Flyttande medelprognos Inledning. Som du kan gissa vi tittar på några av de mest primitiva metoderna för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du kommer att ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om Alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare är mycket troliga att du förväntar dig att få något i området 85 du bara fick. Nåväl, nu kan vi anta att trots din självbefrämjande till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade att Förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för dem att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, Quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fester Och werent vaggar vassan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttar faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en rörlig genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga en högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta visselpipan medan vi arbetar. Nu återvänder vi till vårt nya rengöringsföretag påbörjat av din främmande halvsyster kallad Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Observera hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period som rör en genomsnittlig prognos, observera att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande genomsnittliga prognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enstaka deklarering och initialisering av variabler Dim-objekt som variant Dim-räknare som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris Historisk storlek Historisk. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill placera funktionen i kalkylbladet så att resultatet av beräkningen visas där den ska gilla följande. Vågade rörliga medelprognosmetoder: Fördelar och nackdelar Hej, ÄLSKAR din inlägg. Undrade om du kunde utveckla vidare. Vi använder SAP. I det finns ett urval som du kan välja innan du kör din prognos som kallas initialisering. Om du markerar det här alternativet får du ett prognosresultat, om du kör prognos igen, under samma period och inte kontrollerar initialiseringen ändras resultatet. Jag kan inte ta reda på vad den här initialiseringen gör. Jag menar matematiskt. Vilket prognosresultat är bäst att spara och använda till exempel. Förändringarna mellan de två är inte i den prognostiserade kvantiteten men i MAD och Error, säkerhetslager och ROP-kvantiteter. Inte säker på om du använder SAP. Hej tack för att du förklarade så effektivt det är för gd. Tack igen Jaspreet Lämna ett svar Avbryt svar Om Shmula Pete Abilla är grundaren av Shmula och karaktären Kanban Cody. Han har hjälpt företag som Amazon, Zappos, eBay, Backcountry och andra att minska kostnaderna och förbättra kundupplevelsen. Han gör det genom en systematisk metod för att identifiera smärtpunkter som påverkar kunden och verksamheten, och uppmuntrar ett brett deltagande från företagets medarbetare för att förbättra sina egna processer. Den här webbplatsen är en samling av hans erfarenheter som han vill dela med dig. Kom igång med gratis nedladdningar I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändras. I händelse av ett konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande genomsnittet. En längre observationsperiod kommer att medeltala effekterna av variationen. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring av den underliggande processen. För att illustrera, föreslår vi en dataset som innehåller förändringar i underliggande medelvärden av tidsserierna. Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades. Medelvärdet börjar som en konstant vid 10. Börjar vid tid 21 ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30. Sedan blir det konstant igen. Uppgifterna simuleras genom att lägga till i genomsnitt ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3. Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationer som används för exemplet. När vi använder bordet, måste vi komma ihåg att vid varje given tidpunkt endast endast tidigare data är kända. Uppskattningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger av perioder. En slutsats framgår omedelbart av figuren. För alla tre uppskattningar ligger det rörliga genomsnittet bakom den linjära trenden, med att lagret ökar med m. Lagen är avståndet mellan modellen och uppskattningen i tidsdimensionen. På grund av fördröjningen underskattar det rörliga genomsnittet observationerna när medelvärdet ökar. Estimatorns förskjutning är skillnaden vid en viss tid i modellens medelvärde och medelvärdet förutspått av det rörliga genomsnittet. Förspänningen när medelvärdet ökar är negativt. För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och den bias som införs i uppskattningen är funktionerna i m. Ju större värdet av m. Desto större är storleken på fördröjning och förspänning. För en ständigt ökande serie med trend a. Värdena för fördröjning och förspänning av estimatorn för medelvärdet ges i ekvationerna nedan. Exempelkurvorna stämmer inte överens med dessa ekvationer eftersom exemplet modellen inte ständigt ökar, utan det börjar som en konstant, ändras till en trend och blir sedan konstant igen. Även kurvorna påverkas av bruset. Den glidande genomsnittliga prognosen för perioder i framtiden representeras genom att man ändrar kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjning och förspänning av prognosperioder i framtiden jämfört med modellparametrarna. Återigen är dessa formler för en tidsserie med en konstant linjär trend. Vi borde inte bli förvånad över resultatet. Den rörliga genomsnittliga beräkningen baseras på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena till en modell, borde vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det glidande medlet på 5 än det glidande medlet på 20. Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer mottaglig för förändringar I medelvärdet. Felet är skillnaden mellan den faktiska data och det prognostiserade värdet. Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är brusets varians. Den första termen är medelvärdet av det medelvärde som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen inte svarande mot en förändring i underliggande tidsserier. För att prognosen ska kunna reagera på förändringar vill vi ha m så liten som möjligt (1), men detta ökar felvarianansen. Praktisk prognos kräver ett mellanvärde. Prognoser med Excel Prognostillägget implementerar de glidande medelformlerna. Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B. De första 10 observationerna indexeras -9 till 0. Jämfört med tabellen ovan förskjuts periodens index med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0. MA (10) kolumnen (C) visar beräknade rörliga medelvärden. Den rörliga genomsnittsparametern m är i cell C3. Fore (1) kolumnen (D) visar en prognos för en period framåt. Prognosintervallet finns i cell D3. När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen nedåt. Err-kolumnen (E) visar skillnaden mellan observationen och prognosen. Till exempel är observationen vid tidpunkten 1 6. Det prognostiserade värdet som gjorts från det glidande medlet vid tidpunkten 0 är 11,1. Felet är då -5,1. Standardavvikelsen och genomsnittlig avvikelse (MAD) beräknas i cellerna E6 respektive E7. Kapitel 11 - Efterfrågan Management amp Prognoser 1. Perfekt prognos är praktiskt taget omöjligt 2. I stället för att söka efter den perfekta prognosen är det mycket viktigare att etablera Övningen av kontinuerlig granskning av prognosen och att lära sig att leva med felaktiga prognoser 3. Vid prognoser är en bra strategi att använda 2 eller 3 metoder och se dem för kommonsens syn. 2. Grundkällor för efterfrågan 1. Beroende efterfrågan - Efterfrågan på produkter eller tjänster som orsakas av efterfrågan på andra produkter eller tjänster. Inte mycket företaget kan göra, det måste uppfyllas. 2. Oberoende efterfrågan - efterfrågan som inte direkt kan härledas från efterfrågan på andra produkter. Fast kan: a) Ta en aktiv roll för att påverka efterfrågan - tillämpa påtryckningar på din försäljningskraft b) Ta en passiv roll för att påverka efterfrågan - om ett företag kör på full kapacitet, kanske det inte vill göra något för efterfrågan. Andra skäl är konkurrenskraftiga, juridiska, miljömässiga, etiska och moraliska. Försök att förutse framtiden utifrån en tidigare data. 1. Kort sikt - Under 3 månader - Taktiska beslut som att fylla i inventarier eller planera EEs inom kort. 2. Medellång sikt - 3 M-2Y - Fånga säsongseffekter som kunder svarar på en ny produkt 3. Lång sikt - mer än 2 år. Att identifiera stora vändpunkter och upptäcka allmänna trender. Linjär regression är en speciell typ av regression där relationerna mellan variabel bildar en rak linje Y abX. Y - beroende variabel a - Y avlyssning b - sluttning X - oberoende variabel Det används för långsiktig prognos av större händelser och aggregerad planering. Den används för både prognoser för tidsserier och prognoser för tillfälliga förhållanden. Är den mest använda prognostekniken. De senaste händelserna är mer vägledande för framtiden (högst förutsägbart värde) än de i det avlägsna förflutna. Vi bör ge mer vikt åt malmens senaste tidsperioder när vi prognoserar. Varje inkrement i det förflutna minskar med (1 alfa). Ju högre alfa, desto närmare följer prognosen. Senaste viktning alfa (1-alfa) na 0 Data en tidsperiod äldre alfa (1-alfa) na 1 Data två tidsperiod äldre alfa (1-alfa) na 2 Vilken av följande prognosmetoder är mycket beroende av val av Rätt personer som diktigt kommer att användas för att faktiskt generera prognosvärdet måste vara mellan 0 och 1 1. 2 eller flera förutbestämda värden för Alpha - beroende på graden av fel används olika värden för Alpha. Om felet är stort, är Alpha 0,8, om felet är litet, Alpha är 0,2. 2. Beräknade värden för Alpha - exponentiellt jämnade faktiska fel dividerat med det exponentiellt kvävda absoluta felet. Kvalitativa tekniker i prognoser Kunskap om experter och kräver stor bedömning (nya produkter eller regioner) 1. Marknadsundersökning - letar efter nya produkter och idéer, gillar och ogillar om befintliga produkter. Primärt tittar på förstärkare 2. Panel Consensus - tanken att 2 huvuden är bättre än en. Panel av personer från olika positioner kan utveckla en mer tillförlitlig prognos än en smalare grupp. Problemet är att lägre EE-nivåer hotas av högre nivåer av förvaltning. Verkställande dom används (högre ledningsnivå är inblandad). 3. Historisk Analogi - ett företag som redan tillverkar brödrostar och vill producera kaffekrukor kan använda brödrosthistoriken som en sannolik tillväxtmodell. 4. Delphi Metod - mycket beroende av val av rätt personer som diktigt kommer att användas för att faktiskt generera prognosen. Alla har samma vikt (mer rättvis). Tillfredsställande resultat uppnås vanligtvis i 3 rundor. MÅL - Samarbetsplanering, prognos och komplettering (CPFR) Att utbyta utvald intern information på en gemensam webbserver för att tillhandahålla tillförlitliga och långsiktiga framtida synpunkter på efterfrågan i försörjningskedjan.
Comments
Post a Comment