Przenoszenie średniej prognozy wstępnej. Jak można się domyślić, patrzymy na niektóre z najbardziej prymitywnych podejść do prognozowania. Miejmy nadzieję, że są to przynajmniej wartościowe wprowadzenie do niektórych problemów informatycznych związanych z wdrażaniem prognoz w arkuszach kalkulacyjnych. W tym duchu będziemy kontynuować od początku i zacząć pracę z prognozami średniej ruchomej. Średnie prognozy ruchome. Wszyscy znają średnie ruchome prognozy, niezależnie od tego, czy uważają, że są. Wszyscy studenci robią to cały czas. Pomyśl o swoich wynikach testowych na kursie, w którym będziesz miał cztery testy w trakcie semestru. Załóżmy, że masz 85 na pierwszym teście. Co byś przewidział dla swojego drugiego wyniku testu Jak sądzisz, co Twój nauczyciel przewidział dla twojego następnego wyniku testu Co twoim zdaniem mogą przewidzieć twoi znajomi dla twojego następnego wyniku testu Co twoim zdaniem rodzice mogą przewidzieć dla twojego następnego wyniku testu Niezależnie od wszystko, co możesz zrobić swoim przyjaciołom i rodzicom, oni i twój nauczyciel najprawdopodobniej oczekują, że dostaniesz coś w okolicy 85, którą właśnie dostałeś. Teraz załóżmy, że pomimo twojej autopromocji dla twoich przyjaciół, przeinaczasz siebie i wyobrażasz sobie, że możesz mniej uczyć się na drugi test, a więc dostajesz 73. Teraz, co się dzieje z tymi wszystkimi zainteresowanymi i beztroskimi? spodziewaj się, że dostaniesz swój trzeci test. Istnieją dwa bardzo prawdopodobne podejścia do opracowania oszacowania, niezależnie od tego, czy podzielą się nim z tobą. Mogą powiedzieć sobie: "Ten facet zawsze dmucha o swoich sprytach. Zamierza uzyskać kolejne 73, jeśli ma szczęście. Może rodzice będą starali się być bardziej pomocni i powiedzieć: "Cóż, jak dotąd dostałeś 85 i 73, więc może powinieneś pomyśleć o zdobyciu czegoś" (85 73) 2 79. Nie wiem, może gdybyś mniej imprezował i nie kręcili weasel w całym miejscu i jeśli zacząłeś robić o wiele więcej nauki, możesz uzyskać wyższy wynik. Oba te szacunki są w rzeczywistości średnią ruchomą. Pierwszym z nich jest wykorzystanie tylko ostatniego wyniku do prognozowania przyszłej skuteczności. Jest to tak zwana prognoza średniej ruchomej z użyciem jednego okresu danych. Drugi to również prognoza średniej ruchomej, ale z wykorzystaniem dwóch okresów danych. Załóżmy, że wszyscy ci ludzie, którzy wpadają w twój wielki umysł, trochę cię wkurzyli i postanawiasz zrobić dobrze w trzecim teście z własnych powodów i wystawić wyższy wynik przed swoimi cytatami. Poddajesz się testowi, a twój wynik to w rzeczywistości 89 Każdy, łącznie z tobą, jest pod wrażeniem. Teraz masz już ostatni test semestru i jak zwykle czujesz potrzebę nakłonienia wszystkich do przedstawienia swoich przewidywań na temat ostatniego testu. Mam nadzieję, że widzisz ten wzór. Miejmy nadzieję, że widać wzór. Co według ciebie jest najdokładniejszym Gwizdkiem, podczas gdy my pracujemy. Teraz wracamy do naszej nowej firmy sprzątającej rozpoczętej przez twoją siostrę o imieniu Whistle While We Work. Masz kilka poprzednich danych dotyczących sprzedaży reprezentowanych w poniższej sekcji z arkusza kalkulacyjnego. Najpierw przedstawiamy dane dla trzyzmianowej prognozy średniej ruchomej. Wpis dla komórki C6 powinien być teraz. Teraz możesz skopiować tę formułę komórki do innych komórek od C7 do C11. Zwróć uwagę, jak średnia porusza się po najnowszych danych historycznych, ale używa dokładnie trzech ostatnich okresów dostępnych dla każdej prognozy. Powinieneś również zauważyć, że tak naprawdę nie musimy tworzyć prognoz dla przeszłych okresów, aby rozwinąć naszą najnowszą prognozę. To zdecydowanie różni się od wykładniczego modelu wygładzania. Podaję prognozy cudzysłowów, ponieważ użyjemy ich na następnej stronie internetowej do pomiaru trafności prognozy. Teraz chcę przedstawić analogiczne wyniki dla dwuletniej prognozy średniej ruchomej. Wpis dla komórki C5 powinien być teraz. Teraz możesz skopiować tę formułę komórki do innych komórek od C6 do C11. Zwróć uwagę, jak teraz dla każdej prognozy są używane tylko dwa najnowsze dane historyczne. Ponownie uwzględniłem prognozy quotpast dla celów ilustracyjnych i do późniejszego wykorzystania w walidacji prognoz. Kilka innych rzeczy, o których należy pamiętać. Dla prognozy średniej ruchomej z okresu m do prognozowania wykorzystuje się tylko m najnowsze wartości danych. Nic więcej nie jest konieczne. Dla prognozy średniej ruchomej okresu m, podczas dokonywania prognozy quotpast, zauważ, że pierwsza prognoza ma miejsce w okresie m 1. Oba te problemy będą bardzo istotne, gdy opracujemy nasz kod. Opracowanie średniej ruchomej funkcji. Teraz musimy opracować kod dla średniej ruchomej prognozy, która może być wykorzystywana bardziej elastycznie. Kod następuje. Zauważ, że dane wejściowe odnoszą się do liczby okresów, których chcesz użyć w prognozie i tablicy wartości historycznych. Możesz przechowywać go w dowolnym skoroszycie, który chcesz. Funkcja MovingAverage (Historyczne, NumberOfPeriods) Jako pojedyncze zadeklarowanie i inicjalizacja zmiennych Dim Pozycja jako zmienny licznik wymiaru jako całkowita liczba wymiarów Dim Dimit as Single Dim HistoricalSize jako liczba całkowita Inicjowanie zmiennych Counter 1 Akumulacja 0 Określanie rozmiaru tablicy historycznej HistoricalSize Historical. Count dla licznika 1 na NumberOfPeriods Kumulacja odpowiedniej liczby ostatnio obserwowanych wartości Akumulacja akumulacja Historycznie (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kod zostanie wyjaśniony w klasie. Chcesz umieścić funkcję w arkuszu kalkulacyjnym, aby wynik obliczeń pojawiał się w miejscu, w którym powinien wyglądać. OMGT 3123 Rozdział 9 20. Lisa, uzależniając się od warunków pracy w call center, postanawia zainwestować w stan - the-maszyny do szycia i produkują ograniczone ilości własnych wzorów odzieży. Po kilku miesiącach operacji postanawia zastosować niektóre techniki prognostyczne, które opanowała w szkole. Które z tych stwierdzeń na temat jej prognozy jest poprawne D) Najlepszym sposobem, aby określić, ile materiału potrzebuje, jest prognoza na podstawie zamówień klientów dla każdego rodzaju spódnicy. Rozdział 12 Planowanie popytu: Prognozowanie i zarządzanie popytem Podstawowa różnica między zarządzaniem popytem a prognozowaniem popytu polega na tym, że prognozowanie jest możliwe tylko wtedy, gdy dostępne są dane ilościowe. Firma nie może jednocześnie realizować obu podejść. Zarządzanie popytem jest proaktywne, a prognozy przewidują. Jedno podejście dotyczy niepewności, podczas gdy drugie dotyczy znanego popytu. Zarządzanie popytem jest proaktywne, a prognozy przewidują. Zarządzanie popytem aktywnie próbuje wpływać na popyt, a prognozowanie po prostu próbuje przewidzieć popyt. najlepiej będzie wykorzystać strategiczne planowanie popytu: określenie planów zatrudniania lub zwalniania pracowników. Aby ustalić plany nadgodzin pracowników. Aby zdecydować, czy zamknąć zakład produkcyjny. Kierować codziennymi operacjami w zakładzie produkcyjnym. Aby zdecydować, czy zamknąć zakład produkcyjny. Strategiczne planowanie popytu jest konieczne w przypadku długoterminowych decyzji, takich jak budowa lub zamknięcie zakładu. Pozostałe opisy są decyzjami krótkoterminowymi. Popyt na mieszkania charakteryzuje się regularnym wzrostem do maksimum, a następnie spadkiem. Kiedy zapotrzebowanie osiąga niski punkt, wówczas powtarza wzór. Ten schemat zwykle ma miejsce w ciągu trzech do pięciu lat. Jest to przykład tego, jaki rodzaj wzoru zapotrzebowania autokorelacja Zmiana kroku Trend Sezonowość i cykle Sezonowość i cykle Sezonowość i cykle są regularnymi wzorcami powtarzających się wzlotów i upadków, jak opisano w tym przykładzie. Convex Computer Company ma wiele różnych prognoz. Która z poniższych prognoz jest prawdopodobnie najmniej dokładna Łączna liczba komputerów do sprzedaży w przyszłym roku. Łączna liczba laptopów do sprzedaży w przyszłym miesiącu. Łączna liczba komputerów (laptopów i komputerów stacjonarnych) do sprzedaży w przyszłym miesiącu. Łączna liczba laptopów z 2 gigabajtową pamięcią RAM, 80-gigabajtowym dyskiem twardym i 16-krotnym napędem DVD do sprzedaży w przyszłym roku. Łączna liczba laptopów z 2 gigabajtową pamięcią RAM, 80-gigabajtowym dyskiem twardym i 16-krotnym napędem DVD do sprzedaży w przyszłym roku. Im bardziej szczegółowa jest prognoza, tym mniej prawdopodobna jest jej dokładność. D jest najbardziej szczegółowe. Firma ma następujące informacje na temat swojej prognozy wyników w trzech ostatnich okresach. Jakie jest średnie bezwzględne odchylenie (MAD) 200 Podsumowanie bezwzględnych wartości błędów i określenie średniej wyników (300 200 100) 3 200. Przejście z trybu "buduj na magazyn" w celu złożenia lub wykonania operacji na zamówienie. Wpływ na czas popytu. Wszystkie te. Przejście z budowy do magazynu w celu złożenia lub wykonania operacji na zamówienie. Odkładane produkty uzyskują ostateczną formę po rzeczywistym zapotrzebowaniu klienta. Niektóre prognozy są nadal potrzebne (dla komponentów), a czas zapotrzebowania nie ulega zmianie. W ostatnich latach niektóre firmy zaczęły ściśle współpracować ze swoimi klientami i dostawcami, dzieląc się informacjami, aby opracować plany popytu i zrealizować te plany. Procedura, którą stosują, jest znana jako: Planowanie, prognozowanie i uzupełnianie w ramach współpracy. Wspólna analiza i prognozowanie. Wspólne planowanie prognoz popytu. Skoordynowane planowanie wstępne wymagań. Wspólne planowanie, prognozowanie i uzupełnianie. Wspólne planowanie, prognozowanie i uzupełnianie to proces wymiany informacji i planów z partnerami łańcucha dostaw. Załóżmy, że prognoza dla ostatniego okresu wynosi 200 jednostek FITt, a ostatnie doświadczenie sugeruje prawdopodobny wzrost sprzedaży o 10 jednostek w każdym okresie. Rzeczywista sprzedaż za ostatni okres wyniosła 230 sztuk. Zakładając współczynnik wygładzania równy 0,20 i współczynnik wygładzania trendu równy 0,10, jaka jest prognoza BASE na następny okres Ft1 FITt (dt - FITt) 200 0,20 (230-200) 206 Zanda Corp. testuje działanie dwóch różnych prognoz modele, aby zobaczyć, które powinny zostać przyjęte do użytku. Chce wybrać model, który ma mniejsze standardowe odchylenie błędów prognozy. Zanda powinna porównać, który z poniższych, aby dokonać wyboru MAPE dwóch modeli MFE dwóch modeli RMSE dwóch modeli MAD dwóch modeli RMSE dwóch modeli RMSE zapewnia dobre przybliżenie odchyleń standardowych błędów prognozy modeli . Sygnał śledzenia zasugeruje menadżerowi, że zapotrzebowanie na przedmiot się zmienia. Parametry trybów prognozy mogą wymagać korekty. Występuje popyt na sezonowość. Wszystkie te parametry trybów prognozy mogą wymagać korekty. Sygnał śledzenia sugeruje menedżerowi, że parametry modelu mogą wymagać korekty. System prognozujący, który zmienia wartość parametru alfa w odpowiedzi na poziom błędu prognozy, jest znany jako: Model adaptacyjny. Ulepszony wykładniczo model wygładzania wykładniczego. Sygnał śledzenia. Model szeregów czasowych. Regresja przyczynowa. Model adaptacyjny Prognozowanie adaptacyjne automatycznie dostosowuje współczynniki wygładzania w modelu wykładniczym wygładzania wykładniczego w odpowiedzi na sygnał śledzenia. Długoterminowe strategiczne planowanie popytu jest zwykle realizowane za pomocą jednostek sprzedaży w danej lokalizacji. Całkowita sprzedaż jednostek biznesowych Łączna sprzedaż produktów ze sprzedaży Łączna sprzedaż rodzin produktów Łączna sprzedaż jednostek biznesowych Strategiczne planowanie popytu wspiera wszystkie decyzje na poziomie biznesowym. Jaki jest związek między zarządzaniem popytem a prognozowaniem popytu Dwie czynności planowania są zarządzane niezależnie. Plany zarządzania popytem są zwykle czynnikiem wpływającym na prognozowanie popytu. Zarządzanie popytem jest wykonywane przez menedżerów operacyjnych, podczas gdy prognozowanie popytu jest wykonywane przez menedżerów marketingu. Zarówno B, jak i C są prawidłowe. Plany zarządzania popytem są zwykle czynnikiem wpływającym na prognozowanie popytu. Plany zarządzania popytem, takie jak ceny i promocja, są danymi potrzebnymi do prognozowania popytu. Które z poniższych czynników należy wziąć pod uwagę, gdy projektuje się proces prognozowania Horyzont czasowy planowania. Poziom szczegółowości planowania. Dostępność danych. Wszystkie te systemy prognozowania powinny być dostosowane do potrzeb użytkowników. Najprostszym podejściem byłoby przyjęcie średniej z okresu od stycznia do marca i wykorzystanie jej do oszacowania sprzedaży z kwietnia 8217: (129 134 122) 3 128,333 Dlatego też, w oparciu o sprzedaż z stycznia poprzez W marcu przewidujecie, że sprzedaż w kwietniu wyniesie 128 333. Po wprowadzeniu rzeczywistej sprzedaży w kwietniu 1717 r. Należy obliczyć prognozę na maj, tym razem w okresie od lutego do kwietnia. Musisz być zgodny z liczbą okresów, których używasz do średniej ruchomej prognozy. Liczba okresów, z których korzystasz w swoich prognozach średniej ruchomej, jest dowolna, możesz użyć tylko dwóch okresów lub pięciu lub sześciu okresów, które chcesz wygenerować. Powyższe podejście jest prostą średnią kroczącą. Czasami nowsze miesiące8217 sprzedaży mogą być silniejszymi wpływowcami nadchodzącego miesiąca8217s sprzedaży, więc chcesz dać im bliżej miesiące większą wagę w swoim modelu prognozy. Jest to ważona średnia ruchoma. I podobnie jak liczba okresów, przypisane wagi są czysto arbitralne. Let8217s mówią, że chciałbyś dać March8217s sprzedaży o wadze 50, Luty8217 o wadze 30 i Styczeń8217s 20. Wtedy twoja prognoza na kwiecień wyniesie 127 000 (122,50) (134,30) (129,20) 127. Ograniczenia średnich ruchomych metod Średnie ruchome są uważane za technikę prognozowania 8220smoothing8221. Ponieważ średnio się wydłużasz, zmiękczasz (lub wygładzasz) efekty nieregularnych zdarzeń w danych. W rezultacie skutki sezonowości, cykle koniunkturalne i inne zdarzenia losowe mogą dramatycznie zwiększyć błąd prognozy. Przyjrzyj się wartościom z całego roku8217 i porównaj 3-okresową średnią kroczącą z 5-okresową średnią kroczącą: zauważ, że w tym przypadku nie tworzyłem prognoz, a raczej centrowałem średnie kroczące. Pierwsza 3-miesięczna średnia krocząca ma miejsce w lutym, a średnia to w styczniu, lutym i marcu. Podobnie zrobiłem dla 5-miesięcznej średniej. Teraz spójrz na następującą tabelę: Co widzisz Czy trzymiesięczna średnia ruchoma seria nie jest bardziej płynna niż faktyczna seria sprzedaży? A co powiesz na pięciomiesięczną średnią ruchomą It8217s jeszcze bardziej płynną. Dlatego im więcej okresów używasz w swojej średniej ruchomej, tym bardziej płynne są serie czasowe. Dlatego w przypadku prognozowania prosta średnia krocząca może nie być najdokładniejszą metodą. Metody średniej ruchomej okazują się dość cenne, gdy próbujesz wyodrębnić sezonowe, nieregularne i cykliczne komponenty szeregu czasowego dla bardziej zaawansowanych metod prognozowania, takich jak regresja i ARIMA, a użycie średnich ruchomych w dekompozycji szeregu czasowego zostanie omówione później w serii. Określanie dokładności modelu średniej ruchomej Ogólnie rzecz biorąc, potrzebujesz metody prognozowania, która ma najmniejszy błąd między rzeczywistymi i przewidywanymi wynikami. Jedną z najczęstszych miar dokładności prognoz jest średnie bezwzględne odchylenie (MAD). W tym podejściu, dla każdego okresu w szeregach czasowych, dla których wygenerowano prognozę, bierze się bezwzględną wartość różnicy między tym okresem 8117 a rzeczywistymi i prognozowanymi wartościami (odchylenie). Następnie oceniasz te absolutne odchylenia i otrzymujesz miarę MAD. MAD może być pomocna w decydowaniu o liczbie przeciętnych okresów oraz o wadze, jaką umieścisz w każdym okresie. Generalnie wybierasz ten, który daje najniższą MAD. Oto przykład obliczenia MAD: MAD jest po prostu średnią z 8, 1 i 3. Średnie kroczące: Podsumowanie Podczas używania średnich kroczących do prognozowania pamiętaj: Przesuwanie średnich może być proste lub ważone Liczba okresów, których używasz do średnia i dowolne wagi przypisane do każdego są ściśle arbitralne Średnie ruchome Wygładzanie nieregularnych wzorców w danych szeregów czasowych Im większa liczba okresów wykorzystywanych dla każdego punktu danych, tym większy efekt wygładzania Z powodu wygładzania, prognozowanie następnego miesiąca8217 sprzedaży opartej na W ostatnich kilku miesiącach sprzedaż może prowadzić do dużych odchyleń w związku z sezonowością, cyklicznymi i nieregularnymi wzorcami danych, a funkcja wygładzania metody średniej ruchomej może być przydatna w dekompozycji szeregu czasowego dla bardziej zaawansowanych metod prognozowania. Następny tydzień: Wygładzanie wykładnicze w przyszłym tygodniu8217 Prognoza w piątek. omówimy metody wygładzania wykładniczego, a przekonasz się, że mogą być znacznie lepsze od ruchomych metod prognozowania. Nadal nie wiem, dlaczego nasze piątki z Prognozy na piątek pojawiają się w czwartek. Dowiedz się na: tinyurl26cm6ma Tak jak to: Napisz nawigację Pozostaw odpowiedź Anuluj odpowiedź Miałem 2 pytania: 1) Czy możesz użyć skoncentrowanego podejścia MA do prognozowania lub po prostu do usunięcia sezonowości 2) Kiedy używasz prostego t (t-1t-2t-k) k MA, aby prognozować jeden okres do przodu, czy możliwe jest przewidzenie więcej niż 1 okres, myślę, że wtedy twoja prognoza byłaby jednym z punktów zasilających następny. Dzięki. Uwielbiam informacje i twoje wyjaśnienia I8217m cieszę się, że podoba ci się blog I8217m, że kilku analityków wykorzystało centralne podejście MA do prognozowania, ale ja osobiście tego nie zrobiłbym, ponieważ takie podejście powoduje utratę obserwacji na obu końcach. To faktycznie wiąże się z drugim pytaniem. Ogólnie rzecz biorąc, prosty MA jest używany do prognozowania tylko jednego okresu przed, ale wielu analityków 8211 i ja też czasami 8211 wykorzysta moją jednokresową prognozę wyprzedzającą jako jeden z danych wejściowych do następnego okresu. Ważne jest, aby pamiętać, że im dalej będziesz się starał prognozować, tym większe ryzyko błędu prognozy. Dlatego nie zalecam wyśrodkowanego MA do prognozowania 8211, że utrata obserwacji na końcu oznacza opieranie się na prognozach dotyczących utraconych obserwacji, jak również na okres (-y) przed nami, więc istnieje większa szansa na błąd prognozy. Czytelnicy: jesteście zaproszeni do ważenia tego. Czy masz jakieś przemyślenia lub sugestie na temat tego Briana, dzięki za komentarz i pochwały na blogu Nicea inicjatywy i miłe wyjaśnienie. To bardzo pomocne. Przewiduję niestandardowe obwody drukowane dla klienta, który nie podaje żadnych prognoz. Użyłem średniej ruchomej, jednak nie jest ona zbyt dokładna, ponieważ branża może podążać w górę iw dół. Zbliżamy się do połowy lata do końca roku, kiedy wysyłka PCB8217 jest już za nami. Potem widzimy na początku roku spowolnienie. Jak mogę być bardziej dokładny z moich danych Katrina, z tego co mi powiedziałeś, wygląda na to, że twoja sprzedaż płytek drukowanych ma komponent sezonowy. Zajmuję się sezonowością w niektórych innych piątkowych prognozach. Innym podejściem, które można zastosować, co jest dość łatwe, jest algorytm Holt-Winters, który uwzględnia sezonowość. Możesz znaleźć dobre wyjaśnienie tego tutaj. Upewnij się, że twoje wzorce sezonowe są multiplikatywne lub addytywne, ponieważ algorytm jest nieco inny dla każdego. Jeśli spiszesz swoje miesięczne dane z kilku lat i zauważysz, że wahania sezonowe w tych samych okresach lat wydają się być stałe z roku na rok, to sezonowość jest dodatnia, jeśli sezonowe wahania w czasie wydają się wzrastać, wtedy sezonowość jest mnożny. Większość sezonowych szeregów czasowych będzie multiplikatywnych. W razie wątpliwości przyjmij multiplikatywność. Powodzenia Cześć, Między tymi metodami:. Prognozy Nave. Aktualizacja średniej. Średnia ruchoma długości k. Albo ważona ruchoma średnia długości k OR wygładzanie wykładnicze Który z tych modeli aktualizacji zalecam mi do prognozowania danych? Moim zdaniem, myślę o średniej ruchomej. Ale nie wiem, jak to uczynić jasnym i uporządkowanym To naprawdę zależy od ilości i jakości posiadanych danych i twojego horyzontu prognozy (długoterminowego, średnioterminowego lub krótkoterminowego)
No comments:
Post a Comment