3 Kk Liukuva Keskiarvo Demand Ennuste

Keskimääräisen ennusteen siirto Johdanto. Kuten arvataankin, tarkastelemme joitain ennennäkemättömiä ennusteita. Mutta toivottavasti nämä ovat ainakin hyödyllinen esittely joihinkin laskentataulukoiden ennusteiden toteuttamiseen liittyvistä laskentakysymyksistä. Tällä tavoin jatkamme aloittamalla alusta ja aloittamalla Moving Average - ennusteiden kanssa. Liukuva keskiennuste. Jokainen tuntee liikkuvien keskimääräisten ennusteiden riippumatta siitä, ovatko he sitä mieltä. Kaikki opiskelijat tekevät niitä koko ajan. Ajattele testituloksia kurssilla, jossa sinulla on neljä testia lukukauden aikana. Oletetaan, että sinulla on 85 testissä. Mitä arvioisit toisen testipisteen suhteen Mitä luulet opettajasi ennustavan seuraavalle testipisteelle Mitä luulet ystäväsi saattavan ennustaa seuraavalle testipisteelle Mitä mieltä olet vanhempanne, jotka saattavat ennustaa seuraavan testipisteenne Riippumatta siitä, kaikki mitä voit tehdä ystävillesi ja vanhemmillesi, he ja opettajasi odottavat todennäköisesti, että saat jotain 85-luvun alueella. No, nyt oletamme, että huolimatta sinun itsesi edistämisestä ystävillesi, voit yliarvioida itseäsi ja katsoa, ​​että voit opiskella vähemmän toisen testin ja niin saat 73. Nyt kaikki ovat huolestuneita ja huolimattomia menossa ennakoida, että saat kolmannen testin. Heille kaksi todennäköistä lähestymistapaa on kehittää arvio riippumatta siitä, jakavatko ne sinulle. He voivat sanoa itselleen, että tämä kaveri on aina puhaltaa savua hänen älykkyydestään. Hän aikoo saada toisen 73, jos on onnekas. Ehkä vanhemmat yrittävät olla tukevampia ja sanoa: "No niin, sinä olet saanut 85: n ja 73: n, joten ehkä sinun pitäisi ymmärtää (85 73) 2 79. En tiedä, ehkä jos teit vähemmän juhlimista ja werent wagging the weasel koko paikka ja jos olet alkanut tehdä paljon enemmän opiskelu voit saada korkeamman pistemäärän. Quot molemmat arviot ovat todellisuudessa liikkuvat keskimääräiset ennusteet. Ensimmäinen käyttää vain viimeisimpiä pisteitä ennustamaan tulevaa suorituskykyäsi. Tätä kutsutaan liikkuvaksi keskimääräiseksi ennusteeksi käyttäen yhtä tietovuotta. Toinen on myös liukuva keskimääräinen ennuste, mutta kaksi tietojen jaksoa. Oletetaan, että kaikki nämä ihmiset, jotka menevät hyvään mieleesi, ovat sortuneet sinut irti ja päätät tehdä kolmannella testillä omia syitäsi ja laittaa korkeamman pistemäärän kvartetinne eteen. Teet testin ja pisteesi on oikeastaan ​​89 Jokainen, mukaanlukien itsesi, on vaikuttunut. Joten nyt olet lukukauden viimeinen testi tulossa ja tavalliseen tapaan tunnet tarvetta yllyttää kaikki tekemään ennustuksia siitä, miten voit tehdä viimeisen testin. No, toivottavasti näet kuvion. Nyt toivottavasti näet kuvion. Mikä luulet olevan tarkin Whistle While We Work? Nyt palaamme uuteen siivousyhtiöön, jonka aloitti teidän hämmästynyt puolisko nimeltä Whistle While We Work. Sinulla on joitain aiempia myyntitilastoja, joita edustaa seuraava osio laskentataulukosta. Esitämme tiedot ensimmäistä kertaa kolmen peräkkäisen liukuvan keskiarvon ennusteessa. Solun C6 merkinnän pitäisi olla Nyt voit kopioida tämän solukehyksen alas muihin soluihin C7-C11. Huomaa, kuinka keskiarvo liikkuu viimeisimpien historiallisten tietojen perusteella, mutta käyttää täsmälleen kolmea viimeisintä ajanjaksoa jokaiselle ennusteelle. Sinun on myös huomattava, että emme todellakaan tarvitse tehdä ennusteita aiempina aikoina, jotta voimme kehittää viimeisintä ennustetta. Tämä on ehdottomasti erilainen kuin eksponentiaalinen tasoitusmalli. Olen sisällyttänyt quotpast ennusteita, koska käytämme niitä seuraavalla verkkosivustolla ennusteen pätevyyden mittaamiseen. Nyt haluan esitellä samankaltaiset tulokset kahteen jaksoon liukuvalle keskimääräiselle ennusteelle. Solun C5 merkinnän pitäisi olla Nyt voit kopioida tämän solukehyksen alas muihin soluihin C6-C11. Huomaa, miten kullekin ennusteelle käytetään vain kahta viimeisintä historiatietoa. Jälleen olen sisällyttänyt quotpast ennusteetquot havainnollistamistarkoituksiin ja myöhempää käyttöä varten ennustevalidoinnissa. Joitakin muita asioita, jotka ovat tärkeitä huomaamaan. M-ajan liikkuvaa keskimääräistä ennustetta käytetään ennusteiden tekemiseen vain viimeisimmillä m arvoilla. Mikään muu ei ole välttämätöntä. M-ajan liikkuvaa keskimääräistä ennustetta varten, kun annat quotpast ennusteita, huomaa, että ensimmäinen ennuste tapahtuu ajanjaksossa m. Molemmat näistä ongelmista ovat erittäin merkittäviä, kun kehitämme koodimme. Liikkuvan keskiarvotoiminnon kehittäminen. Nyt meidän on kehitettävä liikkuvaa keskimääräistä ennusteita, joita voidaan käyttää joustavammin. Koodi seuraa. Huomaa, että panokset ovat niiden aikojen lukumäärää, jotka haluat käyttää ennusteessa ja historiallisten arvojen sarjassa. Voit tallentaa sen haluamaasi työkirjaan. Toiminto MovingAverage (Historiallinen, NumberOfPeriods) Yksittäisen ilmoituksen ja alustuksen muuttujat Dim elementti versioksi Dim Counter kuin kokonaisluku Dim kertyminen yksittäisenä hilaan HistoricalSize kuin kokonaisluku Muuttujien alustus Counter 1 kertyminen 0 Historiallisen taulukon koko määrittäminen HistoricalSize Historical. Count for Counter 1 to NumberOfPeriods Kertyminen sopivasta määrästä viimeisimpiä aiemmin havaittuja arvoja Kertymisen kertyminen Historiallinen (HistoricalSize - NumberOfPeriods Counter) Siirtyminen keskimääräisen kertymän lukumääränperiaatteista Koodi selitetään luokassa. Haluat sijoittaa funktion laskentataulukkoon niin, että laskutoimituksen tulos näytetään missä se haluaisi. Käytännössä liikkuva keskiarvo antaa hyvän arvion aikasarjojen keskiarvosta, jos keskiarvo on vakio tai hitaasti muuttuva. Vakaan keskiarvon tapauksessa m: n suurin arvo antaa parhaan estimaatin keskiarvosta. Pitempi havaintojakso keskittää vaihtelun vaikutukset keskimäärin. Pienemmän m: n tarjoamisen tarkoituksena on antaa ennuste reagoida taustalla olevan prosessin muutokseen. Havainnollistamiseksi ehdotamme tietojoukkoa, joka sisältää muutoksia aikasarjojen keskiarvoon. Kuviossa on esitetty havainnollistettu aikasarja yhdessä keskimääräisen kysynnän kanssa, josta sarja on syntynyt. Keskimäärä alkaa vakiona 10 ° C: ssa. Alkamisajankohdasta 21 alkaen se kasvaa yhdellä yksiköllä kussakin jaksossa, kunnes se saavuttaa 20: n arvon 30. Sitten se muuttuu vakiona uudelleen. Tiedot simuloidaan lisäämällä keskimääräinen satunnaismelu Normal-jakaumasta nolla keskiarvolla ja keskihajonnalla 3. Simulointitulokset pyöristetään lähimpään kokonaislukuun. Taulukko esittää esimerkille käytettyjä simuloituja havaintoja. Kun käytämme taulukkoa, meidän on muistettava, että tietyssä ajassa tiedetään vain aiemmat tiedot. Malliparametrin estimaatit kolmen eri m: n arvona esitetään yhdessä alla olevan kuvasarjan keskiarvon kanssa. Kuvassa näkyy keskimääräisen keskimääräisen keskiarvon kullakin hetkellä eikä ennuste. Ennusteet siirtäisivät liukuvien keskiarvojen käyrät oikealle kausittain. Yksi johtopäätös on heti kuvasta. Kaikissa kolmessa arviossa liukuva keskiarvo on lineaarisen kehityksen taakse, ja viive kasvaa m: lla. Viive on mallin ja aikamittarin estimaatin välinen etäisyys. Viiveen vuoksi liukuva keskiarvo aliarvioi havaintoja, kun keskiarvo kasvaa. Estimaattorin esijännitys on erilainen aika mallin keskiarvossa ja liukuvan keskiarvon ennalta määräytyvä keskimääräinen arvo. Polariteetti, kun keskiarvo kasvaa, on negatiivinen. Vähemmän keskiarvon kohdalla esijännitys on positiivinen. Aikaviive ja arvioon esittämä bias ovat m: n funktioita. Mitä suurempi m. sitä suurempi on viiveen ja esijännitteen suuruus. Jatkuvasti kasvava sarja trendillä a. keskiarvon estimaattorin viive ja bias arvot annetaan alla olevissa yhtälöissä. Esimerkkikäyrät eivät vastaa näitä yhtälöitä, koska esimerkkimalli ei ole jatkuvasti kasvussa, vaan se alkaa vakiona, muuttaa trendiä ja muuttuu taas vakiona. Myös melua aiheuttavat esimerkkikäyrät. Kausien liukuvaa keskimääräistä ennustetta tulevaisuuteen edustaa siirtämällä käyrät oikealle. Viive ja esijännitys lisääntyvät suhteellisesti. Alla olevat yhtälöt viittaavat ennustejaksojen myöhästymiseen ja ennakointiin tulevaisuuteen verrattuna malliparametreihin. Jälleen nämä kaavat ovat aikasarjalle, jolla on jatkuva lineaarinen suuntaus. Meidän ei pidä yllättää tämän tuloksen. Liikkuva keskimääräinen estimaattori perustuu vakion keskiarvon olettamukseen, ja esimerkissä on lineaarinen kehitys keskimäärin tutkimusjakson osan aikana. Koska reaaliaikasarjat noudattavat harvoin tarkasti kaikkia mallin oletuksia, meidän pitäisi olla valmis tällaisiin tuloksiin. Voidaan myös päätellä, että melun vaihtelulla on suurin vaikutus pienempiin m. Arvio on huomattavasti epävakaampi liikkuvan keskiarvon ollessa viisi kuin 20: n liukuva keskiarvo. Meillä on ristiriitaiset toiveet kasvattaa m vähentää melun aiheuttaman vaihtelun vaikutusta ja pienentää m, jotta ennuste paremmin vastaisi muutoksia keskimäärin. Virhe on todellisten tietojen ja ennustetun arvon välinen ero. Jos aikasarja on todella vakioarvo, virheen odotettu arvo on nolla ja virheen varianssi koostuu termistä, joka on funktio ja toinen termi, joka on melun varianssi,. Ensimmäinen termi on keskiarvon varianssi, joka on arvioitu otoksella m havaintoja, olettaen, että tiedot ovat peräisin väestöstä, jolla on vakio keskiarvo. Tämä termi minimoidaan tekemällä m niin suurelta kuin mahdollista. Suuri m tekee ennusteesta vastattavaksi muutoksen taustalla olevaan aikasarjaan. Jotta ennuste reagoisi muutoksiin, haluamme m mahdollisimman pienenä (1), mutta tämä lisää virhevirheitä. Käytännön ennuste vaatii väliarvon. Ennustaminen Excelin avulla Ennustamisen lisäosa toteuttaa liikkuvien keskimääräisten kaavojen. Alla oleva esimerkki näyttää analyysin, jonka lisäys antaa sarakkeen B näytteille. Ensimmäiset 10 havaintoa indeksoidaan -9 - 0. Verrattuna edellä olevaan taulukkoon ajanjaksoja siirretään -10: lla. Ensimmäiset kymmenen havaintoa antavat arvion aloitusarvot ja lasketaan liukuvasta keskiarvosta kaudelle 0. MA (10) sarakkeessa (C) on lasketut liukuvat keskiarvot. Liikkuva keskiarvo m on solussa C3. Fore (1) sarake (D) näyttää ennustuksen yhdeksi jaksoksi tulevaisuuteen. Ennustettu aikaväli on solussa D3. Kun ennustevälit muuttuvat suuremmiksi, Fore-sarakkeen numerot siirtyvät alaspäin. Err (1) - pylväs (E) esittää havainnon ja ennusteen välisen eron. Esimerkiksi havainto ajanhetkellä 1 on 6. Oletusarvo liikkuvasta keskiarvosta aikaan 0 on 11,1. Virhe on -5.1. Keskimääräinen poikkeama ja keskimääräinen keskihajonta (MAD) lasketaan soluissa E6 ja E7 vastaavasti. OR-Notes on sarja alustavia muistiinpanoja aiheista, jotka kuuluvat toiminta-alan (OR) laajan otsikon alle. He alun perin käyttivät minua Johdantokurssi-kurssilla, jonka annan Imperial Collegessa. Ne ovat nyt käytettävissä kaikille opiskelijoille ja opettajille, jotka ovat kiinnostuneita TAI: sta tai seuraavista ehdoista. Täydellinen luettelo OR-Notesin aiheista löytyy täältä. Ennustamisesimerkkejä Ennuste esimerkki 1996 UG-tentti Tuotteen kysyntä jokaisessa viiden viime kuukauden aikana on esitetty alla. Käytä kahden kuukauden liukuvaa keskiarvoa tuottaaksesi ennuste kysynnästä kuussa 6. Käytä eksponentiaalisen tasoituksen tasoitusvakion ollessa 0,9, jolloin saadaan ennuste kysynnän kysynnästä kuussa 6. Kumpi näistä kahdesta ennustuksesta haluat ja miksi kahden kuukauden liikkuvat keskimäärin 2-5 kuukautta: Kuukauden ennuste on vain seuraavan kuukauden liukuva keskiarvo, eli 5 m 5 2350: n liukuva keskiarvo. Soveltamalla eksponentiaalisen tasoituksen tasausvakiona 0,9 saamme: Kuten aiemmin kuuden kuukauden ennuste on keskimäärin 5 kuukauden kuukausi M 5 2386 Näiden kahden ennusteen vertaamiseksi laskemme keskimääräisen neliösumman (MSD) keskiarvon. Jos havaitsemme tämän, havaitsemme, että liikkuvan keskiarvon MSD (15 - 19) sup2 (18-23) sup2 (21-24) sup23 16.67 ja eksponentiaalisesti tasoitetulle keskiarvolle tasoitusvakion ollessa 0,9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 Kaiken kaikkiaan näemme, että eksponentiaalinen tasoittaminen näyttäisi antavan parhaan kuukauden ennusteiden, koska sillä on alhaisempi MSD. Siksi mieluummin ennuste 2386, joka on tuotettu eksponentiaalinen tasoittaminen. Ennusteesimerkki 1994 UG-koe Alla olevassa taulukossa kerrotaan uuden jälkiruokavalmisteen kysynnästä jokaisessa viimeisen 7 kuukauden aikana. Laske kahden kuukauden liukuva keskiarvo kuukausien kahdesta seitsemään. Mikä olisi ennuste kysynnänne kahdeksan kuukauden aikana? Käytä eksponentiaalisen tasoituksen tasausvakion ollessa 0,1, jotta saadaan ennuste kysynnästä kahdeksan kuukauden aikana. Minkä kahdesta kahdeksan kuukauden ennusteesta haluat ja miksi Kauppiasperhe uskoo, että asiakkaat siirtyvät tähän uusiin jälkiruokaan muihin merkkeihin. Keskustele siitä, miten voit mallintaa tämän kytkentäkäyttäytymisen ja ilmoittaa tarvittavat tiedot sen varmistamiseksi, onko tämä kytkentä tapahtunut vai ei. Kaksi kuukauden liukuva keskiarvo kuukausien kahdesta seitsemään on seuraavanlainen: Kahdeksan kuukauden ennuste on vain liukuva keskiarvo edellisenä kuukautena eli liukuva keskiarvo kuukaudessa 7 m 7 46. Eksponenttien tasoituksen soveltaminen tasoitusvakion ollessa 0,1 me saada: Kuten ennenkin kahdeksan kuukauden ennuste on vain keskiarvo kuukaudelle 7 M 7 31.11 31 (koska meillä ei voi olla murto-osaa). Näiden kahden ennusteen vertailua varten lasketaan keskimääräinen neliöllinen poikkeama (MSD). Jos teemme tämän, havaitsemme, että liikkuvan keskiarvon ja eksponentiaalisesti tasoitetun keskiarvon kanssa tasoitusvakion ollessa 0,1 Kokonaisuudessaan näemme, että kahden kuukauden liukuva keskiarvo näyttäisi antavan parhaan kuukauden ennusteen, koska sillä on alhaisempi MSD. Siksi mieluummin 46 kuukauden ennuste, joka on tuotettu kahden kuukauden liukuva keskiarvo. Vaihtoehtojen tutkimiseksi meidän olisi käytettävä Markovin prosessimallia, jossa merkkituotteita ja tarvitsemme alustavat tilatiedot ja asiakkaiden vaihtamismahdollisuudet (kyselyistä). Meidän pitäisi hallita mallia historiallisissa tiedoissa, jotta näemme, onko mallin ja historiallisen käyttäytymisen välinen sovitus. Ennustamisesimerkki 1992 UG-koe Alla olevassa taulukossa esitetään tietyn brändin kysyntä liikkeessä jokaisesta viimeisestä yhdeksästä kuukaudesta. Laske kolmen kuukauden liukuva keskiarvo kuukausia kolmesta yhdeksään. Mikä olisi ennustuksesi kysynnässä kymmenen kuukauteen? Käytä eksponentiaalisen tasoituksen 0,3 tasoitusvakion avulla saadaksesi ennuste kysynnästä kymmenen kymmeneen. Kumpi kahdesta kuukausikohtaisesta ennustuksesta haluat ja miksi Kolmen kuukauden liukuva keskiarvo kuukausina 3-9 on seuraava: Kuukauden 10 ennuste on vain seuraavan kuukauden liukuva keskiarvo eli 9 m: n liukuva keskiarvo 9 20.33. Siten (koska meillä ei voi olla murto-osaa) ennuste 10: n kymmenestä on 20. Sovellettaessa eksponentiaalisen tasoituksen tasoitusvakiolla 0,3 saamme: Kuten ennenkin kuukauden 10 ennuste on vain kuukauden keskiarvo 9 M 9 18.57 19 (kuten ei voi olla murto-osaa). Näiden kahden ennusteen vertailua varten lasketaan keskimääräinen neliöllinen poikkeama (MSD). Jos näin käy, havaitsemme, että liukuvan keskiarvon ja eksponentiaalisesti tasoitetun keskiarvon kanssa tasoitusvakion ollessa 0,3 Kaiken kaikkiaan näemme, että kolmen kuukauden liukuva keskiarvo näyttäisi antavan parhaan kuukauden ennusteen, koska sillä on pienempi MSD. Siksi mieluummin 20 kuukauden ennuste, joka on tuotettu kolmen kuukauden liukuva keskiarvo. Ennustamisesimerkki 1991 UG-tentti Alla olevassa taulukossa on esitetty kunkin tavaratalon tietyn tavaramerkin kysyntä jokaisessa viimeisen 12 kuukauden aikana. Laske neljän kuukauden liukuva keskiarvo kuukausia 4-12. Mikä olisi ennuste kysynnänne kuukauden 13. Käytä eksponentti tasoitus tasoitus vakio 0,2 saada ennuste kysynnän 13. Kuukausi kaksi ennusteet kuukauden 13 Haluatko ja miksi Mitä muita tekijöitä, joita ei ole otettu huomioon edellä olevissa laskelmissa, saattavat vaikuttaa faksilaitteen kysyntään kuussa 13. Neljä kuukautta kestävä liukuva keskiarvo kuukausina 4-12 vastaa: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 13 kuukauden ennuste on vain liukuva keskiarvo edellisenä kuukautena, kuukaudessa 12 m 12 46,25. Siten (koska meillä ei voi olla murto-osaa) ennuste kuudennella kuukaudella on 46. Jos eksponenttien tasoittamiseen sovelletaan tasoitusvakion 0,2, saadaan: Kuten ennenkin 13 kuukauden ennuste on vain 12 kuukauden keskiarvo M 12 38.618 39 (kuten ei voi olla murto-osaa). Näiden kahden ennusteen vertailua varten lasketaan keskimääräinen neliöllinen poikkeama (MSD). Jos teemme tämän, voimme havaita, että liikkuvan keskiarvon ja eksponentiaalisesti tasoitetun keskiarvon tasoitusvakion ollessa 0,2 Kokonaisuudessaan näemme, että neljän kuukauden liukuva keskiarvo näyttäisi antavan parhaan kuukauden ennusteen, koska sillä on alhaisempi MSD. Siksi mieluummin ennuste on 46, joka on tuotettu neljän kuukauden liukuva keskiarvo. kausivaihteluiden mainontahinnan muutokset sekä tämän tuotemerkin että muiden merkkien yleinen taloudellinen tilanne uusi teknologia Ennustaminen esimerkki 1989 UG-tentti Alla olevassa taulukossa esitetään kunkin tavaratalon kysyntä jokaisessa viimeisen kahdentoista kuukauden aikana tavaratalossa. Laske kuuden kuukauden liukuva keskiarvo kuukausittain. Mikä olisi ennuste kysynnänne kuukauden 13. Käytä eksponentti tasoitus tasoituksen vakio 0,7 saadakseen ennuste kysynnän 13. kuukauden 13. Kumpi kahdesta ennusteet kuukauden 13 haluat ja miksi nyt emme voi laskea kuusi kuukauden liukuva keskiarvo, kunnes meillä on vähintään 6 havaintoa - eli voimme laskea tällaisen keskiarvon vain kuudesta kuukaudesta eteenpäin. Näin ollen meillä on: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 13 kuukauden ennuste on vain liukuva keskiarvo kuukautta ennen sitä eli 12 m 12 keskiarvoa 12 38,17. Näin ollen (koska meillä ei ole murto-kysyntää), ennuste 13 kuukauden 13 asteelle on 38. Soveltamalla eksponentiaalisen tasoituksen tasoitusvakion ollessa 0,7 saadaan: Aikasarjamenetelmät Aikasarjatekniikat ovat tilastollisia tekniikoita, jotka käyttävät aikaisempien kertyneiden historiallisten tietojen . Aikasarjamenetelmät olettavat, että aiemmin tapahtuneet tapahtumat jatkuvat tulevaisuudessa. Kuten nimiaikasarjojen mukaan nämä menetelmät liittyvät ennusteeseen vain yhdeksi kertoimeksi. Niihin kuuluvat liukuva keskiarvo, eksponentiaalinen tasoitus ja lineaarinen suuntauslinja, ja ne ovat suosituimpia menetelmiä lyhyen kantaman ennusteiden tekemiseksi palvelu - ja valmistusyhtiöiden kesken. Nämä menetelmät edellyttävät, että yksilöitävissä olevat historialliset mallit tai trendit ajan mittaan kysyntä toistuvat. Keskimääräinen liikkumavara Aikasarjan ennuste voi olla yhtä yksinkertainen kuin nykyisen ajanjakson kysyntä kysynnän ennustamiseksi seuraavan jakson aikana. Tätä kutsutaan joskus naiiviseksi tai intuitiiviseksi ennusteeksi. 4 Esimerkiksi jos kysyntä on 100 yksikköä tällä viikolla, tulevien viikkojen ennuste on 100 yksikköä, jos kysyntä osoittautuu 90 yksikköä kohti, seuraavien viikkojen kysyntä on 90 yksikköä ja niin edelleen. Tämäntyyppisen ennustamismenetelmän avulla ei oteta huomioon historiallista kysynnän käyttäytymistä, joka perustuu vain kysyntään kuluvan kauden aikana. Se reagoi suoraan normaaleihin, satunnaisiin kysynnän liikkeisiin. Yksinkertainen liukuvan keskiarvomenetelmä käyttää viime aikoina useita kysyntäarvoja ennusteen kehittämiseen. Tämä pyrkii vaimentamaan tai tasoittamaan ennusteen satunnaisia ​​korotuksia ja laskuja, jotka käyttävät vain yhtä jaksoa. Yksinkertainen liukuva keskiarvo on hyödyllinen kysynnän ennustamiseksi, joka on vakaa eikä siinä ole merkittäviä kysyntätekijöitä, kuten trendiä tai kausivaihtelua. Liikkuvat keskiarvot lasketaan tiettyinä ajanjaksoina, kuten kolme kuukautta tai viisi kuukautta, riippuen siitä, kuinka paljon ennustaja haluaa sopeuttaa kysyntitietoja. Mitä kauemmin liikkuvan keskijakson pituus on, sitä pehmeämpi on. Yksinkertaisen liikkuvan keskiarvon laskentakaava on Simple Moving Average laskeminen Instant Paper Clip Office Supply Company myy ja toimittaa toimistotarvikkeita yrityksille, kouluille ja virastoille noin 50 kilometrin säteellä varastostaan. Toimistotarviketoiminta on kilpailukykyinen ja kyky toimittaa tilauksia nopeasti on tekijä uusien asiakkaiden hankkimisessa ja vanhempien säilyttämisessä. (Toimistot eivät yleensä tilaa, kun ne ovat vähäisiä toimituksissa, mutta kun ne loppuvat loppuun asti, he tarvitsevat tilauksiaan välittömästi.) Yrityksen johtaja haluaa olla riittävän varma kuljettajia ja ajoneuvoja on saatavilla toimittamaan tilauksia nopeasti ja heillä on riittävä varastotila. Tämän vuoksi johtaja haluaa pystyä ennakoimaan seuraavan kuukauden aikana odotettavissa olevien tilausten määrän (eli toimitusten kysynnän ennakoimisen). Toimitusmääräyksistä on kertynyt seuraavat tiedot viimeisten 10 kuukauden aikana, mistä se haluaa laskea kolmen ja viiden kuukauden liukuva keskiarvo. Oletetaan, että se on lokakuun lopussa. Kolmen tai viiden kuukauden liukuva keskiarvo johtuu tyypillisesti seuraavalle kuukaudelle sarjassa, joka tässä tapauksessa on marraskuussa. Liikkuva keskiarvo lasketaan tilausten kysynnästä edellisen kolmen kuukauden ajan seuraavassa kaavassa: Viiden kuukauden liukuva keskiarvo lasketaan kyselyn aiemmista 5 kuukaudesta seuraavasti: 3 ja 5 kuukauden liukuvat keskimääräiset ennusteet kysynnän kaikkien kuukausien osalta esitetään seuraavassa taulukossa. Oikeastaan ​​vain johtajan käyttämään vain viimeisintä kuukausittaista kysyntää koskevat marraskuun ennusteet. Aikaisempien kuukausien aikaisemmat ennusteet antavat kuitenkin mahdollisuuden vertailla ennustetta todellisen kysynnän kanssa tarkastamalla kuinka ennustamismenetelmä on - eli kuinka hyvin se toimii. Kolmen ja viiden kuukauden keskiarvot Sekä liukuvan keskiarvon ennusteet edellä olevassa taulukossa pyrkivät parantamaan todellisten tietojen vaihtelevuutta. Tätä tasoittavaa vaikutusta voidaan havainnollistaa seuraavassa kuvassa, jossa 3 kuukauden ja 5 kuukauden keskiarvot on asetettu alkuperäisen datan kaaviolle: Edellisessä luvussa oleva viiden kuukauden liukuva keskiarvo tasoittaa vaihtelut suuremmassa määrin kuin kolmen kuukauden liukuva keskiarvo. Kolmen kuukauden keskiarvo kuitenkin heijastaa tarkemmin toimiston toimitusjohtajan viimeisimpiä tietoja. Yleensä pitkän aikavälin liikkuvan keskiarvon ennusteet ovat hitaampia reagoimaan viimeaikaisiin kysynnän muutoksiin kuin lyhyemmät liikevoiton keskiarvot. Lisäjaksot vaimentavat nopeutta, jolla ennuste reagoi. Liikkumattomien keskimääräisten ennusteiden käyttämiseen tarvittavien jaksoiden määrittäminen vaatii usein jonkin verran kokeilu - ja virhekokeet. Liikkuvan keskiarvomenetelmän haittapuoli on se, ettei se reagoinut syihin, kuten sykleihin ja kausivaihteluihin. Tekijöitä, jotka aiheuttavat muutoksia, jätetään yleensä huomiotta. Se on periaatteessa mekaaninen menetelmä, joka heijastaa historiallisia tietoja johdonmukaisella tavalla. Liikkeessä olevan keskimääräisen menetelmän etuna on kuitenkin se, että se on helppokäyttöinen, nopea ja suhteellisen halpa. Yleensä tämä menetelmä voi tarjota hyvän ennusteen lyhyen ajan, mutta sitä ei tule työntää liian pitkälle tulevaisuuteen. Painotettu liikkuva keskiarvo Liikkuvaa keskimääräistä menetelmää voidaan säätää tarkemmin tietojen vaihteluiden mukaan. Painotetussa liukuva keskiarvomenetelmässä painot annetaan viimeisimmille tiedoille seuraavan kaavan mukaan: PM Computer Servicesin kyselytiedot (esimerkki 10.3: n taulukossa) näyttävät kasvavan lineaarisen suuntauksen mukaan. Yhtiö haluaa laskea lineaarisen trendilinjan nähdäkseen, onko se tarkempi kuin esimerkeissä 10.3 ja 10.4 kehitetyt eksponentiaaliset tasaus ja säädetyt eksponenttien tasoitusennusteet. Pienimmän neliösumman laskelmissa vaaditut arvot ovat seuraavat: Näiden arvojen avulla lineaarisen trendilinjan parametrit lasketaan seuraavasti: Siksi lineaarisen trendilinjan yhtälö on Laskettaessa ennuste kaudelle 13, anna x 13 lineaarisessa trendiviiva: Seuraava kaavio näyttää lineaarisen trendilinjan verrattuna todellisiin tietoihin. Suuntaviiva näyttää heijastavan tarkasti varsinaisia ​​tietoja - toisin sanoen hyvää sovittamista - ja se olisi siten hyvä ennuste malli tähän ongelmaan. Lineaarisen trendilinjan haitta on kuitenkin se, että se ei sopeudu trendin muutokseen, koska eksponenttien tasausennusteen menetelmät eli oletetaan, että kaikki tulevat ennusteet noudattavat suoraa linjaa. Tämä rajoittaa tämän menetelmän käyttöä lyhyemmäksi aikaväleksi, jossa voi olla suhteellisen varmaa, että trendi ei muutu. Kausitasoitukset Kausiluonteinen kaava on kysynnän toistuva lisääntyminen ja väheneminen. Monilla kysyntätuotteilla on kausittaista käyttäytymistä. Vaatteiden myynti seuraa vuosittain kausiluonteista mallia, kun lämpimän vaatteen kysyntä kasvaa syksyllä ja talvella ja laskee keväällä ja kesällä, kun jäähdyttimen vaatteiden kysyntä kasvaa. Monien vähittäiskauppojen, kuten lelujen, urheiluvälineiden, vaatteiden, elektronisten laitteiden, kinkkujen, kalkkunoiden, viinien ja hedelmien kysyntä kasvaa lomakauden aikana. Tervehdyskorttikysyntä kasvaa yhdessä erityisten päivien, kuten Ystävänpäivä ja Äitienpäivä, kanssa. Kausittaiset mallit voivat tapahtua myös kuukausittain, viikoittain tai päivittäin. Joillakin ravintoloilla on suurempi kysyntä illalla kuin lounaalla tai viikonloppuisin arkipäivisin. Liikenne - siis myynti - ostoskeskuksissa nousee perjantaina ja lauantaina. Aika-sarjan ennusteessa on useita menetelmiä heijastamaan kausivaihteluja. Kuvaamme yhtä yksinkertaisemmista menetelmistä kausittaisen tekijän avulla. Kausittainen tekijä on numeerinen arvo, joka kerrotaan normaalilla ennustuksella kausitasoitetun ennusteen saamiseksi. Eräs menetelmä kausittaisten tekijöiden kysynnän kehittämiseksi on jakaa jokaisen kausijakson kysyntä vuotuisella vuotuisella kysynnällä seuraavan kaavan mukaisesti: Tuloksena olevat 0: n ja 1,0: n väliset kausittaiset tekijät ovat todellisuudessa osuutena vuotuisesta joka kausi. Nämä kausittaiset tekijät kerrotaan vuotuisella ennustetulla kysynnällä, jotta saataisiin mukautetut ennusteet jokaiselle kaudelle. Kausitasoitusten ennusteiden laskeminen Wishbone Farms kasvattaa kalkkunoita myytäväksi liha-alan yritykselle ympäri vuoden. Kuitenkin sen huippukausi on ilmeisesti vuoden viimeisellä neljänneksellä, lokakuusta joulukuuhun. Wishbone Farms on kokenut kalkkunoiden kysynnän viimeisen kolmen vuoden aikana seuraavassa taulukossa: Koska meillä on kolmen vuoden kysyntätietoja, voimme laskea kausitekijät jakamalla neljännesvuosittaisen kysynnän kolmen vuoden ajan kokonaiskysynnän mukaan kaikilla kolmella vuodella : Seuraavaksi haluamme moninkertaistaa ennustetun kysynnän seuraavalle vuodelle 2000 kunkin kausitekijän osalta, jotta saataisiin ennustettu kysyntä jokaiselle neljännekselle. Tämän saavuttamiseksi tarvitsemme vuoden 2000 kysyntäennusteen. Tällöin, koska taulukon kysyntitieto näyttää näyttävän yleisesti kasvavan trendin, laskemme lineaarisen trendilinjan taulukon kolmen vuoden ajan saadaksemme karkean Ennusteennuste: Näin ollen vuoden 2000 ennuste on 58,17 eli 58,170 kalkkunaa. Tämän vuosittaisen kysynnän ennusteen mukaan kausitasoitetut ennusteet, SF i, vuodelle 2000 Vertaamalla näitä neljännesvuosittaisia ​​ennusteita taulukon todellisiin kysyntään, ne näyttävät olevan suhteellisen hyviä ennustearvioita, jotka heijastavat sekä tietojen kausivaihtelua että yleinen nousu. 10-12. Kuinka liukuva keskimääräinen menetelmä on samanlainen kuin eksponenttien tasaus 10-13. Mitä vaikutusta eksponentiaaliseen tasoitusmalliin lisää tasoitusvakion 10-14. Miten säädetty eksponenttitasoitus poikkeaa eksponentiaalisesta tasoituksesta 10-15. Mikä määrää tasausvakion valinnan trendille säädetyllä eksponenttien tasausmallilla 10-16. Aikasarjamenetelmien luvussa esitetyistä esimerkeistä lähtöennusteen oletettiin aina olevan sama kuin ensimmäisen kauden todellinen kysyntä. Ehdota muita tapoja, joiden mukaan lähtöennuste voidaan johtaa varsinaisessa käytössä. 10-17. Miten lineaarinen trendilinjan ennustusmalli eroaa lineaarisesta regressiomallista ennusteeseen 10-18. Tässä luvussa esitetyistä aikasarjamalleista, mukaan lukien liukuva keskiarvo ja painotettu liukuva keskiarvo, eksponentiaalinen tasoitus ja säädetty eksponenttitasoitus sekä lineaarinen trendilinja, mitkä pidät parhaiten Miksi 10-19. Mitä etuja säätää eksponentiaalinen tasoitus on yli lineaarinen suuntaus linja ennustettu kysyntä, joka on suuntaus 4 K. B. Kahn ja J. T. Mentzer, ennuste kuluttaja-ja teollisuusmarkkinat, Journal of Business ennuste 14, nro. 2 (kesä 1995): 21-28.