OR-Notes on sarja alustavia muistiinpanoja aiheista, jotka kuuluvat toiminta-alan tutkimuksen laajaan otsikkoon TAI He olivat alun perin käyttäneet minua esittelevässä OR-kurssissa, jonka annan Imperial Collegessa. He ovat nyt käytettävissä opiskelijoiden ja opiskelijoiden käyttöön Opettajat, jotka ovat kiinnostuneita OR: stä tai seuraavista ehdoista. Täydellinen luettelo OR-Notesin aiheista löytyy täältä. Esimerkkejä lähetyksistä. Esimerkki lähetyksestä 1996 UG-tentti. Tuotteen kysyntä jokaisesta viiden viime kuukauden aikana on esitetty alla . Käytä kahden kuukauden liukuvaa keskiarvoa kysynnän ennusteen luomiseksi kuussa 6. Sovita eksponentiaalinen tasoitus tasoitustason ollessa 0 9, jolloin saadaan ennuste kysynnän kysynnästä kuussa 6. Mitkä nämä kaksi ennustusta haluat ja miksi. Kahden kuukauden liukuva keskiarvo kuukausien 2-5 osalta annetaan. Kuukauden kuuden kuukauden ennuste on vain kuukausi sitten liukuva keskiarvo, eli kuukausi 5 m 5 liikkuva keskiarvo. 2350. Vakio 0 9 saamme. Kuten ennuste kuukauden kuusi on vain keskimäärin kuukauden 5 M 5 2386.Voit vertailla kahta ennustetta lasketaan keskimääräinen neliöiden poikkeama MSD Jos me teemme tämän havaitsimme, että liikkuva keskiarvo. MSD 15 - 19 18 - 23 21 - 24 3 16 67. ja eksponentiaalisesti tasoitetulle keskiarvolle tasoitusvakion ollessa 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Yleisesti sitten Että eksponentiaalinen tasoitus näyttää parhaiten ennusteita kuukausittain, koska sillä on alhaisempi MSD. Siksi mieluummin eksponenttitasoitus on tuotettu 2386: n ennusteella. Esimerkki 1994 UG-kokeesta. Alla oleva taulukko osoittaa uudelle aftershave Jokaisessa viimeisen 7 kuukauden myymälässä. Laske kahden kuukauden liukuva keskiarvo kuukausista kahdesta seitsemään Mikä olisi ennustuksesi kahdeksan kuukauden kysynnän suhteen. Sovita eksponentiaalinen tasaus tasausvakion ollessa 0 1. Kysyntä kahdeksassa kuukaudessa. Mikä kahdesta kahdeksan kuukauden ennustuksesta tekee yo U mieluummin ja miksi. Kaupan pitäjä uskoo, että asiakkaat siirtyvät tästä uudesta jälkiruokavaliosta muista tuotemerkeistä Keskustele, miten voit mallinnuttaa tämän kytkentäkäyttäytymisen ja ilmoittaa tarvittavat tiedot voidaksesi varmistaa, onko tämä kytkentä tapahtumassa vai ei. Keskimäärin kuukausia kahdesta seitsemään on annettu. Ennuste kahdeksalle kuukaudelle on vain liukuva keskiarvo edellisenä kuukautena eli liukuva keskiarvo kuukaudelle 7 m 7 46. Sovita eksponentiaalinen tasoitus tasausvakion ollessa 0 1 saamme. Ennenkuin kahdeksan kuukauden ennuste on vain keskiarvo kuukaudelle 7 M 7 31 11 31 koska meillä ei voi olla murto-osaa. Vertaamme kahta ennustetta lasketaan keskimääräinen neliöllinen poikkeama MSD. Jos teemme tämän, löysimme sen liikkuvan keskiarvon. Eksponentiaalisesti tasoitetulle keskiarvolle tasausvakion ollessa 0 1. Kaiken kaikkiaan näemme, että kahden kuukauden liukuva keskiarvo näyttäisi antavan parhaan kuukauden ennusteen, koska sillä on alhaisempi MSD. F 46, joka on tuotettu kahden kuukauden liukuvan keskiarvon avulla. Vaihdon tarkastelemiseksi meidän olisi käytettävä Markovin prosessimallia, jossa merkkituotemerkit ja tarvitsemme alustavat tilatiedot ja asiakkaiden vaihtamismahdollisuudet kyselyiltä. Meidän olisi käytettävä mallia Historiallisia tietoja nähdäksesi, onko meillä sovitettu mallin ja historiallisen käyttäytymisen välillä. Forecasting esimerkki 1992 UG tentti. Alla olevassa taulukossa esitetään kysyntä tietyn tuotemerkin partakoneen myymälä jokaisen viimeisen yhdeksän kuukautta. Laske kolmen kuukauden liikkuvat Keskimäärin kuukausina kolmesta yhdeksään Mikä olisi ennustuksesi kysynnän kymmeneen kuukauteen? Sovita eksponentiaalinen tasoitus tasausvakion ollessa 0 3 saadaksesi ennuste kysynnästä kymmenen kuukauteen. Mistä kahdesta ennusteesta kymmenen kymmeneen haluat Ja miksi. Kolmen kuukauden liukuva keskiarvo kuukausina 3-9 on annettu. Ennuste 10 kk: lle on vain liukuva keskiarvo edellisenä kuukautena eli 9 m 9 20 33 liikkuvan keskiarvon. Näin ollen emme voi olla Osittainen kysyntä on 10 kuukauden 20 ennustetta. Sovitaan eksponentiaalisen tasoituksen tasolle 0 3 tasoitusvakion avulla. Ennen kuin kuukausikohtainen ennuste on vain kuukauden 9 keskiarvo, M 9 18 57 19, koska meillä ei voi olla murto-osaa. Vertaile kahden ennusteen laskemalla keskimääräinen neliöiden poikkeama MSD Jos me teemme tämän havaitsemme, että liikkuva keskiarvo ja eksponentiaalisesti tasoitettu keskiarvo tasaus vakio on 0 3. Yleensä sitten näemme, että kolmen kuukauden liukuva keskiarvo näyttää antaa Paras kuukausi eteenpäin ennusteita, koska sillä on pienempi MSD. Siksi mieluummin 20: n ennuste, joka on tuotettu kolmen kuukauden liukuva keskiarvo. Esimerkki esimerkki 1991 UG tentti. Alla oleva taulukko osoittaa tietyn merkin faksilaitteen kysynnän Tavaratalon kullekin viimeisen kahdentoista kuukauden aikana. Laske neljän kuukauden liukuva keskiarvo kuukausien 4-12 kohdalla. Mikä olisi ennuste kysynnänne kuukaudelle 13. Sovita eksponentti tasoitus tasausvakiolla 0 2 ylöspäin Olette ennuste kysynnästä kuussa 13. Mitkä kaksi ennustetta kuukauden 13. oletko mieluummin ja miksi. Mitä muita tekijöitä, joita ei ole otettu huomioon edellä olevissa laskelmissa, saattavat vaikuttaa puhelimen kysyntään kuussa 13. Neljä kuukautta liikkuvat Keskimäärin kuukausina 4-12 on annettu. 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.Kuukauden ennuste on vain liukuva keskiarvo Kuukautta ennen sitä eli 12 kuukauden keskiarvoa 12 46 25. Näin ollen, koska emme voi olla murto-odotuksia, ennuste 13: n kuukaudelle on 46. Käytämme eksponentiaalisen tasauksen tasausvakion ollessa 0 2. On vain keskiarvo kuukaudessa 12 M 12 38 618 39 koska meillä ei voi olla murto-osaa. Vertaamme kahta ennustetta lasketaan keskimääräinen neliöllinen poikkeama MSD Jos me teemme tämän, havaitsemme, että liukuva keskiarvo . Ja eksponentiaalisesti tasoitetulle keskimäärälle tasoitusvakion ollessa 0 2. Kaiken kaikkiaan näemme, että neljän kuukauden liukuva keskiarvo näyttäisi antavan parhaan kuukauden ennusteen, koska sillä on alhaisempi MSD. Siksi mieluummin ennuste on 46, joka on ollut Tuotettu neljän kuukauden liukuva keskiarvo. seasonal demand. price muutoksia, sekä tämän tuotemerkin ja muiden merkkien yleinen taloudellinen tilanne. new teknologia. Forecasting esimerkki 1989 UG tentti. Alla olevassa taulukossa esitetään kysyntä tietyn tuotemerkin mikroaaltouuni osasto Säilytä kussakin viimeisen kahdentoista kuukauden aikana. Laske kuukausittainen kuuden kuukauden liukuva keskiarvo Mikä olisi ennustuksesi kysynnänne kuukaudeksi 13. Sovita eksponentiaalinen tasoitus tasoitustasolla 0 7 saadakseen ennuste kysynnästä 13 kuussa. Koska kahta ennusteita kuussa 13 haluat ja miksi. Nyt emme voi laskea kuuden kuukauden liukuva keskiarvo, kunnes meillä on vähintään 6 havaintoa - eli voimme laskea tällaisen keskiarvon vain kuudesta kuukaudesta eteenpäin Henc E meillä on 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.Kuukauden ennuste on vain liukuva keskiarvo Kuukautta ennen sitä eli 12 kuukauden keskiarvo 12 38 12. Näin ollen, koska ei voi olla murto-osaa, ennuste 13: lle kuukaudelle on 38. Ottaen eksponentiaalisen tasoituksen tasausvakion ollessa 0 7 saamme.8 4 Keskimääräisten mallien siirtyminen. Kuin käyttämällä ennustetun muuttujan aikaisempia arvoja regressiossa, liukuva keskiarvo käyttää aikaisempia ennustevirheitä regressiomainen malli. Yc et theta e theta e dots theta e. Missä et on valkoinen kohina Viittaamme tähän MA: n q-mallina Tietenkään emme noudata ET: n arvoja, joten se ei todellakaan ole regressiota tavallisessa merkityksessä. Yt: n arvoa voidaan ajatella edellisten virheiden ennustevirheiden painotettuna liukuva keskiarvoa, mutta liikkuvia keskimääriä ei pitäisi sekoittaa liikkuvan keskimääräisen tasoituksen kanssa, josta keskusteltiin luvussa 6 Liikkuvaa keskimääräistä mallia käytetään tulevien arvojen ennustamiseen samalla kun keskimääräinen tasoitus Käytetään kuvaamaan aikaisempien arvojen trendikierrosta. Kuva 8 6 Kaksi esimerkkiä liikkuvan keskimallin malleista, joissa on eri parametrit Vasen MA 1, jossa ytti 20 ja 0 8e t-1 Oikea MA 2, jossa on - e t-1 0 8e Kuvio 8 6 esittää joitain tietoja MA1-mallista ja MA2-mallista Parametrien muuttaminen theta1, pisteitä, thetaq tuloksia eri aikasarjakuvioissa Kuten autoregressiivisilla malleilla, Virhe termi et vain muuttaa sarjan asteikkoa, ei kuvioita. On mahdollista kirjoittaa minkä tahansa stationaarisen AR p - mallin MA: n käytännölliseksi malliksi. Esimerkiksi käyttämällä toistuvaa korvaamista voimme osoittaa tämän AR 1 - mallille. Aloittaa phi1y et phi1 phi1y e et phi1 2y phi1 et phi1 3y phi1 2e phi1 e et tekstin loppu. Osittu -1 phi1 1, phi1 k: n arvo pienenee kun k saa suuremman Joten lopulta saamme. Ytta ja phi1 e phi1 2 e phi1 3 e cdots. an MA infty prosessi. Käänteinen tulos pätee, jos asetamme joitakin rajoituksia MA parametreja Sitten MA-mallia kutsutaan vaihtovelkaksi Eli on, että voimme kirjoittaa minkä tahansa käännettävän MA q prosessin AR tyhmä prosessi. Vaihtovälineet eivät ole pelkästään mahdollisia, että voimme muuntaa MA-malleista AR-malleihin. Niillä on myös joitain matemaattisia ominaisuuksia, jotka helpottavat niiden käyttöä käytännössä. Invertibility-rajoitukset ovat samat kuin stationaarisuusrajoitteet. MA 1 Model -1 theta1 1. MA2-mallin -1 theta2 1, theta2 theta1 -1, theta1-theta2 1.More monimutkaiset olosuhteet q ge3: lle Jälleen, R huolehtii näistä rajoituksista arvioitaessa malleja. Numeron tai lukujen luominen, joka vastaa tulevaa tapahtumaa On ehdottoman välttämätöntä lyhyen kantaman ja pitkän aikavälin suunnittelulle. Määritelmän mukaan ennuste perustuu aiempiin tietoihin ennusteen sijaan, mikä on enemmän Subjektiivinen ja basso Esimerkiksi, iltauutiset antavat sääennusteen, ei sääennusteen. Riippumatta termeistä ennustetaan ja ennustetaan usein vaihtelevasti. Esimerkiksi regressiomenetelmien määritelmä, jota käytetään joskus ennakoinnissa yleensä tilassa Että sen tarkoitus on selittää tai ennakoida. Forecasting perustuu useisiin oletuksiin. Aiempi toistuvat itsensä Toisin sanoen, mitä aiemmin tapahtui, tapahtuu taas tulevaisuudessa. Koska ennustehorisontti lyhenee, ennustettu tarkkuus kasvaa Esimerkiksi tulevaisuuden ennuste on tarkempi kuin ensi kuun ennuste, ensi kuun ennuste on tarkempi kuin ensi vuoden ennuste ja ensi vuoden ennuste on tarkempi kuin ennuste kymmenelle vuodelle tulevaisuudessa. Toimitus kokonaisuudessaan on täsmällisempi kuin yksittäisten kohteiden ennustaminen Tämä tarkoittaa sitä, että yritys pystyy ennustamaan kokonaiskysyntää koko tuotteensa Tarkemmin kuin se pystyy ennustamaan yksittäisiä varastosäiliöitä SKU: t Esimerkiksi General Motors voi tarkemmin ennakoida ensi vuodessa tarvittavien autojen kokonaismäärän kuin valkoisen Chevrolet Impalasin kokonaismäärän tietyllä optiomallilla. Lähetykset ovat harvoin Tarkka Lisäksi ennusteet eivät ole koskaan täysin tarkkoja Vaikka jotkut ovat hyvin lähellä, harvat ovat oikeita rahoille Siksi on viisasta tarjota ennustettu alue Jos ennustettaisiin 100 000 yksikön kysyntää ensi kuussa, on erittäin epätodennäköistä Että kysyntä olisi 100 000 täsmälleen Kuitenkin 90 000-110 000 ennuste antaisi paljon suuremman suunnittelutavan. William J Stevensonissa luetellaan useita ominaisuuksia, jotka ovat yhteisiä hyväennusteeseen. Tarkka tarkkuus olisi määriteltävä ja ilmoitettava niin Vertailua voidaan tehdä vaihtoehtoisiin ennusteisiin. Arvioidun menetelmän tulisi olla johdonmukaisesti hyvä ennuste, jos käyttäjä on jonkinasteinen Luottamusta. Jotain aikaa tarvitaan ennusteeseen vastaamiseksi, joten ennustehorisontissa on annettava aikaa muutosten tekemiseen. Helppo käyttää ja ymmärtää ennusteiden käyttäjiä on oltava luottavainen ja mukava työskennellä sen kanssa. Tehokas ennusteiden tekemiseen liittyvä kustannus ei saa ylittää ennusteesta saatuja hyötyjä. Lähetystekniikat vaihtelevat yksinkertaisesta erittäin monimutkaiseen. Nämä tekniikat luokitellaan tavallisesti kvalitatiivisiksi tai kvantitatiivisiksi. KVALITATIVE TECHNIQUES. Qualitative forecasting techniques ovat yleensä subjektiivisempi kuin niiden Kvantitatiiviset vastineet Kvalitatiiviset menetelmät ovat hyödyllisempiä tuotteen elinkaaren aikaisemmissa vaiheissa, kun kvantitatiivisissa menetelmissä on vähemmän tietoa. Kvalitatiivisiin menetelmiin kuuluvat Delphi-tekniikka, Nominal Group Technique NGT, myyntihenkilöstön mielipiteet, johtopäätökset ja markkinatutkimus. DELPHI-TEKNIIKKA. Delphi-tekniikka käyttää asiantuntijapaneelia prod Kunkin asiantuntijan on pyydettävä toimittamaan tarpeeseen liittyvä ennuste. Ensimmäisten ennusteiden jälkeen jokainen asiantuntija lukee, mitä jokainen muu asiantuntija on kirjoittanut ja heidän näkemyksensä luonnollisesti vaikuttavat. Jokaisen Asiantuntija sitten lukee uudestaan, mitä jokainen muu asiantuntija kirjoitti ja vaikuttaa jälleen muiden käsityksiin Tämä prosessi toistuu, kunnes jokainen asiantuntija suostuu tarvittavaan skenaarioon tai numeroihin. NOMINAL GROUP TECHNIQUE. Nominal Group Technique on samanlainen kuin Delphi-tekniikka Koska se hyödyntää osanottajien ryhmää, yleensä asiantuntijoita. Kun osallistujat vastaavat ennusteisiin liittyviin kysymyksiin, he luokittelevat vastauksensa suhteellisen merkityksensä mukaan. Sitten luokitukset kerätään ja yhdistetään. Lopulta ryhmän on saavutettava yksimielisyys SÄÄNTÖJEN VASTAANOTTOJA. Myyntitoimisto on usein hyvä tietolähde tulevaisuuden kysynnästä Esimies voi pyytää kullekin myyntihenkilöstölle panosta ja yhdistää vastauksensa myyntiyhdistelmäkomponenttiennusteeseen. Käytettäessä tätä tekniikkaa on noudatettava varovaisuutta, koska myyntihenkilöstön jäsenet eivät välttämättä kykene erottamaan toisistaan mitä asiakkaat sanovat ja mitä he todella Myös jos ennusteita käytetään myyntikiintiöiden määrittämiseen, myyntihenkilöstö voi olla houkuttelevampi toimittamaan alhaisempia arvioita. EXECUTIVE OPINIONS. Jotkut ylimmän tason johtajat kohtaavat ja kehittävät ennusteita tietämyksensä mukaan vastuualueistaan. Tätä kutsutaan joskus Markkinatutkimuksessa kuluttajatutkimuksia käytetään potentiaalisen kysynnän luomiseen. Tällainen markkinointitutkimus käsittää yleensä kyselylomakkeen rakentamisen, joka vaatii henkilökohtaisia, väestötieteellisiä, taloudellisia ja markkinointitietoja. Markkina-tutkijat keräävät joskus tällaisia tietoja Henkilökohtaisesti vähittäismyymälöissä ja kauppakeskuksissa, joissa kuluttaja voi kokea makua, tunteita, tuoksua ja s Ee tietyn tuotteen Tutkijan on oltava varovainen, että näyte tutkituista on edustava haluttu kuluttajien tavoite. VENTTIIVISET TEKNIIKAT. Kvantitatiiviset ennustustekniikat ovat yleensä objektiivisempia kuin niiden laadulliset vastapuolet. Määrälliset ennusteet voivat olla aikasarjan ennusteita eli projection of the past Tulevaisuuteen tai ennusteisiin, jotka perustuvat yhteen tai useampaan selittäviin muuttujiin Aikasarjatiedoilla voi olla taustalla olevia käyttäytymismalleja, jotka ennustajan on tunnistettava Lisäksi ennuste voi olla tarpeen tunnistaa käyttäytymisen syyt Jotkut näistä Käyttäytymiset voivat olla kuvioita tai yksinkertaisesti satunnaisia muunnelmia. Kuvioita ovat. Trendejä, jotka ovat pitkän aikavälin liikkeitä ylös tai alas tietyssä. Seasonaliteetti, joka tuottaa lyhytaikaisia muunnelmia, jotka yleensä liittyvät vuoden, kuukauden tai jopa Tiettynä päivänä, kuten joulun vähittäismyynti tai pankkitoiminnan piikit havaitsivat ensimmäisen kuukauden aikana D, jotka ovat peruuntuvia vaihteluja, jotka kestävät yli vuoden, jotka yleensä liittyvät taloudellisiin tai poliittisiin olosuhteisiin. Säännölliset vaihtelut, jotka eivät kuvasta tyypillistä käyttäytymistä, kuten äärimmäisen sään tai ammattiyhdistysjakson. Kattavat kaikki epätyypilliset käyttäytymiset, joita muut luokitukset eivät huomioi. Aikasarjamallien avulla yksinkertaisin on ennuste, joka ennustaa ennusteiden käyttämistä yksinkertaisesti viimeisen kauden todellisen kysynnän seurauksena seuraavan kauden ennustetusta kysynnästä. Tietenkin olettaa, että menneisyys toistuu. Se myös olettaa, että kaikki suuntaukset, kausiluonteisuus tai syklit joko heijastuvat edellisen jakson kysyntään tai niitä ei ole olemassa. Esimerkki na ve - ennusteesta esitetään taulukossa 1. Taulukko 1 Na ve ennuste. Toinen yksinkertainen tekniikka on keskiarvojen käyttäminen Voit tehdä ennustuksen käyttäen keskiarvoa, yksinkertaisesti otetaan keskiarvo joillekin aikaisempien tietojen jaksojen summaamalla yhteen jaksoittain ja jakamalla resu Se on ajanjaksojen lukumärä. Tämän tekniikan on havaittu olevan erittäin tehokas lyhyen kantaman ennustamisessa. Keskimääräiset vaihteluvälit sisältävät liikkuvan keskiarvon, painotetun keskiarvon ja painotetun liukuvan keskiarvon. Liikkuva keskiarvo vie ennalta määrätyn määrän jaksoja, summaa niiden Tosiasiallinen kysyntä ja jakautuminen ennustejaksojen lukumäärällä Jokaiselle myöhemmälle kaudelle vanhimman datan jaksotus laskee ja viimeinen aika lisätään. Olettaen, että kolmen kuukauden liukuva keskiarvo ja taulukon 1 tietojen avulla yksinkertaisesti Lisätään 45. tammikuuta, 60. helmikuuta ja 72. maaliskuuta ja jaetaan kolmella tavalla huhtikuun 45 60 72 177 3 59 ennusteen saavuttamiseksi. Toukokuun ennusteessa tammikuun kysyntä laskee yhtälöstä ja lisätään kysyntä Huhtikuu Taulukossa 2 on esimerkki kolmen kuukauden liukuva keskiennusteesta. Taulukko 2 Kolmen kuukauden siirtymäennuste Keskimääräinen ennuste. Aktuaalinen kysyntä 000 sA painotettu keskiarvo koskee ennalta määritettyä painoa kutakin aikaisempien tietojen kuukausia, summaa aikaisemmat tiedot Joka jakautuu ja jakautuu painojen kokonaismäärän mukaan Jos ennustaja säätää painoja siten, että niiden summa on yhtä suuri kuin 1, painot kerrotaan kunkin sovellettavan jakson todellisen kysynnän perusteella. Tämän jälkeen tulokset summataan painotetun ennusteen saavuttamiseksi. Yleensä , Mitä uudempi on, sitä suurempi on paino ja sitä vanhemmat ovat pienempiä painoa. Kysynnän esimerkin avulla painotettu keskiarvo käyttäen 4 3 2 painoja ja 1 tuottaisi ennuste kesäkuulle 60 1 72 2 58 3 40 4 53 8.Forecasters voivat myös käyttää painotetun keskiarvon ja liukuvien keskimääräisten ennusteiden yhdistelmää. Painotettu liikkuva keskimääräinen ennuste jakaa painot ennalta määrätyn määrän todellisia tietoja jaksoja ja laskee ennuste samalla tavalla kuin edellä kuvattiin. Kuten kaikilla liiketaloudellisilla ennusteilla , Kun jokainen uusi ajanjakso lisätään vanhimman ajanjakson tiedot hylätään. Taulukko 3 esittää kolmen kuukauden painotettua liikkuvaa keskimääräistä ennustetta käyttäen painoja 5 3 ja 2. Taulukko 3 Kolmen kuukauden painotettu liikkuva keskiarvo Forecast. Actual Demand 000 sA monimutkaisempi painotetun liikkeen keskiarvo on eksponentiaalinen tasoitus, joten nimetään, koska paino putoaa eksponentiaalisesti dataaikojen mukaan Exponential tasoitus vie edellisen jakson s ennustuksen ja säätää sen ennalta määrätyllä tasoitusvakiona, jota kutsutaan alfa-arvoksi On alhaisempi kuin yksi kerrottuna erolla aikaisemmasta ennusteesta ja kysynnästä, joka todellisuudessa tapahtui aiemmin ennustetun ajanjakson aikana, jota kutsutaan ennusteeksi virheeksi. Eksponentti tasoitus ilmaistaan kaavamaisesti sellaisena. Uusi ennuste ennustava ennuste alfa todellinen kysyntä edellinen ennuste FFA F. Eksponentti tasoitus vaatii Ennustaja aloittaa ennustuksen aikaisemmalla kaudella ja työskennellä kaudella, jolle tarvitaan nykyinen ennuste Tarvitaan myös huomattava määrä aikaisempia tietoja sekä alkamis - tai alkuarviointi Alkuperäinen ennuste voi olla todellinen ennuste edellisestä kaudesta , Todellinen kysyntä edellisestä kaudesta tai se voidaan arvioida Esimerkiksi heuristinen N 2 1 ja alfa 5 tuottavat N: n 3, mikä osoittaa, että käyttäjä keskimäärin kolmen ensimmäisen datakauden Alustavan ennusteen saaminen Alkuperäisen ennusteen tarkkuus ei kuitenkaan ole kriittinen, jos suuria määriä tietoja käytetään, koska eksponenttitasoitus on itsekorjaus Koska aikaisempien tietojen aika on riittänyt, eksponentiaalinen tasoitus lopulta tekee tarpeeksi korjauksia kompensoimaan kohtuullisen Virheellinen alustava ennuste Muissa esimerkeissä käytetyistä tiedoista 50 ensimmäisen ennuste ja alfa 7, helmikuun ennuste lasketaan sellaiseksi Uusi ennuste 50 helmikuu 45 50 41 5. Seuraavaksi maaliskuun ennuste Uusi ennuste maaliskuu 41 5 7 60 41 5 54 45 Tämä prosessi jatkuu, kunnes ennustaja saavuttaa halutun ajanjakson Taulukossa 4 tämä olisi kesäkuuhun, koska kesäkuun todellista kysyntää ei tiedetä. Actual Demand 000 s. An exten Voidaan käyttää eksponentiaalisen tasoituksen sanaa, kun aikasarjatieto osoittaa lineaarista suuntausta. Tätä menetelmää tunnetaan useilla nimillä kaksoissimulaatiolla trenditasoitettu eksponentiaalinen tasausennuste, mukaan lukien trendi FIT ja Holt s Malli Ilman säätöä, yksinkertaiset eksponentiaaliset tasaustulokset hidastavat trendiä, Ennuste on aina alhainen, jos suuntaus on kasvussa tai korkea, jos suuntaus laskee. Tällä mallilla on kaksi tasoitusvaketta ja edustavat trendikomponenttia. Holtin mallin, jota kutsutaan nimellä Holt-Winter Menetelmä ottaa huomioon sekä trendin että kausivaihtelun Dynaamiset versiot, kertoimet ja lisäaineet, joissa kerroin on eniten käytetty Aditivimallissa kausivaihtelu ilmaistaan määränä, joka lisätään tai vähennetään sarjamedialta. Ilmaisee kausivaihtelua prosenttiosuutena, joka tunnetaan kausittaisina sukulaisina tai kausittaisina indeksinä keskiarvosta tai trendistä Nämä ovat silloin kerrottuja aikoja i N kausivaihtelun sisällyttämiseksi 0 8: n sukulainen merkitsisi kysyntää, joka on 80 prosenttia keskiarvosta, kun taas 1 10 osoittaa kysyntää, joka on 10 prosenttia keskimääräistä suurempi. Yksityiskohtaiset tiedot tästä menetelmästä löytyvät useimmista johtamismenetelmien oppaista tai Useita ennusteita sisältäviä kirjoja. Yhteiskunta - tai syy-tekniikoissa käytetään muuttujien tunnistamista, joita voidaan käyttää ennustamaan toisen kiinnostuksen kohteena olevan muuttujan. Esimerkiksi korkoja voidaan käyttää ennakoimaan kotirahoituksen tarve. Tyypillisesti tämä edellyttää lineaarisen regressiolin käyttöä , Jossa tavoitteena on kehittää yhtälö, joka tiivistää ennustajien riippumattomien muuttujien vaikutukset ennustettuun riippuviin muuttujiin. Jos ennustajan muuttuja piirrettiin, esine olisi saada suoran viivan yhtälö, joka minimoi neliöllisten poikkeamien summan Linjalta, jonka poikkeama on etäisyys jokaisesta pisteestä riviin. Yhtälö näyttäisi olevan yab X, jossa y on ennustettu riippuva muuttuja, x on ennustajan riippumaton muuttuja, b on linjan kaltevuus ja a on yhtä suuri kuin linjan korkeus y-interceptissa Kun yhtälö määritetään, käyttäjä voi lisätä Ennustavan riippumattoman muuttujan nykyiset arvot tulevat ennustettuun riippuvaiseen muuttujaan. Jos on useampi kuin yksi ennustaja-muuttuja tai jos ennustajan ja ennusteiden välinen suhde ei ole lineaarinen, yksinkertainen lineaarinen regressio ei riitä Tilanteissa, joissa on useita ennustajia, , Kun taas epälineaariset suhteet edellyttävät käyräviivan regressiota. EKONOMETRINEN ENNAKOINTI. Ekonometriset menetelmät, kuten autoregressiivinen integroitu liikkuvan keskiarvon malli ARIMA, käyttävät monimutkaisia matemaattisia yhtälöitä osoittamaan aiempia suhteita kysynnän ja muuttujien välillä, jotka vaikuttavat kysyntään yhtälö On johdettu ja testattu ja hienosäädetty sen varmistamiseksi, että se on yhtä luotettava kuin edellisen suhteen pos Kun tämä tehdään, syötetään ennusteeseen vaikuttavien muuttujien ennustetut arvot tuloihin, hintoihin jne. Ennusteen tekemiseen. PREVIOUSARVIOINTI. Lähtökohtatarkkuus voidaan määrittää laskemalla esijännitys, keskimääräinen absoluuttinen poikkeama MAD, keskimääräinen neliövirhe MSE, Tai keskimääräinen absoluuttinen prosentuaalinen virhe MAPE ennusteelle, joka käyttää erilaisia arvoja alfa Bias on ennusteiden virheiden summa FE Edellä olevan eksponentiaalisen tasoituksen esimerkin tapauksessa laskettu bias olisi 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Jos oletetaan, että pieni poikkeama osoittaa yleisen alhaisen ennustevirheen, voitiin laskea alhaisten potentiaalisten arvojen esijännitys ja olettaa, että alhaisin bias olisi tarkin. Mutta varovaisuutta on noudatettava villinä Epätarkkoja ennusteita saattaa olla alhainen puolueellisuus, jos ne ovat yleensä sekä ennusteita että ennusteita negatiivisia ja positiivisia. Esimerkiksi kolmen vuoden aikana yritys voi käyttää tietyn alemman arvon yli ennustettuun 75 000 Yksiköt 75 000, ennustettu 100 000 yksikköä 100 000 ja ennustettu 25 000 yksikköä 25 000, mikä tuottaa nollakerroin 75 000 100 000 25 000 0 Vertailun vuoksi toinen alfa-arvo, joka on yli 2 000 yksikköä, 1 000 yksikköä ja 3 000 yksikköä, johtaisi 5 000 yksikön bias Jos normaali kysyntä oli 100 000 yksikköä kohden, ensimmäinen alfa tuotti ennusteita, jotka olivat jopa 100 prosenttia alhaisimmillaan, kun taas toinen alfa olisi pois vain korkeintaan 3 prosenttia, vaikka ensimmäisen Ennuste oli nolla. Ennustetun tarkkuuden turvallisempi mittari on keskimääräinen absoluuttinen poikkeama MAD MAD: n laskemiseksi ennustaja summaa ennustevirheiden absoluuttisen arvon ja jakaa sitten ennusteiden lukumäärän FE N kanssa ottaen ennustevirheiden absoluuttisen arvon , Positiivisten ja negatiivisten arvojen kompensointi vältetään Tämä merkitsee sitä, että molemmat 50: n ja 50: n alijäämän ennustetut arvot poistuvat 50: sta. Käyttämällä eksponentiaalisen tasoituksen esimerkin tietoja MAD voidaan Lasketaan seuraavasti 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Siksi ennustaja on pois keskimäärin 16 35 yksikköä ennusteessa Verrattuna muihin alphasin tuloksiin, ennustaja tietää, että alfa Matala MAD tuottaa tarkimman ennusteen. Mean-neliövirhe MSE voidaan hyödyntää samalla tavalla MSE on ennustehäviöiden summa jaettuna N-1 FE N-1: llä Ennustevirheiden neliöinti eliminoi negatiivisten numeroiden , Koska mikään tuloksista ei voi olla negatiivinen. Käyttämällä samoja tietoja kuin edellä, MSE olisi 18 5 17 55 8 74 20 62 3 383 94 Kuten MAD: llä, ennustaja voi verrata ennusteiden MSE, Oletetaan, että alfaa pienimmällä MSE: llä saadaan tarkin ennuste. Keskimääräinen absoluuttinen prosentuaalinen virhe MAPE on keskimääräinen absoluuttinen prosentuaalinen virhe MAPE: n saavuttaessa on otettava huomioon ennustevirheiden ja todellisten kysyntäaikojen välisten suhteiden summa 100 saadakseen kohti Keskiarvo ja jakautuminen N: llä Todellinen kysyntäennuste Todellinen kysyntä 100 N Exponential tasoitusesimerkin tietojen avulla MAPE voidaan laskea seuraavasti 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Kuten MAD: n ja MSE: n kohdalla, Pienempi suhteellinen virhe, sitä tarkempi ennuste. On syytä huomata, että joissakin tapauksissa ennusteiden kyky muuttua nopeasti vastaamaan datamallien muutoksiin pidetään tärkeämpänä kuin tarkkuus. Heijastavat tarkkuuden ja reagointikyvyn välistä merkitsevää tasapainoa, kuten ennustaja määrittelee. ESITTÄMISEN VALMISTELU. William J Stevenson listaa seuraavat ennustusprosessin perusvaiheet. Määritä ennusteen tarkoitus Tarkkailijat, kuten miten ja milloin ennuste Käytettävää tarkkuutta, haluttu tarkkuusaste ja haluttu yksityiskohtaisuus määrittävät kustannusajan, rahan, työntekijöiden, joita voidaan käyttää ennusteeseen ja ennustemenetelmän tyyppi on hyödyllinen Aikajärjes - telmän luominen Tämä tapahtuu sen jälkeen, kun yksi on määritellyt ennusteen tarkoitus Pitkän aikavälin ennusteet edellyttävät pitempiaikaisia horisontteja ja päinvastoin Tarkkuus on jälleen harkinta. Valitkaa ennustustekniikka Valittu tekniikka riippuu ennusteesta, Aikataulusta ja sallituista kustannuksista. Kerää ja analysoi tietoja Tarvittavien tietojen määrä ja tyyppi määräytyvät ennusteiden avulla, valittu ennustustekniikka ja mahdolliset kustannusnäkökohdat. Tee ennuste. Tarkkaile ennuste Ennakoida ja muokata tarvittaessa. LISÄLETTU. Finch, Byron J Toiminnot Nyt kannattavuus, prosessit, suorituskyky 2 ja Boston McGraw-Hill Irwin, 2006.Green, William H. Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe , Dr Marion The Nominal Group Technique Tutkimusprosessi on saatavana osoitteesta Stevenson, William J Operations Management 8 ja Boston McGraw-Hill Irwin, 2005. Lue myös Foreca-artikkeli Sting Wikipediasta.
No comments:
Post a Comment