Flytende gjennomsnitt. Dette eksempelet lærer deg hvordan du beregner det bevegelige gjennomsnittet av en tidsserie i Excel. Et glidende gjennomsnitt brukes til å utjevne uregelmessigheter topper og daler for å enkelt gjenkjenne trender. 1 Først, la oss ta en titt på våre tidsserier.2 På Data-fanen klikker du Data Analysis. Note kan ikke finne Data Analysis-knappen Klikk her for å laste Analysis ToolPak-tillegget.3 Velg Flytt gjennomsnitt og klikk OK.4 Klikk i feltet Inngangsområde og velg området B2 M2. 5 Klikk i intervallboksen og skriv inn 6.6 Klikk i feltet Utmatingsområde og velg celle B3.8 Plott en graf av disse verdiene. Planlegging fordi vi angir intervallet til 6, er det bevegelige gjennomsnittet gjennomsnittet for de foregående 5 datapunktene og det nåværende datapunktet Som et resultat, blir tømmer og daler utjevnet Grafen viser en økende trend Excel kan ikke beregne det bevegelige gjennomsnittet for de første 5 datapunktene fordi det ikke er nok tidligere datapunkter.9 Gjenta trinn 2 til 8 for intervall 2 og intervall 4. Konklusjon La rger intervallet, jo flere tinder og daler utjevnes. Jo mindre intervallet, jo nærmere de bevegelige gjennomsnittene er de faktiske datapunktene. OR-Notes er en serie innledende notater om emner som faller under den brede overskriften på feltet av operasjonsforskning ELLER De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelig for bruk av studenter og lærere som er interessert i ELLER underlagt følgende betingelser. En fullstendig liste over emnene som er tilgjengelige i OR - Notater kan bli funnet her. Forekasting eksempler. Forespørsel eksempel 1996 UG eksamen. Etterspørselen etter et produkt i hver av de siste fem månedene er vist nedenfor. Bruk et to måneders glidende gjennomsnitt for å generere en prognose for etterspørsel i måned 6. Enkel eksponensiell utjevning med en utjevningskonstant på 0 9 for å generere en prognose for etterspørsel etter etterspørsel i måned 6. Hvilken av disse to prognosene foretrekker du og hvorfor. To måneders glidende gjennomsnitt for måneder to til fem er gitt av. Forventningen for m onth seks er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 5 m 5 2350.Jeg bruker eksponensiell utjevning med en utjevningskonstant på 0 9 vi får. Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette, finner vi det for det bevegelige gjennomsnittet. MSD 15 - 19 18 - 23 21 - 24 3 16 67.og for det eksponensielt glatte gjennomsnittet med en utjevning konstant på 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. I det hele tatt ser vi at eksponensiell utjevning ser ut til å gi de beste månedene forutgående prognoser da det har en lavere MSD dermed foretrekker prognosen for 2386 som har blitt produsert ved eksponensiell utjevning. Forekasting eksempel 1994 UG eksamen. Tabellen nedenfor viser etterspørselen etter en ny ettershave i en butikk for hver av de siste 7 månedene. Beregn et to måneders glidende gjennomsnitt for måneder to til syv Hva ville være din prognose for etterspørselen i måned åtte eksponensiell utjevning med en utjevningskonstant på 0 1 for å utlede en prognose for etterspørselen i måned åtte. Hvem av de to prognosene for måned åtte foretrekker og hvorfor. Butikkmannen mener at kunder skifter til denne nye aftershave fra andre merker Diskuter hvordan du kan modellere denne bytteadferd og indikere dataene du vil trenge for å bekrefte om denne bytte forekommer eller ikke. Det to måneders glidende gjennomsnittet for måneder to til syv er gitt av. Forventningen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 7 m 7 46. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 1 får vi. Som før prognosen for måned 8 er bare gjennomsnittet for måned 7 M 7 31 11 31 som vi ikke kan har fraksjonal etterspørsel. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD. Hvis vi gjør dette, finner vi det for det bevegelige gjennomsnittet. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 1.Ove rall så ser vi at to måneders glidende gjennomsnitt ser ut til å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som har blitt produsert av to måneders glidende gjennomsnitt. For å undersøke bytte ville vi måtte bruk en Markov prosessmodell hvor stater merker og vi vil trenge innledende statlig informasjon og kundeendring sannsynligheter fra undersøkelser. Vi må kjøre modellen på historiske data for å se om vi har en passform mellom modellen og historisk oppførsel. Forekasting eksempel 1992 UG eksamen. Tabellen under viser etterspørselen etter et bestemt merke barberhøvler i en butikk for hver av de siste ni månedene. Beregn et tre måneders glidende gjennomsnitt i måneder tre til ni. Hva ville være din prognose for etterspørselen i måneden ti. Bruk eksponentiell utjevning med en utjevningskonstant på 0 3 for å utlede en prognose for etterspørselen i måned ti. Hvem av de to prognosene for ti måneder foretrekker du og hvorfor. Tre måneders glidende gjennomsnitt for måneder 3 til 9 er giv en av. Forventningen for måned 10 er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 9 m 9 20 33. Derfor, da vi ikke kan ha brøkdelskrav, er prognosen for måned 10 20. Å bruke eksponensiell utjevning med en utjevning konstant av 0 3 vi får. Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18 57 19 som vi ikke kan ha fraksjonelle krav. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette vi finner det for det bevegelige gjennomsnittet. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 3. I det hele tatt ser vi at det tre måneders glidende gjennomsnittet ser ut til å gi de beste månedene fremoverprognoser, da det har en lavere MSD. Derfor foretrekker vi prognosen på 20 som er produsert av tre måneders glidende gjennomsnitt. Forekomsteksempel 1991 UG-eksamen. Tabellen under viser etterspørselen etter et bestemt faksmaskinmerke i et varehus i hver av de siste tolv månedene. Beregn de fire månedene mov ing gjennomsnitt for måneder 4 til 12 Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 2 for å utlede en prognose for etterspørselen i måned 13. Hvilken av de to prognosene for måned 13 gjør du foretrekker og hvorfor. Hvilke andre faktorer som ikke vurderes i de ovennevnte beregningene, kan påvirke etterspørselen etter faksmaskinen i måned 13. Det fire måneders glidende gjennomsnittet for måneder 4 til 12 er gitt by. 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.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måneden 12 m 12 46 25.Hvorfor vi ikke kan ha brøkdel etterspørsel prognosen for måned 13 er 46. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 2 får vi. Som før prognosen for måned 13 er bare gjennomsnittet for måneden 12 M 12 38 618 39 som w e kan ikke ha fraksjonskrav. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD. Hvis vi gjør dette, finner vi det for det bevegelige gjennomsnittet. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 2. I det hele tatt ser vi at fire måneders glidende gjennomsnitt ser ut til å gi de beste månedene fremoverprognoser, da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som er produsert av fire måneders glidende gjennomsnitt. generell økonomisk situasjon. ny teknologi. Forekasting eksempel 1989 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av mikrobølgeovn i et varehus i hver av de siste tolv månedene. Beregn et seks måneders glidende gjennomsnitt for hver måned. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 7 for å utlede en prognose for etterspørselen i måned 13. Hvilken av de to prognosene for måned 13 foretrekker du og hvorfor. Nå Vi kan ikke beregne et seks måneders glidende gjennomsnitt før vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover. Derfor har vi. 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.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måneden 12 m 12 38 17.Hvordan vi ikke kan ha fraksjonær etterspørsel prognosen for måned 13 er 38. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 7 får vi. Forecasting innebærer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst. Det er helt avgjørende å kort rekkevidde og Langtidsplanlegging Per definisjon er en prognose basert på tidligere data, i motsetning til en prediksjon, som er mer subjektiv og basert på instinkt, magefølelse eller gjett. For eksempel om kvelden nyheter gir værvarselet ikke værvarselet Uansett er betingelsene prognose og prediksjon ofte brukt interchangeable. For eksempel definisjoner av regresjon en teknikk som noen ganger brukes i prognoser, sier generelt at dens formål er å forklare eller forutsi. Forutsetninger er basert på en Antall forutsetninger. Fortiden vil gjenta seg. Med andre ord, hva som har skjedd i fortiden, vil skje igjen i fremtiden. Som prognoshorisonten forkortes, øker prognosens nøyaktighet. For eksempel vil en prognose for i morgen være mer nøyaktig enn en prognose for neste måned vil en prognose for neste måned være mer nøyaktig enn en prognose for neste år, og en prognose for neste år vil være mer nøyaktig enn en prognose i ti år i fremtiden. Forutsetninger i aggregatet er mer nøyaktige enn å forutse enkelte elementer. Dette betyr at at et selskap vil kunne prognose total etterspørsel over hele produktspekteret mer nøyaktig enn det vil kunne prognostisere individuelle sto ck-holde enheter SKUs General Motors kan for eksempel mer nøyaktig anslå det totale antallet biler som trengs for neste år enn det totale antallet hvite Chevrolet Impalas med en viss opsjonspakke. Forventninger er sjelden nøyaktige. Prognosene er nesten aldri helt nøyaktige mens noen er veldig nært, få er rett på pengene Derfor er det lurt å tilby et prognoseområde Hvis man skulle prognose en etterspørsel på 100 000 enheter for neste måned, er det ekstremt usannsynlig at etterspørselen vil være 100 000 nøyaktig, men en prognose av 90.000 til 110.000 ville gi et mye større mål for planlegging. Williams J Stevenson lister opp en rekke egenskaper som er vanlige for en god prognose. En viss grad av nøyaktighet bør bestemmes og oppgis slik at sammenligning kan gjøres til alternative prognoser. prognosemetoden bør konsekvent gi en god prognose dersom brukeren skal etablere en viss grad av selvtillit. Det er nødvendig med en viss tid for å r Ansvarlig for prognosen, slik at prognoseperioden må tillate tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forstå brukerne av prognosen må være trygge og komfortable med det. Kostnadseffektive kostnadene ved å lage prognosen bør ikke oppveie fordelene hentet fra prognosen. Forekastingsteknikker spenner fra det enkle til det ekstremt komplekse. Disse teknikkene er vanligvis klassifisert som kvalitative eller kvantitative. KVALITATIVE TEKNIKER. Kvalitative prognoseteknikker er generelt mer subjektive enn deres kvantitative motsvarigheter. Kvalitative teknikker er mer nyttige i de tidligere stadier av Produktets livssyklus, når mindre data eksisterer for bruk i kvantitative metoder. Kvalitative metoder inkluderer Delphi-teknikken, Nominell gruppeteknikk NGT, salgsstyrke meninger, ledende meninger og markedsundersøkelser. DELPHI TECHNOLOGY. Delphi teknikken bruker et panel av eksperter å produsere en prognose Hver ekspert blir bedt om å gi en prognose sp Ekstern til behovet etter hånden Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir deretter laget av hver ekspert. Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av oppfatningen av de andre. Denne prosessen gjentar seg til hver ekspert nærmer seg enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ligner på Delphi-teknikken ved at den bruker en gruppe deltakere, vanligvis eksperter Etter at deltakerne har reagert på prognose-relaterte spørsmål, rangerer de sine svar i rekkefølge av oppfattet relativ betydning. Da blir rangeringene samlet og aggregert. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. er ofte en god kilde til informasjon om fremtidig etterspørsel. Salgssjef kan be om innspilling fra hver salgsperson og aggr Egate deres svar til en komposittprognose fra salgsforvalter Forsiktighet bør utøves ved bruk av denne teknikken, da selgerens medlemmer kanskje ikke kan skille mellom hva kundene sier og hva de egentlig gjør. Også hvis prognosene vil bli brukt til å etablere salg kvoter, kan salgsstyrken bli fristet til å gi lavere estimater. EXECUTIVE OPINIONS. Sometimes overordnede ledere møtes og utvikler prognoser basert på deres kunnskaper om deres ansvarsområder. Dette kalles noen ganger som en jury av executive opinion. MARKET RESEARCH. In markedsundersøkelser, forbrukerundersøkelser brukes til å etablere potensiell etterspørsel. Slike markedsundersøkelser innebærer vanligvis å bygge et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere personlig informasjon i butikk og kjøpesentre, hvor forbrukeren kan oppleve smak, føle, lukte og se et bestemt produkt Forskeren må være forsiktig med det prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER. Kvantitative prognostiseringsteknikker er generelt mer objektive enn deres kvalitative motparter. Kvantitative prognoser kan være tidsserier prognoser, dvs. projeksjon av fortiden inn i fremtiden eller prognoser basert på assosiative modeller dvs. basert på en eller flere forklarende variabler. Tidsseriedata kan ha underliggende atferd som må identifiseres av forecaster. I tillegg må prognosen identifisere årsakene til atferden. Noen av disse atferdene kan være mønstre eller bare tilfeldige variasjoner. mønstre er. Trender, som er langsiktige bevegelser opp eller ned i dataene. Slikeverdighet, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden av året, måneden eller til og med en bestemt dag, som oppdages av detaljhandel på Jul eller pigger i bankaktivitet på den første i måneden og på fredager. Cykler, som er wavelike variasjoner som varer malm enn et år som vanligvis er knyttet til økonomiske eller politiske forhold. Irregulære variasjoner som ikke gjenspeiler typisk oppførsel, som for eksempel ekstremvær eller en unionstanking. Randomvariasjoner, som omfatter alle ikke-typiske oppføringer som ikke regnes av andre klassifiseringer. I løpet av tidsseriemodellene er det enkleste å se prognosen. A na ve-prognosen bruker bare den faktiske etterspørselen etter den siste perioden som den forventede etterspørselen etter neste periode. Dette forutsetter selvsagt at fortiden vil gjenta Det antas også at eventuelle trender, sesongmessige eller sykluser enten reflekteres i den forrige perioden, eller ikke eksisterer. Et eksempel på na prognoser er presentert i Tabell 1. Tabel 1 Na ve Forecasting. En annen enkel teknikk er bruken av gjennomsnittlig For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder med tidligere data ved å summere hver periode og dividere resultatet med antall perioder. Denne teknikken har blitt funnet å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt inkluderer flytende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar et forutbestemt antall perioder, summerer deres faktiske etterspørsel og fordeler seg etter antall perioder for å nå en prognose For hver etterfølgende periode faller den eldste dataperioden og den siste perioden legges til. Forutsatt et tre måneders glidende gjennomsnitt og bruk av dataene fra Tabell 1, vil man ganske enkelt legge til 45 januar, 60 februar og 72 mars og dele av tre for å komme frem til en prognose for april 45 60 72 177 3 59. For å komme frem til en prognose for mai, ville man slippe januar s etterspørsel fra ligningen og legge til etterspørselen fra april Tabell 2 presenterer et eksempel på en tre måneders bevegelse gjennomsnittlig prognose. Tabel 2 Tre måneders Moving Average Forecast. Actual Demand 000 sA vektet gjennomsnitt bruker en forhåndsbestemt vekt til hver måned med tidligere data, summerer de siste dataene fra hver periode og deler etter totalvektene. Hvis Forecaster justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med den faktiske etterspørselen av hver aktuell periode. Resultatene blir deretter oppsummert for å oppnå en vektet prognose. Generelt, jo nyere dataene er jo høyere vekten og Eldre dataene jo mindre vekten Ved hjelp av etterspørselseksemplet kunne et vektet gjennomsnitt med vekt på 4 3 2 og 1 gi prognosen for juni som 60 1 72 2 58 3 40 4 53 8. Forespørgere kan også bruke en kombinasjon av vektet gjennomsnitt og gjennomsnittlig gjennomsnittlig prognose En vektet, flytende gjennomsnittlig prognose tilordner vekt til et forhåndsbestemt antall perioder med faktiske data og beregner prognosen på samme måte som beskrevet ovenfor. Som med alle flytende prognoser, da hver ny periode legges til, blir dataene fra de eldste perioden er kassert Tabell 3 viser en tre måneders vektet glidende gjennomsnittlig prognose ved å bruke vektene 5 3 og 2.Table 3 Tre månedersvektet gjennomsnittlig Forecast. Actual Demand 000 sA mer komplisert vektvekt glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt som datasalderen Eksponensiell utjevning tar forrige periode s prognose og justerer den med en forhåndsbestemt utjevningskonstant, kalt alfa, verdien for alfa er mindre enn en multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk skjedde i den tidligere estimerte perioden, kalt prognosefeil Eksponensiell utjevning uttrykkes formelt som sådan Ny prognose forrige prognos alfa faktisk etterspørsel tidligere prognose FFA F. Eksponensiell utjevning krever at prognoseren begynner prognosen i en tidligere periode og arbeid frem til perioden for hvilken en nåværende prognose er nødvendig. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode, den faktiske etterspørselen fra en tidligere periode, eller den kan estimeres ved å anslå hele eller deler av tidligere data. Noen heuristikker eksisterer for å beregne en innledende prognose For eksempel vil den heuristiske N 2 1 og en alfa av 5 gi en N av 3 som indikerer at brukeren vil gjennomsnittlig de første tre periodene av data for å få en innledende prognose. Men nøyaktigheten av den foreløpige prognosen er ikke kritisk hvis man bruker store mengder data, siden eksponensiell utjevning er selvkorrigerende. Gitt til nok perioder med tidligere data, vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig innledende prognose. Bruke dataene som brukes i andre eksempler, en innledende prognose på 50 og en alfa på 7, en prognose for februar beregnes som sådan Ny prognose februar 50 7 45 50 41 5.Neste prognosen for mars Ny prognose Mars 41 5 7 60 41 5 54 45 Denne prosessen fortsetter til Forecasteren når den ønskede perioden. I Tabell 4 vil dette være for juni måned, siden den faktiske etterspørselen etter juni ikke er kjent. Begrepet 000 s. En utvidelse av eksponensiell utjevning kan brukes når tidsserien d ata utviser en lineær trend Denne metoden er kjent av flere navn, dobbeltsjiktende trendjustert eksponensiell utjevningsprognose, inkludert trend FIT og Holt s Modell Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis Trenden øker, eller høy hvis trenden er avtagende. Med denne modellen er det to utjevningskonstanter, og med representerer trendkomponenten. En forlengelse av Holt s-modellen, kalt Holt-Winter s Metode, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, idet multiplikativet er den mest brukte I additivmodellen er sesongmessigheten uttrykt som en mengde som skal legges til eller subtraheres fra seriens gjennomsnitt. Den multiplikative modellen uttrykker sesongmessighet som en prosentandel kjent som sesongens slektninger eller sesongbestemte indekser av gjennomsnitt eller trend Disse blir deretter multiplisert gangerverdier for å inkludere sesongmessighet En relativ på 0 8 ville jeg ndikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1 10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndterings lærebøker eller en av flere bøker om prognoser. Sosiativ eller kausal teknikker involvere identifisering av variabler som kan brukes til å forutsi en annen variabel av interesse. Eksempelvis kan renten brukes til å prognose etterspørselen etter boligfinansiering. Dette innebærer vanligvis bruk av lineær regresjon, hvor målet er å utvikle en ligning som oppsummerer effektene av de forutsigende uavhengige variablene på den prognostiserte avhengige variabelen Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen med avvik som er avstanden fra hvert punkt til linjen Ligningen vil vises som ya bx, hvor y er den forutsagte avhengige variabelen, x er pre diktor uavhengig variabel, b er linjens helling, og a er lik høyden på linjen ved y-interceptet. Når ligningen er bestemt, kan brukeren sette inn nåværende verdier for uavhengig variabel forutsigere for å komme frem til en prognoseavhengig variabel. Hvis det er mer enn én prediktorvariabel, eller hvis forholdet mellom prediktor og prognose ikke er lineært, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, bør flere regresjon brukes, mens ikke-lineære forhold krever bruk av krøllet regresjon. EKONOMETRISK FORSYNING. Økonomiske metoder, for eksempel autoregressiv integrert bevegelige gjennomsnittsmodell ARIMA, bruker komplekse matematiske ligninger for å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at den er like pålitelig en representasjon av det siste forholdet som mulig Når dette er gjort, projiseres verdier av påvirkning variabler inntekter, priser osv. er satt inn i ligningen for å lage en prognose. VALGSPRODUKTER. Forsigtsnøyaktigheten kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik MAD, gjennomsnittlig kvadratfeil MSE eller gjennomsnittlig absolutt prosentfeil MAPE for prognosen ved hjelp av forskjellige verdier for alfa Bias er summen av prognosefeilene FE For eksponentiell utjevningseksempel ovenfor, ville den beregnede forspenningen være 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Hvis man antar at en lav forspenning indikerer et generelt lavt prognosefeil, kan man beregne bias for en rekke potensielle verdier av alfa og anta at den med lavest bias ville være den mest nøyaktige. Det må imidlertid utvises forsiktighet ved at vildt unøyaktige prognoser kan gi lav bias hvis de pleier å være både over forventet og under prognose negativt og positivt. For eksempel kan et firma i løpet av tre perioder bruke en bestemt verdi av alfa til overprognose med 75.000 enheter 75.000, prognostisert av 100.000 enheter 100.000, og deretter over forventet med 25 000 enheter 25 000, noe som gir en bias på null 75 000 100 000 25 000 0 Til sammenligning vil en annen alfa som gir over prognoser på 2000 enheter, 1000 enheter og 3000 enheter resultere i en bias på 5000 enheter. Hvis vanlig etterspørsel var 100 000 enheter pr. perioden, ville den første alfa gi prognoser som var av med så mye som 100 prosent, mens den andre alfa ville være av med maksimalt bare 3 prosent, selv om forspenningen i den første prognosen var null. Et sikrere mål for prognosens nøyaktighet er gjennomsnittlig absolutt avvik MAD For å beregne MAD, summere estimatoren den absolutte verdien av prognosefeilene og deretter dividere med antall prognoser FE N Ved å ta absolutt verdien av prognosefeilene, unngås kompensasjon av positive og negative verdier Dette betyr at både en overprognose på 50 og en under prognose på 50 er av med 50 Ved å bruke dataene fra eksponentiell utjevningseksempel kan MAD beregnes som følger 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Derfor er forecasteren i gjennomsnitt 16,35 enheter per prognose. Sammenlignet med resultatet av andre alfaer, vil forecasteren vite at alfa med laveste MAD gir den mest nøyaktige prognosen. Feilplassen Feil MSE kan også benyttes på samme måte er MSE summen av prognosefelene kvadrert delt med N-1 FE N-1. Kvadrering av prognosefeil eliminerer muligheten for å kompensere for negative tall, siden ingen av resultatene kan være negative. Ved bruk av de samme dataene som ovenfor, MSE ville være 18 5 17 55 8 74 20 62 3 383 94 Som med MAD, kan forecasteren sammenligne MSE med prognoser utledet ved hjelp av ulike verdier av alpha og anta at alfa med laveste MSE gir den mest nøyaktige prognosen. prosent feil MAPE er gjennomsnittlig absolutt prosentfeil For å komme til MAPE må man ta summen av forholdene mellom prognosefeil og faktiske etterspørselstider 100 for å få prosentandelen og dividere etter N Nødvendig prognose prognose Faktisk etterspørsel 100 N Ved å bruke dataene fra eksponentiell utjevning, kan MAPE beregnes som følger 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Som med MAD og MSE, desto lavere er den relative feilen jo mer nøyaktig prognosen. Det skal bemerkes at i noen tilfeller kan prognosenes evne til å endre seg raskt for å reagere på endringer i datamønstre anses å være viktigere enn nøyaktighet. Derfor bør en s valg av prognosemetode gjenspeile den relative balansen mellom betydning mellom nøyaktighet og responsevne , som bestemt av forecaster. MAKING A FORECAST. William J Stevenson lister følgende som de grunnleggende trinnene i prognoseprosessen. Bestem prognosens formål Faktorer som hvordan og når prognosen vil bli brukt, graden av nøyaktighet som trengs, og detaljnivået som er ønsket, bestemmer kostnadstiden, pengene, de ansatte som kan være dedikert til prognosen og typen prognosemetode som skal benyttes. Etablere en tidshorisont Dette skjer etter at man har avskrekket mined formålet med prognosen Langsiktig prognoser krever lengre tidshorisonter og omvendt Nøyaktighet er igjen en vurdering. Velg en prognose teknikk Teknikken som velges, avhenger av formålet med prognosen, ønsket tidshorisont og den tillatte prisen. analysere data Mengden og typen data som trengs, styres av prognosen s, den valgte prognoseknikken og eventuelle kostnadsoverveier. Gjør prognosen. Følg prognosen Evaluer ytelsen til prognosen og modifiser, om nødvendig. Ytterligere lesing. , Byron J Operations Now Profitability, Processes, Performance 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 nominelle gruppeteknikk Forskingsprosessen er tilgjengelig fra. Stevenson, William J Operations Management 8 og Boston McGraw-Hill Irwin, 2005.Også lese artikkel om Forecasting fra Wikipedia.
No comments:
Post a Comment