Flyttande medelprognos Inledning. Som du kan gissa vi tittar på några av de mest primitiva tillvägagångssätten för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du ska ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare förväntas mycket sannolikt att du får något i området 85 du bara har. Nåväl, nu kan vi anta att trots din egen marknadsföring till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu är vad alla berörda och oroade kommer att Förutse att du kommer att få ditt tredje test Det finns två väldigt troliga metoder för att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, Quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fester och werent vaggar vassan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en glidande genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gett dig en puss och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta visselpipan medan vi arbetar. Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster, kallad Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Lägg märke till hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period rörande genomsnittlig prognos, när du gör quotpast predictionsquot, märka att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enstaka deklarering och initialisering av variabler Dim-objekt som variant Dim-räknare som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris Historisk storlek Historical. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (historicalSize - numberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska gälla följande. Flyttande medel och exponentiella utjämningsmodeller Som ett första steg för att flytta bortom genomsnittliga modeller, slumpmässiga gångmodeller och linjära trendmodeller, nonseasonal mönster och trender kan extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell. Det grundläggande antagandet bakom medelvärdes - och utjämningsmodeller är att tidsserierna är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt (lokalt) medelvärde för att uppskatta det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan medelmodellen och slumpmässig-walk-utan-drift-modellen. Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett rörligt medelvärde kallas ofta en quotsmoothedquot-version av den ursprungliga serien, eftersom kortsiktig medelvärde medför att utjämning av stötarna i originalserien. Genom att justera graden av utjämning (bredden på glidande medelvärdet) kan vi hoppas att hitta någon form av optimal balans mellan prestandan hos medel - och slumpmässiga gångmodeller. Den enklaste typen av medelvärdesmodell är. Enkelt (lika viktat) Flyttande medelvärde: Prognosen för värdet av Y vid tiden t1 som är gjord vid tiden t motsvarar det enkla medelvärdet av de senaste m-observationerna: (Här och på annat håll använder jag symbolen 8220Y-hat8221 för att stå för en prognos av tidsserien Y som gjordes så tidigt som möjligt enligt en given modell.) Detta medel är centrerat vid period-t (m1) 2 vilket innebär att uppskattningen av det lokala medelvärdet tenderar att ligga bakom det sanna värdet av det lokala medelvärdet med ca (m1) 2 perioder. Således säger vi att medelåldern för data i det enkla glidande medlet är (m1) 2 i förhållande till den period för vilken prognosen beräknas: det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkter i data . Om du till exempel medger de senaste 5 värdena, kommer prognoserna att vara cirka 3 perioder sent för att svara på vändpunkter. Observera att om m1 är den enkla glidande genomsnittsmodellen (SMA) motsvarar den slumpmässiga gångmodellen (utan tillväxt). Om m är väldigt stor (jämförbar med längden på uppskattningsperioden) motsvarar SMA-modellen den genomsnittliga modellen. Precis som med vilken parameter som helst av en prognosmodell, är det vanligt att justera värdet på k för att få den bästa kvotfoten till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar utgöra slumpmässiga fluktuationer runt ett långsamt varierande medelvärde. Först kan vi försöka passa på den med en slumpmässig promenadmodell, vilket motsvarar ett enkelt glidande medelvärde på 1 term: Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer man mycket av kvotenhetskvoten i data (de slumpmässiga fluktuationerna) samt quotsignalquot (den lokala medelvärdet). Om vi istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser: Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i det här fallet. Medelåldern för data i denna prognos är 3 ((51) 2), så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. (Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare.) Notera att de långsiktiga prognoserna från SMA-modellen är en horisontell rak linje, precis som i slumpmässig promenad modell. Således antar SMA-modellen att det inte finns någon trend i data. Men medan prognoserna från den slumpmässiga promenadmodellen helt enkelt motsvarar det senast observerade värdet är prognoserna från SMA-modellen lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla glidande genomsnittet blir inte större eftersom prognostiseringshorisonten ökar. Det här är uppenbarligen inte korrekt Tyvärr finns det ingen underliggande statistisk teori som berättar hur förtroendeintervallen borde utvidgas för denna modell. Det är dock inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre tid. Du kan till exempel konfigurera ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt etc. i det historiska dataprov. Därefter kan du beräkna felfunktionens avvikelser vid varje prognoshorisont och sedan konstruera konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar med lämplig standardavvikelse. Om vi försöker ett 9-sikt enkelt glidande medelvärde får vi ännu smidigare prognoser och mer av en långsammare effekt: Medelåldern är nu 5 perioder (91) 2). Om vi tar ett 19-årigt glidande medel ökar medeltiden till 10: Observera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, inklusive ett 3-siktigt genomsnitt: Modell C, det 5-åriga glidande medlet, ger det lägsta värdet av RMSE med en liten marginal över 3 - term och 9-medeltal, och deras andra statistik är nästan identiska. Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer respons eller lite mer jämnhet i prognoserna. (Tillbaka till början av sidan.) Browns Simple Exponential Smoothing (exponentiellt vägd glidande medelvärde) Den enkla glidande medelmodellen beskriven ovan har den oönskade egenskapen som den behandlar de senaste k-observationerna lika och fullständigt ignorerar alla föregående observationer. Intuitivt bör tidigare data diskonteras på ett mer gradvis sätt - till exempel bör den senaste observationen få lite mer vikt än 2: a senast, och den 2: a senaste bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämningens (SES) - modellen åstadkommer detta. Låt 945 beteckna en quotsmoothing constantquot (ett tal mellan 0 och 1). Ett sätt att skriva modellen är att definiera en serie L som representerar den nuvarande nivån (dvs lokal medelvärde) för serien som uppskattad från data fram till idag. Värdet av L vid tiden t beräknas rekursivt från sitt eget tidigare värde som här: Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där 945 styr närheten av det interpolerade värdet till det senaste observation. Prognosen för nästa period är helt enkelt det nuvarande släta värdet: Likvärdigt kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner. I den första versionen är prognosen en interpolation mellan föregående prognos och tidigare observation: I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel av 945. Är felet gjort vid tid t. I den tredje versionen är prognosen ett exponentiellt vägt (dvs. rabatterat) glidande medelvärde med rabattfaktor 1-945: Interpolationsversionen av prognosformuläret är det enklaste att använda om du genomför modellen på ett kalkylblad: det passar in i en encell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet 945 lagras. Observera att om 945 1 motsvarar SES-modellen en slumpmässig gångmodell (utan tillväxt). Om 945 0 motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet. (Återgå till början av sidan.) Medelåldern för data i prognosen för enkel exponentiell utjämning är 1 945 i förhållande till den period som prognosen beräknas för. (Det här är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie.) Den enkla, snabba genomsnittliga prognosen tenderar därför att ligga bakom vändpunkter med cirka 1 945 perioder. Till exempel, när 945 0,5 är fördröjningen 2 perioder när 945 0,2 är fördröjningen 5 perioder när 945 0,1 är fördröjningen 10 perioder, och så vidare. För en given medelålder (dvs mängden fördröjning) är prognosen för enkel exponentiell utjämning (SES) något överlägsen SMA-prognosen (Simple Moving Average) eftersom den lägger relativt större vikt vid den senaste observationen, dvs. det är något mer quotresponsivequot för förändringar som inträffade under det senaste förflutna. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 945 0,2 båda en genomsnittlig ålder på 5 för data i sina prognoser, men SES-modellen lägger mer vikt på de senaste 3 värdena än SMA-modellen och vid samtidigt som det inte helt 8220forget8221 om värden som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som kontinuerligt varierar, så att den lätt kan optimeras genom att använda en kvotsolverquot-algoritm för att minimera det genomsnittliga kvadratfelet. Det optimala värdet på 945 i SES-modellen för denna serie visar sig vara 0,2961, som visas här: Medelåldern för data i denna prognos är 10,2961 3,4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är en horisontell rak linje. som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt. Observera dock att de konfidensintervaller som beräknas av Statgraphics avviker nu på ett rimligt sätt, och att de är väsentligt smalare än konfidensintervallet för slumpmässig promenadmodell. SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell. så ger den statistiska teorin om ARIMA-modeller en bra grund för beräkning av konfidensintervaller för SES-modellen. I synnerhet är en SES-modell en ARIMA-modell med en icke-säsongsskillnad, en MA (1) term och ingen konstant term. annars känd som en quotARIMA (0,1,1) modell utan constantquot. MA (1) - koefficienten i ARIMA-modellen motsvarar kvantiteten 1-945 i SES-modellen. Om du till exempel passar en ARIMA-modell (0,1,1) utan konstant till serien som analyseras här, uppskattas den uppskattade MA (1) - koefficienten vara 0,7029, vilket är nästan exakt en minus 0,2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend till en SES-modell. För att göra detta, ange bara en ARIMA-modell med en icke-säsongsskillnad och en MA (1) term med en konstant, dvs en ARIMA (0,1,1) modell med konstant. De långsiktiga prognoserna kommer då att ha en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongsjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant långsiktig exponentiell trend till en enkel exponentiell utjämningsmodell (med eller utan säsongsjustering) genom att använda inflationsjusteringsalternativet i prognosproceduren. Den lämpliga quotinflationen (procentuell tillväxt) per period kan uppskattas som lutningskoefficienten i en linjär trendmodell som är anpassad till data i samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter . (Return to top of page.) Browns Linjär (dvs dubbel) Exponentiell utjämning SMA-modellerna och SES-modellerna antar att det inte finns någon trend av något slag i data (vilket vanligtvis är OK eller åtminstone inte för dåligt för 1- stegprognoser när data är relativt bullriga), och de kan modifieras för att införliva en konstant linjär trend som visas ovan. Vad sägs om kortsiktiga trender Om en serie visar en växande växthastighet eller ett cykliskt mönster som står klart ut mot bruset, och om det finns behov av att prognostisera mer än en period framåt, kan uppskattningen av en lokal trend också vara en fråga. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning (LES) - modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trendmodellen är Browns linjära exponentiella utjämningsmodell, som använder två olika slätmade serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centra. (En mer sofistikerad version av denna modell, Holt8217s, diskuteras nedan.) Den algebraiska formen av Brown8217s linjär exponentiell utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men likvärdiga former. Den här kvotens kvotstandardkvot uttrycks vanligen enligt följande: Låt S beteckna den singeljämnade serien som erhållits genom att använda enkel exponentiell utjämning till serie Y. Dvs, värdet av S vid period t ges av: (Minns att, under enkel exponentiell utjämning, detta skulle vara prognosen för Y vid period t1.) Låt sedan Squot beteckna den dubbelsidiga serien erhållen genom att använda enkel exponentiell utjämning (med samma 945) till serie S: Slutligen prognosen för Y tk. för vilken kgt1 som helst, ges av: Detta ger e 1 0 (det vill säga lura lite och låt den första prognosen motsvara den faktiska första observationen) och e 2 Y 2 8211 Y 1. varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden som formeln baserad på S och S om de senare startades med användning av S1S1Y1. Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Holt8217s linjär exponentiell utjämning Brown8217s LES-modell beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på de datamönster som den kan passa: nivån och trenden får inte variera till oberoende priser. Holt8217s LES-modell tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst, t som i Brown8217s modell, finns det en uppskattning L t på lokal nivå och en uppskattning T t av den lokala trenden. Här rekryteras de rekursivt från värdet av Y observerat vid tiden t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som applicerar exponentiell utjämning till dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L t82091 och T t-1. respektive prognosen för Y tshy som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1. När det verkliga värdet observeras beräknas den uppdaterade uppskattningen av nivån rekursivt genom interpolering mellan Y tshy och dess prognos L t-1 T t 1 med vikter av 945 och 1- 945. Förändringen i beräknad nivå, nämligen L t 8209 L t82091. kan tolkas som en bullrig mätning av trenden vid tiden t. Den uppdaterade uppskattningen av trenden beräknas sedan rekursivt genom interpolering mellan L t 8209 L t82091 och den tidigare uppskattningen av trenden T t-1. Användning av vikter av 946 och 1-946: Tolkningen av trendutjämningskonstanten 946 är analog med den för nivåutjämningskonstanten 945. Modeller med små värden av 946 förutsätter att trenden ändras endast mycket långsamt över tiden, medan modeller med större 946 antar att det förändras snabbare. En modell med en stor 946 tror att den avlägsna framtiden är väldigt osäker, eftersom fel i trendberäkning blir ganska viktiga vid prognoser mer än en period framåt. (Återgå till början av sidan.) Utjämningskonstanterna 945 och 946 kan uppskattas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 945 0.3048 och 946 0.008. Det mycket lilla värdet på 946 innebär att modellen antar mycket liten förändring i trenden från en period till nästa, så i grunden försöker denna modell att estimera en långsiktig trend. I analogi med begreppet medelålder för de data som används för att uppskatta den lokala nivån i serien, är medelåldern för de data som används för att uppskatta den lokala trenden proportionell mot 1 946, men inte exakt lika med den . I det här fallet visar sig att vara 10.006 125. Detta är ett mycket exakt nummer eftersom precisionen av uppskattningen av 946 är verkligen 3 decimaler, men den har samma generella storleksordning som provstorleken på 100, så att denna modell är medeltal över ganska mycket historia för att uppskatta trenden. Prognosplotten nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som beräknas i SEStrend-modellen. Det uppskattade värdet på 945 är också nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend, så det här är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som ska beräkna en lokal trend. Om du 8220eyeball8221 ser den här tomten ser den ut som om den lokala trenden har vänt sig nedåt i slutet av serien. Vad har hänt Parametrarna i denna modell har uppskattats genom att minimera det kvadrerade felet i 1-stegs-prognoser, inte längre prognoser, i vilket fall trenden gör inte en stor skillnad. Om allt du tittar på är 1 steg framåt, ser du inte den större bilden av trender över (säg) 10 eller 20 perioder. För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den använder en kortare baslinje för trendberäkning. Om vi till exempel väljer att ställa in 946 0,1, är genomsnittsåldern för de data som används för att uppskatta den lokala trenden 10 perioder, vilket innebär att vi medeltar trenden över de senaste 20 perioderna eller så. Here8217s hur prognosplotet ser ut om vi sätter 946 0,1 medan ni håller 945 0.3. Detta ser intuitivt rimligt ut för denna serie, men det är troligen farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad sägs om felstatistik Här är en modelljämförelse för de två modellerna ovan och tre SES-modeller. Det optimala värdet på 945. För SES-modellen är ungefär 0,3, men liknande resultat (med något mer eller mindre responsivitet) erhålls med 0,5 och 0,2. (A) Hål linjär exp. utjämning med alfa 0,3048 och beta 0,008 (B) Hål linjär exp. utjämning med alfa 0,3 och beta 0,1 (C) Enkel exponentiell utjämning med alfa 0,5 (D) Enkel exponentiell utjämning med alfa 0,3 (E) Enkel exponentiell utjämning med alfa 0,2 Deras statistik är nästan identisk, så vi kan verkligen göra valet på grundval av prognosfel i 1 steg före proverna. Vi måste falla tillbaka på andra överväganden. Om vi starkt tror att det är vettigt att basera den nuvarande trendberäkningen på vad som hänt under de senaste 20 perioderna eller så kan vi göra ett ärende för LES-modellen med 945 0,3 och 946 0,1. Om vi vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna vara enklare att förklara och skulle också ge fler mitten av vägtrafikprognoserna för de kommande 5 eller 10 perioderna. (Tillbaka till början av sidan.) Vilken typ av trend-extrapolation är bäst: Horisontell eller linjär. Empiriska bevis tyder på att om uppgifterna redan har justerats (om det behövs) för inflationen, kan det vara oskäligt att extrapolera kortsiktiga linjära trender mycket långt in i framtiden. Tendenser som uppenbaras idag kan sänkas i framtiden på grund av olika orsaker som produktförstörning, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Av denna anledning utför enkel exponentiell utjämning ofta bättre ur prov än vad som annars skulle kunna förväntas, trots sin kvotiv kvot horisontell trend extrapolering. Dämpade trendmodifieringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den demoniserade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA-modell (1,1,2). Det är möjligt att beräkna konfidensintervaller kring långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller. (Var försiktig: inte alla mjukvaror beräknar konfidensintervall för dessa modeller korrekt.) Bredden på konfidensintervallet beror på (i) modellens RMS-fel, (ii) utjämningstypen (enkel eller linjär) (iii) värdet (er) av utjämningskonstanten (erna) och (iv) antalet perioder framåt du prognoserar. I allmänhet sprids intervallet snabbare, eftersom 945 blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används. Detta ämne diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. (Återgå till början av sidan.) En prognosberäkningsexempel A.1 Prognosberäkningsmetoder Tolv metoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-prognos för försäljning. Utöver prognosberäkningen innehåller varje exempel en simulerad 2005-prognos för en tre månaders hållbarhetsperiod (bearbetningsalternativ 19 3) som sedan används för procent av noggrannhet och genomsnittliga absoluta avvikelsesberäkningar (faktisk försäljning jämfört med simulerad prognos). A.2 Prognos Prestationsutvärderingskriterier Beroende på ditt val av bearbetningsalternativ och de trender och mönster som finns i försäljningsdata, kommer vissa prognosmetoder att fungera bättre än andra för en given historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det är också osannolikt att en prognosmetod som ger goda resultat i ett skede av en livscykel för produkterna, fortsätter att vara lämpligt under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna. Dessa är genomsnittlig absolut avvikelse (MAD) och procent av noggrannhet (POA). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en användardefinierad tidsperiod. Denna tidsperiod kallas en uthållningsperiod eller perioder som passar bäst (PBF). Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. De två prognosutvärderingsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A.3 Metod 1 - Specificerad procentsats under förra året Denna metod multiplicerar försäljningsdata från föregående år med en användardefinierad faktor till exempel 1,10 för en 10 ökning, eller 0,97 för en 3 minskning. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus användarens angivna antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.4.1 Beräkning Beräkningsområde Försäljningshistorik som ska användas vid beräkning av tillväxtfaktor (behandlingsalternativ 2a) 3 i detta exempel. Summa de sista tre månaderna 2005: 114 119 137 370 Summa samma tre månader för föregående år: 123 139 133 395 Den beräknade faktorn 370395 0,9367 Beräkna prognoserna: januari 2005 försäljning 128 0,9367 119,8036 eller cirka 120 februari 2005 försäljning 117 0,9367 109,5939 eller cirka 110 mars 2005 försäljning 115 0,9367 107,7205 eller cirka 108 A.4.2 Simulerad prognosberäkning Summan av tre månaderna 2005 före uthållningsperioden (juli, augusti, september): 129 140 131 400 Summa samma tre månader för föregående år: 141 128 118 387 Den beräknade faktorn 400387 1.033591731 Beräkna simulerad prognos: oktober 2004 försäljning 123 1.033591731 127.13178 november 2004 försäljning 139 1.033591731 143.66925 december 2004 försäljning 133 1.033591731 137.4677 A.4.3 Procent av beräkningsberäkning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (127,13178 - 114 143,66925 - 119 137,4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metod 3 - Förra året till det här året Denna metod kopierar försäljningsdata från föregående år till nästa år. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som anges för att utvärdera prognosprestanda (bearbetningsalternativ 19). A.6.1 Beräkning av prognos Antal perioder som ska ingå i genomsnittet (bearbetningsalternativ 4a) 3 i detta exempel För varje månad av prognosen, genomsnitt de tidigare tre månaderna data. Januari prognos: 114 119 137 370, 370 3 123 333 eller 123 februari prognos: 119 137 123 379, 379 3 126 333 eller 126 mars prognos: 137 123 126 379, 386 3 128 677 eller 129 A.6.2 Simulerad prognosberäkning Oktober 2005 försäljning 140 131) 3 133 33333 Försäljning i november 2005 (140 131 114) 3 128 33333 Försäljning i december 2005 (131 114 119) 3 121 33333 A.6.3 Procent av beräkningsberäkning POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Medel Absolut Avvikelse Beräkning MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metod 5 - Linjär approximation Linjär approximation beräknar en trend baserad på två försäljningshistorik datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet, eftersom prognoser för långa sträckor utnyttjas av små förändringar på bara två datapunkter. Erforderlig försäljningshistorik: Antalet perioder som ska inkluderas i regression (behandlingsalternativ 5a) plus 1 plus antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.8.1 Beräkning av prognos Antal perioder som ska inkluderas i regression (behandlingsalternativ 6a) 3 i det här exemplet För varje månad av prognosen, lägg till ökningen eller minskningen under de angivna perioderna före hållbarhetsperioden föregående period. Medelvärdet av de föregående tre månaderna (114 119 137) 3 123.3333 Sammanfattning av de föregående tre månaderna med hänsyn till (114 1) (119 2) (137 3) 763 Skillnad mellan värdena 763 - 123.3333 (1 2 3) 23 Förhållande 12 22 32) - 2 3 14 - 12 2 Värde1 SkillnadRatio 232 11,5 Värde2 Genomsnitt - värde1 förhållande 123.3333 - 11.5 2 100.3333 Prognos (1 n) värde1 värde2 4 11.5 100.3333 146.333 eller 146 Prognos 5 11.5 100.3333 157.8333 eller 158 Prognos 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulerad prognosberäkning Oktober 2004 Försäljning: Genomsnittet för de föregående tre månaderna (129 140 131) 3 133 3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen (129 1) (140 2) (131 3) 802 Skillnad mellan värden 802 - 133.3333 (1 2 3) 2 Förhållande (12 22 32) - 2 3 14 - 12 2 Värde1 DifferenceRatio 22 1 Värde2 Genomsnitt - värde1 förhållande 133.3333 - 1 2 131.3333 Prognos (1 n) värde1 värde2 4 1 131.3333 135.3333 November 2004 försäljning Genomsnittet för de föregående tre månaderna (140 131 114) 3 128 3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen (140 1) (131 2) (114 3) 744 Skillnad mellan värdena 744 - 128 3333 (1 2 3) -25,9999 Värde1 DifferenceRatio -25.99992 -12.9999 Value2 Genomsnitt - värde1-förhållande 128.3333 - (-12.9999) 2 154.3333 Prognos 4 -12.9999 154.3333 102.3333 december 2004 Försäljning Genomsnitt av de föregående tre månaderna (131 114 119) 3 121.3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen ( 131 1) (114 2) (119 3) 716 Skillnad mellan värdena 716 - 121.3333 (1 2 3) -11.9999 Värde1 SkillnadRatio -11.99992 -5.9999 Värde2 Genomsnitt - värde1 förhållande 121.3333 - (-5.9999) 2 133.3333 Prognos 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Procent av noggrannhetsberäkning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A,9 Metod 7 - Secon d Grad approximation Linjär regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra graden Approximation är liknande. Denna metod bestämmer emellertid värdena för a, b och c i prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata. Denna metod kan vara användbar när en produkt är i övergången mellan stadierna i en livscykel. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Därför är denna metod endast användbar på kort sikt. Prognosspecifikationer: Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i bearbetningsalternativet 7a, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel n 3. Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan kommer att monteras på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestanda (PBF). Antal perioder som ska inkluderas (behandlingsalternativ 7a) 3 i detta exempel Använd de föregående (3 n) månaderna i tre månaders block: Q1 (april-juni) 125 122 137 384 Q2 (jul-september) 129 140 131 400 Q3 Okt - dec) 114 119 137 370 Nästa steg innefattar att beräkna de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX2 (1) Q1 en bX cX2 (där X1) abc (2) Q2 en bx cX2 (där X2) en 2b 4c (3) Q3 en bX cX2 (där X3) a 3b 9c Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation (1) från ekvation (2) och lösa för b (2) - (1) Q2 - Q1 b 3c Ersätt denna ekvation för b till ekvation (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Äntligen ersätt dessa ekvationer för a och b till ekvation (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: en Q3 - 3 (Q2-Q1) 370-3 (400-384) 322 c (Q3-Q2) (Q1-Q2) 2 (370-400) (384-400) 2 -23 b (Q2-Q1) - 3c (400-384) - (3-23) 85 Y a bX cX2 322 85X (-23) X2 januari till marsprognos (X4): (322 340 - 368) 3 2943 98 per period april till juni prognos (X5): (322 425 - 575) 3 57 333 eller 57 per period juli till september prognos (X6): (322 510 - 828) 3 1,33 eller 1 per period oktober till december (X7) 595 - 11273 -70 A.9.2 Simulerad prognosberäkning Oktober, november och december 2004 Försäljning: Q1 (jan-mar) 360 Q2 (april-juni) 384 Q3 (jul-sep) 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 av beräkningsberäkning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Metod 8 - Flexibel metod Den flexibla metoden (Procent över en månad före) liknar Metod 1, Procent över förra året. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor, och sedan projekterar det resultatet i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden lägger till möjligheten att ange en annan tidsperiod än samma period förra året för att användas som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 1,15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15. Basperiod. Till exempel kommer n 3 att göra att den första prognosen baseras på försäljningsdata i oktober 2005. Minimal försäljningshistorik: Användaren specificerade antal perioder tillbaka till basperioden plus antalet tidsperioder som krävs för att utvärdera prognosprestandan ( PBF). A.10.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metod 9 - Viktat Flyttande Medeltal Den Vägda Flyttande Genomsnittsmetoden (WMA) liknar Metod 4, Moving Average (MA). Men med det vägda rörliga genomsnittsvärdet kan du tilldela ojämna vikter till historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så det gör WMA mer mottaglig för skift i försäljningsnivån. Men prognosfel och systematiska fel uppstår fortfarande när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter i stället för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som grund för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men kommer att vara långsam för att känna igen skift i försäljningsnivån. Å andra sidan kommer ett litet värde för n (som 3) att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Den vikt som tilldelas var och en av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1,00. Till exempel, när n 3, tilldela vikter på 0,6, 0,3 och 0,1, med den senaste data som tar emot största vikt. Minsta obligatoriska försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metod 10 - Linjär utjämning Denna metod liknar Metod 9, Vägt rörande medelvärde (WMA). I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Såsom är sant för alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter i stället för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Detta anges i bearbetningsalternativet 10a. Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Systemet kommer automatiskt att tilldela vikterna till historiska data som minskar linjärt och summerar till 1,00. Till exempel, när n 3, kommer systemet att tilldela vikter på 0.5, 0.3333 och 0.1, med den senaste data som tar emot största vikt. Minsta obligatoriska försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.12.1 Prognosberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (behandlingsalternativ 10a) 3 i detta exempel Förhållande för en period före 3 (n2 n) 2 3 (32 3) 2 36 0,5 Förhållande för två perioder före 2 (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Förhållande för tre perioder före 1 (n2 n) 2 1 (32 3) 2 16 0,166 .. Januari prognos: 137 0,5 119 13 114 16 127,16 eller 127 februari prognos: 127 0,5 137 13 119 16 129 Marsprognos: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulerad prognosberäkning Oktober 2004 Försäljning 129 16 140 26 131 36 133,6666 Försäljning november 2004 140 16 131 26 114 36 124 december 2004 Försäljning 131 16 114 26 119 36 119 33333 A.12.3 Procent av beräkningsberäkning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metod 11 - Exponentiell utjämning Denna metod liknar metod 10, linjär utjämning. Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt. Vid exponentiell utjämning tilldelar systemet vägar som exponentiellt sönderfall. Exponentialutjämningsprognosekvationen är: Prognos a (Tidigare verklig försäljning) (1-a) Tidigare prognos Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period. a är vikten på den faktiska försäljningen under föregående period. (1 - a) är vikten på prognosen för föregående period. Giltiga värden för ett intervall från 0 till 1, och brukar falla mellan 0,1 och 0,4. Summan av vikterna är 1,00. a (1 - a) 1 Du bör ange ett värde för utjämningskonstanten, a. Om du inte tilldelar värden för utjämningskonstanten beräknar systemet ett antaget värde baserat på antalet perioder av försäljningshistorik som anges i bearbetningsalternativet 11a. En utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Giltiga värden för ett intervall från 0 till 1. n sortimentet av försäljningshistorikdata som ingår i beräkningarna. Ett år med försäljningshistorikdata är i allmänhet tillräcklig för att uppskatta den allmänna försäljningsnivån. För detta exempel valdes ett litet värde för n (n 3) för att minska de manuella beräkningar som krävs för att verifiera resultaten. Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk datapunkt. Minsta obligatoriska försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.13.1 Prognosberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (bearbetningsalternativ 11a) 3 och alfaktor (bearbetningsalternativ 11b) tom i detta exempel en faktor för äldsta försäljningsdata 2 (11) eller 1 när alfabet anges en faktor för den 2: e äldsta försäljningsdata 2 (12) eller alf när alpha anges en faktor för den 3: e äldsta försäljningsdata 2 (13), eller alf när alpha anges en faktor för den senaste försäljningsdata 2 (1n) , eller alpha när alfabetiseras november Sm. Avg. a (oktober faktiskt) (1 - a) oktober sm. Avg. 1 114 0 0 114 december Sm. Avg. a (november faktiskt) (1 - a) november sm. Avg. 23 119 13 114 117.3333 januari prognos a (december faktiskt) (1 - a) december sm. Avg. 24 137 24 117.3333 127.16665 eller 127 februari Prognos januari prognos 127 mars prognos januari prognos 127 A.13.2 simulerad prognosberäkning juli 2004 sm. Avg. 22 129 129 augusti Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136 3333 133,6666 oktober 2004 försäljning sep sm. Avg. 133.6666 augusti, 2004 Sm. Avg. 22 140 140 september Sm. Avg. 23 131 13 140 134 oktober Sm. Avg. 24 114 24 134 124 november 2004 försäljning sep sm. Avg. 124 september 2004 Sm. Avg. 22 131 131 oktober Sm. Avg. 23 114 13 131 119,6666 November Sm. Avg. 24 119 24 119,6666 119,3333 december 2004 försäljning sep sm. Avg. 119.3333 A.13.3 Procent av noggrannhetsberäkning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metod 12 - Exponentiell utjämning med trend och säsonglighet Denna metod liknar metod 11, exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid också en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av ett jämnvärt medelvärde justerat för en linjär trend. När det anges i bearbetningsalternativet justeras prognosen också för säsongsmässigt. En utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Giltiga värden för alfabetik från 0 till 1. b utjämningskonstanten som används för att beräkna det jämnde genomsnittet för prognosens trendkomponent. Giltiga värden för beta-intervall från 0 till 1. Om ett säsongsindex används för prognos a och b är oberoende av varandra. De behöver inte lägga till 1,0. Minimikrav på försäljningshistorik: två år plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). Metod 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A.14.1 Prognosberäkning A) Ett exponentialt jämnt MAD (122,81 - 114 133,14 - 119 135,33 - 137) 3 8.2 A.15 Utvärdering av prognoserna Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognosmetod kommer sannolikt att skapa en något annorlunda projicering. När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut om vilka av prognoserna som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för var och en av de prognosmetoder du väljer och för var och en av prognoserna. Du kan välja mellan två prestandakriterier, Mean Absolute Deviation (MAD) och Procent Accuracy (POA). MAD är ett mått på prognosfel. POA är ett mått på prognosförskjutning. Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Den här historiska perioden kallas en hållbarhetstid eller perioder som passar bäst (PBF). För att mäta resultatet av en prognostiseringsmetod, använd prognosformlerna för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process för varje metod. Flera prognoser beräknas för hållbarhetsperioden och jämförs med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen (bästa passformen) mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning i dina planer. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. A.16 Mean Absolute Deviation (MAD) MAD är medelvärdet (eller genomsnittet) av de absoluta värdena (eller storleken) av avvikelserna (eller fel) mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleken på fel som kan förväntas, med en prognosmetod och datalogistik. Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel. När man jämför flera prognosmetoder har den med den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den perioden som håller fast. När prognosen är opartisk och fel distribueras normalt finns det ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och medelkvadratfel: A.16.1 Procent av noggrannhet (POA) Procent av noggrannhet (POA) ett mått på prognosförskjutning. När prognoserna är konsekvent för höga ackumuleras lager och lagerkostnader stiger. När prognoserna konsekvent är två låga förbrukas lager och kundservice minskar. En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbryts av negativa fel på 8 och 2. Fel Aktuell - Prognos När en produkt kan lagras i lager, och när prognosen är opartisk, kan en liten mängd säkerhetslager användas för att buffra felet. I den här situationen är det inte så viktigt att eliminera prognosfel eftersom det är att skapa objektiva prognoser. Men inom serviceindustrin skulle ovanstående situation ses som tre fel. Tjänsten skulle vara underbemannad under den första perioden, då överbemannade för de kommande två perioderna. I tjänster är storleken på prognosfel vanligtvis viktigare än vad som är prognostiserad bias. Sammanfattningen över hållbarhetsperioden tillåter positiva fel att avbryta negativa fel. När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 korrekt. När en prognos är opartisk blir POA-förhållandet 100. Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriterierna väljer prognosmetoden som har ett POA-förhållande närmast 100. Scripting på den här sidan förbättrar innehållsnavigering, men ändrar inte innehållet på något sätt. Förhandsgranskning - Kapitel 4 Konsten och vetenskapen för att förutsäga framtida händelser som gör bra uppskattningar. Kan involvera historiska data (som tidigare försäljning) och projicera dem till framtiden med en matematisk modell. Subjektiv eller intuitiv förutsägelse. Baserat på efterfrågestyrd data (kundplaner för inköp och projicering i framtiden). Eller combo av dessa, en matematisk modell anpassad av cheferna bra bedömning. Goda prognoser är den väsentliga delen av effektiv service - och tillverkningsverksamhet Inverkan på prognoser Produkter position i sin livscykel - Försäljningen är i intro, tillväxt, löptid eller nedgångsstadium. Efterfrågan på en relaterad produkt Fokus är på att snabbt identifiera och spåra kundernas önskemål. - Använd POS-data, Återförsäljargenererade rapporter om kundpreferenser och annan information som kan hjälpa till att prognosera mest aktuella data. - Driva företagets produktions-, kapacitets - och schemaläggningssystem och tjäna som input till ekonomi, marknadsföring och personlig planering. Verkligheten hos prognoser-Utöver faktorer som vi inte kan förutsäga eller kontrollera påverkar ofta prognosen. - Mesta prognostekniker antar att det finns vissa underliggande stabilitet i systemet automatiserar vissa företag prognoser med hjälp av datoriserad prognosprogramvara och övervakar noggrant produktvaror vars krav är oregelbundna. Produktfamilj och aggregerade prognoser är mer exakta än enskilda produktprognoser, hjälper balans över och underförutsägelser. Prognosteknik med hjälp av en gruppprocess som gör det möjligt för experter att göra prognoser Deltagare: Beslutsmakare - 5 till 10 experter som gör aktuell prognos Personalpersonal - Bistå beslutsfattare genom att förbereda, distribuera, samla in och sammanfatta en rad enkäter och undersökningsresultat Svarande - Grupp av personer på olika ställen vars bedömningar är värda Problem med Flyttande medeltal 1. I ökar storleken på n (antal perioder i genomsnitt) släpper ut fluktuationerna bättre, men det gör metoden mindre känslig för dataändringar. 2. Flyttande medelvärden kan inte hämta trender mycket bra. Eftersom de är medelvärden, kommer de alltid att ligga inom tidigare nivåer och kommer inte att förutsäga förändringar på högre eller lägre nivåer. Lag faktiska värden. 3. Flytta medelvärden kräver omfattande register över tidigare data. Minsta kvadreringsmetod innebär följande krav: 1) Vi plottar alltid data bc minst kvadrater förutsätter linjärt förhållande. Om en kurva verkar vara närvarande, behövs det en krökt analys. 2) Vi förutspår inte tidsperioder långt bortom vår givna databas. 3) Avvikelser runt den minsta kvadrerade linjen antas vara slumpmässiga och normalt fördelade, med de flesta observationer nära linjen och endast ett mindre antal längre ut.
No comments:
Post a Comment