Vooruitskatting met bewegende gemiddelde voorbeeld

OF-notas of-Notes is 'n reeks van inleidende notas oor onderwerpe wat onder die breë opskrif van die veld van operasionele navorsing (OR) val. Hulle is oorspronklik gebruik deur my op 'n inleidende of kursus gee Ek aan die Imperial College. Hulle is nou beskikbaar vir gebruik deur enige studente en onderwysers wat belangstel in of onderworpe aan die volgende voorwaardes. 'N Volledige lys van die beskikbare in OF-Notes onderwerpe kan hier gevind word. Vooruitskatting voorbeelde vooruitskatting byvoorbeeld 1996 UG eksamen Die vraag na 'n produk in elk van die afgelope vyf maande word hieronder getoon. Gebruik 'n twee maande bewegende gemiddelde om 'n voorspelling vir die vraag in maand 6. genereer Pas eksponensiële gladstryking met 'n glad konstante van 0.9 tot 'n voorspelling vir die vraag na die vraag in maand genereer 6. Watter van hierdie twee voorspellings doen jy verkies en whySolution Die twee maand bewegende gemiddelde vir maande 2-5 gegee word deur: die voorspelling vir maand ses is net die bewegende gemiddelde vir die maand voor dat di die bewegende gemiddelde vir maand 5 m 5 2350. die toepassing van eksponensiële gladstryking met 'n glad konstante van 0.9 kry ons: As voordat die voorspelling vir maand ses is net die gemiddelde vir maand 5 M 5 2386 om die twee voorspellings ons bereken die gemiddelde kwadraat afwyking (MSD) vergelyk. As ons dit doen, vind ons dat vir die bewegende gemiddelde MSD (15-19) sup2 (18 - 23) sup2 (21 - 24) sup2 / 3 16,67 en vir die eksponensieel stryk gemiddelde met 'n glad konstante van 0,9 MSD (13-17 ) sup2 (16,60-19) sup2 (18,76-23) sup2 (22,58-24) sup2 / 4 10,44 Algehele dan sien ons dat eksponensiële gladstryking verskyn om die beste een maand vooruit gee voorspellings aangesien dit 'n laer MSD. Vandaar verkies ons die voorspelling van 2386 wat reeds vervaardig deur eksponensiële gladstryking. Vooruitskatting byvoorbeeld 1994 UG eksamen Die onderstaande tabel toon die vraag na 'n nuwe aftershave in 'n winkel vir elk van die afgelope 7 maande. Bereken 'n twee maande bewegende gemiddelde vir maande 06:58. Wat sou jou voorspelling vir die vraag in maand agt wees Pas eksponensiële gladstryking met 'n glad konstante van 0.1 tot 'n voorspelling vir die vraag in maand agt lei. Watter een van die twee voorspellings vir maand agt verkies jy en hoekom die winkel bewaarder van mening dat kliënte oor te skakel na die nuwe aftershave van ander handelsmerke. Bespreek hoe jy hierdie skakel gedrag kan en dui die data wat jy sal benodig om te bevestig of dit skakel nie plaasvind of. Oplossing Die twee maande bewegende gemiddelde vir maande 2-7 gegee word deur: Die voorspelling vir maand agt is net die bewegende gemiddelde vir die maand voor dat di die bewegende gemiddelde vir maand 7 m 7 46. Die toepassing van eksponensiële gladstryking met 'n glad konstante van 0.1 kry ons: soos voorheen die voorspelling vir maand agt is net die gemiddelde vir maand 7 M 7 31.11 31 (soos ons fraksionele vraag nie kan hê). Om die twee voorspellings ons bereken die gemiddelde kwadraat afwyking (MSD) vergelyk. As ons dit doen, vind ons dat vir die bewegende gemiddelde en vir die eksponensieel stryk gemiddelde met 'n glad konstante van 0.1 Algehele dan sien ons dat die twee maande bewegende gemiddelde verskyn om die beste een maand vooruit gee voorspellings aangesien dit 'n laer MSD. Vandaar verkies ons die voorspelling van 46 wat is opgestel deur die twee maande bewegende gemiddelde. Om te ondersoek skakel ons nodig sou wees om 'n Markov-proses model, waar beweer handelsmerke gebruik en ons sal begintoestand inligting en kliënte te skakel waarskynlikhede (van opnames) nodig. Ons sal moet die model op historiese data uit te voer om te sien of daar 'n passing tussen die model en historiese gedrag. Vooruitskatting byvoorbeeld 1992 UG eksamen Die onderstaande tabel toon die vraag na 'n spesifieke handelsmerk van skeermes in 'n winkel vir elk van die afgelope nege maande. Bereken 'n drie maande bewegende gemiddelde vir maande 08:57. Wat sou jou voorspelling vir die vraag in maand tien wees Pas eksponensiële gladstryking met 'n glad konstante van 0,3 tot 'n voorspelling vir die vraag in maand tien lei. Watter een van die twee voorspellings vir maand tien verkies jy en hoekom Oplossing Die drie maande bewegende gemiddelde vir maande 3-9 gegee word deur: Die voorspelling vir maand 10 is net die bewegende gemiddelde vir die maand voor dat di die bewegende gemiddelde vir maand 9 m 9 20,33. Vandaar (soos ons fraksionele vraag nie kan hê) die voorspelling vir maand 10 is 20. Die toepassing van eksponensiële gladstryking met 'n glad konstante van 0,3 ons: Soos voorheen die voorspelling vir maand 10 is net die gemiddelde vir maand 9 M 9 18,57 19 (soos ons kan nie fraksionele vraag). Om die twee voorspellings ons bereken die gemiddelde kwadraat afwyking (MSD) vergelyk. As ons dit doen, vind ons dat vir die bewegende gemiddelde en vir die eksponensieel stryk gemiddelde met 'n glad konstante van 0,3 Algehele dan sien ons dat die drie maande bewegende gemiddelde verskyn om die beste een maand vooruit gee voorspellings aangesien dit 'n laer MSD. Vandaar verkies ons die voorspelling van 20 wat is opgestel deur die drie maande bewegende gemiddelde. Vooruitskatting byvoorbeeld 1991 UG eksamen Die onderstaande tabel toon die vraag na 'n spesifieke handelsmerk van faksmasjien in 'n winkel in elk van die afgelope twaalf maande. Bereken die vier maande bewegende gemiddelde vir maande 4 tot 12. Wat sou jou voorspelling vir die vraag in maand 13 word Pas eksponensiële gladstryking met 'n glad konstante van 0.2 tot 'n voorspelling te lei vir die vraag in maand 13. Watter van die twee voorspellings vir maand 13 verkies jy en hoekom Wat ander faktore, nie in die bostaande berekeninge beskou, kan beïnvloed die vraag na die faksmasjien in maand 13 Oplossing die vier maande bewegende gemiddelde vir maande 4 tot 12 word gegee deur: m 4 (23 19 15 12) / 4 17,25 m 5 (27 23 19 15) / 4 21 m 6 (30 27 23 19) / 4 24,75 m 7 (32 30 27 23) / 4 28 m 8 (33 32 30 27) / 4 30.5 m 9 ( 37 33 32 30) / 4 33 m 10 (41 37 33 32) / 4 35,75 m 11 (49 41 37 33) / 4 40 m 12 (58 49 41 37) / 4 46,25 die voorspelling vir maand 13 is net die bewegende gemiddelde vir die maand voor dat di die bewegende gemiddelde vir maand 12 m 12 46,25. Vandaar (soos ons fraksionele vraag nie kan hê) die voorspelling vir maand 13 is 46. Die toepassing van eksponensiële gladstryking met 'n glad konstante van 0.2 kry ons: Soos voorheen die voorspelling vir maand 13 is net die gemiddelde vir maand 12 M 12 38,618 39 (soos ons kan nie fraksionele vraag). Om die twee voorspellings ons bereken die gemiddelde kwadraat afwyking (MSD) vergelyk. As ons dit doen, vind ons dat vir die bewegende gemiddelde en vir die eksponensieel stryk gemiddelde met 'n glad konstante van 0.2 Algehele dan sien ons dat die vier maande bewegende gemiddelde verskyn om die beste een maand vooruit gee voorspellings aangesien dit 'n laer MSD. Vandaar verkies ons die voorspelling van 46 wat is opgestel deur die vier maande bewegende gemiddelde. seisoenale vraag advertensies prysveranderings, beide hierdie handelsmerk en ander handelsmerke algemene ekonomiese situasie nuwe tegnologie voorspelling byvoorbeeld 1989 UG eksamen Die tabel hieronder toon die vraag na 'n spesifieke handelsmerk van mikrogolfoond in 'n winkel in elk van die afgelope twaalf maande. Bereken 'n ses maande bewegende gemiddelde vir elke maand. Wat sou jou voorspelling vir die vraag in maand 13 word Pas eksponensiële gladstryking met 'n glad konstante van 0,7 tot 'n voorspelling te lei vir die vraag in maand 13. Watter van die twee voorspellings vir maand 13 verkies jy en hoekom Oplossing Nou kan ons bereken nie 'n ses maande bewegende gemiddelde totdat ons het ten minste 6 kommentaar - dit wil sê ons kan maar net so 'n gemiddelde van maand 6 af te bereken. Vandaar het ons: m 6 (34 32 30 29 31 27) / 6 30,50 m 7 (36 34 32 30 29 31) / 6 32,00 m 8 (35 36 34 32 30 29) / 6 32,67 m 9 (37 35 36 34 32 30) / 6 34,00 m 10 (39 37 35 36 34 32) / 6 35,50 m 11 (40 39 37 35 36 34) / 6 36,83 m 12 (42 40 39 37 35 36) / 6 38,17 Die voorspelling vir maand 13 is net die bewegende gemiddelde vir die maand voor dat di die bewegende gemiddelde vir maand 12 m 12 38,17. Vandaar (soos ons fraksionele vraag nie kan hê) die voorspelling vir maand 13 is 38. Die toepassing van eksponensiële gladstryking met 'n glad konstante van 0,7 wat ons kry: Moving Gemiddelde vooruitskatting Inleiding. Soos jy kan raai ons is op soek na 'n paar van die mees primitiewe benaderings tot vooruitskatting. Maar hopelik dit is ten minste 'n waardevolle inleiding tot sommige van die rekenaar kwessies wat verband hou met die implementering van voorspellings in sigblaaie. In dié opsig sal ons voortgaan deur te begin by die begin en begin werk met bewegende gemiddelde voorspellings. Bewegende gemiddelde voorspellings. Almal is vertroud met bewegende gemiddelde voorspellings ongeag of hulle glo hulle is. Alle kollege studente doen dit al die tyd. Dink aan jou toetspunte in 'n kursus waar jy gaan vier toetse gedurende die semester het. Kom ons neem aan jy het 'n 85 op jou eerste toets. Wat sou jy voorspel vir jou tweede toetstelling Wat dink jy jou onderwyser sou Ongeag voorspel vir jou volgende toetstelling Wat dink jy jou vriende kan voorspel vir jou volgende toetstelling Wat dink jy jou ouers kan voorspel vir jou volgende toetstelling al die blabbing jy kan doen om jou vriende en ouers, hulle en jou onderwyser is baie geneig om te verwag dat jy iets kry in die gebied van die 85 wat jy nou net gekry. Wel, nou kan aanneem dat ten spyte van jou self-bevordering van jou vriende, jy oorskat jouself en vind jy minder vir die tweede toets te studeer en so kry jy 'n 73. Nou wat is al die betrokkenes en onbekommerd gaan verwag jy sal op jou derde toets te kry Daar is twee baie waarskynlik benaderings vir hulle om 'n skatting, ongeag of hulle dit sal met julle deel te ontwikkel. Hulle mag sê om hulself, quotThis man is altyd waai rook oor sy intelligensie. Hes gaan na 'n ander 73 as hes gelukkig te kry. Miskien sal die ouers probeer meer ondersteunend te wees en sê, quotWell, tot dusver youve gekry 'n 85 en 'n 73, so miskien moet jy dink oor hoe om oor 'n (85 73) / 2 79. Ek weet nie, miskien as jy minder gedoen partytjies en werent swaaiende die mol al oor die plek en as jy begin doen 'n baie meer studeer jy kan kry 'n hoër score. quot Beide van hierdie vooruitskattings eintlik bewegende gemiddelde voorspellings. Die eerste is net met jou mees onlangse telling tot jou toekomstige prestasie te voorspel. Dit staan ​​bekend as 'n bewegende gemiddelde vooruitskatting gebruik van een tydperk van data. Die tweede is ook 'n bewegende gemiddelde voorspelling, maar die gebruik van twee periodes van data. Kom ons neem aan dat al hierdie mense breker op jou groot gees soort het dronk jy af en jy besluit om goed te doen op die derde toets vir jou eie redes en 'n hoër telling in die voorkant van jou quotalliesquot sit. Jy neem die toets en jou telling is eintlik 'n 89 Almal, insluitende jouself, is beïndruk. So nou het jy die finale toets van die semester kom en soos gewoonlik jy voel die behoefte om almal te dryf in die maak van hul voorspellings oor hoe sal jy doen op die laaste toets. Wel, hopelik sien jy die patroon. Nou, hopelik kan jy die patroon te sien. Wat glo jy is die mees akkurate Whistle Terwyl ons werk. Nou moet ons terugkeer na ons nuwe skoonmaak maatskappy wat begin is deur jou vervreemde halfsuster genoem Whistle Terwyl ons werk. Jy het 'n paar verkope verlede data wat deur die volgende artikel uit 'n sigblad. Ons bied eers die data vir 'n drie tydperk bewegende gemiddelde skatting. Die inskrywing vir sel C6 moet wees Nou kan jy hierdie sel formule af na die ander selle C7 kopieer deur C11. Let op hoe die gemiddelde beweeg oor die mees onlangse historiese data, maar gebruik presies die drie mees onlangse tye beskikbaar wees vir elke voorspelling. Jy moet ook sien dat ons nie regtig nodig om die voorspellings vir die afgelope tyd maak om ons mees onlangse voorspelling ontwikkel. Dit is beslis anders as die eksponensiële gladstryking model. Ive ingesluit die quotpast predictionsquot omdat ons dit sal gebruik in die volgende webblad om voorspellingsgeldigheid meet. Nou wil ek die analoog resultate aan te bied vir 'n periode van twee bewegende gemiddelde skatting. Die inskrywing vir sel C5 moet wees Nou kan jy hierdie sel formule af na die ander selle C6 kopieer deur C11. Let op hoe nou net die twee mees onlangse stukke historiese data gebruik vir elke voorspelling. Weereens het ek die quotpast predictionsquot vir illustratiewe doeleindes en vir latere gebruik in vooruitskatting validering ingesluit. Sommige ander dinge wat van belang om te let. Vir 'n m-tydperk bewegende gemiddelde voorspelling net die m mees onlangse data waardes word gebruik om die voorspelling te maak. Niks anders is nodig. Vir 'n m-tydperk bewegende gemiddelde voorspelling, wanneer quotpast predictionsquot, agterkom dat die eerste voorspelling kom in periode m 1. Beide van hierdie kwessies sal baie belangrik wees wanneer ons ons kode te ontwikkel. Die ontwikkeling van die bewegende gemiddelde funksie. Nou moet ons die kode vir die bewegende gemiddelde voorspelling dat meer buigsaam kan word ontwikkel. Die kode volg. Let daarop dat die insette is vir die aantal periodes wat jy wil gebruik in die vooruitsig en die verskeidenheid van historiese waardes. Jy kan dit stoor in watter werkboek wat jy wil. Funksie MovingAverage (Historiese, NumberOfPeriods) as 'n enkele verkondig en inisialisering veranderlikes Dim punt Soos Variant Dim Counter As Integer Dim Akkumulasie as 'n enkele Dim HistoricalSize As Integer Inisialiseer veranderlikes Counter 1 Akkumulasie 0 bepaling van die grootte van Historiese skikking HistoricalSize Historical. Count Vir Counter 1 Om NumberOfPeriods opbou van die toepaslike aantal mees onlangse voorheen waargeneem waardes Akkumulasie Akkumulasie Historiese (HistoricalSize - NumberOfPeriods toonbank) MovingAverage Akkumulasie / NumberOfPeriods die kode sal in die klas verduidelik. Jy wil die funksie te posisioneer op die sigblad sodat die resultaat van die berekening verskyn waar dit wil die following. FORECASTING vooruitskatting behels die opwekking van 'n aantal, stel nommers, of scenario wat ooreenstem met 'n toekomstige gebeurtenis. Dit is absoluut noodsaaklik om kort-reeks en 'n lang reeks beplanning. Per definisie, is 'n voorspelling gebaseer op vorige data, in teenstelling met 'n voorspelling, wat is meer subjektiewe en gebaseer op instink, gut feel, of raaiskoot. Byvoorbeeld, die aand nuus gee die weer x0022forecastx0022 nie die weer x0022prediction. x0022 Ongeag, die terme voorspel en voorspelling word dikwels gebruik inter-changeably. Byvoorbeeld, definisies van regressionx2014a tegniek soms gebruik in forecastingx2014generally staat wat die doel daarvan is om te verduidelik of x0022predict. x0022 vooruitskatting is gebaseer op 'n aantal aannames: Die afgelope herhaal sal word. Met ander woorde, wat in die verlede gebeur het, sal weer gebeur in die toekoms. As die voorspelling horison verkort, voorspel akkuraatheid verhoog. Byvoorbeeld, sal 'n voorspelling vir môre meer akkuraat as 'n voorspelling vir die volgende maand 'n voorspelling vir die volgende maand sal meer akkuraat as 'n voorspelling vir die volgende jaar en 'n voorspelling vir die volgende jaar sal meer akkuraat as 'n voorspelling vir tien jaar in die wees nie toekoms. Vooruitskatting in die geheel is meer akkuraat as die voorspelling van individuele items. Dit beteken dat 'n maatskappy in staat is om meer akkuraat as wat dit in staat om individuele-effekte hou eenhede (SKU) voorspel sal wees voorspel totale vraag oor sy hele spektrum van produkte sal wees. Byvoorbeeld, kan General Motors meer akkuraat te voorspel die totale aantal motors wat nodig is vir volgende jaar as die totale aantal wit Chevrolet Impalas met 'n sekere opsie pakket. Voorspellings is selde akkuraat. Verder voorspellings is byna nooit heeltemal akkuraat. Terwyl sommige is baie geheg, is min x0022right op die money. x0022 Daarom is dit verstandig om 'n voorspelling x0022range. x0022 bied As een was 'n vraag van 100,000 eenhede vir die volgende maand voorspel, is dit uiters onwaarskynlik dat die vraag sou gelyk 100,000 presies. Tog sou 'n voorspelling van 90.000 tot 110.000 'n veel groter teiken vir beplanning. William J. Stevenson noem 'n aantal eienskappe wat gemeenskaplik aan 'n goeie vooruitsig: Accuratex2014some mate van akkuraatheid te bepaal en gestel sodat vergelyking gemaak kan word om alternatiewe voorspellings. Reliablex2014the voorspelling metode moet konsekwent 'n goeie vooruitsig as die gebruiker is om 'n mate van vertroue te vestig. Timelyx2014a sekere bedrag van die tyd wat nodig is om te reageer op die voorspelling sodat die voorspelling horison moet voorsiening maak vir die tyd wat nodig is om veranderinge aan te bring. Maklik om te gebruik en understandx2014users van die voorspelling moet selfversekerd en gemaklik te werk met dit. Koste-effectivex2014the koste van die maak van die voorspelling moet nie die voordele verkry uit die voorspelling swaarder. Vooruitskattingstegnieke wissel van die eenvoudige tot die uiters kompleks. Hierdie tegnieke word gewoonlik geklassifiseer as kwalitatiewe of kwantitatiewe. Kwalitatiewe tegnieke te Kwalitatiewe voorspelling tegnieke is oor die algemeen meer subjektiewe as hul kwantitatiewe eweknieë. Kwalitatiewe tegnieke is meer nuttig in die vroeë stadiums van die produklewensiklus toe minder afgelope data bestaan ​​vir gebruik in kwantitatiewe metodes. Kwalitatiewe metodes sluit in die Delphi-tegniek, Nominale groeptegniek (NGT), sales force menings, uitvoerende menings, en marknavorsing. Die Delphi-tegniek. Die Delphi-tegniek maak gebruik van 'n paneel van kundiges om 'n voorspelling te produseer. Elke kenner is gevra om 'n voorspelling wat spesifiek op die behoefte aan die hand gee. Na die aanvanklike voorspellings gemaak word, elke kenner lees wat elke ander kundige geskryf en is, natuurlik, beïnvloed deur hul standpunte. 'N daaropvolgende voorspelling word dan gemaak deur elke kenner. Elke kundige lees dan weer wat elke ander kundige geskryf en weer beïnvloed deur die persepsies van die ander. Hierdie proses herhaal homself totdat elke kenner nader met die oog op die nodige scenario of nommers. Nominalegroep-tegniek. Nominale groeptegniek is soortgelyk aan die Delphi-tegniek in die sin dat dit 'n groep deelnemers, gewoonlik kenners gebruik. Na afloop van die deelnemers reageer op voorspel-verwante vrae, hulle rang hul antwoorde in volgorde van vermeende relatiewe belangrikheid. Toe die ranglys word versamel en saamgevoeg. Uiteindelik, moet die groep 'n konsensus oor die prioriteite van die posisie kwessies te bereik. Sales force menings. Die verkope personeel is dikwels 'n goeie bron van inligting met betrekking tot die toekomstige vraag. Die verkoopsbestuurder kan vra vir insette van elke verkope persoon en saamvoeg hul antwoorde in 'n sales force saamgestelde skatting. Omsigtigheid moet uitgeoefen word wanneer die gebruik van hierdie tegniek as die lede van die verkope van krag nie in staat kan wees om te onderskei tussen wat kliënte sê en wat hulle werklik doen. Ook, as die voorspellings sal gebruik word om verkope kwotas te vestig, die verkope van krag kan word versoek om laer skattings verskaf. UITVOERENDE menings. Soms boonste vlakke bestuurders te ontmoet en te ontwikkel voorspellings op grond van hul kennis van hul areas van verantwoordelikheid. Dit word soms na verwys as 'n jurie van uitvoerende mening. MARKNAVORSING. In marknavorsing, is verbruikersopnames wat gebruik word om potensiële vraag te vestig. Sulke bemarking navorsing behels gewoonlik die bou van 'n vraelys wat persoonlike, demografiese, ekonomiese en bemarking inligting uitlok. By geleentheid, marknavorsers versamel sodanige inligting persoonlik by kleinhandelaars en winkelsentrums, waar die verbruiker kan experiencex2014taste, voel, ruik, en seex2014a bepaalde produk. Die navorser moet versigtig wees dat die monster van mense wat ondervra is verteenwoordigend van die verlangde teiken verbruiker. Kwantitatiewe tegnieke Kwantitatiewe vooruitskatting tegnieke is oor die algemeen meer objektief as hul kwalitatiewe eweknieë. Kwantitatiewe voorspellings kan wees time-reeks voorspellings (dit wil sê 'n projeksie van die verlede in die toekoms) of voorspellings gebaseer op assosiatiewe modelle (bv gebaseer op een of meer verklarende veranderlikes). Tydreeksdata dalk onderliggende gedrag wat aangespreek moet word geïdentifiseer deur die voorspeller. Daarbenewens kan die voorspelling moet die oorsake van die gedrag te identifiseer. Sommige van hierdie gedrag kan patrone of bloot toevallige variasies te wees. Onder die patrone is: Tendense, wat langtermyn-bewegings (op of af) in die data is. Seisoenaliteit, wat kort termyn variasies wat gewoonlik in verband met die tyd van die jaar, maand, of selfs 'n bepaalde dag, soos getuig deur kleinhandelverkope met Kersfees of die spykers in die bankwese aktiwiteit op die eerste van die maand en op Vrydae produseer. Siklusse, wat Golfagtige variasies wat langer as 'n jaar wat gewoonlik gekoppel aan ekonomiese of politieke toestande. Onreëlmatige variasies wat nie tipiese gedrag weerspieël, soos 'n tydperk van uiterste weerstoestande of 'n vakbond staking. Toevallige variasies, wat alle nie-tipiese gedrag nie vir verreken deur die ander klassifikasies sluit. Onder die tyd-reeks modelle, die eenvoudigste is die naxEFve skatting. A naxEFve voorspelling gebruik eenvoudig die werklike vraag na die afgelope tydperk as die geskatte vraag na die volgende tydperk. Dit, natuurlik, maak die aanname dat die verlede herhaal. Dit veronderstel ook dat enige tendense, seisoenaliteit, of siklusse óf word weerspieël in die vorige periodx0027s vraag of nie bestaan ​​nie. 'N Voorbeeld van naxEFve vooruitskatting word in Tabel 1. Tabel 1 NaxEFve Vooruitskatting Nog 'n eenvoudige tegniek is die gebruik van gemiddeld. Om 'n voorspelling behulp gemiddelde maak, 'n mens net die gemiddelde van 'n paar aantal periodes van verlede data deur optel, elke tydperk en die resultaat te deel deur die aantal periodes. Hierdie tegniek is gevind baie effektief vir 'n kort-reeks vooruitskatting te wees. Variasies van gemiddelde sluit die bewegende gemiddelde, die geweegde gemiddelde en die geweegde bewegende gemiddelde. 'N bewegende gemiddelde neem 'n voorafbepaalde aantal periodes, som hul werklike vraag, en verdeel deur die aantal periodes vir 'n voorspelling te bereik. Vir elke daaropvolgende tydperk, die oudste tydperk van data val af en die jongste tydperk bygevoeg. Die aanvaarding van 'n drie-maande bewegende gemiddelde en die gebruik van die data van Tabel 1, sou 'n mens eenvoudig voeg 45 (Januarie), 60 (Februarie), en 72 (Maart) en deel dit deur drie te kom by 'n voorspelling vir April: 45 60 72 177 x00F7 3 59 om 'n voorspelling vir Mei kom, sou 'n mens Januaryx0027s vraag van die vergelyking laat val en voeg die vraag van April. Tabel 2 bied 'n voorbeeld van 'n drie-maande bewegende gemiddelde skatting. Tabel 2 Drie Maand bewegende gemiddelde voorspelling Werklike vraag (000x0027s) 'n geweegde gemiddelde van toepassing 'n voorafbepaalde gewig aan elke maand van verlede data, som die afgelope data van elke tydperk, en verdeel deur die totaal van die gewigte. As die weervoorspeller pas die gewigte sodat hulle som gelyk aan 1 is, dan is die gewigte word vermenigvuldig met die werklike vraag van elke toepaslike tydperk. Die resultate word dan opgesom 'n geweegde voorspelling te bereik. Oor die algemeen, die meer onlangse data, hoe hoër die gewig, en die ouer die data hoe kleiner die gewig. Die gebruik van die voorbeeld vraag, 'n geweegde gemiddelde gebruik van gewigte van 0,4. 3. 2 en 0,1 sou die voorspelling opbrengs vir Junie as: 60 (0,1) 72 (0,2) 58 (0,3) 40 (0,4) 53,8 Voorspellers kan ook 'n kombinasie van die geweegde gemiddelde gebruik en bewegende gemiddelde voorspellings . 'N Geweegde bewegende gemiddelde voorspelling ken gewigte om 'n voorafbepaalde aantal periodes van werklike data en bere die vooruitsig op dieselfde manier as hierbo beskryf. Soos met alle bewegende voorspellings, soos elke nuwe tydperk bygevoeg, die data van die oudste tydperk is weggegooi. Tabel 3 toon 'n drie-maande geweeg bewegende gemiddelde voorspelling gebruik te maak van die gewigte 0,5. 3, en 0,2. Tabel 3 Threex2013Month geweegde bewegende gemiddelde voorspelling Werklike vraag (000x0027s) 'n meer komplekse vorm van geweeg bewegende gemiddelde is eksponensiële gladstryking, so genoem omdat die gewig val af eksponensieel as die data ouderdomme. Eksponensiële gladstryking neem die vorige periodx0027s voorspel en pas dit deur 'n voorafbepaalde glad konstante, x03AC (genoem alfa die waarde vir Alpha is minder as een) vermenigvuldig met die verskil in die vorige skatting en die vraag wat tydens die vorige geskatte tydperk eintlik plaasgevind (genoem voorspelling fout). Eksponensiële gladstryking word formulaically uitgedruk as sodanig: Nuwe voorspelling vorige skatting alfa (werklike vraag x2212 vorige skatting) VF x03AC (A x2212 F) eksponensiële gladstryking vereis die weervoorspeller die voorspelling begin in 'n vorige tydperk en werk uit na die tydperk waarvoor 'n huidige voorspelling is nodig. 'N Aansienlike hoeveelheid afgelope data en 'n begin of aanvanklike voorspelling is ook nodig. Die aanvanklike voorspelling kan 'n werklike vooruitsig van 'n vorige tydperk, die werklike vraag uit 'n vorige tydperk wees, of dit kan geskat word deur die gemiddeld van al of 'n gedeelte van die afgelope data. Sommige heuristiek bestaan ​​vir die berekening van 'n aanvanklike skatting. Byvoorbeeld, sou die heuristiese N (2 xF7 x03AC) x2212 1 en 'n alfa van 0,5 'n N opbrengs van 3, wat die gebruiker sal gemiddeld die eerste drie periodes van data om 'n aanvanklike voorspelling te kry. Maar die akkuraatheid van die aanvanklike voorspelling is nie krities as 'n mens is met behulp van groot hoeveelhede data, aangesien eksponensiële gladstryking is x0022self-correcting. x0022 Gegewe genoeg periodes van verlede data, sal eksponensiële gladstryking uiteindelik maak genoeg regstellings om te vergoed vir 'n redelik onakkurate aanvanklike voorspelling. Die gebruik van die data wat gebruik word in ander voorbeelde, 'n aanvanklike skatting van 50, en 'n alfa van 0,7, is 'n voorspelling vir Februarie bereken as sodanig: Nuwe voorspelling (Februarie) 50 0,7 (45 x2212 50) 41.5 Volgende, die voorspelling vir Maart : Nuwe voorspelling (Maart) 41.5 0,7 (60 x2212 41.5) 54,45 Hierdie proses hou aan totdat die weervoorspeller die verlangde tydperk bereik. In Tabel 4 sal dit wees vir die maand van Junie, aangesien die werklike vraag vir Junie nie bekend is nie. Werklike vraag (000x0027s) 'n verlenging van eksponensiële gladstryking gebruik kan word wanneer tydreeksdata toon 'n lineêre tendens. Hierdie metode is bekend deur verskeie name: dubbele smoothing-tendens aangepas eksponensiële gladstryking voorspelling insluitend tendens (FIT) en Holtx0027s Model. Sonder aanpassing, sal eenvoudig eksponensiële gladstryking resultate die tendens lag, dit wil sê die voorspelling sal altyd laag as die tendens is aan die toeneem, of 'n hoë as die tendens afneem. Met hierdie model is daar twee glad konstantes, x03AC en x03B2 met x03B2 verteenwoordig die tendens komponent. 'N verlenging van Holtx0027s Model, genoem Holt-Winterx0027s Metode, in ag neem tendens en seisoenaliteit. Daar is twee weergawes, vermenigvuldigende en toevoeging, met die multiplikatiewe synde die mees gebruikte. In die toevoeging model, is seisoenaliteit uitgedruk as 'n hoeveelheid word bygevoeg of afgetrek word van die reeks gemiddelde. Die vermenigvuldiging model spreek seisoenaliteit as percentagex2014known as seisoenale familie of seisoenale indexesx2014of die gemiddelde (of tendens). Dit is dan vermenigvuldig keer waardes ten einde seisoen inkorporeer. 'N familielid van 0,8 sou die vraag wat 80 persent van die gemiddelde aandui, terwyl 1.10 vraag wat 10 persent bo die gemiddelde aandui. Volledige inligting oor hierdie metode kan gevind word in die meeste operasionele bestuur handboeke of een van 'n aantal boeke oor vooruitskatting. Assosiatiewe of oorsaaklike tegnieke behels die identifisering van veranderlikes wat gebruik kan word om 'n ander veranderlike van belang voorspel. Byvoorbeeld, kan rentekoerse gebruik word om die vraag na die huis herfinansiering voorspel. Tipies, dit behels die gebruik van lineêre regressie, waar die doel is om 'n vergelyking wat die gevolge van die voorspeller (onafhanklike) veranderlikes op die voorspelde (afhanklike) veranderlike 'n opsomming van die ontwikkeling. As die voorspeller veranderlike is gestip, sal die voorwerp wees om 'n vergelyking van 'n reguit lyn wat die som van die gekwadreerde afwykings van die lyn (met afwyking om die afstand van elke punt aan die lyn) verminder kry. Die vergelyking sal as verskyn: ya BX, waar y is die voorspelde (afhanklike) veranderlike, x is die voorspeller (onafhanklike) veranderlike, b is die helling van die lyn, en 'n gelyk is aan die lengte van die lyn op die y - onderskep. Sodra die vergelyking bepaal word, kan die gebruiker die huidige waardes te voeg vir die voorspeller (onafhanklike) veranderlike te kom by 'n voorspelling (afhanklike veranderlike). As daar meer as een voorspeller veranderlike of indien die verhouding tussen voorspeller en voorspelling is nie lineêre, sal eenvoudige lineêre regressie na wense wees nie. Vir situasies met verskeie voorspellers, moet meervoudige regressie in diens geneem word, terwyl nie-lineêre verwantskappe noem vir die gebruik van kromlynige regressie. EKONOMETRIESE PROGNOSES Ekonometriese metodes, soos outoregressiewe geïntegreerde bewegende gemiddelde model (ARIMA), gebruik komplekse wiskundige vergelykings met vorige verhoudings tussen vraag en veranderlikes wat die vraag beïnvloed wys. 'N vergelyking is afgelei en dan getoets en verfyn om te verseker dat dit as 'n betroubare n voorstelling van die verlede verhouding as moontlik. Sodra dit gedoen is, geprojekteerde waardes van die invloed veranderlikes (inkomste, pryse, ens) is ingevoeg in die vergelyking om 'n voorspelling te maak. EVALUERING PROGNOSES Voorspelling akkuraatheid kan bepaal word deur die berekening van die vooroordeel, beteken absolute afwyking (MAD), beteken vierkante fout (MSE), of beteken absolute persent fout (Mape) vir die voorspelling met behulp van verskillende waardes vir Alpha. Vooroordeel is die som van die voorspelling foute x2211 (FE). Vir die eksponensiële gladstryking voorbeeld hierbo, sal die berekende vooroordeel wees: (60 x2212 41.5) (72 x2212 54,45) (58 x2212 66,74) (40 x2212 60,62) 6,69 As aanvaar word dat 'n lae vooroordeel dui op 'n algehele lae voorspelling fout, een kon bereken die vooroordeel vir 'n aantal potensiële waardes van alfa en aanvaar dat die een met die laagste vooroordeel die mees akkurate sou wees. Daar moet egter versigtig in dat wild onakkurate voorspellings waargeneem kan 'n lae vooroordeel te lewer as hulle is geneig om te wees beide oor vooruitskatting en onder voorspelling (negatiewe en positiewe). Byvoorbeeld, oor drie tydperke 'n firma kan 'n bepaalde waarde van alfa gebruik om oor te voorspel deur 75.000 eenhede (x221275,000), onder voorspel deur 100,000 eenhede (100000), en dan oor te voorspel deur 25.000 eenhede (x221225,000), opbrengs 'n vooroordeel van nul (x221275,000 100,000 x2212 25000 0). In vergelyking met 'n ander sou alfa opbrengs oor voorspellings van 2000 eenhede, 1000 eenhede, en 3000 eenhede lei tot 'n vooroordeel van 5000 eenhede. As normale vraag was 100,000 eenhede per periode, sal die eerste Alpha voorspellings dat af was met soveel as 100 persent oplewer terwyl die tweede alfa af sou wees met 'n maksimum van slegs 3 persent, selfs al is die vooroordeel in die eerste skatting was nul. 'N veiliger mate van akkuraatheid voorspel is die gemiddelde absolute afwyking (MAD). Om die MAD bereken, die weervoorspeller som die absolute waarde van die voorspelling foute en dan verdeel deur die aantal voorspellings (x2211 FE x00F7 N). Deur die neem van die absolute waarde van die voorspelling foute, die verrekening van positiewe en negatiewe waardes vermy. Dit beteken dat beide 'n oor-vooruitskatting van 50 en 'n onder-vooruitskatting van 50 is af deur 50. Die gebruik van die data van die eksponensiële gladstryking byvoorbeeld kan MAD soos volg bereken word: (60 x2212 41.5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) x00F7 4 16,35 Daarom is die weervoorspeller is af 'n gemiddeld van 16,35 eenhede per skatting. Wanneer in vergelyking met die gevolg van ander Alfa's, sal die weervoorspeller weet dat die alfa met die laagste MAD is onttroon die mees akkurate voorspelling. Gemiddelde vierkante fout (MSE) kan ook gebruik word op dieselfde manier. MSE is die som van die voorspelling foute kwadraat gedeel deur N-1 (x2211 (FE)) x00F7 (N-1). Kwadratuur die voorspelling foute skakel die moontlikheid van die verrekening van negatiewe getalle, aangesien nie een van die resultate negatief kan wees. Gebruik te maak van die dieselfde data soos hierbo, sal die MSE wees: (18.5) (17,55) (x22128.74) (x221220.62) x00F7 3 383,94 Soos met MAD, kan die weervoorspeller die MSE van voorspellings afgelei met behulp van verskeie waardes van alfa vergelyk en aanvaar die alfa met die laagste MSE is onttroon die mees akkurate voorspelling. Die gemiddelde absolute persent fout (Mape) is die gemiddelde absolute persent fout. Om by die Mape kom moet 'n mens die som van die verhoudings tussen voorspelling fout en werklike tye vraag 100 (om die persentasie te kry) en deel te neem deur N (x2211 Werklike vraag x2212 voorspelling x00F7 Werklike vraag) xD7 100 x00F7 N. Die gebruik van die data van 100 x00F7 4 28,33 (18,5 / 60 17,55 / 72 8,74 / 58 20,62 / 48) xD7 soos met MAD en MSE, hoe laer die relatiewe fout hoe meer akkuraat die vooruitsig: die eksponensiële gladstryking byvoorbeeld Mape kan soos volg bereken word. Daar moet kennis geneem word dat in sommige gevalle die vermoë van die voorspelling om vinnig te verander om te reageer op veranderinge in die data patrone word beskou as meer belangrik as akkuraatheid te wees. Daarom moet onex0027s keuse van vooruitskatting metode weerspieël die relatiewe balans van belang tussen akkuraatheid en 'n responsiewe ingesteldheid, soos bepaal deur die voorspeller. MAAK 'n voorspelling William J. Stevenson lys die volgende as die basiese stappe in die vooruitskatting proses: Bepaal die forecastx0027s doel. Faktore soos hoe en wanneer die voorspelling sal gebruik word, die mate van akkuraatheid wat nodig is, en die vlak van detail gewenste bepaal die koste (tyd, geld, werknemers) wat gebruik kan word gewy aan die voorspelling en die tipe vooruitskatting metode wat gebruik gaan word . Stel 'n tyd horison. Dit gebeur nadat een van die doel van die voorspelling bepaal. Langer termyn voorspellings vereis meer tyd horisonne en omgekeerd. Akkuraatheid is weer 'n oorweging. Kies 'n vooruitskatting tegniek. Die gekose tegniek hang af van die doel van die voorspelling, die tyd horison jy wil, en die toegelate koste. Versamel en te ontleed. Die hoeveelheid en tipe data wat nodig is word deur die forecastx0027s doel, die voorspelling tegniek gekies, en enige koste oorwegings. Maak die voorspelling. Monitor die skatting. Evalueer die prestasie van die voorspelling en verander, indien nodig. Verder lees: Finch, Byron J. Bedryf Nou: Winsgewendheid, prosesse, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006 Green, William H. Ekonometriese ontleding. 5 ed. Bo Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022The Nominale Groep Technique. x0022 die navorsingsproses. Beskikbaar by x003C www. ryerson. ca/ Stevenson, William J. Operasionele Bestuur. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lees ook artikel oor vooruitskatting van WikipediaIn oefen die bewegende gemiddelde sal 'n goeie raming van die gemiddelde van die tydreeks te verskaf indien die gemiddelde konstant of stadig verander. In die geval van 'n konstante gemiddelde, sal die grootste waarde van m die beste raming van die onderliggende gemiddelde gee. 'N langer tydperk waarneming sal gemiddeld uit die gevolge van variasie. Die doel van die verskaffing van 'n kleiner m is om voorsiening te maak die voorspelling om te reageer op 'n verandering in die onderliggende proses. Om te illustreer, stel ons 'n datastel wat veranderinge in die onderliggende gemiddelde van die tydreeks inkorporeer. Die figuur toon die tyd reeks gebruik ter illustrasie saam met die vraag gemiddelde waaruit die reeks was gegenereer. Die gemiddelde begin as 'n konstante by 10. Vanaf die tyd 21, verhoog dit met 'n eenheid in elke tydperk totdat dit die waarde van 20 ten tye 30. bereik Dan weer konstant raak dit. Die data word gesimuleer deur die byvoeging van die gemiddelde, 'n ewekansige geluid van 'n normale verspreiding met 'n nul gemiddelde en standaardafwyking 3. Die resultate van die simulasie is afgerond tot die naaste heelgetal. Die tabel toon die gesimuleerde Waarnemings wat gebruik word vir die voorbeeld. Wanneer ons die tafel gebruik, moet ons onthou dat op enige gegewe tyd, word slegs die afgelope data bekend. Die raming van die model parameter, vir drie verskillende waardes van m word saam met die gemiddelde van die tydreeks in die figuur hieronder. Die figuur toon die bewegende gemiddelde skatting van die gemiddelde by elke keer en nie die voorspelling. Die vooruitskattings sal die bewegende gemiddelde kurwes skuif na regs deur periodes. Een gevolgtrekking is onmiddellik duidelik uit die figuur. Vir al drie skattings loop die bewegende gemiddelde agter die lineêre tendens, met die lag verhoog met m. Die lag is die afstand tussen die model en die raming in die tydsdimensie. As gevolg van die lag, die bewegende gemiddelde onderskat die waarnemings as die gemiddelde is aan die toeneem. Die vooroordeel van die beramer is die verskil op 'n spesifieke tyd in die gemiddelde waarde van die model en die gemiddelde waarde voorspel deur die bewegende gemiddelde. Die vooroordeel wanneer die gemiddelde is aan die toeneem is negatief. Vir 'n dalende gemiddelde, die vooroordeel is positief. Die vertraging in die tyd en die vooroordeel wat in die raming is funksies van m. Hoe groter die waarde van m. hoe groter die omvang van die lag en vooroordeel. Vir 'n voortdurend toenemende reeks met tendens a. die waardes van die lag en vooroordeel van die beramer van die gemiddelde is in die onderstaande vergelykings. Die voorbeeld krommes stem nie ooreen hierdie vergelykings omdat die voorbeeld model is nie voortdurend aan die toeneem, eerder dit begin as 'n konstante, veranderinge aan 'n tendens en dan weer word konstant. Ook die voorbeeld krommes geraak word deur die lawaai. Die bewegende gemiddelde voorspelling van periodes in die toekoms word verteenwoordig deur die verskuiwing van die kromme na regs. Die lag en vooroordeel te verhoog proporsioneel. Die onderstaande vergelykings dui die lag en vooroordeel van 'n voorspelling tydperke in die toekoms in vergelyking met die model parameters. Weereens, hierdie formules is vir 'n tyd reeks met 'n konstante lineêre tendens. Ons moet nie verbaas wees oor die resultaat wees. Die bewegende gemiddelde beramer is gebaseer op die aanname van 'n konstante gemiddelde, en die voorbeeld het 'n liniêre tendens in die gemiddelde tydens 'n gedeelte van die studietydperk. Sedert real time reeks sal selde presies die aannames van enige model te gehoorsaam, moet ons bereid wees om vir sulke resultate. Ons kan ook aflei uit die figuur dat die variasie van die geraas het die grootste effek vir kleiner m. Die skatting is baie meer wisselvallig vir die bewegende gemiddelde van 5 as die bewegende gemiddelde van 20. Ons het die botsende begeertes te m verhoog die effek van variasie te verminder as gevolg van die geraas, en om m te verminder die voorspelling meer reageer op veranderinge aan te bring in die gemiddelde. Die fout is die verskil tussen die werklike data en die geskatte waarde. As die tyd reeks is werklik 'n konstante waarde van die verwagte waarde van die fout is nul en die variansie van die fout bestaan ​​uit 'n term wat 'n funksie is van en 'n tweede termyn wat die variansie van die geraas,. Die eerste kwartaal is die variansie van die gemiddelde geskatte met 'n monster van m waarnemings, die aanvaarding van die data kom uit 'n bevolking met 'n konstante gemiddelde. Hierdie term word tot die minimum beperk deur m so groot as moontlik. 'N Groot m maak die voorspelling nie reageer op 'n verandering in die onderliggende tydreekse. Die voorspelling reageer op veranderinge aan te bring, wil ons m so klein as moontlik (1), maar dit verhoog die foutvariansie. Praktiese vooruitskatting vereis 'n intermediêre waarde. Vooruitskatting met Excel Die vooruitskatting add-in implemente die bewegende gemiddelde formules. Die voorbeeld hieronder toon die analise wat deur die byvoeging in vir die voorbeeld van die data in kolom B. Die eerste 10 waarnemings word geïndekseer -9 deur 0. In vergelyking met die tabel hierbo, is die tydperk indekse verskuif deur -10. Die eerste tien Waarnemings verskaf die begin waardes vir die beraming en gebruik word om die bewegende gemiddelde vir tydperk 0. Die MA (10) kolom (C) toon die berekende bewegende gemiddeldes te bereken. Die bewegende gemiddelde parameter m is in sel C3. Vore (1) kolom (D) toon 'n voorspelling vir een periode na die toekoms. Die voorspelling interval is in sel D3. Wanneer die voorspelling interval verander word na 'n groter aantal van die getalle in die kolom vore geskuif af. Die kolom Fout (1) (e) toon die verskil tussen die waarneming en die voorspelling. Byvoorbeeld, die waarneming by die tyd 1 is 6. Die geskatte waarde uit die bewegende gemiddelde op tydstip 0 is 11.1. Die fout dan is -5,1. Die gemiddeldes en standaardafwykings Gemiddelde Afwyking (MAD) word bereken in selle E6 en E7 respectively. Weighted bewegende gemiddelde vooruitskatting metodes: Voor-en nadele Hi, julle moet jul Post. Het gewonder of jy kan uitbrei verdere. Ons gebruik SAP. Daarin is daar 'n keuse wat jy kan kies voordat jy jou voorspelling genoem inisialisering hardloop. As jy hierdie opsie merk kry jy 'n voorspelling gevolg, as jy weer uit te voer voorspel, in dieselfde tydperk, en nie kyk inisialisering die gevolg veranderinge. Ek kan nie uitvind wat dit inisialisering doen. Ek bedoel, mathmatically. Watter voorspelling gevolg is die beste om te red en te gebruik byvoorbeeld. Die veranderinge tussen die twee is nie in die geskatte hoeveelheid maar in die MAD and error, veiligheid voorraad en ROP hoeveelhede. Nie seker of jy SAP gebruik. hi dankie vir die verduideliking so efficient dit te GD. Dankie weer Jaspreet Laat 'n antwoord Kanselleer antwoord Gewildste poste oor Pete Abilla Pete Abilla is die stigter van Shmula. Hy help maatskappye soos Amazon, Zappos, eBay, binneland, en ander koste te verminder en die verbetering van die kliënt ervaar. Hy doen dit deur middel van 'n sistematiese metode vir die identifisering van pyn punte wat 'n impak die kliënt en die besigheid en moedig breë deelname van die maatskappy geassosieerdes hul eie prosesse te verbeter. Tags