Flyttande medelvärde. Detta exempel lär dig hur man beräknar det glidande medlet av en tidsserie i Excel. Ett glidande medel används för att släpa ut oregelbundenheter toppar och dalar för att enkelt kunna känna igen trenderna. 1 Först, låt oss ta en titt på vår tidsserie.2 På Datafliken klickar du på Data Analysis. Note kan inte hitta knappen Data Analysis Klicka här för att ladda till verktyget Add-in Analysis ToolPak.3 Välj Flytta genomsnitt och klicka på OK.4 Klicka på rutan Inmatningsområde och välj intervallet B2 M2. 5 Klicka i rutan Intervall och skriv 6.6 Klicka i rutan Utmatningsområde och välj cell B3.8 Skriv ett diagram över dessa värden. Planering eftersom vi anger intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och Den aktuella datapunkten Som ett resultat utjämnas toppar och dalar Grafen visar en ökande trend Excel kan inte beräkna det glidande medlet för de första 5 datapunkterna eftersom det inte finns tillräckligt med tidigare datapunkter.9 Upprepa steg 2 till 8 för intervall 2 Och intervall 4.Konklusion Den la Rger intervallet desto mer topparna och dalarna utjämnas. Ju mindre intervallet desto närmare de rörliga medelvärdena ligger till de faktiska datapunkterna. OR-Notes är en serie inledande anteckningar om ämnen som faller under det breda utseendet på fältet Av verksamhetsforskning ELLER De användes ursprungligen av mig i en inledande OR-kurs som jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och lärare som är intresserade av ELLER underkastat följande villkor. En fullständig lista över ämnena som finns i OR - Anteckningar kan hittas här. Förutseende exempel. Förhandsgranskningsexempel 1996 UG-examen. Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan. Använd ett tvåmånaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6.Apply exponentiell utjämning Med en utjämningskonstant på 0 9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilket av dessa två prognoser föredrar du och varför. De två månaders rörliga genomsnittet för månaderna två till fem ges av. Prognosen för m Onth six är bara det rörliga genomsnittet för månaden innan det är det glidande medeltalet för månad 5 m 5 2350.Applying exponentiell utjämning med en utjämningskonstant av 0 9 får vi. Som före prognosen för månaden är sex bara genomsnittet för månad 5 M 5 2386. För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen MSD Om vi gör det här finner vi det för glidande medelvärdet. MSD 15 - 19 18 - 23 21 - 24 3 16 67.och för exponentiellt jämnt medelvärde med en Utjämningskonstant av 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Överallt ser vi att exponentiell utjämning tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD Föredra prognosen för 2386 som har producerats genom exponentiell utjämning. Förhandsexempel 1994 UG-examen. Tabellen nedan visar efterfrågan på en ny aftershave i en butik för var och en av de senaste 7 månaderna. Beräkna ett två månaders glidande medelvärde för månader två till Sju Vad skulle vara din prognos för efterfrågan i månad åtta Exponentiell utjämning med en utjämningskonstant på 0 1 för att härleda en prognos för efterfrågan i månad åtta. Vilket av de två prognoserna för månad åtta föredrar du och varför. Butiksinnehavaren anser att kunderna byter till denna nya aftershave från andra märken Diskutera Hur du kan modellera detta byte beteende och ange de data som du skulle behöva för att bekräfta om den här växlingen sker eller inte. Det tvåmånaders glidande genomsnittet för månader två till sju ges av. Prognosen för månad åtta är bara det rörliga genomsnittet för Månaden före det vill säga det glidande medelvärdet för månad 7 m 7 46.Opplämning av exponentiell utjämning med en utjämningskonstant på 0 1 får vi. Som före prognosen för månad åtta är bara genomsnittet för månaden 7 M 7 31 11 31 som vi inte kan Har en bråkdel av efterfrågan. För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen MSD Om vi gör detta finner vi det för det glidande medelvärdet. and för det exponentiellt jämnda medlet med en utjämningskonstant av 0 1.Ove Rall då ser vi att det tvåmånaders glidande medlet verkar ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av det tvåmånaders glidande genomsnittet. För att undersöka omkoppling skulle vi behöva Använd en Markov-processmodell där staternas varumärken och vi skulle behöva inledande statliga uppgifter och kundbyte sannolikheter från undersökningar. Vi skulle behöva springa modellen på historiska data för att se om vi har passformen mellan modellen och det historiska beteendet. Föreställningsexempel 1992 UG Examen. Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna ett tre månaders glidande medelvärde i månader tre till nio. Vad skulle vara din prognos för efterfrågan i månad tio. Utjämning med en utjämningskonstant på 0 3 för att härleda en prognos för efterfrågan i månad tio. Vilket av de två prognoserna för månad tio föredrar du och varför. Tre månaders glidande medelvärde för månaderna 3 till 9 är giv En av. Prognosen för månad 10 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 9 m 9 20 33. Därför som vi inte kan ha fraktionerad efterfrågan är prognosen för månad 10 20.Applicering av exponentiell utjämning med en Utjämningskonstanten av 0 3 vi får. Som före prognosen för månad 10 är bara genomsnittet för månaden 9 M 9 18 57 19 eftersom vi inte kan ha fraktionerad efterfrågan. För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen MSD Om vi gör det här Vi finner det för det glidande medelvärdet. Och för det exponentiellt jämnda medlet med en utjämningskonstant av 0 3. Överallt ser vi att det tre månaders glidande genomsnittet verkar ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi Prognosen på 20 som har producerats av tre månaders glidande medelvärde. Förhandsgranskningsexempel 1991 UG-examen. Tabellen nedan visar efterfrågan på ett visst varumärke av faxmaskin i ett varuhus i var och en av de senaste tolv månaderna. Beräkna de fyra månaderna mov Ing genomsnitt för månader 4 till 12 Vad skulle vara din prognos för efterfrågan i månad 13.Apply exponentiell utjämning med en utjämningskonstant på 0 2 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 gör du Föredra och varför. Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månad 13. Det fyra månaders glidande genomsnittet för månaderna 4 till 12 ges av. 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. Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 12 m 12 46 25.Här som vi inte kan ha Fraktionerad efterfrågan prognosen för månad 13 är 46.Applying exponentiell utjämning med en utjämningskonstant av 0 2 får vi. Som före prognosen för månad 13 är bara genomsnittet för månaden 12 M 12 38 618 39 som w E kan inte ha fraktionerad efterfrågan. För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen MSD. Om vi gör det finner vi det för det rörliga genomsnittet. och för det exponentiellt jämnda medlet med en utjämningskonstant av 0 2. Överallt ser vi att Fyra månaders glidande medelvärde verkar ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av fyra månaders glidande medelvärde. Efterfrågespris förändras, både detta märke och andra märken. Generell ekonomisk situation. ny teknik. Förutsägande exempel 1989 UG-examen. Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i ett varuhus i vardera av de senaste tolv månaderna. Räkna ett sex månaders glidande medelvärde för varje månad. Vad skulle vara Din prognos för efterfrågan i månaden 13.Apply exponentiell utjämning med en utjämningskonstant på 0 7 för att ta fram en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför. Nu Vi kan inte beräkna ett sex månaders glidande medelvärde tills vi har minst 6 observationer - det kan vi bara beräkna ett sådant genomsnitt från månad 6 framåt. Därför har vi. 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.Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande medeltalet för månaden 12 m 12 38 17.Här vi inte kan få fraktionerad efterfrågan Prognosen för månad 13 är 38. Att använda exponentiell utjämning med en utjämningskonstant på 0 7 får vi. Förberedelse innebär generering av ett tal, antal siffror eller scenario som motsvarar en framtida händelse. Det är absolut nödvändigt att kortdistans och Långdistansplanering Enligt definition är en prognos baserad på tidigare data, i motsats till en förutsägelse, som är mer subjektiv och baserad på instinkt, känsla av mage eller gissning Till exempel kvällen Nyheter ger väderprognosen inte väderprognosen Oavsett varför prognos och förutsägelse används ofta interchangeably Till exempel definitions av regression en teknik som ibland används i prognoser anger i allmänhet att dess syfte är att förklara eller förutsäga. Förutsättning baseras på en Antal antaganden. Fortiden kommer att upprepa sig. Med andra ord kommer det som hänt i det förflutna att hända igen i framtiden. När prognoshorisonten förkortas ökar prognosnoggrannheten till exempel en prognos för imorgon blir mer exakt än en prognos för Nästa månad kommer en prognos för nästa månad att vara mer exakt än en prognos för nästa år och en prognos för nästa år kommer att vara mer exakt än en prognos för tio år i framtiden. Prognoser är totalt noggrannare än prognoser för enskilda poster. Det betyder att Att ett företag kommer att kunna förutse den totala efterfrågan över hela sitt produktspektrum mer exakt än det kommer att kunna förutse enskilda sto Ck-keeping units SKUs General Motors kan till exempel mer exakt förutse det totala antalet bilar som behövs för nästa år än det totala antalet vita Chevrolet Impalas med ett visst alternativpaket. Förutsägningarna är sällan noggranna. Dessutom är prognoserna nästan aldrig helt korrekta medan Vissa är mycket nära, få är rätt på pengarna Därför är det klokt att erbjuda ett prognosområde Om man skulle förutse en efterfrågan på 100 000 enheter för nästa månad är det extremt osannolikt att efterfrågan skulle motsvara 100 000 exakt dock en prognos Av 90 000 till 110 000 skulle ge ett mycket större mål för planering. Williams J Stevenson listar ett antal egenskaper som är gemensamma för en bra prognos. En viss noggrannhet bör bestämmas och anges så att jämförelse kan göras med alternativa prognoser. Prognosmetoden bör konsekvent ge en bra prognos om användaren ska skapa viss grad av självförtroende. Tidvis behövs en viss tid för att r Är en förutsättning för prognosen så att prognostiseringshorisonten måste tillåta den tid som krävs för att göra ändringar. Lätt att använda och förstå användare av prognosen måste vara övertygade och bekväma att arbeta med. Kostnadseffektiva kostnaderna för prognosen bör inte överväga fördelarna Erhållna från prognosen. Förfinansieringstekniker sträcker sig från enkla till extremt komplexa Dessa tekniker klassificeras vanligtvis som kvalitativa eller kvantitativa. KVALITATIVA TEKNIKER. Kvalitativa prognostekniker är i allmänhet mer subjektiva än deras kvantitativa motsvarigheter. Kvalitativa tekniker är mer användbara i de tidigare stadierna av Produktens livscykel, när mindre data finns för användning i kvantitativa metoder Kvalitativa metoder inkluderar Delphi-tekniken, Nominell gruppteknik NGT, säljkårsuttalanden, verkställande åsikter och marknadsundersökningar. DEN DELPHI-TEKNIKEN. Delphi-tekniken använder en panel av experter Att producera en prognos Varje expert uppmanas att ge en prognos sp Ecific till behovet efter hand Efter att de första prognoserna gjorts läser varje expert vad alla andra experter skrev och naturligtvis påverkas av deras åsikter. En efterföljande prognos görs då av varje expert. Varje expert läser sedan igen vad varje annan expert skrev Och påverkas återigen av de andras uppfattningar. Denna process upprepar sig tills varje expert närmar sig överenskommelse om det behövs scenariot eller numren. NOMINAL GROUP TECHNIQUE. Nominal Group Technique liknar Delphi-tekniken genom att den utnyttjar en grupp deltagare, vanligtvis experter Efter deltagarna svarar på prognosrelaterade frågor rangordnar de sina svar i enlighet med uppfattad relativ betydelse. Sedan samlas rangordningarna och aggregeras. Slutligen ska gruppen komma överens om prioriteringarna av de rankade frågorna. Är ofta en bra källa till information om framtida efterfrågan Försäljningschefen kan begära inkomster från varje försäljare och aggr Egate deras svar till en sammansatt prognos för säljkåren Varning bör utövas när man använder denna teknik eftersom säljkårens medlemmar kanske inte kan skilja mellan vad kunderna säger och vad de faktiskt gör. Om prognoserna kommer att användas för att upprätta försäljning Kvoter kan säljkåren frestas att ge lägre uppskattningar. EXECUTIVE OPINIONS. Sometimes överordnade chefer möts och utvecklar prognoser baserat på deras kunskaper om sina ansvarsområden. Detta kallas ibland som en jury av verkställande opinion. MARKET RESEARCH. In Marknadsundersökning används konsumentundersökningar för att fastställa potentiell efterfrågan. En sådan marknadsundersökning innefattar vanligtvis att skapa ett frågeformulär som kräver personlig, demografisk, ekonomisk och marknadsföringsinformation. Ibland samlar marknadsforskare ihop personuppgifter i butiker och köpcentra där konsumenten kan Uppleva smak, känna, lukt och se en viss produkt Forskaren måste vara försiktig med det Provet av undersökta personer är representativt för det önskade konsumentmålet. KVANTITATIVTEKNIKER. Kvantitativa prognostekniker är i allmänhet mer objektiva än sina kvalitativa motsvarigheter. Kvantitativa prognoser kan vara tidsserier prognoser, dvs prognos av det förflutna i framtiden eller prognoser baserade på associativa modeller dvs. Baserad på en eller flera förklarande variabler Tidsseriedata kan ha underliggande beteenden som måste identifieras av prospektorn Dessutom kan prognosen behöva identifiera orsakerna till beteendet Några av dessa beteenden kan vara mönster eller helt enkelt slumpmässiga variationer Bland de Mönster är. Tendenser, som är långsiktiga rörelser upp eller ner i data. Seasonality, som producerar kortsiktiga variationer som brukar relateras till tiden för året, månaden eller till och med en viss dag, vilket ses av detaljhandeln vid Jul eller spikarna i bankverksamheten på den första i månaden och på fredagen. Cyklar, vilka är wavelike variationer som håller m Malm än ett år som vanligtvis är knutna till ekonomiska eller politiska förhållanden. Irregulära variationer som inte återspeglar typiskt beteende, som en period av extremt väder eller en unionstrike. Random variationer, som omfattar alla icke-typiska beteenden som inte redovisas av Andra klassificeringar. Bland tidsseriemodellerna är det enklaste att se prognosen. A na ve-prognosen använder helt enkelt den faktiska efterfrågan för den senaste perioden som den prognostiserade efterfrågan på nästa period. Det här antar givetvis att det förflutna kommer att Repetera Det antar också att alla trender, säsongsmässiga eller cykler antingen återspeglas i efterfrågan eller inte existerar. Ett exempel på na prognoser presenteras i Tabell 1.Table 1 Na ve Forecasting. En annan enkel teknik är användningen av Medelvärde För att göra en prognos med hjälp av medelvärdet tar man helt enkelt genomsnittet av ett antal perioder av tidigare data genom att summera varje period och dela resultatet med antalet perioder. Denna teknik har visat sig Vara mycket effektiv för prognoser för kortdistans. Variationer i medelvärdet inkluderar det rörliga genomsnittet, det vägda genomsnittet och det viktade glidande medlet. Ett rörligt medelvärde tar ett förutbestämt antal perioder, summerar deras faktiska efterfrågan och dividerar med antalet perioder att nå En prognos För varje efterföljande period sjunker den äldsta dataperioden och den senaste perioden läggs till Om man antar ett tre månaders glidande medelvärde och använder data från tabell 1, skulle man helt enkelt lägga till 45 januari, 60 februari och 72 mars och dela upp Av tre för att komma fram till en prognos för 45 april 60 72 177 3 59. För att komma fram till en prognos för maj skulle man släppa januari efterfrågan från ekvationen och lägga till efterfrågan från april. Tabell 2 visar ett exempel på tre månaders rörelse Genomsnittlig prognos. Tabel 2 Tre månaders rörlig genomsnittlig prognos. Obligatorisk efterfrågan 000 sA-vägd medelvärde gäller en förutbestämd vikt i varje månad av tidigare data, summerar tidigare data från varje period och delar upp med vikten totalt. Om Prognoser justerar vikterna så att deras summa är lika med 1, sedan vikterna multipliceras med den faktiska efterfrågan för varje tillämplig period. Resultaten summan summeras för att uppnå en vägt prognos Generellt ju ju senare data desto högre vikt och Äldre data desto mindre vikt Med hjälp av efterfrågningsexemplet skulle ett vägat medelvärde med vikter på 4 3 2 och 1 ge prognosen för juni som 60 1 72 2 58 3 40 4 53 8.Forecasters kan också använda en kombination av Vägda genomsnittliga och rörliga genomsnittliga prognoser En vägd glidande genomsnittlig prognos fördelar vikter till ett förutbestämt antal perioder av faktiska data och beräknar prognosen på samma sätt som beskrivits ovan. Som med alla rörliga prognoser, som varje ny period läggs till, data från den äldsta Perioden kasseras Tabell 3 visar en tre månaders vägd glidande medelprognos med användning av vikterna 5 3 och 2.Table 3 Tre månadsviktade Flyttande medelprognos. Aktuell efterfrågan 000 sA mer komplicerad viktvägd Glidande medelvärde är exponentiell utjämning, så kallad eftersom vikten faller bort exponentialt som datahantering Exponentiell utjämning tar förutvarande period s prognos och anpassar den med en förutbestämd utjämningskonstant, som kallas alfa, värdet för alfa är mindre än ett multiplicerat med skillnaden i Den tidigare prognosen och den efterfrågan som faktiskt inträffade under den tidigare prognostiserade perioden kallades prognosfel Exponentiell utjämning uttrycks formellt som sådan Ny prognos tidigare prognos alfaktuell efterfrågan föregående prognos FFA F. Exponentialutjämning kräver att prognosen börjar prognosen under en tidigare period och Arbeta framåt i den period för vilken en aktuell prognos behövs. En stor del tidigare data och en början eller början prognos är också nödvändiga. Den ursprungliga prognosen kan vara en faktisk prognos från en tidigare period, den faktiska efterfrågan från en tidigare period eller den Kan beräknas genom att medelvärda hela eller en del av tidigare data. Några heuristics Existerar för att beräkna en initial prognos Exempelvis skulle den heuristiska N 2 1 och en alfa av 5 ge en N av 3, vilket indikerar att användaren skulle genomsnitts de första tre perioderna av data för att få en initial prognos. Men noggrannheten i den ursprungliga prognosen Är inte kritisk om man använder stora mängder data eftersom exponentiell utjämning är självkorrigerande. Med tanke på tillräckliga perioder av tidigare data kommer exponentiell utjämning i slutändan att göra tillräckligt korrigeringar för att kompensera för en rimligt oriktig första prognos. Användning av de data som används i andra exempel, en Första prognos på 50 och en alfa av 7, beräknas en prognos för februari som sådan Ny prognos Februari 50 7 45 50 41 5.Nästa prognosen för mars Ny prognos Mars 41 5 7 60 41 5 54 45 Denna process fortsätter tills Prognosmakaren når den önskade perioden I tabell 4 skulle detta vara för juni månad, eftersom den faktiska efterfrågan på juni inte är känd. Den faktiska efterfrågan 000 s. En förlängning av exponentiell utjämning kan användas när tidsserien d Ata uppvisar en linjär trend Denna metod är känd av flera namn dubbel utjämning trendjusterad exponentiell utjämning prognos inklusive trend FIT och Holt s Modell Utan justering kommer enkla exponentiella utjämningsresultat att sänka trenden, det vill säga prognosen kommer alltid att vara låg om Trenden ökar eller högt om trenden minskar. Med denna modell finns det två utjämningskonstanter och representerar trendkomponenten. En förlängning av Holt s Model, kallad Holt-Winter s Method, tar hänsyn till både trend och säsonglighet. Det finns Två versioner, multiplikativ och additiv, med multiplicativet som den mest använda i additivmodellen uttrycks säsongsmässigheten som en kvantitet som ska läggas till eller subtraheras från seriens genomsnitts. Den multiplikativa modellen uttrycker säsonglighet som en procent som kallas säsongsrelaterade släktingar eller säsongsbetonade Index av medelvärdet eller trenden Dessa multipliceras därefter gångervärden för att införliva säsongsmässigheten En relativitet på 0 8 skulle jag Ange efterfrågan som är 80 procent av medelvärdet, medan 1 10 skulle indikera efterfrågan som är 10 procent över genomsnittet. Detaljerad information om denna metod finns i de flesta operativhanteringshandböcker eller ett av ett antal böcker om prognoser. Sociativ eller kausal teknik Involvera identifiering av variabler som kan användas för att förutsäga en annan variabel av intresse. Till exempel kan räntor användas för att prognostisera efterfrågan på hemrefinansiering. Vanligtvis innebär detta användningen av linjär regression, där målet är att utveckla en ekvation som sammanfattar Effekterna av prediktoroberoende variabler på den prognostiserade beroende variabeln Om prediktorvariabeln var plottad skulle objektet vara att erhålla en ekvation av en rak linje som minimerar summan av de kvadrerade avvikelserna från linjen med avvikelse som är avståndet från varje punkt Till linjen Ekvationen skulle framstå som ya bx, där y är den förutsagda beroende variabeln, x är pre Diktor oberoende variabel, b är linjens lutning och a är lika med linjens höjd vid y-avlyssningen. När ekvationen är bestämd kan användaren infoga nuvärden för den oberoende variabeln för prediktor för att komma fram till en prognosberoende Variabel. Om det finns mer än en prediktorvariabel eller om förhållandet mellan prediktor och prognos inte är linjär, kommer enkel linjär regression att vara otillräcklig. För situationer med flera prediktorer bör flera regressioner användas, medan icke-linjära relationer kräver användning av Kretslinjig regression. EKONOMETRISK FORSÖKNING. Ekonomiska metoder, som den automatiska, integrerade, rörliga genomsnittsmodellen ARIMA, använder komplexa matematiska ekvationer för att visa förflutna relationer mellan efterfrågan och variabler som påverkar efterfrågan. En ekvation är härledd och testad och finjusterad för att säkerställa att det Är lika tillförlitlig som en föreställning av det förflutna förhållandet som möjligt När det här är gjort, projiceras värdena för påverkan Variabler inkomster, priser etc läggs in i ekvationen för att göra en prognos. VALGSPECIFIKATIONER. Beräkningsnoggrannheten kan bestämmas genom att beräkna förspänningen, genomsnittlig absolut avvikelse MAD, genomsnittligt kvadratfel MSE eller genomsnittligt absolut procentfel MAPE för prognosen med olika Värden för alfa Bias är summan av prognosfel FE För det exponentiella utjämningsexemplet ovan skulle den beräknade förspänningen vara 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Om man antar att en låg bias indikerar en övergripande låg Prognosfel kan man beräkna bias för ett antal potentiella värden av alfa och anta att den med den lägsta bias skulle vara den mest exakta. Men försiktighet måste observeras i det att väldigt felaktiga prognoser kan ge en låg bias om de tenderar att Vara både över prognos och prognostiserad negativ och positiv Till exempel kan ett företag i tre perioder använda ett visst värde av alfa till överprognos med 75 000 enheter 75 000, prognostiserad av 100 000 enheter 100 000 och Då över förväntat med 25 000 enheter 25 000, vilket ger en bias på noll 75 000 100 000 25 000 0 I jämförelse skulle en annan alfa som gav över prognoser på 2000 enheter, 1 000 enheter och 3 000 enheter resultera i en bias på 5000 enheter om den normala efterfrågan var 100 000 enheter per Perioden skulle den första alfabetet ge prognoser som var avsteg med så mycket som 100 procent medan den andra alfa skulle vara avstängd med högst 3 procent, trots att bias i den första prognosen var noll. En säkrare mätning av prognosnoggrannheten är Den genomsnittliga absoluta avvikelsen MAD För att beräkna MAD summerar prognosen det absoluta värdet av prognosfel och dividerar sedan med antalet prognoser FE N Genom att ta det absoluta värdet av prognosfel, undviks kompenseringen av positiva och negativa värden Detta Betyder att både en överprognos av 50 och en underprognos av 50 är av med 50 Med hjälp av data från exponentiell utjämningsexempel kan MAD beräknas enligt följande 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Prognosen är därför i genomsnitt 16 35 enheter per prognos. Jämfört med resultatet av andra alfaser, kommer prospektet att veta att alfabetet med lägsta MAD ger den mest exakta prognosen. På samma sätt är MSE summan av prognosfel kvadrerad dividerad med N-1 FE N-1. Kvadrering av prognosfel eliminerar möjligheten att kompensera negativa tal eftersom ingen av resultaten kan vara negativa. Användning av samma data som ovan MSE skulle vara 18 5 17 55 8 74 20 62 3 383 94 Som med MAD, kan prognosen jämföra MSE med prognoser härledda med olika alfa-värden och anta att alfa med lägsta MSE ger den mest exakta prognosen. Procentfel MAPE är det genomsnittliga absolutprocentfelet För att komma fram till MAPE måste man ta summan av förhållandena mellan prognosfel och faktiska efterfrågningstider 100 för att få procentandelen och dela upp med N Faktisk efterfrågan prognos Faktisk efterfrågan 100 N Med hjälp av data från exponentiell utjämning kan MAPE beräknas enligt följande: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Som med MAD och MSE, desto lägre är det relativa felet ju mer exakt prognosen är. Det bör noteras att i vissa fall anses prognosens förmåga att förändras snabbt för att svara på förändringar i datamönstren anses vara viktigare än noggrannhet. Därför bör ett s val av prognosmetod återspegla den relativa vikten av betydelse mellan noggrannhet och lyhördhet , Som bestäms av förutanställaren. FRAMGÅENDE EN FORECAST. William J Stevenson listar följande som de grundläggande stegen i prognosprocessen. Bestäm prognosens syfte Faktorer som hur och när prognosen ska användas, graden av noggrannhet som behövs, och Nivån på det önskade detaljerna bestämmer kostnaden tid, pengar, anställda som kan vara dedikerade till prognosen och typen av prognosmetod som ska utnyttjas. Fastställa en tidshorisont Detta inträffar när man har avskräckt Minskade syftet med prognosen. Längre prognoser kräver längre tidshorisonter och vice versa. Noggrannhet är återigen en övervägande. Välj en prognosteknik. Den valda tekniken beror på syftet med prognosen, önskad tidshorisont och den tillåtna kostnaden. Analysera data Mängden och typen av data som behövs styrs av prognosens syfte, den prognosteknik som valts och eventuella kostnadsöverskott. Gör prognosen. Övervaka prognosen. Utvärdera prestandan i prognosen och modifiera, om nödvändigt. YTTERLIGARE READING. Finch , Byron J Operations Now, lönsamhet, processer, prestanda 2 ed Boston McGraw-Hill Irwin, 2006. Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion Den nominella grupptekniken Forskningsprocessen är tillgänglig Från. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Också läs artikel om prognoser från Wikipedia.
No comments:
Post a Comment