Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für Ihre nächste Test-Score. Was denkst du, deine Eltern könnten für Ihre nächste Test-Score prognostizieren. Um trotz aller Blabbing können Sie tun, um Ihre fr Iend und Eltern, sie und dein Lehrer sind sehr wahrscheinlich zu erwarten, dass du etwas in der Gegend von 85 bekommst, die du gerade bekommen hast. Nun, jetzt gehts an, dass du trotz deiner Selbstbeförderung zu deinen Freunden dich selbst überschätzst Und die Zahl, die Sie weniger für den zweiten Test studieren können und so erhalten Sie eine 73.Now, was sind alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung unabhängig von zu entwickeln Ob sie es mit Ihnen teilen werden. Sie können sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts Er wird zu bekommen 73, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so Weit hast du eine 85 und eine 73 bekommen, also vielleicht solltest du auf eine 85 73 2 79 steigen. Ich weiß es nicht, vielleicht, wenn du weniger feiern wolltest und den Wiesel über den ganzen Platz wedelnd und wenn du anfingst zu tun Viel mehr studieren könnte man eine höhere score. Both von diesen Schätzungen sind tatsächlich Ly gleitende durchschnittliche Prognosen. Der erste ist mit nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von data. Let s annehmen Dass all diese Leute, die auf deinem großen Verstand zerschlagen sind, dich irgendwie verärgert haben und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen Du nimmst den Test und dein Ergebnis ist eigentlich ein 89 Jeder, auch dich selbst, ist beeindruckt. So jetzt hast du die abschließende Prüfung des Semesters kommen und wie üblich fühlst du die Notwendigkeit, alle zu machen, die ihre Vorhersagen darüber machen, wie du bei dem letzten Test machst. Nun, hoffentlich sehst du das Pattern. Now, hoffentlich können Sie das Muster sehen, was Sie glauben, ist die genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma, die von Ihrer entfremdeten Halbschwester namens Whistle während wir arbeiten Sie haben einige vergangene Verkaufsdaten Vertreten durch den folgenden Abschnitt aus einer Kalkulationstabelle Wir stellen zunächst die Daten für eine dreistellige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Notice, wie sich der Durchschnitt bewegt Über die jüngsten historischen Daten, sondern nutzt genau die drei letzten Perioden für jede Vorhersage Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngsten Vorhersage zu entwickeln Dies ist definitiv anders als die Exponentielle Glättung Modell I ve enthalten die Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um Vorhersage Gültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt Sie Kann diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Notice, wie jetzt nur die beiden letzten Stücke historischer Daten für jede Vorhersage verwendet werden D die vergangenen Vorhersagen für illustrative Zwecke und für die spätere Verwendung in der Prognosevalidierung. Einige andere Dinge, die von Bedeutung zu bemerken sind. Für eine m-Periode gleitende durchschnittliche Prognose nur die m neuesten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode m 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir entwickeln Der Code für die gleitende durchschnittliche Prognose, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten, und das Array von historischen Werten Sie können es speichern, was auch immer Arbeitsmappe Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden. Weighted Moving Average Prognose Methoden Pros und Cons. Hi, LOVE Ihre Post Wurde, ob Sie weiter ausarbeiten könnte Wir verwenden SAP In es gibt eine Auswahl, die Sie wählen können, bevor Sie Ihre Prognose ausführen Initialisierung Wenn Sie diese Option überprüfen Sie Bekomme ein Prognoseergebnis, wenn du im selben Zeitraum wieder Vorhersage hast und die Initialisierung nicht auf die Ergebnisänderungen überprüfe, kann ich nicht herausfinden, was die Initialisierung meint, ich meine, mathmatisch welches Prognoseergebnis am besten zu speichern und zu verwenden ist Änderungen zwischen den beiden sind nicht in der prognostizierten Menge, sondern in der MAD und Fehler, Sicherheitsbestand und ROP-Mengen Nicht sicher, wenn Sie SAP. hi Dank für die Erklärung so effeciently seine zu gd danke wieder Jaspreet. Leave eine Antwort Abbrechen Antwort. About Shmula. Pete Abilla ist der Gründer von Shmula und der Charakter, Kanban Cody Er hat Unternehmen wie Amazon, Zappos geholfen , EBay, Backcountry und andere reduzieren Kosten und verbessern die Kundenerfahrung Er tut dies durch eine systematische Methode zur Ermittlung von Schmerzpunkten, die den Kunden und das Unternehmen beeinflussen, und ermutigt eine breite Beteiligung der Firmenpartner, um ihre eigenen Prozesse zu verbessern. Diese Website ist ein Sammlung seiner Erfahrungen, die er mit Ihnen teilen möchte Mit den kostenlosen Downloads begonnen werden. Time-Serie Methoden. Time-Serie Methoden sind statistische Techniken, die Nutzung von historischen Daten über einen Zeitraum von Zeit verwendet Zeitreihen Methoden davon ausgehen, dass das, was in der Vergangenheit aufgetreten ist Weiterhin in der Zukunft auftreten Wie die Namenszeitreihe vorschlägt, beziehen diese Methoden die Prognose auf nur einen Faktor - Zeit Sie beinhalten den gleitenden Durchschnitt, Exponentielle Glättung und lineare Trendlinie und sie gehören zu den beliebtesten Methoden für die Nahbereichsvorhersage unter den Dienstleistungs - und Fertigungsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average. A Zeitreihenvorhersage kann So einfach sein wie die Nachfrage in der laufenden Periode, um die Nachfrage in der nächsten Periode vorherzusagen Dies wird manchmal als naive oder intuitive Prognose 4 Beispielsweise, wenn die Nachfrage 100 Einheiten in dieser Woche ist, ist die Prognose für die nächste Woche s Nachfrage 100 Einheiten, wenn die Nachfrage Stellt sich aus, um 90 Einheiten statt, dann die folgende Woche s Nachfrage ist 90 Einheiten, und so weiter Diese Art von Prognose-Methode berücksichtigt nicht historische Nachfrage Verhalten es beruht nur auf Nachfrage in der aktuellen Periode Es reagiert direkt auf die normale, Zufällige Bewegungen in der Nachfrage. Die einfache gleitende durchschnittliche Methode nutzt mehrere Nachfrage-Werte in der jüngsten Vergangenheit, um eine Prognose zu entwickeln Dies neigt dazu, zu dämpfen, oder glätten, lief Dom erhöht und verringert eine Prognose, die nur eine Periode verwendet Der einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägten Nachfrage Verhalten, wie ein Trend oder saisonale Muster. Moving Mittelwerte werden für bestimmte Zeiträume berechnet, wie Wie drei Monate oder fünf Monate, je nachdem, wie viel der Prognostiker wünscht, die Nachfrage Daten zu glätten Je länger die gleitende durchschnittliche Periode, desto glatter wird es Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist die Eingabe eines einfachen Moving Average. The Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meilen-Radius seines Lagers Das Bürobedarfsgeschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge umgehend zu liefern, ist ein Faktor, um neue Kunden zu bekommen und alte Büros in der Regel zu halten Bestellen Sie nicht, wenn sie auf dem Lieferumfang laufen, aber wenn sie komplett auslaufen. Als Ergebnis benötigen sie ihre Bestellungen sofort. Der Manager der com Pany will sicher genug sein, dass Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern, und sie verfügen über ausreichende Inventur auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die im nächsten Monat auftreten werden, dh die Nachfrage nach Lieferungen zu prognostizieren Von den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate angesammelt, von denen es will, um 3- und 5-Monats-Umzugsdurchschnitte zu berechnen. Lassen Sie uns davon ausgehen, dass es Ende Oktober ist Die Prognose, die sich aus der 3- oder der 5-Monats-Gleitender Durchschnitt ist typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorherigen 3 Monate in der Reihenfolge nach der folgenden Formulierung berechnet Der 5-Monats-Gleitender Durchschnitt wird aus den vorangegangenen 5 Monaten der Bedarfsdaten wie folgt berechnet. Die 3- und 5-Monats-Gleitende Durchschnittsprognosen für alle Monate der Bedarfsdaten sind in der folgenden Tabelle dargestellt Prognose für November auf der Grundlage der jüngsten monatlichen Nachfrage würde von der Manager verwendet werden Allerdings können die früheren Prognosen für die Vormonate uns die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognose-Methode ist - das ist, wie gut es tut. Three - und Fünf-Monats-Mittelwerte. Beide gleitende durchschnittliche Prognosen in der Tabelle oben neigen dazu, die Variabilität in den tatsächlichen Daten zu glätten Dieser Glättungseffekt kann in der folgenden Abbildung beobachtet werden, in der die 3-Monats - und 5-Monatsdurchschnitte haben Wurde einem Graphen der ursprünglichen Daten überlagert. Der 5-Monats-Gleitender Durchschnitt in der vorherigen Abbildung glättet Schwankungen in einem größeren Ausmaß als der dreimonatige gleitende Durchschnitt. Allerdings spiegelt der 3-Monats-Durchschnitt die aktuellsten verfügbaren Daten stärker wider Der Büro-Versorgung Manager Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen der Nachfrage zu reagieren, als die, die mit kürzeren bewegten Durchschnitten gemacht wurden. Die zusätzlichen Datenperioden Dämpfen die Geschwindigkeit, mit der die Prognose reagiert Die Festlegung der entsprechenden Anzahl von Perioden, die in einer gleitenden durchschnittlichen Prognose verwendet werden, erfordert oft ein gewisses Maß an Versuch-und-Fehler-Experimente. Der Nachteil der gleitenden durchschnittlichen Methode ist, dass es nicht auf Variationen reagiert, die auftreten Aus einem Grund, wie zyklische und saisonale Effekte Faktoren, die Veränderungen verursachen, werden im Allgemeinen ignoriert. Es ist grundsätzlich eine mechanische Methode, die historische Daten in einer konsistenten Weise widerspiegelt. Allerdings hat die gleitende durchschnittliche Methode den Vorteil, dass sie einfach zu bedienen, schnell, Und relativ preiswert Im Allgemeinen kann diese Methode eine gute Prognose für die kurzfristige, aber es sollte nicht zu weit in die Zukunft geschoben werden. Weighted Moving Average. Die gleitende durchschnittliche Methode kann angepasst werden, um stärker reflektieren Schwankungen in den Daten In Die gewichtete gleitende Mittelmethode, Gewichte werden den letzten Daten nach den folgenden Formeln zugeordnet. Die Bedarfsdaten für PM Computer Services werden in Die Tabelle für Beispiel 10 3 scheint einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer ist als die exponentielle Glättung und die angepassten exponentiellen Glättungsprognosen, die in den Beispielen 10 3 und 10 entwickelt wurden. 4.Die Werte sind erforderlich Für die kleinsten Quadrate Berechnungen sind wie folgt. Unter diesen Werten werden die Parameter für die lineare Trendlinie wie folgt berechnet. Folglich ist die lineare Trendliniengleichung. Um eine Prognose für die Periode 13 zu berechnen, sei x 13 in der linearen Trendlinie. Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den tatsächlichen Daten Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - das heißt, eine gute Passform zu sein - und wäre daher ein gutes Prognosemodell für dieses Problem Nachteil der linearen Trendlinie ist, dass es sich nicht an eine Änderung des Trends anpasst, da die exponentiellen Glättungsvorhersagemethoden das ist, wird davon ausgegangen, dass alle zukünftigen Prognosen einer Geraden folgen werden Die Verwendung dieser Methode zu einem kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass der Trend wird sich nicht ändern. Seasonal Anpassungen. Saisonale Muster ist eine sich wiederholende Erhöhung und Abnahme der Nachfrage Viele Nachfrage Elemente zeigen saisonale Verhalten Kleidung Umsatz folgen jährlichen saisonalen Muster , Mit der Nachfrage nach warmen Kleidern, die im Herbst und Winter zunehmen und im Frühjahr und Sommer abnehmen, da die Nachfrage nach kühleren Kleidung die Nachfrage nach vielen Einzelhandelsartikeln, einschließlich Spielzeug, Sportausrüstung, Kleidung, elektronischen Geräten, Schinken, Truthühnern, Wein und Frucht, Zunahme während der Ferienzeit Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten Einige Restaurants haben eine höhere Nachfrage am Abend als bei Mittagessen oder an Wochenenden im Gegensatz zu Wochentagen Traffic - also Verkauf - an Einkaufszentren nimmt am Freitag und Samstag. Es gibt mehrere Methoden zum Nachdenken Saisonale Muster in einer Zeitreihenprognose Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor Ein saisonaler Faktor ist ein Zahlenwert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren Ist es, die Nachfrage für jede Saisonperiode durch die jährliche Gesamtnachfrage nach den folgenden Formeln aufzuteilen. Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1 0 sind in Wirklichkeit der Anteil der jährlichen jährlichen Nachfrage, die jeder Saison zugewiesen wird. Diese saisonalen Faktoren werden multipliziert Die jährliche prognostizierte Nachfrage, um angepasst Prognosen für jede Saison geben eine Prognose mit saisonalen Anpassungen. Wishbone Farms wächst Truthähne zu verkaufen, um eine Fleischverarbeitungsfirma während des ganzen Jahres Allerdings ist seine Hochsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis zu Dezember Wishbone Farms hat die Nachfrage nach Truthühnern für die letzten drei Jahre in der folgenden Tabelle gezeigt erlebt. Weil wir drei haben Ars der Nachfrage Daten können wir die saisonalen Faktoren berechnen, indem wir die vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage über alle drei Jahre dividieren. Wir wollen die prognostizierte Nachfrage für das nächste Jahr 2000 mit jedem der saisonalen Faktoren multiplizieren Um die prognostizierte Nachfrage für jedes Quartal zu erreichen Um dies zu erreichen, benötigen wir eine Bedarfsprognose für 2000 In diesem Fall, da die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend zu zeigen scheinen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten In der Tabelle, um eine grobe Prognose Schätzung zu bekommen. Thus, die Prognose für 2000 ist 58 17 oder 58.170 Truthähne. Unter dieser jährlichen Prognose der Nachfrage, die saisonbereinigten Prognosen, SF i, für 2000 werden diese vierteljährlichen Prognosen mit den tatsächlichen Nachfrage Werte In der Tabelle scheinen sie relativ gute Prognoseschätzungen zu sein, die sowohl die saisonalen Schwankungen der Daten als auch den allgemeinen Aufwärtstrend widerspiegeln.10-12 Wie ist die gleitende Durchschnittsmethode ähnlich der exponentiellen Glättung.10-13 Wh Bei der Wirkung auf das exponentielle Glättungsmodell wird die Glättungskonstante erhöht.10-14 Wie unterscheidet sich die exponentielle Glättung von der exponentiellen Glättung.10-15 Was bestimmt die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell.10-16 In den Kapitelbilmen für Zeitreihenmethoden wurde die Startprognose immer als die gleiche wie die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie andere Möglichkeiten vor, dass die Startprognose im eigentlichen Gebrauch abgeleitet werden könnte.10-17 Wie wird die lineare Trendlinie prognostiziert Modell unterscheiden sich von einem linearen Regressionsmodell für die Prognose.10-18 Von den in diesem Kapitel vorgestellten Zeitreihenmodellen, einschließlich des gleitenden Durchschnitts und des gewichteten gleitenden Durchschnitts, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, die man betrachtet Am besten Warum.10-19 Welche Vorteile hat die optimale Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend aufweist.4 KB Kahn und J T Mentzer, Prognose in Konsum - und Industriemärkten, Zeitschrift für Wirtschaftsprognosen 14, Nr. 2 Sommer 1995 21-28.
No comments:
Post a Comment