Forklar The Forskjellene Mellom Bevegelig Gjennomsnitt Og Eksponensielle Utjevnings Modeller

Eksponentiell utjevning Explained. Copyright Innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje det høres ut som et helvete med mye utjevning, uansett utjevning. De begynner deretter å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noen gang trenger å gjøre det. Eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som oppnår en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk sett skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning, hjelper det å starte med det generelle begrepet utjevning og en noen andre vanlige metoder som brukes til å oppnå utjevning. Hva er utjevning. Modellering er en svært vanlig statistisk p rocess Faktisk støter vi jevnlig på jevne data i ulike former i våre daglige liv. Hver gang du bruker et gjennomsnitt for å beskrive noe, bruker du et jevnt nummer. Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du vil raskt forstå begrepet utjevning For eksempel har vi nettopp opplevd den varmeste vinteren på rekord Hvordan kan vi kvantifisere dette Vel, begynner vi med datasett av daglige høye og lave temperaturer for perioden vi kalder Vinter for hvert år i innspilt historie Men som etterlater oss med en mengde tall som hopper rundt ganske, det er ikke som hver dag i vinter var varmere enn de tilsvarende dagene fra alle tidligere år. Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste Fjerning av hopping rundt i dataene kalles utjevning, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsforespørsel benytter vi utjevning for å fjerne e tilfeldig variasjonstøy fra vår historiske etterspørsel Dette gjør at vi bedre kan identifisere etterspørselsmønstre primært trend og sesongmessighet og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel Støyen i etterspørsel er det samme konseptet som den daglige hoppingen rundt temperaturdataene Ikke overraskende , den vanligste måten folk fjerner støy fra etterspørselshistorikken er å bruke et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt. Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg når tiden går. For eksempel hvis Jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg gjennomsnittlig etterspørsel som skjedde i januar, februar, mars og april 1. juni vil jeg bruke etterspørsel fra februar, mars, april, og May. Weighted moving average. Når du bruker et gjennomsnitt, bruker vi samme vektvekt på hver verdi i datasettet. I 4 måneders glidende gjennomsnitt representerte hver måned 25 av glidende gjennomsnitt. Når du bruker etterspørsel h istory å projisere fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på prognosen. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til hver periode for å få våre ønskede resultater Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100 Derfor, hvis vi bestemmer oss, vil vi bruke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, vi kan trekke 35 fra 100 for å finne at vi har 65 igjen å splitte over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 i de 4 månedene 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet med å legge vekt på den siste perioden som 35 i det forrige eksempelet og spre den gjenværende vekten beregnet ved å subtrahere den siste tidsvekten på 35 fra 100 til 65, har vi den grunnleggende bygge Inngangsblokker for eksponentiell utjevningsberegning Den kontrollerende inngangen til eksponensiell utjevningsberegning er kjent som utjevningsfaktoren kalles også utjevningskonstanten. Det representerer i hovedsak vektingen som er brukt på den siste periodens etterspørsel. Så, hvor vi brukte 35 som vekten for siste periode i vektet glidende gjennomsnittlig beregning, kan vi også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning for å få en lignende effekt. Forskjellen med eksponensiell utjevningsberegning er at i stedet for oss å finne ut hvor mye vekt for å gjelde for hver tidligere periode, blir utjevningsfaktoren brukt til å automatisk gjøre det. Så her kommer eksponentiell del Hvis vi bruker 35 som utjevningsfaktor, vil vekten av den siste perioden etterspørselen bli 35 Vektingen av den neste siste periode s kreve perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 veier for den perioden hvis du gjør matematikken. Den neste siste periodens etterspørsel vil være 65 av 65 av 35, som tilsvarer 14 79 Perioden før den blir vektet som 65 av 65 av 65 av 35, noe som tilsvarer 9 61 osv. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet. Du antar sannsynligvis at det ser ut som en helhet mye matematikk Men skjønnheten i eksponensiell utjevningsberegning er at i stedet for å beregne seg for hver tidligere periode hver gang du får en ny periodes etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra forrige periode til å representere alle tidligere periodene. Er du forvirret ennå Dette vil gi mer mening når vi ser på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognos. I virkeligheten er den endelige prognosen trenger litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger. Den siste periodens etterspørsel multiplisert med utjevningsfaktoren PLUS Den siste periodens prognose multiplisert med en minus utjevningsfaktoren. D siste periode s etterspørsel S utjevningsfaktoren representert i desimalform slik at 35 ville bli representert som 0 35 F den siste perioden s anslår utgangen av utjevningsberegningen fra forrige periode. OR antar en utjevningsfaktor på 0 35. Det blir ikke mye enklere enn det. Som du kan se, er alt vi trenger for datainnganger her den siste perioden s etterspørsel og den siste perioden s prognose Vi bruker utjevningsfaktoren vekting til siste periode s krever samme måte som vi ville i den veide gjennomsnittlige beregningen. Vi bruker deretter den gjenværende vekten 1 minus utjevningsfaktoren til den siste perioden s forecast. Since den siste periodens prognose ble opprettet basert på forrige periode s etterspørsel og forrige periode s prognose, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. vel, du kan se hvordan alle tidligere perioders etterspørsel er representert i beregningen uten å faktisk gå tilbake og omberegne noe. Og det er det som kjørte den opprinnelige populariteten av eksponensiell utjevning Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram Og fordi du ikke behøvde å tenke på hvilken vekting å gi tidligere perioder eller hvor mange Tidligere perioder å bruke, som du ville i vektet glidende gjennomsnitt, og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir gr eater fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er at noen av disse kan gi respektverdige resultater, så hvorfor ikke gå med enklere og kjøligere lyding. Eksponentiell utjevning i Excel. Vi ser hvordan dette faktisk ville se i et regneark med ekte data. Opphavsrett Innhold på er beskyttet av copyright og er ikke tilgjengelig for republisering. I figur 1A har vi et Excel-regneark med 11 ukers etterspørsel og en eksponensielt jevn prognose beregnet ut fra den etterspørselen jeg har brukt en utjevningsfaktor på 25 0 25 i celle C1 Den nåværende aktive cellen er Celle M4 som inneholder prognosen for uke 12. Du kan se i formellinjen, formelen er L3 C1 L4 1- C1 Så de eneste direkte inngangene til denne beregningen er forrige periode s etterspørsel Cell L3, forrige periode s prognose Cell L4 og utjevningsfaktoren Cell C1, vist som absolutt cellereferanse C1.Når vi starter en eksponentiell utjevningsberegning, må vi manuelt koble verdien for 1s t prognose Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognosen. I Cell C4 har vi vår første eksponensielle utjevningsberegning B3 C1 B4 1- C1 Vi kan da kopiere Cell C4 og lime den inn i celler D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbeltklikke på en prognose celle for å se det er basert på forrige periode s prognose celle og forrige periode s etterspørselscelle. Så hver etterfølgende eksponensiell utjevningsberegning arver utgangen av den forrige eksponensielle utjevningsberegningen Det er hvordan hver forrige periode s etterspørsel er representert i den siste periodens beregning, selv om denne beregningen ikke refererer direkte til de foregående periodene. Hvis du vil ha lyst, kan du bruke Excel s sporeforekomster funksjon For å gjøre dette, klikk på Cell M4, og deretter på verktøylinjen i Excel 2007 eller 2010 klikker du på Formulas-fanen, og deretter klikker du Sporprecedenter. Det trekker tilkoblingslinjer til det første nivået av precedenter, men hvis du fortsetter å klikke Trace Precedents det vil trekke kontaktlinjer til alle tidligere perioder for å vise deg det arvede forhold. Nå la oss se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram av etterspørsel og prognose. Du ser hvordan eksponensielt glattet prognosen fjerner det meste av den ujevnheten som hopper rundt fra den ukentlige etterspørselen, men klarer fortsatt å følge det som synes å være en oppadgående trend i etterspørselen. Du vil også merke at den glatte prognosen linje har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trend lag og er en bivirkning av utjevningsprosessen Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge bak trenden. Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre å gjøre en nedadgående trend du vil se etterspørselen linje slipp, og trenden linje flytte over det før du begynner å følge den nedadgående trenden. Det er derfor jeg tidligere nevnte ou tput fra eksponentiell utjevningsberegning som vi kaller en prognose, trenger fortsatt litt mer arbeid Det er mye mer å prognose enn å bare utjevne støtene i etterspørsel. Vi må gjøre ytterligere justeringer for ting som trendlag, sesongmessighet, kjente hendelser som kan effekt etterspørsel osv. Men alt som er utenfor omfanget av denne artikkelen. Du vil sannsynligvis også gå inn i begreper som dobbel-eksponensiell utjevning og triple-eksponensiell utjevning. Disse vilkårene er litt misvisende siden du ikke re-utjevner etterspørselen flere ganger du kan hvis du vil, men det er ikke poenget her. Disse betingelsene representerer bruk av eksponensiell utjevning på ytterligere elementer i prognosen. Med enkel eksponensiell utjevning, utjevner du basen etterspørsel, men med dobbel eksponensiell utjevning utjevner du basen etterspørsel pluss trenden, og med trippel-eksponensiell utjevning, utjevner du basen etterspørsel pluss trenden pluss sesongmessige forhold. Det andre vanligste spørsmålet om exp potensialutjevning er hvor får jeg utjevningsfaktoren min? Det er ikke noe magisk svar her. Du må teste ulike utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene. Det er beregninger som automatisk kan sette og endre utjevningsfaktoren. Disse høstene under termen adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar, og du bør ikke blindt implementere noen beregning uten grundig testing og utvikle en grundig forståelse av hva den beregningen gjør. Du bør også kjøre hva-hvis scenarier til se hvordan disse beregningene reagerer på etterspørselsendringer som ikke eksisterer for øyeblikket i etterspørseldataene du bruker til testing. Dataeksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier. Dette bestemte dataeksemplet viser en noe konsekvent oppadgående trend Mange store selskaper med svært kostbar prognoseprogramvare har store problemer i det ikke så distinkte myr forbi når deres programvareinnstillinger som var tweaked for en voksende økonomi, reagerte ikke bra når økonomien begynte å stagnere eller krympe. Slike ting skjer når du ikke forstår hva beregningsprogramvaren faktisk gjør. Hvis de forsto deres prognosesystem, ville de ha kjent de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i virksomheten deres. Så der har du det grunnlaget for eksponensiell utjevning forklart Vil du vite mer om bruk av eksponensiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Kopyright innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Dave Piasecki er eier operatør av Inventory Operations Consulting LLC et konsulentfirma som tilbyr tjenester relatert til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i driftsledelse og kan nås gjennom hans nettside, hvor han opprettholder tillegg relevant informasjon. Min Business. Seasonal Factor - prosentandelen av gjennomsnittlig kvartalsbehov som oppstår i hvert kvartal. Årlig prognose for år 4 forventes å være 400 enheter. En gjennomsnittlig prognose per kvartal er 400 4 100 enheter. Kvartalsvis prognose avg prognose sesongfaktor. CAUSAL FORECASTING METHODS. causal prognosemetoder er basert på et kjent eller oppfattet forhold mellom den faktor som skal prognoses og andre eksterne eller interne faktorer.1 regresjonsmatematisk ligning relaterer en avhengig variabel til en eller flere uavhengige variabler som antas å påvirke den avhengige variabelen .2 økonometriske modellsystem av gjensidige regresjonsligninger som beskriver noen sektor av økonomisk aktivitet.3 input-output-modeller beskriver strømmen fra en sektor av økonomien til en annen, og forutsetter derfor inngangene som kreves for å produsere utganger i en annen sektor.4 simuleringsmodellering. MEASURING FORECAST ERRORS. There er to aspekter av prognose feil å være bekymret for - Bias en d Nøyaktighet. Bias - En prognose er partisk hvis den erre mer i en retning enn i den andre. - Metoden har en tendens til å være under-prognoser eller over-prognoser. Accuracy - Prognose nøyaktighet refererer til avstanden til prognosene fra den faktiske etterspørselen ignorerer retning av den feilen. Eksempel I seks perioder har prognoser og faktisk etterspørsel blitt sporet. Følgende tabell gir den faktiske etterspørselen D t og prognoseefterspørselen F t i seks perioder. Kumulativ sum av prognosefeil CFE -20.minnes absolutt avvik MAD 170 6 28 33.Menne kvadratfeil MSE 5150 6 858 33.Standard avvik for prognosefeil 5150 6 29 30.Men absolutt prosentfeil MAPE 83 4 6 13 9.Hva informasjon gir hver. Forutsigelse har en tendens til å overskride etterspørselen. prognosen var 28 33 enheter, eller 13 9 av den faktiske etterspørselen. Samplingfordeling av prognosefeil har standardavvik på 29 3 units. CRITERIA FOR VELGING AV EN FORECASTING METHOD. Objectives 1 Maksimere nøyaktighet og 2 Minimer Bias. Potential Regler for å velge en tidsserier ies prognose metode Velg metoden som gir den minste bias, målt ved kumulativ prognose feil CFE eller gir den minste gjennomsnittlige absoluttavviket MAD eller gir det minste sporingssignalet eller. supports ledelsens tro på det underliggende mønsteret av demand. or andre Det ser ut til at det er åpenbart at noen målinger av både nøyaktighet og forspenning skal brukes sammen. Hvordan. Hva med antall perioder som skal samples. Hvis etterspørselen er iboende stabil, foreslås lave verdier av og og høyere verdier av N. Hvis etterspørselen er iboende ustabile, høye verdier av og og lavere verdier av N er foreslått. FOCUS FORECASTING. focus forecasting refererer til en tilnærming til prognoser som utvikler prognoser ved hjelp av ulike teknikker, og plukker prognosen som ble produsert av de beste av disse teknikkene, der best er bestemt etter noen måling av prognosefeil. FOKUS FORSØKINGSeksempel. For årets første halvår har etterspørselen etter en varevare vært 15, 14, 15, 17, 19 og 18 enheter. En forhandler r bruker et fokusprognosesystem basert på to prognoseteknikker, et to-glidende gjennomsnitt og en trendjustert eksponensiell utjevningsmodell med 0 1 og 0 1 Med eksponensiell modell var prognosen for januar 15 og trend gjennomsnittet på slutten i desember var 1.Selskapet bruker gjennomsnittlig absolutt avvik MAD for de siste tre månedene som kriterium for å velge hvilken modell som vil bli brukt til å prognose for neste måned. a Hva vil være prognosen for juli og hvilken modell som skal brukes. b Ville du svare på Del a være annerledes dersom etterspørselen etter mai hadde vært 14 i stedet for 19.Smoderende data fjerner tilfeldig variasjon og viser trender og sykliske komponenter. Innenværende i samlingen av data tatt over tid er noen form for tilfeldig variasjon. Det eksisterer metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon En ofte brukt teknikk i industrien er utjevning Denne teknikken, når den er riktig påført, tydeliggjør den underliggende trenden, sesongmessige og cykliske komponenter. Det er to forskjellige grupper av utjevningsmetoder. Bedriftsmetoder. Eksponensielle utjevningsmetoder. Gjennomsnitt er den enkleste måten å glatte data på. Vi vil først undersøke noen gjennomsnittsmetoder, for eksempel det enkle gjennomsnittet av alle tidligere data. En leder av et lager ønsker å vite hvor mye en typisk leverandør leverer i 1000 dollar enheter. Han tar et utvalg av 12 leverandører, tilfeldig, og får følgende resultater. Beregnet gjennomsnitt eller gjennomsnitt av dataene 10 Lederen bestemmer seg for å bruke dette som anslag for utgifter til en typisk leverandør. Dette er et bra eller dårlig estimat. En kvadratfeil er en måte å dømme hvor god en modell er. Vi skal beregne den gjennomsnittlige kvadratfeil. Feil sant beløp tilbrakt minus estimert mengde. Feilen squared er feilen ovenfor, squared. The SSE er summen av de kvadratiske feilene. MSE er gjennomsnittet av de kvadratiske feilene. MSE-resultater for eksempel. Resultatene er feil og kvadraterte feil. Estimatet 10. Spørsmålet oppstår, kan vi bruke det gjennomsnittlige til prognose i kom hvis vi mistenker en trend En titt på grafen nedenfor viser tydelig at vi ikke burde gjøre dette. Enhet veier alle tidligere observasjoner like. I sammendrag oppgir vi at. Det enkle gjennomsnitt eller gjennomsnittet av alle tidligere observasjoner er bare et nyttig estimat for prognose når det ikke er noen trender Hvis det er trender, bruk ulike estimater som tar trenden i betraktning. Gjennomsnittet veier alle tidligere observasjoner likt For eksempel er gjennomsnittet av verdiene 3, 4, 5 4 Vi vet selvsagt at et gjennomsnitt beregnes ved å legge til alle verdiene og dividere summen med antall verdier En annen måte å beregne gjennomsnittet på er å legge til hver verdi dividert med antall verdier, eller.3 3 4 3 5 3 1 1 3333 1 6667 4 . Multiplikatoren 1 3 kalles vekten Generelt. bar frac sum venstre frak høyre x1 venstre frac høyre x2,,, venstre frac høyre xn. Venstre frac høyre er vektene og selvfølgelig de summerer til 1.