Etterspørselsprognoser By Moving Average

OR-Notes er en serie med innledende notater om emner som faller under den brede overskriften i operasjonsforskningsområdet (OR). De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelige for bruk av studenter og lærere som er interessert i ELLER underlagt følgende betingelser. En fullstendig liste over emnene som er tilgjengelige i OR-Notes finner du her. Prognoseeksempler Prognoseeksempel 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. Bruk 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 De to måneders flytting gjennomsnitt for måneder to til fem er gitt av: Forventet for måned seks er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 5 m 5 2350. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,9 får vi: Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386 For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratfeil (MSD). Hvis vi gjør dette, finner vi at for glidende gjennomsnittlig MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi at eksponensiell utjevning ser ut til å gi de beste månedene forutgående prognoser da den har en lavere MSD. Derfor foretrekker vi prognosen for 2386 som er produsert ved eksponensiell utjevning. Prognoseeksempel 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 i måneder to til syv. Hva ville være din prognose for etterspørselen i måneden åtte Gjør eksponensiell utjevning med en utjevningskonstant på 0,1 for å utlede en prognose for etterspørselen i måned åtte. Hvilke av de to prognosene for måned åtte foretrekker du, og hvorfor Butikkinnehaveren mener at kundene bytter til denne nye etterbehandlingen 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 i måneder to til syv er gitt av: Forventningen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 7 m 7 46. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,1 vi få: Som før prognosen for måned åtte er bare gjennomsnittet for måned 7 M 7 31.11 31 (som vi ikke kan ha fraksjonær etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for glidende gjennomsnitt og for eksponensielt glatt gjennomsnitt med en utjevningskonstant på 0,1 Generelt sett 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 er produsert av to måneders glidende gjennomsnitt. For å undersøke bytte ville vi måtte bruke en Markov-prosessmodell, hvor stater merker og vi ville trenge innledende statsinformasjon 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. Forecasting eksempel 1992 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt merke av barberhøvel i en butikk for hver av de ni siste månedene. Beregn et tre måneders glidende gjennomsnitt i måneder tre til ni. Hva ville være din prognose for etterspørselen i måneden ti Bruk eksponensiell utjevning med en utjevningskonstant på 0,3 for å utlede en prognose for etterspørselen i måned ti. Hvilke av de to prognosene for tiende måned foretrekker du og hvorfor Det tre måneders glidende gjennomsnittet for måneder 3 til 9 er gitt av: Forventningen for måned 10 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for 9 måneder 9 20,33. Derfor er prognosen for måned 10 20 år. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,3 får vi: Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18,57 19 (som vi kan ikke ha fraksjonell etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for det glidende gjennomsnittet og for det eksponensielt glatte gjennomsnittet med en utjevningskonstant på 0,3. Totalt 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. Forecasting eksempel 1991 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt faksmaskinmerke i et varehus i hver av de siste tolv månedene. Beregn fire måneders glidende 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 måneden 13 foretrekker du 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 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 for måned 13 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 12 m 12 46.25. Derfor er prognosen for måned 13 46. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,2 får vi: Som før prognosen for måned 13 er bare gjennomsnittet for måned 12 M 12 38.618 39 (som vi kan ikke ha fraksjonell etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for glidende gjennomsnitt og for eksponensielt glatt gjennomsnitt med en utjevningskonstant på 0,2. Generelt 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. sesongmessig etterspørsel annonsering prisendringer, både dette merket og andre merker generell økonomisk situasjon ny teknologi Forecasting 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 Påfør eksponensiell utjevning med en utjevningskonstant på 0,7 for å utlede en prognose for etterspørselen i måned 13. Hvilke av de to prognosene for måned 13 foretrekker du og hvorfor Nå kan vi ikke beregne en seks måned flytte gjennomsnittet til vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover. Derfor 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 for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måned 12 m 12 38,17. Derfor er prognosen for måned 13 38. Anvendelse av eksponensiell utjevning med en utjevningskonstant på 0,7 får vi: Etterspørselsprogniseringsteknikker: Flytende gjennomsnittlig eksponentiell utjevning Denne leksjonen vil diskutere etterspørselsforespørsel med fokus på salg av etablerte varer og tjenester. Det vil introdusere kvantitative teknikker for å flytte gjennomsnittlig og eksponensiell utjevning for å avgjøre salgsbehov. Hva er etterspørselsprognose igjen, det er høytiden. Barna er klare for et besøk fra Santa, og foreldrene er stresset over shopping og økonomi. Bedrifter slutter sin virksomhet for kalenderåret og forbereder seg på å flytte inn i det som ligger foran. ABC Inc. produserer telefonledning. Deres regnskaps - og driftstidperioder løper på et kalenderår, slik at årsskiftet gjør at de kan pakke opp virksomheten før ferien og planlegge til begynnelsen av et nytt år. Det er tid for ledere å forberede og sende sine avdelinger driftsplaner til toppledelsen, slik at de kan opprette en organisasjonsplan for det nye året. Salgsavdelingen er stresset ut av deres sinn. Etterspørselen etter telefonledning var nede i 2015, og de generelle økonomiske dataene tyder på en fortsatt nedgang i byggeprosjekter som krever telefonledning. Bob, salgssjef, vet at toppledelsen, styret og interessentene håper på en optimistisk salgsutsikt, men han føler at tilbakeslaget for isen kryper opp bak ham for å takle ham. Etterspørselsforespørsel er metoden for å projisere kundenes etterspørsel etter en god eller tjeneste. Denne prosessen er en kontinuerlig en hvor ledere bruker historiske data for å beregne hva de forventer at salget etterspør etter en god eller tjeneste å være. Bob bruker informasjon fra selskapets fortid og legger den til økonomiske data fra markedet for å se om salget vil vokse eller avta. Bob bruker resultatene av etterspørselsforespørsel til å sette mål for salgsavdelingen, samtidig som han prøver å holde seg i tråd med selskapets mål. Bob vil kunne vurdere resultatene fra salgsavdelingen neste år for å avgjøre hvordan hans prognose kom ut. Bob kan bruke ulike teknikker som er både kvalitative og kvantitative for å bestemme veksten eller nedgangen i salget. Eksempler på kvalitative teknikker inkluderer: Utdannede gjetninger Prediksjonsmarkedet Spillteori Delphi-teknikk Eksempler på kvantitative teknikker inkluderer: Ekstrapolering Data mining Årsaksmodeller Box-Jenkins-modeller Ovennevnte eksempler på etterspørselsforespørselsteknikker er bare en kort liste over mulighetene Bob har som han praksis krever forutsetninger. Denne leksjonen vil fokusere på to ekstra kvantitative teknikker som er enkle å bruke og gir en objektiv og nøyaktig prognose. Flytende gjennomsnittlig formel Et glidende gjennomsnitt er en teknikk som beregner den generelle trenden i et datasett. I driftsledelsen er datasettet salgsvolum fra historiske data i selskapet. Denne teknikken er veldig nyttig for å prognose kortsiktige trender. Det er bare gjennomsnittet av et valgt sett av tidsperioder. Den kalles flytting fordi det som et nytt etterspørselsnummer beregnes for en kommende tidsperiode, faller det eldste nummeret i settet og holder tidsperioden låst. La oss se på et eksempel på hvordan salgssjef hos ABC Inc. vil prognose etterspørsel ved hjelp av den bevegelige gjennomsnittsformelen. Formelen er illustrert som følger: Moving Average (n1 n2 n3.) N Hvor n antall tidsperioder i datasettet. Summen av første tidsperiode og alle ekstra tidsperioder som er valgt, er delt på antall tidsperioder. Bob bestemmer seg for å lage sin etterspørselsprognose basert på et 5 års glidende gjennomsnitt. Dette betyr at han vil bruke salgsvolumdataene fra de siste 5 årene som data for beregningen. Eksponensiell utjevning Eksponensiell utjevning er en teknikk som bruker en utjevningskonstant som en spådommer for fremtidig prognose. Når du bruker et tall i prognoser som er et gjennomsnitt, har det blitt utjevnet. Denne teknikken tar historiske data fra tidligere tidsperioder og benyttet beregningen for eksponensiell utjevning for å prognose fremtidige data. I dette tilfellet vil Bob også bruke eksponensiell utjevning for å sammenligne mot tidligere beregning av et bevegelige gjennomsnitt for å få en annen mening. Formelen for eksponensiell utjevning er som følger. F (t) prognose for 2016 F (t-1) prognose for foregående år alfa utjevning konstant A (t-1) faktisk salg fra foregående år Utjevningskonstanten er en vekt som brukes på ligningen basert på hvor mye vekt selskapet steder på de nyeste dataene. Utjevningskonstanten er et tall mellom 0 og 1. En utjevningskonstant på 0,9 vil signalisere at ledelsen legger stor vekt på de mest tidligere tidsperioder historiske salgsdata. En utjevningskonstant på 0,1 ville signalisere at ledelsen legger svært lite vekt på forrige tidsperiode. Valget av en utjevningskonstant er hit eller savner og kan endres ettersom flere data er tilgjengelige. Vi vil bruke diagrammet ovenfra med det historiske salgsvolumet til å beregne eksponensiell utjevningsprognose for 2016. Det er en ekstra kolonne som inkluderer forventet salgsvolum. Denne beregningen er en ganske effektiv formel og ganske nøyaktig i forhold til andre teknikker for etterspørselsforespørsel. Leksjonsoversikt Kravet om prognoser er en viktig del av en planlagt plan for fremtidige tidsperioder. Ulike teknikker kan brukes, både kvalitative og kvantitative, og gi ulike sett med data til ledere som de forutsetter etterspørsel, spesielt i salgsvolum. Den bevegelige gjennomsnittlige og eksponensielle utjevningsteknikker er begge rettferdige eksempler på metoder som skal brukes til å prognose etterspørselen. For å låse opp denne leksjonen må du være et studiemedlem. Opprett din konto Earning College Credit Vet du om at vi har over 79 høyskolekurs som forbereder deg til å tjene kreditt ved eksamen som er godkjent av over 2000 høgskoler og universiteter. Du kan teste ut de to første årene av høyskolen og spare tusenvis av graden din. Alle kan tjene kreditt-for-eksamen uavhengig av alder eller utdanningsnivå. Overføring av kreditt til skolen etter eget valg Ikke sikker på hvilket høyskole du vil delta i ennå. Studien har tusenvis av artikler om enhver forestillbar grad, studieområde og karrierevei som kan hjelpe deg med å finne skolen som passer best for deg. Forskerskoler, Degrees amp Karriere Få den subjektive infoen du trenger for å finne riktig skole. Bla gjennom artikler etter kategori I praksis vil det bevegelige gjennomsnittet gi et godt estimat av gjennomsnittet av tidsseriene hvis gjennomsnittet er konstant eller sakte endring. Ved konstant gjennomsnitt vil den største verdien av m gi de beste estimatene for det underliggende gjennomsnittet. En lengre observasjonsperiode vil gjennomsnittlig utvirke virkningen av variabilitet. Formålet med å gi en mindre m er å la prognosen svare på en endring i den underliggende prosessen. For å illustrere foreslår vi et datasett som inkorporerer endringer i det underliggende gjennomsnittet av tidsseriene. Figuren viser tidsseriene som brukes til illustrasjon sammen med den gjennomsnittlige etterspørselen fra hvilken serien ble generert. Middelet begynner som en konstant ved 10. Begynner på tid 21, øker den med en enhet i hver periode til den når verdien av 20 ved tid 30. Da blir det konstant igjen. Dataene blir simulert ved å legge til i gjennomsnitt, en tilfeldig støy fra en Normal-fordeling med null-middel og standardavvik 3. Resultatene av simuleringen avrundes til nærmeste heltall. Tabellen viser de simulerte observasjonene som brukes til eksemplet. Når vi bruker bordet, må vi huske at det til enhver tid bare er kjent med tidligere data. Estimatene til modellparameteren, for tre forskjellige verdier av m, vises sammen med gjennomsnittet av tidsseriene i figuren under. Figuren viser gjennomsnittlig glidende gjennomsnittlig beregning av gjennomsnittet hver gang og ikke prognosen. Prognosene ville skifte de bevegelige gjennomsnittskurver til høyre etter perioder. En konklusjon er umiddelbart tydelig fra figuren. For alle tre estimatene ligger det glidende gjennomsnittet bak den lineære trenden, idet laget øker med m. Laget er avstanden mellom modellen og estimatet i tidsdimensjonen. På grunn av lavet undervurderer det bevegelige gjennomsnittet observasjonene etter hvert som gjennomsnittet øker. Forskjellerens forspenning er forskjellen på en bestemt tid i middelverdien av modellen og middelverdien forutsatt av det bevegelige gjennomsnittet. Forspenningen når gjennomsnittet øker er negativt. For et avtagende middel er forspenningen positiv. Forsinkelsen i tid og bias innført i estimatet er funksjoner av m. Jo større verdien av m. jo større størrelsen på lag og forspenning. For en kontinuerlig økende serie med trend a. verdiene av lag og forspenning av estimatoren av middelet er gitt i ligningene nedenfor. Eksempelkurverne stemmer ikke overens med disse ligningene, fordi eksempelmodellen ikke øker kontinuerlig, men det begynner som en konstant, endrer seg til en trend og blir konstant igjen. Også eksempelkurvene påvirkes av støyen. Den bevegelige gjennomsnittlige prognosen for perioder inn i fremtiden er representert ved å flytte kurvene til høyre. Forsinkelsen og forspenningen øker proporsjonalt. Ligningene nedenfor angir lag og forspenning av prognoseperioder i fremtiden sammenlignet med modellparametrene. Igjen, disse formlene er for en tidsserie med en konstant lineær trend. Vi bør ikke bli overrasket over dette resultatet. Den bevegelige gjennomsnittlige estimatoren er basert på antagelsen om konstant gjennomsnitt, og eksemplet har en lineær trend i gjennomsnittet i en del av studieperioden. Siden sanntidsserier sjelden vil adlyde forutsetningene til en hvilken som helst modell, bør vi være forberedt på slike resultater. Vi kan også konkludere fra figuren at variasjonen av støyen har størst effekt for mindre m. Estimatet er mye mer flyktig for det bevegelige gjennomsnittet på 5 enn det bevegelige gjennomsnittet på 20. Vi har de motstridende ønskene om å øke m for å redusere effekten av variabilitet på grunn av støyen, og å redusere m for å gjøre prognosen mer lydhør for endringer i gjennomsnitt. Feilen er forskjellen mellom de faktiske dataene og den forventede verdien. Hvis tidsseriene er virkelig en konstant verdi, er den forventede verdien av feilen null og variansen av feilen består av et begrep som er en funksjon av og et andre begrep som er variansen av støyen. Første term er variansen av gjennomsnittet estimert med en prøve av m observasjoner, forutsatt at data kommer fra en befolkning med konstant gjennomsnitt. Denne termen er minimert ved å gjøre m så stor som mulig. Et stort m gjør prognosen uansvarlig for en endring i den underliggende tidsserien. For å gjøre prognosen lydhør for endringer, ønsker vi m så liten som mulig (1), men dette øker feilvariasjonen. Praktisk prognose krever en mellomverdi. Forecasting with Excel Forecasting-tillegget implementerer de bevegelige gjennomsnittlige formlene. Eksempelet nedenfor viser analysen som ble levert av tillegget for prøvedataene i kolonne B. De første 10 observasjonene er indeksert -9 til 0. Sammenlignet med tabellen over, forskyves periodindeksene med -10. De første ti observasjonene gir oppstartsverdiene for estimatet og brukes til å beregne det bevegelige gjennomsnittet for perioden 0. MA (10) kolonnen (C) viser de beregnede bevegelige gjennomsnittene. Den bevegelige gjennomsnittsparameteren m er i celle C3. Fore (1) kolonne (D) viser en prognose for en periode inn i fremtiden. Forespørselsintervallet er i celle D3. Når prognoseperioden endres til et større tall, blir tallene i Fore-kolonnen flyttet ned. Err-kolonnen (E) viser forskjellen mellom observasjonen og prognosen. For eksempel er observasjonen ved tidspunkt 1 6. Den prognostiserte verdien fra det bevegelige gjennomsnittet ved tid 0 er 11,1. Feilen er da -5,1. Standardavviket og gjennomsnittlig avvik (MAD) beregnes i henholdsvis celler E6 og E7. Vektet Flyttende gjennomsnittlig prognosemetoder: Fordeler og ulemper Hei, ELSKER innlegget ditt. Lurte på om du kunne utdype seg videre. Vi bruker SAP. I det er det et valg du kan velge før du kjører din prognose som kalles initialisering. Hvis du sjekker dette alternativet, får du et prospektresultat, hvis du kjører prognosen igjen, i samme periode, og ikke kontrollerer initialisering, endres resultatet. Jeg kan ikke finne ut hva den initialiseringen gjør. Jeg mener matematisk. Hvilket prognoseresultat er best å lagre og bruke for eksempel. Endringene mellom de to er ikke i prognosen, men i MAD og Error, sikkerhetslager og ROP-mengder. Ikke sikker på om du bruker SAP. hei takk for å forklare så effektivt det er for gd. takk igjen Jaspreet Legg igjen en kommentar Avbryt svar Om Shmula Pete Abilla er grunnleggeren av Shmula og tegnet Kanban Cody. Han har hjulpet selskaper som Amazon, Zappos, eBay, Backcountry, og andre, reduserer kostnader og forbedrer kundeopplevelsen. Han gjør dette gjennom en systematisk metode for å identifisere smertepunkter som påvirker kunden og virksomheten, og oppfordrer bred deltakelse fra selskapets medarbeidere til å forbedre sine egne prosesser. Dette nettstedet er en samling av hans erfaringer han ønsker å dele med deg. Kom i gang med gratis nedlastinger