadzenia danych w każdym z trzech punktów. W tym przykładzie n 3. Aktualne dane dotyczące sprzedaży za okres od kwietnia do czerwca łączone są w pierwszy punkt, I kwartał. Od lipca do września są dodawane razem, aby utworzyć Q2, a od października do grudnia suma do Q3. Krzywa dopasowana jest do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży: 3 razy n okresów do obliczenia prognozy plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w prognozowaniu: Q0 (Jan) (luty) (Mar) Q1 (kwiecień) (maj) (cze), który wynosi 125 122 137 384 Q2 (lipiec) (sierpień) (wrzesień), który wynosi 140 129 131 400 Q3 (październik) (listopad) (grudzień), który jest równy 114 119 137 370 Następny krok obejmuje obliczenie trzech współczynników a, b i c, które mają być użyte w formule prognozowania Y ab X c X 2. Q1, Q2 i Q3 są przedstawione na grafice, gdzie czas jest nanoszony na osi poziomej. Q1 reprezentuje całkowitą sprzedaż historyczną w kwietniu, maju i czerwcu i jest planowana na X 1 Q2 odpowiada okresowi od lipca do września III kwartał odpowiada okresowi od października do grudnia, a czwarty kwartał reprezentuje okres od stycznia do marca. Ta grafika ilustruje wykreślanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia: Rysunek 3-2 Plotowanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia Trzy równania opisują trzy punkty na wykresie: (1) Q1 a bX cX 2 gdzie X 1 (Q1 abc) (2) Q2 a bX cX 2 gdzie X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 gdzie X 3 (Q3 a 3b 9c) Rozwiąż te trzy równania jednocześnie aby znaleźć b, a, i c: Odejmij równanie 1 (1) z równania 2 (2) i rozwiąż dla b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Zastąp to równanie dla b na równanie (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Na koniec, zamień te równania na a i b na równanie (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Metoda drugiego stopnia aproksymacji oblicza a, b, c jak następuje: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 nd. 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 razy ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Jest to obliczenie prognozy aproksymacji drugiego stopnia: Y a bX cX 2 322 85X (ndash23) (X 2) Gdy X 4, Q4 322 340 ndash 368 294. Prognoza wynosi 294 3 98 na okres. Gdy X 5, Q5 322 425 ndash 575 172. Prognoza wynosi 172 3 58.33 zaokrąglona do 57 na okres. Gdy X 6, Q6 322 510 ndash 828 4. Prognoza wynosi 4 3 1,33 zaokrąglone do 1 na okres. Jest to prognoza na przyszły rok, Ostatni rok do tego roku: 3.2.8 Metoda 8: Elastyczna metoda Ta metoda umożliwia wybranie najlepszej liczby okresów historii zamówień sprzedaży, która rozpoczyna się n miesięcy przed prognozowaną datą rozpoczęcia, oraz zastosuj procentowy wzrost lub spadek współczynnika mnożenia, za pomocą którego można zmodyfikować prognozę. Ta metoda jest podobna do metody 1, procent w ciągu ostatniego roku, z tą różnicą, że możesz określić liczbę okresów, których używasz jako podstawy. W zależności od tego, co wybierzesz jako n, ta metoda wymaga okresów najlepiej dopasowanych oraz podanej liczby okresów danych o sprzedaży. Ta metoda jest przydatna do prognozowania popytu na planowany trend. 3.2.8.1 Przykład: Metoda 8: Metoda elastyczna Metoda elastyczna (procent powyżej n poprzednich miesięcy) jest podobna do metody 1, procent w ciągu ostatniego roku. Obie metody zwielokrotniają dane sprzedaży z poprzedniego okresu o współczynnik określony przez Ciebie, a następnie wyświetlają ten wynik w przyszłości. W metodzie Procent ponad ostatnim rokiem projekcja oparta jest na danych z tego samego okresu w roku poprzednim. Możesz także użyć metody elastycznej, aby określić okres czasu, inny niż ten sam okres w ostatnim roku, który będzie podstawą do obliczeń. Współczynnik mnożenia. Na przykład, określ 110 w opcji przetwarzania, aby zwiększyć poprzednie dane historii sprzedaży o 10 procent. Okres bazowy. Na przykład n 4 powoduje, że pierwsza prognoza oparta jest na danych o sprzedaży we wrześniu zeszłego roku. Minimalna wymagana historia sprzedaży: liczba okresów wstecz do okresu bazowego plus liczba okresów czasu potrzebna do oceny prognozy wydajności (okresy najlepszego dopasowania). Tabela ta jest historią używaną w obliczeniach prognozy: 3.2.9 Metoda 9: ważona średnia ruchoma Ważona średnia ważona formuła jest podobna do metody 4, średnia ruchoma, ponieważ uśrednia historię sprzedaży z poprzednich miesięcy, aby wyświetlić historię sprzedaży w następnym miesiącu. Jednak dzięki tej formule można przypisać wagi dla każdego z poprzednich okresów. Ta metoda wymaga liczby wybranych okresów ważonych plus liczby okresów najlepiej pasujących do danych. Podobnie jak w przypadku średniej ruchomej, ta metoda pozostaje w tyle za trendami popytu, więc ta metoda nie jest zalecana w przypadku produktów o silnych tendencjach lub sezonowości. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty o stosunkowo wysokim poziomie popytu. 3.2.9.1 Przykład: Metoda 9: Średnia ważona ruchoma Metoda ważona średnia ruchoma (WMA) jest podobna do metody 4, średnia ruchoma (MA). Jednak przy użyciu WMA można przypisać niejednakowe wagi do danych historycznych. Metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Nowszym danym zwykle przypisuje się większą wagę niż dane starsze, więc WMA bardziej odpowiada na zmiany w poziomie sprzedaży. Jednak odchylenia prognoz i błędy systematyczne występują, gdy historia sprzedaży produktu wykazuje silne trendy lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu produktów dojrzałych niż produktów na etapie wzrostu lub starzenia się w cyklu życia. Liczba okresów historii sprzedaży (n) do wykorzystania w obliczeniach prognostycznych. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Taka wartość prowadzi do stabilnej prognozy, ale trudno jest rozpoznać zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. Łączna liczba okresów dla opcji przetwarzania rdquo14 - okresy do włączenia nie powinny przekraczać 12 miesięcy. Waga przypisana do każdego z okresów danych historycznych. Przypisane wagi muszą wynosić 1,00. Na przykład, gdy n4, przypisz wagi 0,50, 0,25, 0,15 i 0,10, a najnowsze dane otrzymają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: prognoza styczniowa jest równa (131 razy 0,10) (114 razy 0,15) (119 razy 0,25) (137 razy 0,50) (0,10 0,15 0,25 0,50) 128,45 zaokrąglona do 128. Prognoza z lutego równa się (114 razy 0,10) (119 razy 0,15) (137 razy 0,25) (128 razy 0,50) 1 127,5 zaokrąglone do 128. Prognoza marcowa wynosi (119 razy 0,10) (137 razy 0,15) (128 razy 0,25) (128 razy 0,50) 1 128,45 zaokrąglona do 128. 3.2.10 Metoda 10: Wygładzanie liniowe Ta metoda oblicza średnią ważoną wcześniejszych danych dotyczących sprzedaży. W obliczeniach ta metoda wykorzystuje liczbę okresów historii zamówień sprzedaży (od 1 do 12) wskazaną w opcji przetwarzania. System wykorzystuje matematyczną progresję do ważenia danych w zakresie od pierwszego (najmniej ważonego) do końcowego (większość wagi). Następnie system wyświetla te informacje dla każdego okresu w prognozie. Ta metoda wymaga najlepszego dopasowania miesięcy oraz historii zamówień sprzedaży dla liczby okresów określonych w opcji przetwarzania. 3.2.10.1 Przykład: Metoda 10: Wygładzanie liniowe Ta metoda jest podobna do metody 9, WMA. Jednak zamiast arbitralnie przypisywać wagi do danych historycznych, stosuje się formułę, aby przypisać wagi, które zmniejszają się liniowo i sumują się do 1,00. Następnie metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Podobnie jak w przypadku wszystkich technik liniowej średniej kroczącej prognozowanie, błędy prognoz i błędy systemowe pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dla dojrzałych produktów niż dla produktów na etapie wzrostu lub starzenia się w cyklu życia. n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, wybierz n jest równe 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. System automatycznie przypisuje wagi do danych historycznych, które zmniejszają się liniowo i sumują do 1,00. Na przykład, gdy n równa się 4, system przydziela wagi 0,4, 0,3, 0,2 i 0,1, przy czym najnowsze dane odbierają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: 3.2.11 Metoda 11: Wygładzanie wykładnicze Ta metoda oblicza wygładzoną średnią, która staje się szacunkiem reprezentującym ogólny poziom sprzedaży w wybranych okresach danych historycznych. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalny wymóg to dwa historyczne okresy danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych nie ma trendu liniowego. 3.2.11.1 Przykład: Metoda 11: Wygładzanie wykładnicze Metoda ta jest podobna do Metody 10, Wygładzanie liniowe. W Linear Smoothing system przypisuje wagi, które zmniejszają się liniowo do danych historycznych. W wygładzaniu wykładniczym system przypisuje wagi, które rozkładają się wykładniczo. Równanie prognozowania wygładzania wykładniczego jest następujące: Prognoza alfa (poprzednia faktyczna sprzedaż) (1 ndashalpha) (poprzednia prognoza) Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu i prognozę z poprzedniego okresu. Alfa to waga, która jest stosowana do faktycznej sprzedaży za poprzedni okres. (1 ndash alpha) to waga stosowana do prognozy z poprzedniego okresu. Wartości dla alfa mieszczą się w zakresie od 0 do 1 i zwykle mieszczą się w zakresie od 0,1 do 0,4. Suma wag wynosi 1,00 (alfa (1 daszek alfa) 1). Powinieneś przypisać wartość stałej wygładzania, alfa. Jeśli nie zostanie przypisana wartość stałej wygładzania, system oblicza założoną wartość, która jest oparta na liczbie okresów historii sprzedaży określonych w opcji przetwarzania. alpha jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla zakresu alfa od 0 do 1. n jest równy zakresowi danych historii sprzedaży do uwzględnienia w obliczeniach. Zasadniczo dane rocznej historii sprzedaży są wystarczające do oszacowania ogólnego poziomu sprzedaży. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Exponential Smoothing może generować prognozę opartą na zaledwie jednym historycznym punkcie danych. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: 3.2.12 Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością Ta metoda oblicza trend, indeks sezonowy i wykładniczą średnią wygładzoną z historii zamówień sprzedaży. Następnie system stosuje prognozę trendu do prognozy i dostosowuje się do indeksu sezonowego. Ta metoda wymaga liczby najlepiej pasujących okresów plus dwa lata danych dotyczących sprzedaży i jest przydatna dla elementów, które mają zarówno tendencję, jak i sezonowość w prognozie. Możesz wprowadzić współczynnik alfa i beta lub obliczyć system. Współczynniki alfa i beta to stała wygładzania, którą system wykorzystuje do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży (alfa) i komponentu trendu prognozy (beta). 3.2.12.1 Przykład: Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością Ta metoda jest podobna do Metody 11, Wygładzanie wykładnicze, w której obliczana jest wygładzona średnia. Jednak metoda 12 zawiera również termin w równaniu prognostycznym, aby obliczyć wygładzony trend. Prognoza składa się z wygładzonej średniej skorygowanej o liniowy trend. Po określeniu w opcji przetwarzania prognoza dostosowana jest również do sezonowości. Alfa równa się stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla alfa mieszczą się w zakresie od 0 do 1. Beta jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla składnika trendu prognozy. Wartości dla zakresu beta od 0 do 1. Czy indeks sezonowy jest stosowany do prognozy. Alfa i beta są niezależne od siebie. Nie muszą sumować się do 1,0. Minimalna wymagana historia sprzedaży: jeden rok plus liczba okresów czasu wymaganych do oceny prognozy wydajności (okresy najlepszego dopasowania). Kiedy dostępne są dwa lub więcej lat danych historycznych, system wykorzystuje dwa lata danych w obliczeniach. Metoda 12 wykorzystuje dwa równania wygładzania wykładniczego i jedną prostą średnią do obliczenia wygładzonej średniej, wygładzonego trendu i prostego średniego indeksu sezonowego. Wykładniczo wygładzona średnia: Wykładniczo wygładzona tendencja: Prosty średni indeks sezonowy: Rysunek 3-3 Prosty średni sezonowy indeks Prognozę oblicza się następnie, stosując wyniki trzech równań: L to długość sezonowości (L równa się 12 miesięcy lub 52 tygodnie). t jest bieżącym okresem czasu. m to liczba okresów czasu w przyszłości prognozy. S jest multiplikatywnym sezonowym współczynnikiem korekty, który jest indeksowany do odpowiedniego okresu czasu. Ta tabela zawiera historię użytą do obliczenia prognozy: Ta sekcja zawiera przegląd prognozowania i omawia: Możesz wybrać metody prognozowania, aby wygenerować aż 12 prognoz dla każdego produktu. Każda metoda prognozowania może stworzyć nieco inną projekcję. Gdy prognozuje się tysiące produktów, subiektywna decyzja jest niepraktyczna, jeśli chodzi o prognozę, którą należy zastosować w planach dla każdego produktu. System automatycznie ocenia wydajność dla każdej wybranej metody prognozowania i dla każdego prognozowanego produktu. Możesz wybrać pomiędzy dwoma kryteriami wydajności: MAD i POA. MAD jest miarą błędu prognozy. POA jest miarą tendencji prognozowania. Obie te techniki oceny wydajności wymagają rzeczywistych danych historii sprzedaży w określonym przez Ciebie okresie. Okres najnowszej historii używany do oceny nazywa się okresem wstrzymania lub okresem najlepszego dopasowania. Aby zmierzyć wydajność metody prognozowania, system: używa prognozowanych formuł do symulacji prognozy historycznego okresu wstrzymania. Dokonuje porównania rzeczywistych danych sprzedaży z symulowaną prognozą okresu wstrzymania. Po wybraniu wielu metod prognozowania ten sam proces występuje dla każdej metody. Wiele prognoz jest obliczanych na okres wstrzymania i porównywane ze znaną historią sprzedaży w tym samym okresie. Metoda prognozowania, która zapewnia najlepsze dopasowanie (dopasowanie) między prognozą a faktyczną sprzedażą w okresie wstrzymania, jest zalecana do wykorzystania w planach. To zalecenie jest specyficzne dla każdego produktu i może się zmieniać za każdym razem, gdy generujesz prognozę. 3.3.1 Średnie bezwzględne odchylenie Średnie bezwzględne odchylenie (MAD) jest średnią (lub średnią) wartości bezwzględnych (lub wielkości) odchyleń (lub błędów) między rzeczywistymi a prognozowanymi danymi. MAD jest miarą średniej wielkości oczekiwanych błędów, biorąc pod uwagę metodę prognozowania i historię danych. Ponieważ w obliczeniach wykorzystywane są wartości bezwzględne, błędy dodatnie nie eliminują błędów ujemnych. Porównując kilka metod prognozowania, ten z najmniejszym MAD jest najbardziej niezawodny dla tego produktu w tym okresie wstrzymania. Kiedy prognoza jest obiektywna, a błędy są normalnie rozłożone, istnieje prosta matematyczna zależność pomiędzy MAD i dwoma innymi wspólnymi miarami rozkładu, które są odchyleniem standardowym i średnim kwadratem błędu. Na przykład: MAD (Sigma (rzeczywista) ndash (prognoza)) n Odchylenie standardowe, (sigma) cong 1,25 MAD Błąd średniej kwadratowej cong ndashsigma2 Ten przykład wskazuje obliczenie MAD dla dwóch metod prognostycznych. W tym przykładzie założono, że w opcji przetwarzania określono, że długość okresu oczekiwania (okresy najlepszego dopasowania) jest równa pięciu okresom. 3.3.1.1 Metoda 1: Ostatni rok do tego roku Tabela ta jest historią używaną do obliczenia MAD, przy danych okresach najlepszego dopasowania 5: Średnie bezwzględne odchylenie jest równe (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. W usługach wielkość błędów prognozy jest zwykle ważniejsza niż prognoza błędu. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. The simplest approach would be to take the average of January through March and use that to estimate April8217s sales: (129 134 122)3 128.333 Hence, based on the sales of January through March, you predict that sales in April will be 128,333. Po wprowadzeniu rzeczywistej sprzedaży w kwietniu 1717 r. Należy obliczyć prognozę na maj, tym razem w okresie od lutego do kwietnia. Musisz być zgodny z liczbą okresów, których używasz do średniej ruchomej prognozy. Liczba okresów, z których korzystasz w swoich prognozach średniej ruchomej, jest dowolna, możesz użyć tylko dwóch okresów lub pięciu lub sześciu okresów, które chcesz wygenerować. Powyższe podejście jest prostą średnią kroczącą. Czasami nowsze miesiące8217 sprzedaży mogą być silniejszymi wpływowcami nadchodzącego miesiąca8217s sprzedaży, więc chcesz dać im bliżej miesiące większą wagę w swoim modelu prognozy. Jest to ważona średnia ruchoma. I podobnie jak liczba okresów, przypisane wagi są czysto arbitralne. Let8217s mówią, że chciałbyś dać March8217s sprzedaży o wadze 50, Luty8217 o wadze 30 i Styczeń8217s 20. Wtedy twoja prognoza na kwiecień wyniesie 127 000 (122,50) (134,30) (129,20) 127. Ograniczenia średnich ruchomych metod Średnie ruchome są uważane za technikę prognozowania 8220smoothing8221. Ponieważ średnio się wydłużasz, zmiękczasz (lub wygładzasz) efekty nieregularnych zdarzeń w danych. W rezultacie skutki sezonowości, cykle koniunkturalne i inne zdarzenia losowe mogą dramatycznie zwiększyć błąd prognozy. Przyjrzyj się wartościom z całego roku8217 i porównaj 3-okresową średnią kroczącą z 5-okresową średnią kroczącą: zauważ, że w tym przypadku nie tworzyłem prognoz, a raczej centrowałem średnie kroczące. Pierwsza 3-miesięczna średnia krocząca ma miejsce w lutym, a średnia to w styczniu, lutym i marcu. Podobnie zrobiłem dla 5-miesięcznej średniej. Teraz spójrz na następującą tabelę: Co widzisz Czy trzymiesięczna średnia ruchoma seria nie jest bardziej płynna niż faktyczna seria sprzedaży? A co powiesz na pięciomiesięczną średnią ruchomą It8217s jeszcze bardziej płynną. Dlatego im więcej okresów używasz w swojej średniej ruchomej, tym bardziej płynne są serie czasowe. Dlatego w przypadku prognozowania prosta średnia krocząca może nie być najdokładniejszą metodą. Metody średniej ruchomej okazują się dość cenne, gdy próbujesz wyodrębnić sezonowe, nieregularne i cykliczne komponenty szeregu czasowego dla bardziej zaawansowanych metod prognozowania, takich jak regresja i ARIMA, a użycie średnich ruchomych w dekompozycji szeregu czasowego zostanie omówione później w serii. Określanie dokładności modelu średniej ruchomej Ogólnie rzecz biorąc, potrzebujesz metody prognozowania, która ma najmniejszy błąd między rzeczywistymi i przewidywanymi wynikami. Jedną z najczęstszych miar dokładności prognoz jest średnie bezwzględne odchylenie (MAD). W tym podejściu, dla każdego okresu w szeregach czasowych, dla których wygenerowano prognozę, bierze się bezwzględną wartość różnicy między tym okresem 8117 a rzeczywistymi i prognozowanymi wartościami (odchylenie). Następnie oceniasz te absolutne odchylenia i otrzymujesz miarę MAD. MAD może być pomocna w decydowaniu o liczbie przeciętnych okresów oraz o wadze, jaką umieścisz w każdym okresie. Generalnie wybierasz ten, który daje najniższą MAD. Oto przykład obliczenia MAD: MAD jest po prostu średnią z 8, 1 i 3. Średnie kroczące: Podsumowanie Podczas używania średnich kroczących do prognozowania pamiętaj: Przesuwanie średnich może być proste lub ważone Liczba okresów, których używasz do średnia i dowolne wagi przypisane do każdego są ściśle arbitralne Średnie ruchome Wygładzanie nieregularnych wzorców w danych szeregów czasowych Im większa liczba okresów wykorzystywanych dla każdego punktu danych, tym większy efekt wygładzania Z powodu wygładzania, prognozowanie następnego miesiąca8217 sprzedaży opartej na W ostatnich kilku miesiącach sprzedaż może prowadzić do dużych odchyleń w związku z sezonowością, cyklicznymi i nieregularnymi wzorcami danych, a funkcja wygładzania metody średniej ruchomej może być przydatna w dekompozycji szeregu czasowego dla bardziej zaawansowanych metod prognozowania. Następny tydzień: Wygładzanie wykładnicze w przyszłym tygodniu8217 Prognoza w piątek. omówimy metody wygładzania wykładniczego, a przekonasz się, że mogą być znacznie lepsze od ruchomych metod prognozowania. Nadal nie wiem, dlaczego nasze piątki z Prognozy na piątek pojawiają się w czwartek. Dowiedz się na: tinyurl26cm6ma Tak jak to: Napisz nawigację Pozostaw odpowiedź Anuluj odpowiedź Miałem 2 pytania: 1) Czy możesz użyć skoncentrowanego podejścia MA do prognozowania lub po prostu do usunięcia sezonowości 2) Kiedy używasz prostego t (t-1t-2t-k) k MA, aby prognozować jeden okres do przodu, czy możliwe jest przewidzenie więcej niż 1 okres, myślę, że wtedy twoja prognoza byłaby jednym z punktów zasilających następny. Dzięki. Uwielbiam informacje i twoje wyjaśnienia I8217m cieszę się, że podoba ci się blog I8217m, że kilku analityków wykorzystało centralne podejście MA do prognozowania, ale ja osobiście tego nie zrobiłbym, ponieważ takie podejście powoduje utratę obserwacji na obu końcach. To faktycznie wiąże się z drugim pytaniem. Ogólnie rzecz biorąc, prosty MA jest używany do prognozowania tylko jednego okresu przed, ale wielu analityków 8211 i ja też czasami 8211 wykorzysta moją jednokresową prognozę wyprzedzającą jako jeden z danych wejściowych do następnego okresu. Ważne jest, aby pamiętać, że im dalej będziesz się starał prognozować, tym większe ryzyko błędu prognozy. Dlatego nie zalecam wyśrodkowanego MA do prognozowania 8211, że utrata obserwacji na końcu oznacza opieranie się na prognozach dotyczących utraconych obserwacji, jak również na okres (-y) przed nami, więc istnieje większa szansa na błąd prognozy. Czytelnicy: jesteście zaproszeni do ważenia tego. Czy masz jakieś przemyślenia lub sugestie na temat tego Briana, dzięki za komentarz i pochwały na blogu Nicea inicjatywy i miłe wyjaśnienie. To bardzo pomocne. Przewiduję niestandardowe obwody drukowane dla klienta, który nie podaje żadnych prognoz. Użyłem średniej ruchomej, jednak nie jest ona zbyt dokładna, ponieważ branża może podążać w górę iw dół. Zbliżamy się do połowy lata do końca roku, kiedy wysyłka PCB8217 jest już za nami. Potem widzimy na początku roku spowolnienie. Jak mogę być bardziej dokładny z moich danych Katrina, z tego co mi powiedziałeś, wygląda na to, że twoja sprzedaż płytek drukowanych ma komponent sezonowy. Zajmuję się sezonowością w niektórych innych piątkowych prognozach. Innym podejściem, które można zastosować, co jest dość łatwe, jest algorytm Holt-Winters, który uwzględnia sezonowość. Możesz znaleźć dobre wyjaśnienie tego tutaj. Upewnij się, że twoje wzorce sezonowe są multiplikatywne lub addytywne, ponieważ algorytm jest nieco inny dla każdego. Jeśli spiszesz swoje miesięczne dane z kilku lat i zauważysz, że wahania sezonowe w tych samych okresach lat wydają się być stałe z roku na rok, to sezonowość jest dodatnia, jeśli sezonowe wahania w czasie wydają się wzrastać, wtedy sezonowość jest mnożny. Większość sezonowych szeregów czasowych będzie multiplikatywnych. W razie wątpliwości przyjmij multiplikatywność. Powodzenia Cześć, Między tymi metodami:. Prognozy Nave. Aktualizacja średniej. Średnia ruchoma długości k. Albo ważona ruchoma średnia długości k OR wygładzanie wykładnicze Który z tych modeli aktualizacji zalecam mi do prognozowania danych? Moim zdaniem, myślę o średniej ruchomej. Ale nie wiem, jak to uczynić jasnym i uporządkowanym To naprawdę zależy od ilości i jakości posiadanych danych i twojego horyzontu prognozy (długoterminowego, średnioterminowego lub krótkoterminowego)
No comments:
Post a Comment