Como você pode supor que nós estamos olhando algumas das aproximações as mais primitivas à previsão mas esperançosamente estes são pelo menos uma introdução de valor a algumas das edições de computação relacionadas a executar previsões em spreadsheets. In esta veia nós continuaremos por Começando no início e começar a trabalhar com previsões média móvel. Moving previsões médias Todo mundo está familiarizado com as previsões de média móvel, independentemente de se eles acreditam que são Todos os estudantes universitários fazê-los o tempo todo Pense sobre seus resultados de teste em um curso onde você está indo Ter quatro testes durante o semestre Vamos supor que você tem um 85 em seu primeiro teste. O que você poderia prever para sua segunda pontuação de teste. O que você acha que seu professor iria prever para sua próxima pontuação de teste. O que você acha que seus amigos podem prever Para a sua próxima pontuação de teste. O que você acha que seus pais podem prever para a sua próxima pontuação de teste. Independentemente de todos os blabbing você pode fazer para o seu fr Eu e seus pais, eles e seu professor são muito provável esperar que você obtenha algo na área do 85 que você começou apenas. Bem, agora vamos supor que, apesar de sua auto-promoção para seus amigos, você superestima-se E figura você pode estudar menos para o segundo teste e assim você começa um 73.Now o que são todos os interessados e despreocupados vai antecipar você vai chegar em seu terceiro teste Há duas abordagens muito provável para eles desenvolverem uma estimativa, independentemente de Se eles vão compartilhá-lo com você. Eles podem dizer a si mesmos, Este cara está sempre soprando fumaça sobre sua inteligência Ele vai ter outro 73 se ele tiver sorte. Talvez os pais vão tentar ser mais solidário e dizer, Bem, então Longe de você ter obtido um 85 e um 73, então talvez você deve figura em obter cerca de 85 73 2 79 Eu não sei, talvez se você fez menos festas e weren t sacudir a doninha todo o lugar e se você começou a fazer um Muito mais estudar você poderia obter uma maior score. Both destas estimativas são reais A média móvel previsões. A primeira é usar apenas a sua pontuação mais recente para prever o seu desempenho futuro Isso é chamado de uma média móvel previsão usando um período de dados. O segundo é também uma média móvel previsão, mas usando dois períodos de dados. Por isso, Que todas essas pessoas rebentando em sua grande mente têm tipo de puto você fora e você decidir fazer bem no terceiro teste para suas próprias razões e colocar uma pontuação mais alta na frente de seus aliados Você faz o teste e sua pontuação é realmente um 89 Todo mundo, incluindo você, está impressionado. Então agora você tem o teste final do semestre chegando e, como de costume, você sente a necessidade de incitar todos a fazer suas predições sobre como você vai fazer no último teste. Bem, espero que você veja o Pattern. Now, espero que você pode ver o padrão Que você acha que é o mais preciso. Whistle Enquanto Trabalhamos Agora, vamos voltar para a nossa nova empresa de limpeza iniciado por sua meia irmã distanciado chamado Whistle While We Work Você tem alguns dados de vendas anteriores Representado pela seguinte seção de uma planilha Nós primeiro apresentar os dados para um período de três média móvel forecast. The entrada para a célula C6 deve ser. Now você pode copiar esta fórmula de célula para baixo para as outras células C7 a C11.Notice como a média se move Sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão Você também deve notar que realmente não precisamos fazer as previsões para os períodos passados, a fim de desenvolver a nossa previsão mais recente Isso é definitivamente diferente do Modelo de suavização exponencial Eu incluí as previsões passadas porque vamos usá-las na próxima página da web para medir a validade de previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser. Agora você Pode copiar esta fórmula de célula para baixo para as outras células C6 a C11.Notice como agora apenas os dois mais recentes pedaços de dados históricos são utilizados para cada previsão Novamente eu tenho incluir D as previsões passadas para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são de importância para aviso. Para uma m-período média móvel previsão apenas os m valores de dados mais recentes são utilizados para fazer a previsão Nada mais é necessário. Para uma média móvel de m-período de previsão, ao fazer predições passadas, observe que a primeira predição ocorre no período m 1.Todas estas questões serão muito significativas quando desenvolvemos o nosso code. Developing a função média móvel Agora precisamos desenvolver O código para a previsão média móvel que pode ser usado de forma mais flexível O código segue Observe que as entradas são para o número de períodos que você deseja usar na previsão ea matriz de valores históricos Você pode armazená-lo em qualquer pasta de trabalho que você want. Function MovingAverage Histórico, NumberOfPeriods Como Único Declarar e inicializar variáveis Dim Item como Variant Dim Counter As Integer Dim Acumulação como único Dim HistoricalSize As Integer. Inicializando variáveis Contador 1 Acumulação 0. Determinando o tamanho da matriz histórica HistoricalSize. For Counter 1 To NumberOfPeriods. Acumulando o número apropriado de valores mais recentes anteriormente observados. Acumulação Acumulação Histórico Histórico Tamanho - NúmeroOfPeriodos Counter. MovingAverage Acumulação NumberOfPeriods. The código será explicado na classe Você deseja posicionar a função na planilha para que o resultado da computação aparece onde deveria Como o seguinte. Métodos de Cálculo de Previsão. A 1 Métodos de Cálculo de Previsão. Todos os métodos de cálculo de previsões estão disponíveis A maioria destes métodos fornecem controle de usuário limitado Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas de dados históricos usados em Os cálculos podem ser especificados Os exemplos a seguir mostram o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto de dados históricos idênticos. Os exemplos a seguir usam os mesmos dados de vendas de 2004 e 2005 para produzir uma previsão de vendas de 2006 Além da previsão Cálculo, cada exemplo inclui um simulador de Reformulação para uma opção de processamento de período de retenção de três meses 19 3, que é então usada para os resultados de estimativa de precisão e desvio absoluto médio de vendas reais em comparação com a previsão simulada. A 2 Critérios de avaliação do desempenho da previsão. Dependendo da sua seleção de opções de processamento e das tendências e Padrões existentes nos dados de vendas, alguns métodos de previsão terão melhor desempenho do que outros para um determinado conjunto de dados históricos Um método de previsão apropriado para um produto pode não ser apropriado para outro produto Também é improvável que um método de previsão que forneça bons resultados ao Um estágio do ciclo de vida de um produto permanecerá apropriado ao longo de todo o ciclo de vida. Você pode escolher entre dois métodos para avaliar o desempenho atual dos métodos de previsão Estes são Desvio Médio Absoluto MAD e Porcentagem de Precisão POA Ambos estes métodos de avaliação de desempenho requerem Histórico de vendas para um período de tempo especificado pelo usuário Este período de tempo é Chamado período de retenção ou período de melhor ajuste PBF Os dados nesse período são usados como base para recomendar qual dos métodos de previsão a ser usado na tomada da próxima projeção de projeção Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para outra O próximo Os dois métodos de avaliação de desempenho de previsão são demonstrados nas páginas que seguem os exemplos dos doze métodos de previsão. 3 Método 1 - Percentual especificado no ano passado. Este método multiplica os dados de vendas do ano anterior por um fator especificado pelo usuário, por exemplo, 1 10 para um aumento de 10 ou 0 97 para uma diminuição de 3. Histórico de vendas necessário Um ano para calcular a previsão mais o número de períodos de tempo especificado pelo usuário para avaliar a opção de processamento de desempenho de previsão 19.A 4 1 Cálculo de Previsão. Range do histórico de vendas Para usar no cálculo da opção de processamento de fator de crescimento 2a 3 neste exemplo. Sum os três meses finais de 2005 114 119 137 370.Sum os mesmos três meses para o p Ano anterior 123 139 133 395.O fator calculado 370 395 0 9367.Calcular as previsões. Janeiro de 2005 vendas 128 0 9367 119 8036 ou cerca de 120.Fevereiro, 2005 vendas 117 0 9367 109 5939 ou cerca de 110.March, 2005 vendas 115 0 9367 107 7205 ou cerca de 108.A 4 2 Simulated Forecast Calculation. Sum três meses de 2005 antes do período holdout julho, agosto, set.129 140 131 400.Sum os mesmos três meses para o ano anterior.141 128 118 387.O fator calculado 400 387 1 033591731.Calcular previsão simulada. October, 2004 vendas 123 1 033591731 127 13178.November, 2004 vendas 139 1 033591731 143 66925.December, 2004 vendas 133 1 033591731 137 4677.A 4 3 Por cento do cálculo da precisão . POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 C�culo de Desvio Absoluto M�ia 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Método 3 - Ano passado para este ano. Este método copia os dados de vendas do ano anterior para o próximo ano. Histórico de vendas não desejado Um ano para calcular a previsão mais o número de períodos de tempo especificados para avaliar a opção de processamento de desempenho de previsão 19.A 6 1 Cálculo de Previsão. Número de períodos a serem incluídos na opção de processamento média 4a 3 neste exemplo. Para cada mês Da previsão, média dos dados dos três meses anteriores. Previsão de janeiro 114 119 137 370, 370 3 123 333 ou 123. Previsão de fevereiro 119 137 123 379, 379 3 126 333 ou 126. Previsão de mercado 137 123 126 379, 386 3 128 667 ou 129.A 6 2 Cálculo de Previsão SimuladoOctober 2005 vendas 129 140 131 3 133 3333.Novembro 2005 vendas 140 131 114 3 128 3333.December 2005 vendas 131 114 119 3 121 3333.A 6 3 Percentagem de Precisão Calculation. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Cálculo do Desvio Absoluto Médio. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Método 5 - Aproximação Linear. A Aproximação Linear calcula um Tendência baseada em dois pontos de dados históricos de vendas. Esses dois pontos d Efine uma linha de tendência reta projetada para o futuro Use esse método com cautela, pois as previsões de longo alcance são alavancadas por pequenas mudanças em apenas dois pontos de dados. Histórico de vendas exigido O número de períodos a incluir na opção de processamento de regressão 5a, mais 1 plus O número de períodos de tempo para avaliar a opção de processamento de desempenho de previsão 19.A 8 1 Cálculo de Previsão. Número de períodos a incluir na opção de processamento de regressão 6a 3 neste exemplo. Para cada mês da previsão, adicione o aumento ou a diminuição durante os períodos especificados Antes do período de retenção do período anterior. A média dos três meses anteriores 114 119 137 3 123 3333.Resumo dos três meses anteriores com ponderação considerada. 114 1 119 2 137 3 763.Diferença entre os valores. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Diferença Relação 23 2 11 5.Value2 Relação de valor médio 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 Valor2 4 11 5 100 3333 146 333 ou 146.Forecast 5 11 5 100 3333 157 8333 ou 158.Forecast 6 11 5 100 3333 169 3333 ou 169.A 8 2 Cálculo de Previsão Simulado. October 2004. vendas dos três meses anteriores . 129 140 131 3 133 3333.Resumo dos três meses anteriores com ponderação considerada. 129 1 140 2 131 3 802.Diferença entre os valores. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Difference Ratio 2 2 1.Value2 Relação average-value1 133 3333 - 1 2 131 3333.Forecast 1 n valor1 valor2 4 1 131 3333 135 3333.Novembro 2004 vendas. Average dos três meses anteriores. 140 131 114 3 128 3333.Resumo dos três meses anteriores com ponderação considerada. 140 1 131 2 114 3 744.Diferença entre os valores 744 - 128 3333 1 2 3 -25 9999.Value1 Diferença Relação -25 9999 2 -12 9999.Valor2 Relação média-valor1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004. vendas dos três meses anteriores. 131 114 119 3 121 3333.Resumo dos três meses anteriores com ponderação considerada. 131 1 114 2 119 3 716.Diferença entre os valores. 716 - 121 3333 1 2 3 -11 9999.Value1 Diferença Relação -11 9999 2 -5 9999.Valor2 Relação média-valor1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Percentagem do Cálculo da Precisão. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Cálculo do Desvio Absoluto Médio. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Método 7 - Segundo A regressão linear determina os valores de aeb na fórmula de previsão Y a bX com o objetivo de ajustar uma linha reta aos dados do histórico de vendas A aproximação de segundo grau é semelhante No entanto, este método determina valores para a, b e c em A fórmula de previsão Y a bX cX2 com o objetivo de ajustar uma curva aos dados do histórico de vendas Este método pode ser útil quando um produto está na transição entre estágios de um ciclo de vida Por exemplo, quando um novo produto passa da introdução para as fases de crescimento , A tendência de vendas pode acelerar Devido ao prazo de segunda ordem, a previsão pode rapidamente abordagem Infinito ou queda para zero dependendo se o coeficiente c é positivo ou negativo Portanto, este método é útil somente no curto prazo. Especificações de Força As fórmulas encontram a, b e c para ajustar uma curva a exatamente três pontos Você especifica n na A opção de processamento 7a, o número de períodos de tempo de dados para acumular em cada um dos três pontos Neste exemplo n 3 Portanto, os dados de vendas reais de abril a junho são combinados no primeiro ponto, Q1 julho a setembro são adicionados juntos para criar Q2 , E de outubro a dezembro somam a Q3 A curva será ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas necessário 3 n períodos para cálculo da previsão mais o número de períodos necessários para avaliar o desempenho da previsão PBF. Número de Períodos para incluir a opção de processamento 7a 3 neste exemplo. Use os 3 meses anteriores em blocos de três meses. T1 Abr - Jun 125 122 137 384.Q2 Jul - Set 129 140 131 400.Q3 Oct - Dec 114 119 137 370. A etapa seguinte envolve c Alculando os três coeficientes a, b e c a serem utilizados na fórmula de previsão Y a bX cX 2. 1 Q1 a bX cX 2 onde X 1 a b c. 2 Q2 a bX cX 2 em que X 2 a 2b 4c. 3 Q3 a bX cX 2 onde X 3 a 3b 9c. Solve as três equações simultaneamente para encontrar b, a e c. Subtraímos a equação 1 da equação 2 e resolvemos para b. Substituir esta equação para b na equação 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Finalmente, substitua essas equações por aeb na equação 1. O método de Aproximação de Segundo Grau calcula A, b e c da seguinte forma: a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.Janeiro até março previsão X 4.322 340 - 368 3 294 3 98 por período. April até junho previsão X 5.322 425 - 575 3 57 333 ou 57 por período. Previsão de julho a setembro X 6. 322 510 - 828 3 1 33 ou 1 por período. Outubro a dezembro X 7. 322 595 - 1127 3 -70.A 9 2 Cálculo de Previsão Simulado. Outubro, Novembro E Dezembro de 2004. Jan. - Mar. 360.Q2 Abr. - Jun. 384.Q3 Jul. - Sep. 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Percentagem do Cálculo da Precisão. POA 136 136 136 114 119 137 100 110 27.A 9 4 Cálculo do Desvio Absoluto Médio. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Método 8 - Método Flexível. O Método Flexível Percentual ao longo de n Meses Anterior é semelhante ao Método 1, Percentagem ao longo do ano passado Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado pelo usuário , Então projete esse resultado no futuro No método Percent Over Last Year, a projeção é baseada em dados do mesmo período do ano anterior. O método flexível adiciona a capacidade de especificar um período de tempo diferente do mesmo período do ano passado para Utilizar como base para os cálculos. Factor de multiplicação Por exemplo, especifique 1 15 na opção de processamento 8b para aumentar os dados do histórico de vendas anteriores por 15. Período de base Por exemplo, n 3 fará com que a primeira previsão se baseie em dados de vendas em Outubro, 2005.Mínimo histórico de vendas O usuário especificou número o F períodos de volta ao período base, mais o número de períodos de tempo necessários para avaliar o desempenho da previsão PBF. A 10 4 Cálculo do Desvio Absoluto Médio. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Método 9 - Mudança Ponderada Média Móvel Ponderada WMA é semelhante ao Método 4, Média Móvel MA No entanto, com a Média Móvel Ponderada você pode atribuir pesos desiguais aos dados históricos O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o Curto prazo Dados mais recentes geralmente é atribuído um peso maior do que os dados mais antigos, por isso isso torna WMA mais responsivo às mudanças no nível de vendas No entanto, previsão bias e erros sistemáticos ainda ocorrem quando o produto história de vendas exibe tendência forte ou padrões sazonais Método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos em estágios de crescimento ou obsolescência do ciclo de vida. n o número de períodos de história de vendas a serem usados em O cálculo da previsão Por exemplo, especifique n 3 na opção de processamento 9a para usar os três períodos mais recentes como base para a projeção para o próximo período de tempo Um valor grande para n como 12 requer mais histórico de vendas Isso resulta em uma previsão estável , Mas será lento para reconhecer mudanças no nível de vendas Por outro lado, um pequeno valor para n como 3 irá responder mais rapidamente às mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder a As variações. O peso atribuído a cada um dos períodos de dados históricos Os pesos atribuídos devem totalizar 1 00 Por exemplo, quando n 3, atribuir pesos de 0 6, 0 3 e 0 1, com os dados mais recentes recebendo o maior peso. Mínimo histórico de vendas necessário n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Método 10 - Suavização linear. Método 9, média móvel ponderada WMA Como Em vez de arbitrariamente atribuir pesos aos dados históricos, uma fórmula é usada para atribuir pesos que declinam linearmente e somam a 1 00 O método então calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Verdadeiro de todas as técnicas lineares de média móvel de previsão, viés de previsão e erros sistemáticos ocorrem quando o histórico de vendas do produto exibe tendência forte ou padrões sazonais Este método funciona melhor para as projeções de curto prazo de produtos maduros do que para produtos nos estágios de crescimento ou obsolescência da vida Ciclo. n o número de períodos do histórico de vendas a utilizar no cálculo da previsão Isto é especificado na opção de processamento 10a Por exemplo, especifique n 3 na opção de processamento 10b para utilizar os três períodos mais recentes como base para a projecção na Próximo período de tempo O sistema atribuirá automaticamente os pesos aos dados históricos que declinam linearmente e somam a 1 00 Por exemplo, quando n 3, o s O ystem atribuirá pesos de 0 5, 0 3333 e 0 1, com os dados mais recentes recebendo o maior peso. Histórico mínimo de vendas necessário n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão PBF. A 12 1 Cálculo de previsão. Número de períodos a incluir na suavização da opção de processamento média 10a 3 neste exemplo. Ratio para um período anterior 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio para dois períodos anteriores 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio para três períodos anteriores 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Previsões de Janeiro 137 0 5 119 1 3 114 1 6 127 16 ou 127.Previsões de Fevereiro 127 0 5 137 1 3 119 1 6 129. Previsão de mercado 129 0 5 127 1 3 137 1 6 129 666 ou 130.A 12 2 Simulação de Cálculo de PrevisãoOctober 2004 vendas 129 1 6 140 2 6 131 3 6 133 6666.Novembro 2004 vendas 140 1 6 131 2 6 114 3 6 124.Vendas de Dezembro de 2004 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Percentagem do Cálculo da Precisão. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Cálculo do Desvio Médio Absoluto Madrinha Este método é semelhante ao Método 10, Linear Smoothing In Linear Smoothing o sistema atribui pesos aos dados históricos que declinam linearmente Em suavização exponencial , O sistema atribui pesos que decrescem exponencialmente. A equação de previsão exponencial de suavização é. Previsão de Vendas Previas Reais 1 - a Previsão Prevista. A previsão é uma média ponderada das vendas reais do período anterior ea previsão do período anterior a é a Peso aplicado às vendas reais para o período anterior 1 - a é o peso aplicado à previsão para o período anterior Valores válidos para um intervalo de 0 a 1, e geralmente caem entre 0 1 e 0 4 A soma dos pesos é 1 00 a 1 - a 1.Deve atribuir um valor para a constante de suavização, a Se você não atribuir valores para a constante de suavização, o sistema calcula um valor assumido com base no número de períodos do histórico de vendas especificado D na opção de processamento 11a. a a constante de suavização utilizada no cálculo da média suavizada para o nível geral ou a magnitude das vendas Valores válidos para um intervalo de 0 a 1.n o intervalo de dados do histórico de vendas a incluir nos cálculos Geralmente um ano De dados de histórico de vendas é suficiente para estimar o nível geral de vendas Para este exemplo, um pequeno valor para nn 3 foi escolhido para reduzir os cálculos manuais necessários para verificar os resultados O suavização exponencial pode gerar uma previsão com base em apenas um histórico Ponto de dados. Histórico de vendas necessário mínimo n mais o número de períodos de tempo necessários para avaliar o desempenho de previsão PBF. A 13 1 Cálculo de Previsão. Número de períodos a incluir na opção de processamento média de alisamento 11a 3 e opção de processamento de factor alfa 11b em branco nesta Um fator para os dados de vendas mais antigos 2 1 1, ou 1 quando alfa é especificado. Um fator para os dados de vendas mais antigos 2 1 2, ou alfa quando alfa é especificado. Um fator Para o 3º mais antigo dados de vendas 2 1 3, ou alfa quando alfa é especificado. um fator para os dados de vendas mais recentes 2 1 n, ou alfa quando alfa é especificado. Novembro Sm Avg a outubro Real 1 - a outubro Sm Avg 1 114 0 0 114.December Sm. Avg. A Nov. Reais 1 - a Novembro Sm Avg 2 3 119 1 3 114 117 3333.January Forecast a Dezembro Actual 1 - a Dezembro Sm Avg 2 4 137 2 4 117 3333 127 16665 ou 127.Frebruary Forecast Previsão de janeiro Previsão de 127.March Previsão de janeiro 127.A 13 2 Simulated Forecast Calculation. July, 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Média 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.Novembro, 2004 vendas Setembro Sm Média 124.September 2004 Sm Média 2 2 131 131.Octobre Sm Média 2 3 114 1 3 131 119 6666.Novembro Sm Média 2 4 119 2 4 119 6666 119 3333.December 2004 vendas Setembro Sm Média 119 3333.A 13 3 Percentagem Do cálculo da precisão PTO 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Cálculo do Desvio Absoluto Médio. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Método 12 - Suavização Exponencial com Tendência e Sazonalidade. Este método é semelhante ao Método 11, Suavização Exponencial em que uma média suavizada é calculada No entanto, o Método 12 também inclui um termo na equação de previsão para calcular uma tendência alisada A previsão é composta de uma média alisada ajustada para uma tendência linear Quando especificado Na opção de processamento, a previsão também é ajustada para a sazonalidade. a constante de alisamento usada no cálculo da média suavizada para o nível geral ou magnitude das vendas Valores válidos para alfa variam de 0 a 1.b a constante de suavização usada no cálculo do alisado Média para a componente de tendência da previsão Valores válidos para a gama beta de 0 a 1. Se um índice sazonal é aplicado à previsão. A e b são independentes uns dos outros Eles não têm que adicionar a 1 0.Min O modelo 12 usa duas equações exponenciais de suavização e uma média simples para calcular uma média suavizada, uma tendência alisada e um fator sazonal médio simples. A 14 1 Cálculo de Previsão. Uma média exponencialmente suavizada. 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Avaliando as Previsões. Você pode selecionar métodos de previsão para gerar até doze previsões para cada produto Cada previsão Método provavelmente criará uma projeção ligeiramente diferente Quando milhares de produtos são previstos, é impraticável fazer uma decisão subjetiva sobre qual das previsões usar em seus planos para cada um dos produtos. O sistema avalia automaticamente o desempenho de cada um dos métodos de previsão Que você seleciona e para cada um dos produtos previstos Você pode escolher entre dois critérios de desempenho, Mean Absolute Deviation MAD e Percentagem de Accur Acy POA MAD é uma medida do erro de previsão POA é uma medida do preconceito de previsão Ambas as técnicas de avaliação de desempenho requerem dados de histórico de vendas reais para um período de tempo especificado pelo usuário Este período do histórico recente é chamado de período de retenção ou períodos melhor ajustados PBF. Para medir o desempenho de um método de previsão, use as fórmulas de previsão para simular uma previsão para o período de retenção histórico Normalmente haverá diferenças entre os dados de vendas reais ea previsão simulada para o período de retenção. Quando múltiplos métodos de previsão são selecionados, Para cada método Previsões múltiplas são calculadas para o período de retenção e comparadas com o histórico de vendas conhecido para esse mesmo período de tempo É recomendado o método de previsão que produz o melhor ajuste melhor ajuste entre a previsão e as vendas reais durante o período de retenção Em seus planos Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para a Xt. A 16 Desvio Médio Absoluto MAD. MAD é a média ou média dos valores absolutos ou magnitude dos desvios ou erros entre dados reais e previstos MAD é uma medida da magnitude média de erros a esperar, dado um método de previsão e dados Uma vez que os valores absolutos são utilizados no cálculo, os erros positivos não anulam os erros negativos Ao comparar vários métodos de previsão, aquele com o menor MAD mostrou ser o mais confiável para esse produto para aquele período de retenção. Erros são normalmente distribuídos, existe uma relação matemática simples entre MAD e duas outras medidas comuns de distribuição, desvio padrão e erro quadrático médio. 16 1 Porcentagem de precisão POA. Percent of Exactitude POA é uma medida do viés de previsão Quando as previsões são consistentemente Muito alto, os estoques se acumulam e os custos de estoque aumentam Quando as previsões são consistentemente duas baixas, os estoques são consumidos e o declínio do serviço ao cliente S Uma previsão que é 10 unidades muito baixas, então 8 unidades muito altas e, em seguida, 2 unidades muito altas, seria uma previsão imparcial O erro positivo de 10 é cancelado por erros negativos de 8 e 2.Error Actual - Forecast. When um produto Pode ser armazenado no inventário e quando a previsão é imparcial, uma pequena quantidade de estoque de segurança pode ser usado para amortecer os erros Nesta situação, não é tão importante para eliminar erros de previsão como é gerar previsões imparciais No entanto, em indústrias de serviços , A situação acima seria vista como três erros O serviço seria insuficiente no primeiro período, em seguida, overstaffed para os próximos dois períodos Em serviços, a magnitude dos erros de previsão é geralmente mais importante do que previsão de viés. A soma sobre o período de retenção Permite erros positivos para cancelar erros negativos Quando o total de vendas reais excede o total de vendas previstas, a proporção é maior do que 100 Naturalmente, é impossível ser mais de 100 precisos Quando uma previsão é unbias Ed, a razão POA será 100 Portanto, é mais desejável ser 95 precisos do que ser 110 precisos Os critérios POA selecionar o método de previsão que tem uma relação POA mais próxima a 100.Scripting nesta página melhora a navegação de conteúdo, mas não Alterar o conteúdo de qualquer maneira. Time Series Methods. Time métodos série são técnicas estatísticas que fazem uso de dados históricos acumulados ao longo de um período de tempo Os métodos de séries temporais assumem que o que ocorreu no passado continuará a ocorrer no futuro Como o nome As séries temporais sugerem que esses métodos relacionam a previsão com apenas um fator - o tempo Eles incluem a média móvel, a suavização exponencial e a linha de tendência linear e estão entre os métodos mais populares para a previsão de curto alcance entre empresas de serviços e de manufatura. Que os padrões históricos identificáveis ou tendências para a demanda ao longo do tempo irá repetir-se. Mover média. A série de tempo de previsão pode ser tão simples como usar a demanda na corrente p Por exemplo, se a demanda for de 100 unidades esta semana, a previsão para a demanda da próxima semana é de 100 unidades se a demanda for de 90 unidades em vez disso, então A demanda da semana seguinte é de 90 unidades, e assim por diante Este tipo de método de previsão não leva em conta o comportamento da demanda histórica que se baseia apenas na demanda no período atual Ele reage diretamente aos movimentos normais, aleatórios na demanda. A média móvel simples Método usa vários valores de demanda durante o passado recente para desenvolver uma previsão Isso tende a atenuar ou suavizar os aumentos aleatórios e as diminuições de uma previsão que usa apenas um período A média móvel simples é útil para prever a demanda que é estável e não Exibir qualquer comportamento de demanda pronunciada, como uma tendência ou padrão sazonal. As médias de movimentação são computadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o despreocupador A fórmula para computar a média movente simples isputing uma média movente simples. A companhia instantânea da fonte do escritório do grampo do papel vende e entrega materiais de escritório a companhias, escolas, e Agências dentro de um raio de 50 milhas de seu armazém O negócio de fornecimento de escritório é competitivo, ea capacidade de entregar ordens prontamente é um fator na obtenção de novos clientes e manter os antigos Escritórios normalmente ordem não quando eles correm baixos suprimentos, mas quando eles completamente O gerente da empresa quer ter certeza de que os motoristas e os veículos estão disponíveis para entregar ordens prontamente e eles têm estoque adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de Ordens que ocorrerão durante o próximo mês, ou seja, para prever a demanda por entregas. A partir de registros de ordens de entrega, a gerência acumulou o followi Ng dados para os últimos 10 meses, a partir do qual ele quer calcular 3- e 5 meses médias móveis. Vamos supor que é o final de outubro A previsão resultante da média móvel 3- ou 5 meses é tipicamente Para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por pedidos para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula. A média móvel de 5 meses é calculada a partir do anterior 5 Meses de dados de demanda como segue. As previsões médias móveis de 3 e 5 meses para todos os meses de dados de demanda são mostradas na seguinte tabela Na verdade, somente a previsão para novembro com base na demanda mensal mais recente seria usada pelo gerente No entanto, as previsões anteriores para os meses anteriores permitem-nos comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, o quão bem ele faz. Três e Cinco Mês Averages. Both previsões de média móvel na tabela Acima tendem a suavizar Se a variabilidade que ocorre nos dados reais. Este efeito de suavização pode ser observado na seguinte figura em que as médias de 3 meses e 5 meses foram sobrepostas a um gráfico dos dados originais. A média móvel de 5 meses na figura anterior Suaviza as flutuações em maior medida do que a média móvel de 3 meses No entanto, a média de 3 meses reflete mais de perto os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões usando a média móvel de longo prazo são mais lentas para reagir As mudanças recentes na demanda do que aquelas feitas usando médias móveis do período mais curto Os períodos extra dos dados abafam a velocidade com que a previsão responde Estabelecer o número apropriado dos períodos a usar-se em uma previsão média móvel requer frequentemente alguma quantidade de tentativa e erro A desvantagem do método de média móvel é que ele não reage a variações que ocorrem por uma razão, como ciclos e efeitos sazonais. Fatores que causam As mudanças são geralmente ignoradas É basicamente um método mecânico, que reflete dados históricos de forma consistente No entanto, o método de média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato Em geral, este método pode fornecer uma boa previsão Para o curto prazo, mas não deve ser empurrado demasiado longe no futuro. Média móvel ponderada. O método da média móvel pode ser ajustado para refletir mais de perto flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos mais recentes Dados de acordo com a seguinte fórmula. Os dados de demanda para PM Computer Services mostrados na tabela para o Exemplo 10 3 parecem seguir uma tendência linear crescente A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que a suavização exponencial e Ajustadas, desenvolvidas nos Exemplos 10 3 e 10 4. Os valores necessários para os cálculos dos mínimos quadrados são os seguintes: Usando esses valores, Para a linha de tendência linear são calculados da seguinte forma. Portanto, a equação da linha de tendência linear é. Para calcular uma previsão para o período 13, vamos x 13 na linha de tendência linear. O gráfico a seguir mostra a linha de tendência linear comparada com os dados reais A linha de tendência parece refletir de perto os dados reais - isto é, ser um bom ajuste - e seria assim um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não se ajustará a um Mudança na tendência, como os métodos de previsão exponencial suavização que é, é assumido que todas as previsões futuras seguirá uma linha reta Isso limita a utilização deste método para um período de tempo mais curto em que você pode ser relativamente certo de que a tendência vai Não mudar. Ajustes sazonais. Um padrão sazonal é um aumento e uma diminuição repetitivos na demanda Muitos artigos da demanda exibem comportamento sazonal As vendas da roupa seguem testes padrões sazonais anuais, com a demanda para a roupa morna que aumenta no outono e no inverno E declínio na primavera e no verão como a demanda por roupas mais frias aumenta Demanda de muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, vestuário, aparelhos eletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias Conjunta com dias especiais como Dia dos Namorados e Dia da Mãe Padrões sazonais também podem ocorrer em uma base mensal, semanal ou mesmo diária Alguns restaurantes têm maior demanda à noite do que no almoço ou nos fins de semana em oposição aos dias de semana Tráfego - daí Vendas - em shopping centers pega na sexta-feira e sábado. Há vários métodos para refletir os padrões sazonais em uma série de previsões de tempo Vamos descrever um dos métodos mais simples usando um fator sazonal Um fator sazonal é um valor numérico que é multiplicado pelo Normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda por cada período sazonal por dema anual total De acordo com a seguinte fórmula. Os fatores sazonais resultantes entre 0 e 10 são, de fato, a parcela da demanda anual total atribuída a cada estação. Estes fatores sazonais são multiplicados pela demanda anual prevista para produzir previsões ajustadas para cada estação Previsão com Ajustes Sazonais. Wishbone Farms cresce perus para vender a uma empresa de processamento de carne ao longo do ano No entanto, sua época de pico é, obviamente, durante o quarto trimestre do ano, de outubro a dezembro Wishbone Farms experimentou a demanda por perus para o passado Três anos mostrados na tabela a seguir. Porque temos três anos de dados de demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total para os três anos pela demanda total em todos os três anos. Em seguida, queremos multiplicar a demanda prevista No ano seguinte, em 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre Para conseguir isso, precisamos de uma previsão de demanda para 2000 In t Seu caso, uma vez que os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, nós calculamos uma linha de tendência linear para os três anos de dados na tabela para obter uma previsão de estimativa aproximada. Assim, a previsão para 2000 é 58 17, Ou 58.170 perus. Usando esta previsão anual de demanda, as previsões sazonalmente ajustadas, SF i, para o ano 2000 estãoparando essas previsões trimestrais com os valores reais da demanda no quadro, parecem estimativas relativamente boas, refletindo tanto as variações sazonais Os dados ea tendência geral ascendente.10-12 Como o método da média móvel é semelhante à suavização exponencial.10-13 Qual efeito no modelo de suavização exponencial aumentará a constante de suavização have.10-14 Como a suavização exponencial ajustada difere da exponencial O que determina a escolha da constante de suavização para a tendência em um modelo de suavização exponencial ajustado.10-16 Nos exemplos de capítulo para métodos de série de tempo, a previsão inicial S sempre assumido como o mesmo que a demanda real no primeiro período Sugerir outras maneiras que a previsão inicial pode ser derivada em uso real.10-17 Como o modelo de previsão de linha de tendência linear difere de um modelo de regressão linear para previsão.10- 18 Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel ea média móvel ponderada, a suavização exponencial ea suavização exponencial ajustada, ea linha de tendência linear, qual você considera o melhor Why.10-19 Que vantagens a suavização exponencial ajustada Têm sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência. 4 KB Kahn e JT Mentzer, Forecasting no consumidor e mercados industriais, The Journal of Business Forecasting 14, no 2 Verão de 1995 21-28.
No comments:
Post a Comment