Proste Przejście Średnie Prognozy Przykład

Prosta średnia ruchoma - SMA. BREAKING DOWN Średnia przeciętna średnia ruchoma - SMA. Prosta średnia ruchoma jest konfigurowalna, ponieważ można ją obliczyć na inną liczbę okresów, po prostu przez dodanie ceny zamknięcia zabezpieczenia przez szereg okresów czasu i a następnie podzielenie tej sumy przez liczbę okresów, co daje średnią cenę zabezpieczenia w danym okresie Prosta średnia ruchoma łagodzi niestabilność i ułatwia wyświetlanie tendencji cenowej Jeśli prosta średnia ruchoma wskazuje na , oznacza to, że cena zabezpieczenia wzrasta Jeśli wskazuje to oznacza, że ​​cena zabezpieczenia maleje Im dłuższa jest rama czasowa dla średniej ruchomej, tym gładsza jest zwykła średnia ruchoma Krótkotrwała średnia ruchoma jest bardziej zmienna, ale jego odczytywanie jest bliższe danych źródłowych. Znaczenie matematyczne. Średnie przeciętne są ważnym narzędziem analitycznym służącym do identyfikacji obecnych trendów cenowych i możliwości zmiany ustalonego tre nd Najprostszą formą wykorzystania prostej średniej ruchomej w analizie jest użycie jej do szybkiego wykrycia, czy zabezpieczenie znajduje się w trendzie wzrostowym lub downtrendu Kolejnym popularnym, choć nieco bardziej złożonym narzędziem analitycznym, jest porównanie pary prostych średnich kroczących z każdym pokrywą różnych ramy czasowe Jeśli średnia krótkoterminowa średnia krótkoterminowa przekracza średnią długoterminową, spodziewany jest trend wzrostowy Z drugiej strony średnia długoterminowa powyżej średniej krótkoterminowej wskazuje na tendencję spadkową w trendzie. Popularne modele obrotu. Dwa popularne modele handlowe, w których stosowane są proste średnie ruchome to krzyż śmierci i złoty krzyż Krzyż śmierci pojawia się, gdy 50-dniowa średnia ruchoma przecina poniżej 200-dniowej średniej ruchomej Jest to sygnał nieprzyjemny, że kolejne straty są w magazynie Złoty krzyż ma miejsce, gdy krótkoterminowa średnia ruchoma przewyższa długoterminową średnią ruchoma Wzmocnione przez duże obroty, może to świadczyć o dalszych zyskach. Przeciętny i exponenti al modele wygładzania. Jest to pierwszy krok w wyjściu poza średnie modele, przypadkowe modele chodu i modele trendów liniowych, nieuzasadnione wzorce i trendy mogą być ekstrapolowane przy użyciu modelu poruszającego się średnio lub wygładzającego Podstawowym założeniem modelu uśredniania i wygładzania jest to, że czas seria jest lokalnie stacjonarna z powolnie zmieniającą się średnią W związku z tym ruszamy lokalną średnią w celu oszacowania bieżącej wartości średniej, a następnie użyć jej jako prognozy na najbliższą przyszłość To można uznać za kompromis pomiędzy średnim modelem a losowym - chylenie bez drift-model Ta sama strategia może być użyta do oszacowania i ekstrapolacji lokalnego trendu Średnia ruchoma jest często nazywana wyrafinowaną wersją oryginalnej serii, ponieważ uśrednianie krótkotrwałe ma na celu wyrównanie uderzeń w oryginale seria Dzięki dostosowaniu stopnia wygładzania szerokości średniej ruchomej możemy mieć nadzieję, że osiągniemy pewien rodzaj optymalnej równowagi między osiągnięciem średnich i przypadkowych modeli walk typem uśredniania modelu jest równa równoważności ruchoma średnia. Prognoza dla wartości Y w czasie t1, która jest dokonywana w czasie t równa się zwykłej średniej z ostatnich obserwacji m. Tutaj i gdzie indziej będę używać symbolu Y-hat do prognozowania serii czasowej Y dokonanej najwcześniej w poprzednim terminie przez dany model Średnia ta jest skoncentrowana w okresie tm 1 2, co oznacza, że ​​oszacowanie lokalna średnia będzie miała tendencję do opóźnienia w stosunku do prawdziwej wartości średniej lokalnej o około m 1 2 okresy Tak więc mówimy średni wiek danych w prostej średniej ruchomej wynosi m 1 2 w stosunku do okresu, na który obliczana jest prognoza jest to kwota czasu, w jakim prognozy będą się spóźniały za punktami zwrotnymi w danych Na przykład, jeśli uśrednimy ostatnie 5 wartości, prognozy będą wynosić około 3 okresy późne w odpowiedzi na punkty zwrotne Zauważ, że jeśli m 1, prosty średni ruchowy model SMA jest równoważny modelowi losowego spaceru bez wzrostu Jeśli m jest bardzo duże porównywalne z długością okresu szacowania, model SMA jest równoważny modelowi średniemu Tak jak w przypadku dowolnego parametru modelu prognozowania, zwyczajowo dostosować wartość ki n Aby uzyskać najlepsze dopasowanie do danych, tzn. najmniejsze błędy prognozy przeciętnie. Oto przykład serii, która wydaje się wykazywać przypadkowe wahania wokół średnio zróżnicowanej średniej. Po pierwsze, spróbuj dopasować ją do przypadkowego spaceru model, co odpowiada prostej średniej ruchomej 1 terminu. Model przypadkowego spaceru reaguje bardzo szybko na zmiany w serii, ale w ten sposób pobiera dużo hałasu w danych losowych wahań, jak również sygnału lokalnego średnia Jeśli weźmiemy pod uwagę prostą średnią ruchomą wynoszącą 5 terminów, otrzymamy gładszy zestaw prognoz. 5-letnia prosta średnia ruchoma daje w tym przypadku znacznie mniejsze błędy niż model losowego spaceru w tym przypadku Przeciętny wiek danych w tym prognoza wynosi 3 5 1 2, tak że ma ona tendencję do opóźnienia za punktami zwrotnymi o około trzy okresy Na przykład, spadek koniunktury wydaje się mieć miejsce w okresie 21, ale prognozy nie odwracają się do kilku okresów później. Notyczność, długoterminowe prognozy z mod SMA mod El jest poziomej prostej, podobnie jak w modelu random-walk. Model SMA zakłada więc, że nie ma tendencji do danych. Jednak prognozy z modelu random walk są po prostu równe ostatniej obserwowanej wartości, prognozy z model SMA jest równy średniej ważonej z ostatnich wartości. Obciążenia ufności obliczone przez Statgraphics w odniesieniu do długoterminowych prognoz dotyczących prostej średniej ruchomej nie są szersze w miarę wzrostu horyzontu prognozowego. To oczywiście nie jest poprawne Niestety, nie ma podstaw teorii statystycznej, która mówi nam, jak przedziały ufności powinny poszerzać się w tym modelu Jednak nie jest zbyt trudno obliczyć empiryczne szacunki dopuszczalnych granic dla prognoz dłuższego horyzontu Na przykład można utworzyć arkusz kalkulacyjny, w którym model SMA byłby wykorzystywany do prognozowania 2 kroków do przodu, 3 kroków do przodu, itd. w ramach historycznej próbki danych Można następnie obliczyć próbkowe odchylenia standardowe błędów w każdej prognozie h orizon, a następnie skonstruuj interwały zaufania na potrzeby prognoz długoterminowych przez dodawanie i odejmowanie wielokrotności odpowiedniego odchylenia standardowego. Jeśli spróbujemy 9-letnią prostą średnią ruchomej, otrzymamy jeszcze gładsze prognozy i bardziej opóźniamy efekt. Średni wiek to teraz 5 okresów 9 1 2 Jeśli weźmiemy 19-letnią średnią ruchliwą, średni wiek wzrasta do 10.Notice, że rzeczywiście prognozy są teraz w tyle za punktami zwrotnymi o około 10 okresów. Jaka ilość wygładzania jest najlepsza dla tej serii Oto tabela, w której porównano ich statystykę błędów, również zawierającą średnią 3-miesięczną. Model C, 5-letnia średnia ruchoma, daje najniższą wartość RMSE przez mały margines w średnim okresie 3-letnim i 9-dniowym, a ich inne statystyki są prawie identyczne Więc wśród modeli o bardzo podobnych statystykach błędów możemy wybrać, czy wolelibyśmy nieco lepszej reakcji lub trochę bardziej gładko w prognozach. Powrót do góry strony. Brown s Simple Exponential Smoothing wykładniczy ważony średniej ruchomej. Opisany powyżej prosty model średniej prędkości ma niepożądaną właściwość, która traktuje ostatnie obserwacje równomiernie i całkowicie ignoruje wszystkie poprzednie obserwacje Intuicyjnie, dane z przeszłości powinny być dyskontowane w sposób bardziej stopniowy - na przykład najnowsze obserwacje powinny trochę więcej niż druga ostatnia, a druga najnowsza powinna mieć trochę więcej wagi niż trzeci ostatni, i tak dalej Prosty wygładzający model SES osiąga to. Oznacza to, że wygładzanie stale zmienia liczbę pomiędzy 0 a 1 Jednym ze sposobów zapisania modelu jest zdefiniowanie serii L, która reprezentuje poziom bieżący tj. Lokalna średnia wartość serii, szacowana na podstawie danych do dnia dzisiejszego. Wartość L w czasie t jest obliczana rekurencyjnie od własnej poprzedniej wartości, jak ta. Tak więc bieżąca wygładzona wartość jest interpolacją między poprzednią wygładzoną wartością a bieżącą obserwacją, gdzie kontroluje bliskość interpolowanej wartości najbardziej średnia prognoza Prognoza na następny okres jest po prostu aktualną wygładzoną wartością. W równym stopniu możemy wyrazić następną prognozę bezpośrednio w odniesieniu do poprzednich prognoz i wcześniejszych obserwacji, w każdej z następujących równoważnych wersji W pierwszej wersji prognoza jest interpolacją pomiędzy poprzednią prognozą a wcześniejszą obserwacją. W drugiej wersji następna prognoza uzyskuje się poprzez dostosowanie poprzedniej prognozy w kierunku poprzedniego błędu w ułamkowej wartości. Jest to błąd popełniony w czasie t W trzecim projekcie prognoza jest wykładnicza ważona, tzn. zdyskontowana średnia ruchoma ze współczynnikiem dyskonta 1. Wersja interpolacyjna formuły prognozowania jest najprostszym rozwiązaniem, jeśli model jest stosowany w arkuszu kalkulacyjnym, który mieści się w jednej komórce i zawiera odwołania do komórek wskazujące na poprzednią prognozę, poprzednią obserwacja i komórka, w której zachowana jest wartość. Zwróć uwagę, że jeśli 1, model SES jest równoważny losowemu modelowi spacerowemu z hout growth Jeśli 0, model SES jest równoważny modelowi średniemu, przy założeniu, że pierwsza wygładzona wartość jest równa średniej. Powrót na górę strony. Średni wiek danych w prognozie wygładzania wykładnicza prostokątnego wynosi 1 względny do okresu, w którym obliczana jest prognoza To nie powinno być oczywiste, ale można to łatwo wykazać przez ocenę nieskończonej serii W związku z tym prosta prognoza średniej ruchowej skłania się do punktów zwrotnych o około 1 okresy Przykładowo, gdy 0 5 opóźnienie to 2 okresy, gdy 0 2 opóźnienie wynosi 5 okresów, gdy 0 1 opóźnienie wynosi 10 okresów itp. W przypadku określonego wieku średniego tj. Kwoty opóźnienia, prosta prognoza SES wyrównania wykładniczego jest nieco lepsza od zwykłego ruchu średnia prognoza SMA, ponieważ w ostatniej obserwacji obserwuje się relatywnie większą wagę - co nieco odpowiada na zmiany zachodzące w ostatniej przeszłości Przykładowo model SMA z 9 terminami i model SES z 0 2 mają średni wiek z 5 dla da w swoich prognozach, ale model SES wiąże się z ostatnimi 3 wartościami niż model SMA, a jednocześnie nie zapominają o wartościach powyżej 9 okresów, jak pokazano na poniższej wykresie. Inna ważna przewaga model SES w modelu SMA polega na tym, że model SES wykorzystuje parametr wygładzania, który jest ciągle zmienny, dzięki czemu można z łatwością zoptymalizować przy użyciu algorytmu solver w celu zminimalizowania średniego kwadratu. wynosiła 0 2961. Średni wiek danych w tej prognozie wynosi 1 0 2961 3 4 okresów, co jest zbliżone do średniej 6-letniej średniej ruchomej. Prognozy długoterminowe z modelu SES to horyzontalna linia prosta, jak w modelu SMA i model losowego chodzenia bez wzrostu Jednak należy zauważyć, że przedziały ufności obliczane przez Statgraphics różnią się w rozsądny sposób i że są one znacznie węższe niż przedziały ufności dla rand om walk model Model SES zakłada, że ​​seria jest nieco bardziej przewidywalna niż model losowego spaceru. Model SES jest w rzeczywistości przypadkiem specjalnym modelu ARIMA, więc statystyczna teoria modeli ARIMA stanowi solidną podstawę do obliczania przedziałów ufności dla Model SES W szczególności model SES jest modelem ARIMA z odmienną różnicą, terminem MA 1, a nie określonym terminem znanym jako model ARIMA 0,1, bez stałego Współczynnik MA 1 w modelu ARIMA odpowiada ilość 1 - w modelu SES Przykładowo, jeśli pasujesz do modelu ARIMA 0,1,1 bez stałej wartości w analizowanych seriach, szacowany współczynnik MA 1 wyniósł 0 7029, czyli prawie o jeden minus 0 2961. Możliwe jest dodanie założenia niezerowej stałej tendencji liniowej do modelu SES W tym celu wystarczy podać model ARIMA z jedną różniczką różniczkową i termin MA 1 ze stałą, tj. Model ARIMA 0,1,1 ze stałymi prognozami długoterminowymi a następnie mają tendencję, która jest równa średniej tendencji obserwowanej w całym okresie szacowania Nie można tego zrobić w połączeniu z dostosowaniem sezonowym, ponieważ opcje sezonowej korekty są wyłączone, gdy typ modelu jest ustawiony na ARIMA. Można jednak dodać stałą długą tendencja wykładnicza do prostego modelu wyrównania wykładniczego z sezonową korektą lub bez sezonu z zastosowaniem opcji dostosowania inflacji w procedurze prognozowania Odpowiednia stopa wzrostu inflacji w danym okresie może być oszacowana jako współczynnik nachylenia w modelu tendencji liniowej dopasowany do danych w w połączeniu z naturalną transformacją logarytmową lub może opierać się na innych, niezależnych informacjach dotyczących perspektyw wzrostu długoterminowego Powrót na górę strony. Brown s Linear czyli podwójne wyrównywanie wyrównania. Modele SMA i modele SES zakładają, że nie ma tendencji do jakiegokolwiek rodzaju w danych, które zwykle są OK lub przynajmniej nie-zbyt-kiepskie w przypadku prognoz jednostopniowych, gdy dane są stosunkowo noi sy i mogą być modyfikowane w celu uwzględnienia stałej tendencji liniowej, jak pokazano powyżej. Co z trendami krótkoterminowymi Jeśli seria wykazuje zmienną szybkość wzrostu lub cykliczny wzór, który wyróżnia się wyraźnie na tle hałasu, a jeśli istnieje potrzeba prognozowanie więcej niż 1 etapu, a następnie oszacowanie lokalnej tendencji może być problemem Prosty model wygładzania wykładniczego może być uogólniony w celu uzyskania liniowego modelu wygładzania wykładniczego mierzącego lokalną estymację zarówno poziomu, jak i tendencji. Najprostszy trend zmieniający się w czasie model jest brązowym linearnym wykładnikiem wykładniczym, który wykorzystuje dwie różne wygładzone serie, które są skoncentrowane w różnych punktach czasu Formuła prognozowana oparta jest na ekstrapolacji linii przez dwa centra Wyrafinowana wersja tego modelu, Holt s, jest omówione poniżej. Forma algorytmowa liniowego modelu wygładzania wykładanego przez Brown'a, podobnego do prostego modelu wygładzania wykładniczego, może być wyrażona w wielu różnych, ale formy kwantancyczne Standardowa forma tego modelu jest zwykle wyrażana w następujący sposób Niech S oznacza pojedynczo wygładzoną serię otrzymaną przez zastosowanie prostego wygładzania wykładniczego do serii Y Oznacza to, że wartość S w okresie t jest podana przez. Przypomnijmy, że w prostym wyrównaniu wykładniczym byłaby to prognoza dla Y w okresie t 1 Następnie niech S oznacza podwójnie wygładzoną serię otrzymaną przez zastosowanie prostego wyrównania wykładniczego przy użyciu tego samego do serii S. Na koniec prognoza dla Y tk dla dowolnego k 1, daje te plony e 1 0 tj. oszukiwać nieco i niech pierwsza prognoza będzie równa rzeczywistej pierwszej obserwacji, a y 2 Y 2 Y 1, po której generowane są prognozy przy użyciu powyższego równania To daje takie same dopasowane wartości jako wzór oparty na S i S, jeśli te ostatnie zostały uruchomione przy użyciu S 1 S 1 Y 1 Ta wersja modelu jest używana na następnej stronie, która ilustruje kombinację wygładzania wykładniczego z dostosowaniem sezonowym. Holt s Linear Exponential Smoothing. Brown s Model LES oblicza lokalne szacunki poziomu i tendencji, wygładzając ostatnie dane, ale fakt, że robi to z pojedynczym parametrem wygładzania, ogranicza wzorce danych, które jest w stanie dopasować do poziomu i tendencji nie można zmieniać w niezależne modele Model LES Holt s rozwiązuje ten problem przez uwzględnienie dwóch stałych wygładzania, po jednym dla poziomu i jednego dla trendu W dowolnym momencie t, podobnie jak w modelu Brown's, szacuje się, że L t poziomu lokalnego i oszacowanie T t lokalnej tendencji Tutaj są one obliczane rekurencyjnie z wartości Y obserwowanej w czasie t oraz poprzednich szacunków poziomu i tendencji przez dwa równania, które stosują wyrównywanie wykładnicze osobno dla nich. Jeśli szacowany poziom i tendencja w czasie t-1 są odpowiednio L t 1 i T t 1, wówczas prognoza dla Y t, która została dokonana w czasie t-1, jest równa L t-1 T t-1 Gdy rzeczywista wartość jest zaobserwowana, zaktualizowane oszacowanie poziom jest obliczany rekurencyjnie przez interpolowanie pomiędzy Y t a jego prognozą, L t-1 T t-1, przy użyciu odważników i 1. Zmiana szacowanego poziomu, mianowicie L t L t 1 może być interpretowana jako hałaśliwy pomiar trend w czasie t Uaktualniony szacunek trendu oblicza się rekurencyjnie przez interpolację między L t L t 1 i poprzedni szacunek trendu T t-1 przy użyciu odważników i 1. Interpretacja stała wygładzania trendu jest analogiczna do stałej wygładzania poziomu Modele o małych wartościach zakładają, że tendencja zmienia się tylko bardzo powoli w czasie, a modele o większym założeniu, że zmienia się szybciej Model z dużą grupą uważa, że ​​dalekiej przyszłości jest bardzo niepewna, ponieważ błędy w oszacowaniu tendencji stają się bardzo ważne, gdy prognozuje się więcej niż jeden rok naprzód Powrót do początku strony. Stałe wygładzania i można je oszacować w zwykły sposób minimalizując średnie kwadratowe błędy prognoz 1-krotnego wyprzedzenia Kiedy to nastąpi w programie Statgraphics, szacunki szacuje się na 0 3048 i 0 008 Bardzo mała wartość oznacza, że ​​model zakłada bardzo niewielką zmianę tendencji z jednego okresu do następnego, więc w zasadzie ten model próbuje oszacować długoterminową tendencję Przez analogię do pojęcia średniego wieku danych używanych do estymowania t lokalny poziom serii, średni wiek danych wykorzystywanych do oszacowania tendencji lokalnej jest proporcjonalny do 1, chociaż nie jest do niego równy. W tym przypadku okazuje się, że wynosi on 1 0 006 125 To jest bardzo dokładna liczba ponieważ dokładność szacunkowa nie jest naprawdę 3 miejsc po przecinku, ale ma ten sam ogólny porządek wielkości jak wielkość próbki 100, więc model ten jest uśredniony w odniesieniu do dość dużej liczby historii w szacowaniu tendencji Wykres prognozy poniżej pokazuje, że model LES szacuje nieco większą tendencję lokalną na końcu serii niż stała tendencja szacowana w modelu tendencji SES Również szacunkowa wartość jest niemal identyczna z wartością otrzymaną przez dopasowanie modelu SES z tendencją lub bez , więc jest to prawie ten sam model. Jest to wyglądające jak uzasadnione prognozy modelu, które ma być szacowaniem tendencji lokalnej Jeśli zauważysz tę fabułę, wygląda na to, że lokalny trend spadł w dół pod koniec seria Wh jak się zdarzyło Parametry tego modelu zostały oszacowane przez zminimalizowanie kwadratu błędu prognoz 1-krotnego wyprzedzenia, a nie dłuższych prognoz, w których to przypadku trend nie robi dużo różnicy Jeśli wszystko, co szukasz, to 1 - stop-ahead błędy, nie widzisz większego obrazu trendów w ciągu 10 lub 20 okresów Aby uzyskać ten model w zgodzie z naszą ekstrapolacją danych oczu, możemy ręcznie wyregulować stałą wygładzania trendu, używa krótszej linii odniesienia do szacowania tendencji Na przykład, jeśli zdecydujemy się na ustawienie 0 1, średni wiek danych wykorzystywanych do oszacowania tendencji lokalnej wynosi 10 okresów, co oznacza, że ​​uśrednimy tendencję w ciągu ostatnich 20 okresów Oto jak wygląda planowana fabuła, jeśli ustawimy 0 1, zachowując 0 3 To intuicyjnie rozsądne dla tej serii, chociaż prawdopodobne jest, że prawdopodobne jest, że ekstrapolacja tej tendencji nastąpi więcej niż 10 okresów w przyszłości. porównanie modelu f lub dwóch modeli pokazanych powyżej oraz trzech modeli SES Optymalna wartość modelu SES wynosi około 0 3, ale uzyskuje się podobne wyniki z nieco większą lub mniejszą czułością na reakcję przy wartości 0 5 i 0 2. Wyrównanie liniowe Holta z alfa 0 3048 i beta 0 008. B Wyrównanie liniowe Holta z alfa 0 3 i beta 0 1. C Zwykłe wyrównanie wykładnicze z alfa 0 5. D Zwykłe wyrównanie wykładnicze z alfa 0 3. E Proste wyrównanie wykładnicze z alfa 0 2 Statystyki są prawie identyczne, więc naprawdę nie możemy dokonać wyboru na podstawie jednoetapowych prognoz błędów w próbce danych Musimy zwrócić uwagę na inne rozważania Jeśli uważamy, że ma sens oprzeć obecny oszacowanie trendów na tym, co się stało w ciągu ostatnich 20 okresów, możemy stworzyć przypadek modelu LES z 0 3 i 0 1 Jeśli chcemy być agnostyczni, czy istnieje tendencja lokalna, wówczas jeden z modeli SES mógłby łatwiej wyjaśnić, a także dać więcej middl e-of-the-road prognozy na najbliższe 5 lub 10 okresy Powrót na początek strony. Jakiego rodzaju tendencja-ekstrapolacja jest najlepsza w horyzontalnym lub liniowym Dane empiryczne sugerują, że jeśli dane zostały już skorygowane, jeśli jest to konieczne dla inflacji, to może być nierozsądne ekstrapolacja krótkoterminowych trendów liniowych bardzo daleko w przyszłość Trendy widoczne dziś mogą spowolnić w przyszłości ze względu na różne przyczyny, takie jak nieaktualność produktu, zwiększona konkurencja i cykliczne spowolnienie gospodarcze lub wzrost w przemyśle Z tego powodu prosty wykładniczy wygładzanie często wykonuje lepszą próbę poza próbą niż oczekiwano inaczej, pomimo jej naiwnej ekstrapolacji trendu horyzontalnego Często w praktyce często stosuje się modyfikacje trendu tłumiącego liniowego modelu wygładzania wykładniczego, aby wprowadzić w notatki konserwatyzmu tendencje tendencji tendencji tłumionej Model LES może być implementowany jako szczególny przypadek modelu ARIMA, w szczególności modelu 1,1,2 ARIMA. Można obliczyć przedziały ufności a długoterminowe prognozy wygenerowane przez wykładnicze modele wygładzania, biorąc pod uwagę je jako szczególne przypadki modeli ARIMA Należy uważać, że nie wszystkie programy obliczają prawidłowe przedziały ufności dla tych modeli prawidłowo Szerokość przedziałów ufności zależy od błędu RMS modelu, ii typu wygładzanie proste lub liniowe iii wartość s stała wygładzania s oraz liczba przewidywanych okresów W ogóle odstępy czasowe rozciągają się szybciej, powiększając się w modelu SES i rozchodzą się znacznie szybciej, gdy liniowy, a nie prosty wygładzanie jest wykorzystywane Ten temat został omówiony w dalszej części sekcji ARIMA w uwagach Powrót na początek strony. Przykłady obliczeń prognozy. A 1 Metody obliczania prognozy. Dostępne są dwa sposoby obliczania prognoz Większość tych metod zapewnia ograniczoną kontrolę użytkownika np. można określić wagę umieszczoną na ostatnich danych historycznych lub zakres danych daty używanych w obliczeniach przykłady przedstawiają procedurę obliczania dla każdego z dostępnych metod prognozowania, biorąc pod uwagę identyczny zbiór danych historycznych. Poniższe przykłady wykorzystują takie same dane o sprzedaży w 2004 i 2005 roku, aby uzyskać prognozę sprzedaży w 2006 r. Oprócz prognozowanej kalkulacji, każdy przykład zawiera symulację Prognoza na rok 2005 dla opcji przetwarzania okresów trzymiesięcznych 19 3, która następnie jest wykorzystywana do procentowej dokładności i średnich bezwzględnych obliczeń odchyleń rzeczywistej sprzedaży w porównaniu z symulowaną prognozą. A 2 Prognoza Kryteria oceny wyników. W zależności od wyboru opcji przetwarzania i trendów i wzorce istniejące w danych o sprzedaży, niektóre metody prognozowania będą działały lepiej niż inne dla danego zbioru danych historycznych Metoda prognozowania odpowiednia dla jednego produktu może być nieodpowiednia dla innego produktu Jest mało prawdopodobne, aby metoda prognozowania zapewniała dobre wyniki na jednym etapie cyklu życia produktu pozostaną odpowiednie przez cały okres fe cyklu. Możesz wybrać jedną z dwóch metod oceny bieżącej wydajności metod prognozowania Są to średnie odchylenia bezwzględne MAD i procent dokładności POA Obie te metody oceny skuteczności wymagają historycznych danych dotyczących sprzedaży dla określonego przez użytkownika okresu Czas ten jest nazywany okresem lub okresem utrzymywania rezerwy najlepiej dopasowany do PBF Dane w tym okresie są wykorzystywane jako podstawa do zalecania, które metody prognozowania będą wykorzystane przy opracowywaniu kolejnej prognozy prognozy Ta rekomendacja jest specyficzna dla każdego produktu i może zmieniać się z jednego generowania prognozy do następnych dwóch metod prognozowania wyników są przedstawione na stronach następujących przykładów dwunastu metod prognozowania. A 3 Metoda 1 - określona wartość procentowa w stosunku do ostatniego roku. Ta metoda pomnożona przez dane z poprzedniego roku dane sprzeda y według określonego przez użytkownika współczynnika, na przykład , 1 10 za 10 wzrostów lub 0 97 za 3 obniżenie. Wymagana historia sprzedaży Jeden rok na obliczanie prognozy plus określona przez użytkownika liczba okresów czasu dla oceny opcji przetwarzania prognozy wydajności 19.A 4 1 Prognoza Obliczenia. Historia sprzedaży stosowana przy obliczaniu opcji przetwarzania czynników wzrostu 2a 3 w tym przykładzie. Sp. ostatnie trzy miesiące 2005 114 119 137 370. Suma tych samych trzech miesięcy w roku ubiegłym 123 139 133 395. obliczony współczynnik 370 395 0 9367.liczyć prognozy. January, sprzedaż w 2005 r. 128 0 9367 119 8036 lub około 120. Luty 2005 sprzedaż 117 0 9367 109 5939 lub o 110.March, sprzedaż w 2005 r. 115 0 9367 107 7205 lub około 108.A 4 2 Symulowana prognoza Obliczenia. Zatem trzy miesiące 2005 r. Przed okresem zawieszenia lipiec, sierpień, wrzesień 1986 r. 140 131 400. Z tym samym trzy miesiące dla poprzedni rok.141 128 118 387.przy obliczony współczynnik 400 387 1 033591731.procedura obliczeniowa prognozy. W październiku 2004 r. sprzedaż 123 1 033591731 127 13178.Norwelegacja 2004 rok sprzedaż 139 1 033591731 143 66925.Dzienicę 2004 r. 133 1 033591731 137 4677. A 4 3 Procent dokładności obliczeń. POA 127 1317 8 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Średnia obliczalność odchylenia bezwzględnego. MAD 127 13178 - 114 143 66925 - 119 137 4677 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metoda 3 - W ubiegłym roku do tego roku. Ta metoda kopiuje dane sprzedaży z poprzedniego roku do następnego roku. Wymagana historia sprzedaży Jeden rok dla obliczania prognozy plus liczba okresów czasu określonych do oceny opcji przetwarzania prognozy wydajności 19.A 6 1 Prognoza Kalkulacja. Ilość okresów uwzględniających średnią opcję przetwarzania 4a 3 w tym przykładzie. Dla każdego miesiąca prognozy średnie dane z poprzednich trzech miesięcy. Prognoza styczności 114 119 137 370, 370 3 123 333 lub 123. Luty prognoza 119 137 123 379, 379 3 126 333 lub 126. Prognoza makro 137 123 126 379, 386 3 128 667 lub 129.A 6 2 Symulowana prognoza Obliczenia. Obraz sprzedaży w październiku 2005 129 140 131 3 133 3333.November 2005 sales 140 131 114 3 128 3333 Sprzedaż w grudniu 2005 r. 131 114 119 3 121 3333.A 6 3 Procentowy udział Accura cy Obliczenia. POA 133 3333 128 3333 121 3333 114 119 137 103 103 513.A 6 4 Średnia obliczalność odchylenia bezwzględnego. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metoda 5 - przybliżenie liniowe. Przybliżenie liniowe oblicza tendencję opartą na dwóch punktach danych dotyczących historii sprzedaży. Te dwa punkty definiują prostą linię trendu przewidzianą w przyszłości Użyj tej metody z ostrożnością, ponieważ prognozy długoterminowe są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Wymagana sprzedaż historia Liczba okresów uwzględnienia w opcji przetwarzania regresji 5a, plus 1 plus liczba okresów czasu dla oceny opcji przetwarzania prognozy wydajności 19.A 8 1 Prognoza Obliczanie. Nastość okresów uwzględnienia w opcjach przetwarzania regresji 6a 3 w tym przykładzie. Dla każdego miesiąca prognozy dodaj wzrost lub spadek w określonych okresach poprzedzających okres utrzymywania rezerw poprzedniego okresu. Zgodnie z poprzednich trzech miesięcy 114 119 137 3 123 3333.Summary z poprzednich trzech m ony z uwzględnieniem wagi. 114 1 119 2 137 3 763.Różnica pomiędzy wartościami. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 23 2 11 5. Wartość 2 Wartość średnia - wartość 123 3333 - 11 5 2 100 3333.Forecast 1 wartość n1 wartość2 4 11 5 100 3333 146 333 lub 146.Forecast 5 11 5 100 3333 157 8333 lub 158.Forecast 6 11 5 100 3333 169 3333 lub 169.A 8 2 Symulowana prognoza Prognoza sprzedaży na poziomie z października 2004 r. Z ubiegłych trzech miesięcy . 129 140 131 3 133 3333. Streszczenie z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 129 1 140 2 131 3 802.Między różnymi wartościami. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 2 2 1. Wartość 2 Średnia wartość1 133 3333-1 2 131 3333.Forecast 1 n wartość1 wartość2 4 1 131 3333 135 3333. sprzeda yw 2004 r. Z caego okresu trzech miesi cy. 140 131 114 3 128 3333. Podsumowanie ostatnich trzech miesięcy z uwzględnieniem wagi. 140 1 131 2 114 3 744.Różnica pomiędzy wartościami 744 - 128 3333 1 2 3 -25 9999. Różnicę Różnicową Różnicę -25 9999 2 -12 9999. Wartość 2 Wartość średnia - wartość 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333. W grudniu 2004 r. Sprzedaż w ciągu ostatnich trzech miesięcy. 131 114 119 3 121 3333.Summary z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 131 1 114 2 119 3 716.Różnica pomiędzy wartościami. 716 - 121 3333 1 2 3 -11 9999. Współczynnik różnicy w stosunku do wartości 1 -9 9999 2 -5 9999. Wartość 2 Średnia wartość 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent dokładności Obliczanie dokładności. POA 135 33 102 33 109 33 114 119 137 93 93 78.A 8 4 Średnia obliczalność odchylenia bezwzględnego. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metoda 7 - druga Przybliżenie stopnia. Regresja liniowa określa wartości dla a i b w projekcie prognozy Y a bX w celu dopasowania prostej do danych z historii sprzedaży. Drugi stopień zbliżenia jest podobny. Jednakże ta metoda określa wartości dla a, b i c w prognozowana formuła Y a bX cX2 w celu dopasowania krzywej do historii historii sprzedaży Ta metoda może być użyteczna, gdy produkt znajduje się w przejściu między etapami cyklu życiowego Na przykład, gdy nowy produkt przemieszcza się z etapu wprowadzania na wzrost , trend sprzedaży może przyspieszyć Ze względu na drugi termin zamówień, prognoza może szybko się zbliżać nieskończoność lub spadek do zera w zależności od tego, czy współczynnik c jest dodatni czy ujemny Dlatego też ta metoda jest użyteczna tylko w krótkim okresie czasu. Specyfikacja techniczna Forecasta Odnosi się do formuły a, b i c, aby dopasować krzywą do dokładnie trzech punktów. opcja przetwarzania 7a, liczba okresów danych zgromadzonych w każdym z trzech punktów W tym przykładzie n 3 Dlatego faktyczne dane o sprzedaży od kwietnia do czerwca są łączone w pierwszym punkcie od pierwszego kwartału do końca września, aby dodać Q2 , a od października do grudnia suma do Q3 Krzywa będzie dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży 3 n okresy obliczania prognozy plus liczba okresów potrzebnych do oceny prognozy PBF. Ilość okresy obejmujące opcję przetwarzania 7a 3 w tym przykładzie. Użyj poprzednich 3 n miesięcy w blokach trwających trzy miesiące. Q1 kwi - gru 125 122 137 384.q2 lip - wrz 129 140 131 400.q3 paź - gru 114 119 137 370. Następny etap obejmuje c przeliczając trzy współczynniki a, b i c do wzoru prognozowania Y a bX cX 2. 1 Q 1 a bX cX 2 gdzie X 1 a b c c 2, 2 Q 2 a bX cX 2 gdzie X 2 a 2b 4c. 3 Q3 a bX cX2 gdzie X3 a 3b 9c. Solve trzy równania równocześnie, aby znaleźć równanie b, a i c. Subtract 1 z równania 2 i rozwiązać dla b. Spodstaw tego równania dla b do równania 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ostatecznie zastąp te równania dla aib w równaniu 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. Metoda przybliżenia drugiego stopnia a, b i c w następujący sposób. 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. stycznia do marca Prognoza marcowa X 4 322 340 - 368 3 294 3 98 za okres od kwietnia do czerwca prognoza X 5. 322 425 - 575 3 57 333 lub 57 za okres od lipca do września. X 6. 322 510 - 828 3 1 33 lub 1 za okres od października do grudnia X 7. 322 595 - 1127 3 -70.A 9 2 Symulowana prognoza Prognozy październik, listopad i sprzedaż w grudniu 2004.q1 sty - mar 360.q2 kwi - cze 384.q3 lip - wrzesień 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 Procent dokładności Obliczenia. POA 136 136 136 114 119 137 100 110 27.A 9 4 Średnia obliczalność odchylenia bezwzględnego. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metoda 8 - Metoda elastyczna Metoda elastyczności Procent powyżej n miesięcy Poprzedni jest podobny do metody 1, w procentach w ubiegłym roku Obie metody pomnożają dane o sprzedaży z poprzedniego okresu przez określony przez użytkownika czynnik , a następnie projekt tego wyniku w przyszłość W metodzie Procent w ubiegłym roku projekcja oparta jest na danych z tego samego okresu czasu w roku poprzednim. Metoda elastyczna dodaje możliwość określania innego okresu poza tym samym okresem roku ubiegłego wykorzystanie jako podstawa obliczeń. Współczynnik korekcyjny Na przykład, określ opcję 1 15 w opcji przetwarzania 8b, aby zwiększyć poprzednie dane dotyczące historii sprzedaży o 15. Czas bazowy Na przykład n 3 spowoduje, że pierwsza prognoza zostanie oparta na danych o sprzedaży w Październik 2005. Minimalna historia sprzedaży Użytkownik podał numer o f okresy powrotu do okresu bazowego plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. A 10 4 Średnia obliczalność odchylenia bezwzględnego. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metoda 9 - Ważony przepływ Średnia Średnia ważona średnio Średnia metoda WMA jest podobna do metody 4, Moving Average MA Jednak przy średniej ważonej ruchomej można przypisać nierówne wagi do danych historycznych Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę dla krótkoterminowe Najnowsze dane są zazwyczaj przypisywane większej wagi niż starsze dane, co sprawia, że ​​WMA reaguje na zmiany poziomu sprzedaży. Jednakże prognozowane nastawienia i systematyczne błędy występują nadal, gdy historia sprzedaży produktów wykazuje silną tendencję lub wzorce sezonowe metoda lepiej sprawdza się w przypadku krótkoterminowych prognoz produktów dojrzałych, a nie na produkty w fazie wzrostu lub starzenia się cyklu życia. należy podać liczbę okresów historii sprzedaży, kalkulacja prognozy Na przykład określić n 3 w opcji przetwarzania 9a, aby wykorzystać ostatnie trzy okresy jako podstawę projekcji do następnego okresu. Duża wartość dla n takich jak 12 wymaga większej historii sprzedaży. Stwarza stabilną prognozę , ale będzie powolna rozpoznawać zmiany poziomu sprzedaży Z drugiej strony mała wartość dla n np. 3 szybciej reaguje na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać odchylenia przypisane do każdego z historycznych okresów danych Przyporządkowane ciężary muszą wynosić 1 00 Na przykład, gdy n 3, przyporządkuj wagi 0 6, 0 3 i 0 1, przy czym najnowsze dane otrzymują największą wagę. Minimalna wyma gana historia sprzedaży plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metoda 10 - wygładzanie liniowe. Ta metoda jest podobna do Metoda 9, Ważona średnia ruchoma WMA Jak kiedykolwiek, zamiast arbitralnie przyporządkować wagi do danych historycznych, formuła jest używana do przypisywania odważników, które spadają liniowo i sumują do 1 00. Metoda następnie oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć projekcję na krótką metę. Jest to prawda wszystkich linearnych średnich kroczących technik prognozowania, przewidywanych stron i błędów systematycznych pojawiają się, gdy historia sprzedaży produktów wykazuje silny trend lub sezonowe wzorce Ta metoda działa lepiej w przypadku krótkich prognoz dotyczących produktów dojrzałych, a nie dla produktów w fazie wzrostu lub starzenia się życia cyklu. n liczby okresów historii sprzedaży do wykorzystania w obliczaniu prognozy Jest to określone w opcji przetwarzania 10a Na przykład określić n 3 w opcji przetwarzania 10b, aby wykorzystać trzy ostatnie okresy jako podstawę projekcji do następny okres System automatycznie przydzieli wagi do danych historycznych, które spadają liniowo i sumują do 1 00 Na przykład, gdy n 3, s ystem przypisuje wagi 0 5, 0 3333 i 0 1, przy czym najstarsze dane otrzymują największą wagę. Minimalna historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozy PBF. A 12 1 Prognoza Obliczenia. Liczba okresów uwzględnienia w opcji wygładzania średniej opcji przetwarzania 10a 3 w tym przykładzie. Ratio dla jednego okresu poprzedzającego 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio dla dwóch okresów poprzedzających 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio na trzy okresy poprzedzające 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. Prognoza styczności 137 0 5 119 1 3 114 1 6 127 16 lub 127. Prognoza dla lutego 127 0 5 137 1 3 119 1 6 129. Prognoza makroekonomiczna 129 0 5 127 1 3 137 1 6 129 666 lub 130.A 12 2 Symulowana prognoza Prognoza sprzedaży w październiku 2004 r. 129 1 6 140 2 6 131 3 6 133 6666.Niemcy 2004 r. Sprzedaż 140 1 6 131 2 6 114 3 6 124. Sprzedaż w grudniu 2004 r. 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent dokładności Obliczenia. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Średnie obliczenie odchylenia bezwzględnego. SZALONY 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metoda 11 - wyrównywanie wykładnicze Metoda ta jest podobna do metody 10, Wygładzanie liniowe W wyrównywaniu liniowym system przypisuje wagi do danych historycznych, które spadają liniowo W wyrównywaniu wykładniczym , system przypisuje odważniki, które uległy rozkładowi wykładniczo Równowaga prognozowania wyrównania wykładniczego to. Prognoza Poprzednia sprzedaż rzeczywista 1 - poprzednia prognoza. Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu, a prognozą z poprzedniego okresu a jest Waga zastosowana do rzeczywistej sprzedaży za poprzedni okres 1 - a jest wagą zastosowaną do prognozy dla poprzedniego okresu Okres ważności dla zakresu od 0 do 1 i zwykle mieści się w przedziale od 0 do 0 4 Suma wagi wynosi 1 00 a 1 - a 1. Powinieneś przypisać wartość dla stałej wygładzania, a Jeśli nie przypisujesz wartości dla stałej wygładzania, system oblicza założoną wartość w oparciu o liczbę okresów historii sprzedaży określoną d w opcji przetwarzania 11a. a stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży Ważne wartości w przedziale od 0 do 1.n zakresu danych historii sprzedaży, aby uwzględnić w obliczeniach Ogólnie rok danych dotyczących historii sprzedaży jest wystarczająca do oszacowania ogólnego poziomu sprzedaży W tym przykładzie wybrano małą wartość dla nn 3 w celu zredukowania ręcznych obliczeń wymaganych do sprawdzenia wyników Wyrównywanie wykładnicze może generować prognozę na podstawie zaledwie jednego historycznego punkt danych. Minimalna wymagana historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozy PBF. A 13 1 Prognoza Obliczanie. Numer czasu uwzględnienia w opcji wygładzania średniej obróbki 11a 3 oraz opcji przetwarzania faktury alfa 11b w tym polu przykład. a współczynnik najstarszych danych handlowych 2 1 1 lub 1, gdy określony jest alfa. a współczynnik dla 2 najstarszych danych handlowych 2 1 2 lub alfa, gdy alfa jest określony. a współczynnik dla trzeciego najstarszego numeru sprzedaży 2 1 3 lub alfa po podaniu alfa. a współczynnika dla ostatnich danych dotyczących sprzedaży 2 1 n lub alfa, gdy alfa jest określony. Niemcy Sm Śr. do października Rzeczywisty 1 - Październik Śr. Śr. 1 114 0 0 114. Lipiec Śr. Śr. Śr. Listopad Rzeczywisty 1 - listopad Sm Śr. 2 3 119 1 3 114 117 3333.January Prognoza Grudnia Rzeczywisty 1 - Grudzień Śr. Śr. 2 4 137 2 4 117 3333 127 16665 lub 127. Prognoza lutego Prognoza styczniowa 127. Prognoza makroekonomiczna w styczniu Prognoza 127.A 13 2 Symulowana prognoza obliczania. July, 2004 Sm Śr. 2 2 129 129.August Sm Śr. 2 3 140 1 3 129 136 3333.September Sm śr. 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140 Wrzesień Sm Śr. Śr. 2 3 131 1 3 140 134.Prz. Śr. Śr. Śr. 2 4 114 2 4 134 124.Niemie 2004 r. Wrzesień wrz Średnia 124 Sierpnia 2004 Sm Średnia 2 2 131 131. Oktober Sm Śr. 2 3 114 1 3 131 119 6666.Niemcy Sm Śr. 2 4 119 2 4 119 6666 119 3333. Wczoraj 2004 r. Sprzedaż Wrz. Sm Śr. 119 3333.A 13 3 Procent Dokładności Calcula t. 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Średnia obliczalność odchylenia bezwzględnego. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metoda 12 - wyrównywanie wyrównawcze z tendencją i sezonowością Metoda ta jest podobna do metody 11 Wyrównywanie wykładnicze, w którym obliczana jest średnia wygładzona. Metoda 12 zawiera również wyrażenie w równaniu prognozowania do obliczania wygładzonej tendencji Prognoza składa się z wygładzonego uśrednionego dopasowanego do trendu liniowego w opcji przetwarzania prognoza jest również dostosowywana do sezonowości. a stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży Ważna wartość dla alfa wynosi od 0 do 1.b stała wygładzania używana do obliczania wygładzonej średnia dla składnika tendencji prognozy Prawidłowe wartości dla zakresu beta od 0 do 1.Chociaż indeks sezonowy jest stosowany do prognozy. a i b są niezależne od siebie Nie muszą dodawać do 1 0.Min imum wymagał historii sprzedaży dwa lata oraz liczby okresów czasu potrzebnych do oceny prognozy PBF. Metoda 12 wykorzystuje dwa równania wyrównania wykładniczego i jedną prostą średnią do obliczenia średniej wygładzonej, wygładzonej tendencji i prostego średniego czynnika sezonowego. A 14 1 Prognoza Obliczenia. A Średnica wykładniczo wygładzona. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Ocena prognoz. Można wybrać metody prognozowania, aby wygenerować aż dwanaście prognoz dla każdego produktu. Każda prognoza metoda prawdopodobnie utworzy nieco inną projekcję Kiedy tysiące produktów jest prognozowane, niepraktyczne jest dokonanie subiektywnej decyzji dotyczącej tego, które z prognoz użyć w planach każdego z produktów. System automatycznie ocenia wydajność każdej z metod prognozowania które wybierzesz, a dla każdej z prognoz produktów Możesz wybrać jeden z dwóch kryteriów wydajności, średnie odchylenie bezwzględne MAD i procenty Accur acy POA MAD jest miarą błędu prognozowego POA jest miarą przewidywanej tendencji Obie te techniki oceny skuteczności wymagają rzeczywistych danych dotyczących historii sprzedaży dla określonego przez użytkownika okresu czasu Ten okres najnowszej historii nazwany jest okresem holdout lub okresami najlepiej odpowiadającymi PBF. Aby zmierzyć skuteczność metody prognozowania, użyj prognozowanych formuł do symulacji prognozy na historyczny okres holdoutu Zazwyczaj występują różnice między rzeczywistymi danymi dotyczącymi sprzedaży a symulowaną prognozą dla okresu utrzymywania rezerwy. Gdy wybrano wiele metod prognozy, ten sam proces występuje dla każdej metody Wielokrotne prognozy są obliczane dla okresu utrzymywania i porównywane do znanej historii sprzedaży w tym samym okresie czasu Zalecana jest metoda prognozowania, która najlepiej pasuje pomiędzy prognozą a rzeczywistą sprzedażą w okresie trzymiesięcznym w Twoich planach To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednego prognozowania na ne xt. A 16 Średnie odchylenie bezwzględne MAD. MAD jest średnią lub średnią wartości bezwzględnych lub wielkości odchyleń lub błędów między rzeczywistymi a prognozowanymi danymi MAD jest miarą średniej wielkości błędów oczekiwanych, biorąc pod uwagę metodę prognozowania i dane historia Ponieważ wartości bezwzględne są stosowane w obliczeniach, pozytywne błędy nie eliminują negatywnych błędów Porównując kilka metod prognozowania, ten z najmniejszym MAD okazał się najbardziej niezawodny dla tego produktu w tym okresie utrzymywania rezerwy Kiedy prognoza jest bezstronna i błędy są zwykle rozłożone, istnieje prosty związek matematyczny pomiędzy MAD a dwoma innymi wspólnymi środkami rozkładu, odchyleniem standardowym i średnim błędem kwadratowym. A 16 1 Procent dokładności POA. Percent dokładności POA jest miarą przewidywanej tendencji Gdy prognozy są konsekwentnie zbyt wysokie zapasy gromadzą się i rosną koszty zapasów Kiedy prognozy są konsekwentnie dwa niskie, zapasy są konsumowane i spadek obsługi klienta s Prognoza, która wynosi 10 jednostek za niska, a następnie 8 jednostek za wysoka, a następnie 2 jednostki zbyt wysokie, byłoby nieprzewidywalną prognozą. Błąd dodatni równy 10 jest anulowany przez błędy ujemne 8 i 2. Rzeczywiste - prognoza. Kiedy produkt mogą być przechowywane w magazynie, a kiedy prognoza jest bezstronna, można wykorzystać małą ilość zapasów zabezpieczających do buforowania błędów W tej sytuacji nie jest tak ważne, aby wyeliminować błędy prognozy, ponieważ ma generować obiektywne prognozy. W przemyśle usługowym , powyŜsza sytuacja byłaby postrzegana jako trzy błędy SłuŜby byłyby za mało pracowników w pierwszym okresie, a następnie przepracowane przez następne dwa okresy W usługach, wielkość błędów prognozowych jest zazwyczaj większa niŜ przewidywana nastawa. Podsumowanie w okresie utrzymywania rezerwy pozwala na pozytywne błędy w celu wyeliminowania negatywnych błędów Jeśli łączna rzeczywista sprzedaż przekracza całkowitą prognozę sprzedaży, współczynnik jest większy niż 100 Oczywiście, niemożliwe jest dokładniejsze niż 100 Kiedy prognoza jest unbias ed, współczynnik POA wynosi 100 W związku z tym bardziej pożądane jest 95 dokładne, niż 110 dokładne Kryteria POA wybierają metodę prognozowania, która ma współczynnik POA najbliższy 100. Skryptowanie na tej stronie zwiększa nawigację treści, ale nie w jakikolwiek sposób zmieniać treść.