Exempel of glidande medelvärde prognostisering

OR-Notes är en serie inledande anteckningar om ämnen som faller under den breda rubriken inom forskningsverksamhetsområdet ELLER De användes ursprungligen av mig i en introduktionskurs eller kurs jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och Lärare som är intresserade av ELLER föremål för följande villkor. En fullständig lista över ämnena som finns i OR-Notes kan hittas här. Förutsägande exempel. Förutsägande exempel 1996 UG-examen. Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan Använd ett tvåmånaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6.Apply exponentiell utjämning med en utjämningskonstant på 0 9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilket av dessa två prognoser föredrar du och varför. Den tvåmånaders glidande genomsnittet för månaderna två till fem ges av. Prognosen för månad sex är bara det rörliga genomsnittet för månaden före det vill säga det glidande medeltalet för månad 5 m 5 2350. Att använda exponentiell utjämning med en utjämning Konstant av 0 9 vi får. Som före prognosen för månaden är sex bara genomsnittet för månad 5 M 5 2386. För att jämföra de två prognoserna räknar vi med den genomsnittliga kvadrerade avvikelsen MSD Om vi ​​gör det finner vi det för glidande medelvärdet. MSD 15 - 19 18 - 23 21 - 24 3 16 67.och för exponentiellt jämnt medelvärde med en utjämningskonstant av 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Överallt då vi Se att exponentiell utjämning verkar ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen för 2386 som har producerats genom exponentiell utjämning. Förhandsexempel 1994 UG-examen. Tabellen nedan visar efterfrågan på en ny aftershave I en butik för var och en av de senaste 7 månaderna. Beräkna ett tvåmånaders glidande medelvärde för månaderna två till sju. Vad skulle vara din prognos för efterfrågan i månad åtta. Använd exponentiell utjämning med en utjämningskonstant på 0 1 för att härleda en prognos för Efterfrågan i månad åtta. Vilken av de två prognoserna för månad åtta gör du Du föredrar och varför. Butiksinnehavaren anser att kunderna byter till denna nya aftershave från andra märken. Diskutera hur du kan modellera detta omkopplingsbeteende och ange vilka data du behöver för att bekräfta om denna omkoppling sker eller inte. Genomsnittet för månader två till sju ges av. Prognosen för månad åtta är bara det rörliga genomsnittet för månaden före det vill säga det glidande medeltalet för månad 7 m 7 46. Att använda exponentiell utjämning med en utjämningskonstant av 0 1 får vi. Före prognosen för månad åtta är bara genomsnittet för månaden 7 M 7 31 11 31 eftersom vi inte kan ha fraktionerad efterfrågan. För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen MSD Om vi ​​gör det finner vi det för det glidande genomsnittet. and För det exponentiellt jämnde medlet med en utjämningskonstant på 0 1. Överallt ser vi att det tvåmånaders glidande medeltalet tycks ge den bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen o F 46 som har producerats av tvåmånaders glidande medelvärde. För att undersöka omkoppling skulle vi behöva använda en Markov-processmodell, där tillståndsmärken och vi skulle behöva initiala statsuppgifter och kundbyte sannolikheter från undersökningar. Vi skulle behöva springa modellen på Historiska data för att se om vi har passformen mellan modellen och det historiska beteendet. Förutskriftsexempel 1992 UG-examen. Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna en tre månaders rörelse Genomsnitt för månader tre till nio Vad skulle vara din prognos för efterfrågan i månad tio. Använd exponentiell utjämning med en utjämningskonstant på 0 3 för att få en prognos för efterfrågan i månad tio. Vilken av de två prognoserna för månad tio föredrar du Och varför. Tre månaders glidande medelvärde för månaderna 3 till 9 ges av. Prognosen för månad 10 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 9 m 9 20 33. Därför som vi inte kan ha Fraktionerad efterfrågan prognosen för månad 10 är 20.Applicering av exponentiell utjämning med en utjämningskonstant av 0 3 vi får. Som före prognosen för månad 10 är bara genomsnittet för månaden 9 M 9 18 57 19 eftersom vi inte kan ha fraktionerad efterfrågan. Jämföra de två prognoserna vi beräknar den genomsnittliga kvadrerade avvikelsen MSD Om vi ​​gör det här finner vi det för det glidande medelvärdet och för exponentialglattat medelvärde med en utjämningskonstant av 0 3. Överallt ser vi att det tre månaders glidande medelvärdet tycks ge Den bästa månadens framåtprognoser eftersom det har en lägre MSD Därför föredrar vi prognosen på 20 som har producerats av tre månaders glidande medelvärde. Förhandsgranskningsexempel 1991 UG-examen. Tabellen nedan visar efterfrågan på ett visst varumärke av faxmaskin i Ett varuhus i vart och ett av de senaste tolv månaderna. Beräkna det fyra månaders glidande genomsnittet för månaderna 4 till 12. Vad skulle vara din prognos för efterfrågan i månad 13.Apply exponentiell utjämning med en utjämningskonstant av 0 2 till deri En prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför. Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månaden 13. De fyra månader som rör sig Medelvärdet för månaderna 4 till 12 ges 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 för månad 13 är bara det rörliga genomsnittet för Månad före det vill säga det glidande medeltalet för månaden 12 m 12 46 25.Här vi inte kan få fraktionerad efterfrågan är prognosen för månad 13 46. Att använda exponentiell utjämning med en utjämningskonstant på 0 2 får vi. Som före prognosen för månad 13 Är bara genomsnittet för månaden 12 M 12 38 618 39 eftersom vi inte kan ha fraktionerad efterfrågan. För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen MSD Om vi ​​gör det finner vi det för glidande medelvärdet. och för det exponentiellt jämnaste medlet med en utjämningskonstant på 0 2. Överallt ser vi att det fyra månaders glidande medlet verkar ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har varit Producerad av fyra månaders glidande average. seasonal demand. price ändras, både detta märke och andra brands. general economic situation. new technology. Forecasting exempel 1989 UG examen. Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i en avdelning Butik i var och en av de senaste tolv månaderna. Beräkna ett sexmånaders glidande medelvärde för varje månad. Vad skulle vara din prognos för efterfrågan i månad 13. Använd exponentiell utjämning med en utjämningskonstant på 0 7 för att få en prognos för efterfrågan i månad 13 . Vilken av de två prognoserna för månad 13 föredrar du och varför. Nu kan vi inte beräkna ett sex månaders glidande medelvärde tills vi har minst 6 observationer - det kan vi bara beräkna ett sådant genomsnitt från månad 6 framåt Henc E vi har. 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 för månad 13 är bara det rörliga genomsnittet för Månad före det vill säga det glidande medeltalet för månaden 12 m 12 38 17.Här vi inte kan ha fraktionerad efterfrågan är prognosen för månad 13 38. Att använda exponentiell utjämning med en utjämningskonstant på 0 7 får vi. I praktiken kommer det glidande medelvärdet att ge En bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändras. Vid konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande medelvärdet. En längre observationsperiod kommer att medeltala effekterna av Variabiliteten. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring i den underliggande processen. För att illustrera föreslår vi en dataset som innehåller förändringar i den underliggande m Ean i tidsserien 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 på tiden 30 Då blir det konstant igen Dataen 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 observationerna som används för exemplet När vi använder tabellen måste vi komma ihåg att vid en given tidpunkt endast endast tidigare data är kända. Beräkningarna 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 tillfälle och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger efter perioder. En slutsats är omedelbart Tydligt framgår av figuren För alla tre uppskattningar ligger det rörliga genomsnittet bakom den linjära trenden med fördröjningen ökande med m Fördröjningen är avståndet mellan modellen och uppskattningen i tidsdimensionen På grund av fördröjningen underskattar det rörliga genomsnittsvärdet observationerna Som medelvärdet ökar Estimatets förspänning är skillnaden vid en viss tid i modellens medelvärde och medelvärdet förutspått av rörligt medelvärde. Förspänningen när medelvärdet ökar är negativt. För ett minskande medelvärde är förspänningen Positiv Fördröjningen i tid och förspänningen som införs i uppskattningen är m-funktionen. Ju större värdet av m är, desto större grad och fördjupning. För en kontinuerligt ökande serie med trend a är värdena för fördröjning och förspänning av estimatorn för Medel 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 sedan bec Omes konstant igen Också exemplet kurvor påverkas av bullret. Den rörliga genomsnittliga prognosen för perioder in i framtiden representeras genom att byta kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan indikerar fördröjningen och förspänningen av prognosperioder i Framtiden jämfört med modellparametrarna Dessa formler är återigen en tidsserie med en konstant linjär trend. Vi borde inte bli förvånade över det här resultatet. Den glidande medelberäkaren baseras på antagandet om ett konstant medelvärde och exemplet har en Linjär trend i medelvärdet under en del av studietiden 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 siffran har stor variation i bruset Effekten för mindre m Uppskattningen är mycket mer flyktig för det rörliga genomsnittet av 5 än det rörliga genomsnittet av 20 Vi har de motstridiga önskningarna att öka m för att minska effekten o F variabilitet på grund av bullret och att minska m för att göra prognosen mer responsiv mot 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 Är 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 befolkning 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 så liten som möjligt 1 , Men detta ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Förhandsgranskning med Excel. The prognostillägget implementerar de glidande medelformlerna Exemplet nedan visar analysen som tillhandahålls av tillägget f Eller 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 rörelsen Medelvärde för period 0 MA 10 kolumn 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 ligger i cell D3 När prognosintervallet ändras Till ett större antal flyttas numren i Fore-kolumnen. Err 1-kolumnen E visar skillnaden mellan observationen och prognosen. Exempelvis är observationen vid tidpunkten 1 6 Det prognostiserade värdet som gjorts från det glidande medlet vid tiden 0 är 11 1 Felet är då -5 1 Standardavvikelsen och medelvärdeavvikelsen MAD beräknas i cellerna E6 respektive E7. Förhandsgranskning innefattar generering av ett tal, uppsättning tal eller scenario som motsvarar en fu Förekomst Det är absolut nödvändigt att kortdistans - och långdistansplanering Enligt definition är en prognos baserad på tidigare data, i motsats till en förutsägelse, som är mer subjektiv och baserad på instinkt, känsla av mage eller gissning. Till exempel Kvällsnyheter ger väderprognosen inte väderprognosen Oavsett huruvida prognoserna och prognoserna ofta används interchangeably. Till exempel definierar definitioner av regression en teknik som används i prognoser i allmänhet, att dess syfte är att förklara eller förutsäga. Förutsättning baseras på Ett antal antaganden. Förflutet kommer att upprepa sig. Med andra ord kommer det som hänt i det förflutna att hända igen i framtiden. När prognoshorisonten förkortas ökar prognosnoggrannheten till exempel en prognos för imorgon blir mer exakt än en prognos För nästa månad kommer en prognos för nästa månad att vara mer exakt än en prognos för nästa år och en prognos för nästa år blir mer exakt än en prognos för tio år i Framtiden. Förutspådningen i aggregatet är mer exakt än prognoser för enskilda poster. Detta innebär att ett företag kommer att kunna förutse den totala efterfrågan över hela sitt produktspektrum mer exakt än det kommer att kunna prognostisera enskilda lagringsenheter SKUs Till exempel General Motorer kan mer exakt förutse det totala antalet bilar som behövs för nästa år än det totala antalet vita Chevrolet Impalas med ett visst alternativpaket. Förutsägelser är sällan noggranna. Dessutom är prognoserna nästan aldrig helt korrekta. Medan vissa är väldigt nära är få få rätt på Pengarna Därför är det klokt att erbjuda ett prognosområde Om man skulle förutse en efterfrågan på 100 000 enheter för nästa månad är det extremt osannolikt att efterfrågan skulle motsvara 100 000 exakt. En prognos på 90 000 till 110 000 skulle emellertid ge en mycket större Mål för planering. Williams J Stevenson listar ett antal egenskaper som är vanliga för en bra prognos. Accurate viss grad av noggrannhet bör vara Bestämd och angiven så att jämförelse kan göras med alternativa prognoser. Tillförlitligt bör prognosmetoden konsekvent ge en bra prognos om användaren ska skapa viss grad av förtroende. Tidvis krävs en viss tid för att svara på prognosen så att prognosen Horisonten måste tillåta den tid som krävs för att göra ändringar. Lätt att använda och förstå användare av prognosen måste vara självsäker och bekväm med att arbeta med. Kostnadseffektiva kostnaderna för att göra prognosen bör inte överstiga de fördelar som erhålls av prognosen. Sträcker sig från enkla till extremt komplexa Dessa tekniker klassificeras vanligen som kvalitativa eller kvantitativa. KVALITATIVA TEKNIKER. Kvalitativa prognostekniker är i allmänhet mer subjektiva än deras kvantitativa motsvarigheter. Kvalitativa tekniker är mer användbara i de tidigare stadierna av produktlivscykeln, när mindre Tidigare data finns för användning i kvantitativa metoder Kvalitativa metoder inkl Delphi-tekniken, Nominell gruppteknik NGT, försäljningsstyrelsens åsikter, verkställande åsikter och marknadsundersökningar. DELPHI-TEKNIKEN. Delphi-tekniken använder en panel av experter för att producera en prognos. Varje expert uppmanas att ge en prognos som är specifik för behovet vid Hand Efter att de första prognoserna gjorts läser varje expert vad alla andra experter skrev och påverkas naturligtvis av deras åsikter. En efterföljande prognos görs av varje expert. Varje expert läser sedan igen vad varje annan expert skrev och påverkas igen av Andras uppfattning Denna process upprepar sig tills varje expert närmar sig överenskommelse om det behövs scenariot eller numren. NOMINAL GROUP TECHNIQUE. Nominal Group Technique liknar Delphi-tekniken genom att den utnyttjar en grupp deltagare, vanligtvis experter. Efter deltagarna svarar på Prognosrelaterade frågor, rankar de sina svar i enlighet med uppfattad relativ betydelse. Sedan rankas samlingarna och aggregeras Eventuellt Gruppen bör komma överens om prioriteringarna av de rankade frågorna. SÄKERHETSFÖRFARANDEN. Säljpersonalen är ofta en bra källa till information om framtida efterfrågan. Försäljningschefen kan begära inkomster från varje säljare och sammanställa deras svar på En sammansatt prognos för säljkåren Försiktighet bör utövas när man använder denna teknik, eftersom säljkårens medlemmar kanske inte kan skilja mellan vad kunderna säger och vad de faktiskt gör. Om prognoserna kommer att användas för att fastställa försäljningskvoter är försäljningen Kraft kan frestas att ge lägre uppskattningar. EXECUTIVE OPINIONS. Sometimes möten i högre nivåer möter och utvecklar prognoser baserat på deras kunskaper om sina ansvarsområden. Detta kallas ibland som en jury av verkställande opinion. MARKET RESEARCH. In marknadsundersökning, konsument Undersökningar används för att fastställa potentiell efterfrågan. Sådant marknadsundersökningar innefattar vanligtvis att skapa ett frågeformulär som kräver personlig, demografisk, Ekonomisk och marknadsföringsinformation Ibland samlar marknadsforskare personlig information i butiker och köpcentra där konsumenten kan uppleva smak, känsla, lukt och se en viss produkt. Forskaren måste vara försiktig med att urvalet av de undersökta personerna är representativt Av det önskade konsumentmålet. KVANTITATIVA TEKNIKER. Kvantitativa prognostekniker är i allmänhet mer objektiva än sina kvalitativa motsvarigheter. Kvantitativa prognoser kan vara tidsserier prognoser, dvs prognos av det förflutna i framtiden eller prognoser baserade på associativa modeller, dvs baserat på en eller flera förklarande variabler Tidsseriedata kan ha underliggande beteenden som måste identifieras av prospektorn Dessutom kan prognosen behöva identifiera orsakerna till beteendet Några av dessa beteenden kan vara mönster eller helt enkelt slumpmässiga variationer Bland mönstren är tendenser som är Långsiktiga rörelser upp eller ner i data. Seasonality, som producerar kortvarig var Iationer som vanligtvis är relaterade till tiden för året, månaden eller till och med en viss dag, som bevittnas av detaljhandelsförsäljningen vid julen eller spikarna i bankverksamheten den första i månaden och på fredagen. Cykler, vilka är wavelike variationer som varar mer Än ett år som vanligtvis är knutna till ekonomiska eller politiska förhållanden. Irregulära variationer som inte återspeglar typiskt beteende, som en period av extremt väder eller en unionstrike. Random variationer, som omfattar alla icke-typiska beteenden som inte redovisas av den andra Klassificeringar. Bland tidsseriemodellerna är det enklaste att se prognosen. A na ve-prognosen använder helt enkelt den faktiska efterfrågan för den senaste perioden som den prognostiserade efterfrågan på nästa period. Det här antar givetvis att det förflutna kommer att upprepa Det förutsätter också att alla tendenser, säsongsmässiga eller cykler antingen återspeglas i efterfrågan eller inte existerar. Ett exempel på na prognoser presenteras i tabell 1.Table 1 Na ve Forecasting. Anothe R enkel teknik är användningen av medelvärdet För att göra en prognos med hjälp av medelvärdet tar man helt enkelt genomsnittet av ett antal perioder av tidigare data genom att summera varje period och dela resultatet med antalet perioder. Denna teknik har visat sig vara mycket effektiv För prognostisering av kortdistans. Variationer i medelvärdet inkluderar det rörliga genomsnittet, det vägda genomsnittet och det vägda glidande medlet. Ett rörligt medelvärde tar ett förutbestämt antal perioder, summerar deras faktiska efterfrågan och dividerar med antalet perioder för att nå en prognos För Varje efterföljande period släpper den äldsta dataperioden och den senaste perioden läggs till Om man antar ett tre månaders glidande medelvärde och använder data från tabell 1, skulle man helt enkelt lägga till 45 januari, 60 februari och 72 mars och dela med tre till Anländer till en prognos för april 45 60 72 177 3 59. För att komma fram till en prognos för maj, skulle man släppa januari efterfrågan från ekvationen och lägga till efterfrågan från april. Tabell 2 visar ett exempel på en tre-mont H glidande genomsnittlig prognos. Tabel 2 Tre månaders rörlig genomsnittlig prognos. Obligatorisk efterfrågan 000 sA vägd medelvärde gäller en förutbestämd vikt i varje månad med tidigare data, summerar tidigare data från varje period och dividerar med totala vikterna. Om prognosen justerar Vikterna så att deras summa är lika med 1 multipliceras vikterna med den faktiska efterfrågan för varje tillämplig period. Resultaten summan summeras för att uppnå en vägt prognos Generellt ju ju senare desto högre data är desto högre vikt och äldre är Data desto mindre vikt Med hjälp av efterfrågningsexemplet skulle ett vägat medelvärde med vikter på 4 3 2 och 1 ge prognosen för juni som 60 1 72 2 58 3 40 4 53 8. Föredragare kan också använda en kombination av det vägda genomsnittet Och rörliga genomsnittliga prognoser En vägd glidande genomsnittlig prognos fördelar vikter till ett förutbestämt antal perioder av faktiska data och beräknar prognosen på samma sätt som beskrivits ovan. Som med alla rörliga prognoser, eftersom varje ny period är Läggs till, data från den äldsta perioden kasseras Tabell 3 visar en tre månaders vägd glidande medelprognos med användning av vikterna 5 3 och 2.Table 3 Tre månadsviktade rörliga medelprognos. Aktuell efterfrågan 000 sA mer komplex form av vägd glidande medelvärde Är exponentiell utjämning, så kallad eftersom vikten faller bort exponentialt som data åldrar Exponentiell utjämning tar den föregående perioden s prognos och anpassar den med en förutbestämd utjämningskonstant, kallad alfa, värdet för alfa är mindre än ett multiplicerat med skillnaden i föregående Prognos och efterfrågan som faktiskt inträffade under den tidigare prognostiserade perioden kallas prognosfel Exponentiell utjämning uttrycks formellt som sådan Ny prognos tidigare prognos alfaktuell efterfrågan föregående prognos FFA F. Exponentialutjämning kräver att prognosen börjar prognosen under en tidigare period och arbeta framåt Till den period som en aktuell prognos behövs En betydande mängd tidigare datan A och en början eller början prognos är också nödvändig. Den ursprungliga prognosen kan vara en faktisk prognos från en tidigare period, den faktiska efterfrågan från en tidigare period eller det kan beräknas genom att medeltalera hela eller delar av tidigare data. En initial prognos Exempelvis skulle den heuristiska N 2 1 och en alfa av 5 ge en N av 3, vilket indikerar att användaren skulle genomsnitts de första tre perioderna av data för att få en initial prognos. Men noggrannheten i den ursprungliga prognosen är inte kritisk Om man använder stora mängder data, eftersom exponentiell utjämning är självkorrigerande. Med tanke på tillräckliga perioder av tidigare data kommer exponentiell utjämning så småningom att göra tillräckligt korrigeringar för att kompensera för en rimligt oriktig första prognos. Användning av de data som används i andra exempel, en första prognos av 50 och en alfa av 7, beräknas en prognos för februari som sådan Ny prognos Februari 50 7 45 50 41 5.Nästa prognos för mars Ny prognos Mars 41 5 7 60 41 5 54 45 Th Processen fortsätter tills prospektorn når den önskade perioden I tabell 4 skulle detta vara för juni månad eftersom den faktiska efterfrågan för juni inte är känd. Den faktiska efterfrågan 000 s. En förlängning av exponentiell utjämning kan användas när tidsseriedata Uppvisar en linjär trend Denna metod är känd av flera namn dubbel utjämning trendjusterad exponentiell utjämning prognos inklusive trend FIT och Holt s Modell Utan justering kommer enkla exponentiella utjämningsresultat att sänka trenden, det vill säga prognosen kommer alltid att vara låg om trenden Ökar, eller högt om trenden minskar. Med denna modell finns två utjämningskonstanter och representerar trendkomponenten. En förlängning av Holt s Model, kallad Holt-Winter s Method, tar hänsyn till både trend och säsonglighet. Det finns två Versioner, multiplikativ och additiv, med multiplicativet som den mest använda i additivmodellen uttrycks säsonglighet som en kvantitet som ska läggas till eller subtraheras från Seriegenomsnitt Den multiplikativa modellen uttrycker säsongsmässighet som en procent som kallas säsongrelaterade eller säsongsindex för medelvärdet eller trenden. Dessa multipliceras sedan gånger för att inkludera säsongsmässiga förhållanden. En relativitet på 0 8 skulle indikera efterfrågan som är 80 procent av medelvärdet, medan 1 10 skulle indikera efterfrågan som är 10 procent över genomsnittet Detaljerad information om denna metod finns i de flesta handbokshandböcker eller ett antal böcker om prognoser. Sosiologiska eller kausaltekniker innefattar identifiering av variabler som kan användas för att förutsäga En annan variabel av intresse Exempelvis kan räntor användas för att prognostisera efterfrågan på hemrefinansiering. Vanligtvis innebär detta att man använder linjär regression, där målet är att utveckla en ekvation som sammanfattar effekterna av de oberoende variablerna för prognoser på det prognostiserade beroende Variabel Om prediktorvariabeln var plottad skulle objektet vara att erhålla En likning av en rak linje som minimerar summan av de kvadrerade avvikelserna från linjen med avvikelse är avståndet från varje punkt till linjen. Ekvationen skulle framstå som ya bx, där y är den förutsagda beroende variabeln, x är den oberoende variabeln för prediktor , B är linjens lutning och a är lika med linjens höjd vid y-avlyssningen. När ekvationen är bestämd kan användaren infoga nuvarande värden för den oberoende variabeln för predikter för att komma fram till en prognosberoende variabel. Om Det finns mer än en prediktorvariabel eller om förhållandet mellan prediktor och prognos inte är linjär, kommer enkel linjär regression att vara otillräcklig. För situationer med flera prediktorer bör flera regressioner användas, medan icke-linjära relationer kräver användning av kurvlinjär regression. ECONOMETRIC FORECASTING. Econometric metoder, såsom autoregressiv integrerad rörlig genomsnittsmodell ARIMA, använder komplexa matematiska ekvationer för att visa tidigare relationer Mellan efterfrågan och variabler som påverkar efterfrågan En ekvation är härledd och testad och finjusterad för att säkerställa att det är lika tillförlitligt en representation av det förflutna förhållandet som möjligt. När detta är gjort kommer projicerade värden av influensavariablerna inkomst, priser mm Infogas i ekvationen för att göra en prognos. VALUERANDE FORECASTS. Forecast accuracy kan bestämmas genom att beräkna bias, genomsnittlig absolut avvikelse MAD, medelvärde kvadratfel MSE eller genomsnittligt absolut procentfel MAPE för prognosen med olika värden för alfa Bias är Summan av prognosfel FE För det exponentiella utjämningsexemplet ovan skulle den beräknade förspänningen vara 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Om man antar att en låg bias anger ett totalt lågprognosfel kan man beräkna Bias för ett antal potentiella värden av alfa och antar att den med den lägsta förspänningen skulle vara den mest exakta men försiktighet måste observeras i det att ofullständiga prognoser kan ge en Låg bias om de tenderar att vara både över prognostiserad och prognostiserad negativ och positiv. Till exempel kan en firma i tre perioder använda ett visst värde av alfa till överprognos med 75 000 enheter 75 000, prognostiseras av 100 000 enheter 100 000 och sedan över prognos Med 25 000 enheter 25 000, vilket ger en bias på noll 75 000 100 000 25 000 0 I jämförelse skulle en annan alfa som gav över prognoser på 2000 enheter, 1 000 enheter och 3 000 enheter resultera i en bias på 5000 enheter. Om den normala efterfrågan var 100 000 enheter per period Första alfa skulle ge prognoser som var avsteg med så mycket som 100 procent medan den andra alfa skulle vara av med högst 3 procent, trots att bias i den första prognosen var noll. En säkrare mätning av prognosnoggrannheten är medelvärdet absolut Avvikelse MAD För att beräkna MAD summerar prognosen det absoluta värdet av prognosfel och dividerar sedan med antalet prognoser FE N Genom att ta det absoluta värdet av prognosfel, utjämning av p Ositiva och negativa värden undviks Detta innebär att både en överprognos av 50 och en underprognos av 50 är av med 50 Med hjälp av data från exponentiell utjämningsexempel kan MAD beräknas enligt följande 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Undersökaren är därför borta i genomsnitt 16 35 enheter per prognos. Jämfört med resultatet av andra alfaser, kommer prognosen att veta att alfabetet med lägsta MAD ger den mest exakta prognosen. Mean kvadratfel MSE Kan också användas på samma sätt MSE är summan av prognosfel kvadrerad dividerad med N-1 FE N-1 Kvadrering av prognosfel eliminerar möjligheten att kompensera negativa tal eftersom ingen av resultaten kan vara negativ Använda samma data Som ovan skulle MSE vara 18 5 17 55 8 74 20 62 3 383 94 Liksom med MAD kan prognosen jämföra MSE med prognoser som härleds med olika värden av alfa och anta att alfa med lägsta MSE ger den mest exakta prognosen . Mea N absolut procentfel MAPE är det genomsnittliga absolutprocentfelet För att komma fram till MAPE måste man ta summan av förhållandena mellan prognosfel och faktiska efterfrågtider 100 för att få procentandelen och dela upp med N Nytt förfrågan prognos Faktisk efterfrågan 100 N Använda data Från det exponentiella utjämningsexemplet kan MAPE beräknas enligt följande 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Som med MAD och MSE, desto lägre är det relativa felet ju mer exakt prognosen. Det bör noteras att I vissa fall anses prognosens förmåga att förändras snabbt för att svara på förändringar i datamönstren anses vara viktigare än noggrannhet. Därför bör ett s val av prognosmetod återspegla den relativa vikten av betydelse mellan noggrannhet och lyhördhet, som bestäms av Prognoser. VILLA EN FORECAST. Williams J Stevenson listar följande som de grundläggande stegen i prognosprocessen. Bestäm prognosens syfte Faktorer som hur och när prognosen kommer att användas , Graden av noggrannhet som behövs och den önskade detaljnivåen bestämmer kostnaden tid, pengar, anställda som kan vara dedikerade till prognosen och typen av prognosmetod som ska utnyttjas. Fastställa en tidshorisont Detta uppträder efter att man har bestämt syftet Av prognosen Längre prognoser kräver längre tidshorisonter och vice versa Noggrannhet är återigen en övervägande. Välj en prognosteknik Den valda tekniken beror på syftet med prognosen, önskad tidshorisont och den tillåtna kostnaden. Samla och analysera data Mängden och typen av data som behövs styrs av prognosens syfte, den prognosteknik som valts och eventuella kostnadsöverväganden. Gör prognosen. Övervaka prognosen Utvärdera prestandan i prognosen och modifiera, om nödvändigt. YTTERLIGARE READING. Finch, 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 nominella grupptekniken Forskningsprocessen tillgänglig från. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Också läs artikel om prognoser från Wikipedia.