Miten To Laskea Liikkuvan Keskiarvon In Ennusteiden

Keskimääräisen ennusteen siirtäminen Johdanto. Kuten arvataankin, tarkastelemme joitain alkeellisimpia ennusteita. Toivottavasti nämä ovat ainakin hyödyllistä tutustua joihinkin laskentataulukoiden ennusteiden toteuttamiseen liittyviin laskentaan liittyviin kysymyksiin. Tällä tavoin jatkamme aloittamalla alusta ja aloittamalla Moving Average - ennusteiden kanssa. Liukuva keskiennuste. Jokainen tuntee liukuvat keskimääräiset ennusteet riippumatta siitä, ovatko he sitä mieltä. Kaikki opiskelijat tekevät niitä koko ajan. Ajattele testituloksia kurssiin, jossa sinulla on neljä testia lukukauden aikana. Oletetaan, että sinulla on 85 testissä. Mitä arvioisit toisen testipisteen suhteen Mitä mieltä olet opettajasi seuraavan testipisteenne arvioimisesta Mitä mieltä olet ystäväsi seuraavista testipisteistä Mitä mieltä olet vanhempanne ennustavan seuraavasta testipisteestäsi Riippumatta siitä, kaikki mitä voit tehdä ystävillesi ja vanhemmillesi, he ja opettajasi odottavat todennäköisesti, että voit saada jotain 85: n juuri saamasi alueella. No, nyt oletamme, että huolimatta sinun itsesi edistämisestä ystävillesi, voit yliarvioida itseäsi ja katsoa, ​​että voit opiskella vähemmän toisen testiä 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, sinusta on tullut 85 ja 73, joten ehkä sinun pitäisi ymmärtää (85 73) 2 79. En tiedä, ehkä jos teit vähemmän juhlimista ja werent wagging the weasel ympäri paikkaa ja jos olet alkanut tehdä paljon enemmän opiskelu voit saada korkeamman pistemäärän. quot molemmat arviot ovat itse asiassa liikkuvat keskimääräiset ennusteet. Ensimmäinen käyttää vain viimeisimpiä pisteitä ennustamaan tulevaa suorituskykyäsi. Tätä kutsutaan liikkuvaksi keskimääräiseksi ennusteeksi käyttäen yhtä tietojaksoa. Toinen on myös liukuva keskimääräinen ennuste, mutta käytetään kahta ajanjaksoa. Oletetaan, että kaikki nämä ihmiset, jotka menevät hyvään mieleesi, ovat jonkinlaisen kuiskauttaneet sinut ja päättävät tehdä kolmannen testin hyvin omasta syystä ja antaa korkeamman pistemäärän kvaliitiesi edessä. Teet testin ja pisteesi on todella 89. Jokainen, mukaan lukien itsesi, on vaikuttunut. Joten nyt sinulla on viimeinen testin lukukauden tulossa ja kuten tavallisesti tunnet tarvetta ratsastaa 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 keskimääräinen liikkuu viimeisimpien historiallisten tietojen perusteella, mutta käyttää täsmälleen kolmea viimeisintä ajanjaksoa jokaiselle ennustukselle. Sinun on myös huomattava, että emme todellakaan tarvitse tehdä ennusteita aiempina aikoina, jotta voimme kehittää uusimman ennustamme. Tämä on ehdottomasti erilainen kuin eksponentiaalinen tasoitusmalli. Olen sisällyttänyt quotpast ennusteita, koska käytämme niitä seuraavalla verkkosivulla mittaamaan ennusteiden pätevyys. Nyt haluan esittää samankaltaiset tulokset kahteen jaksoon liukuvalle keskimääräiselle ennusteelle. Solun C5 merkinnän pitäisi olla Nyt voit kopioida tämän solukehyksen alas muihin soluihin C6-C11. Huomaa, kuinka kullekin ennustukselle käytetään vain kahta viimeisintä historiatietoa. Jälleen olen sisällyttänyt quotpast ennusteetquot havainnollistamistarkoituksiin ja myöhempää käyttöä varten arvioidussa validoinnissa. Joitakin muita asioita, jotka ovat tärkeitä huomaamaan. M-ajan liikkuvaa keskimääräistä ennustetta käytetään ennusteiden tekemiseen vain viimeisimmistä m arvosta. Mikään muu ei ole välttämätöntä. M-ajan liikkuvaa keskimääräistä ennustetta varten, kun annat quotpast ennusteita, huomaa, että ensimmäinen ennuste tapahtuu ajanjaksossa m 1. 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, joita 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 yhtenä kokonaisuutena HistoricalSize kuin kokonaisluvun Initializing muuttujat Counter 1 kertyminen 0 Historiallisen taulukon koko määrittäminen HistoricalSize Historical. Count for Counter 1 to NumberOfPeriods Kertyminen sopivasta määrästä viimeisimpiä aiemmin havaittuja arvoja Kertymän kertyminen Historiallinen (HistoricalSize - NumberOfPeriods Counter) MovingYleinen kertymänumeroPeridit Koodi selitetään luokassa. Haluat sijoittaa funktion laskentataulukkoon niin, että laskutoimitus näkyy missä se haluaisi seuraavalta. Keskimääräinen siirto: Mikä se on ja miten se lasketaan? Katso video tai lue seuraava artikkeli: Liikkuva keskiarvo on tekniikka saadaksesi yleisen käsityksen tietojoukon trendeistä se on keskimääräinen kaikista numeroiden osajoukosta. Liikkuva keskiarvo on äärimmäisen hyödyllinen pitkän aikavälin kehityksen ennustamiseksi. Voit laskea sen ajanjaksoksi. Jos esimerkiksi sinulla on kaksikymmentä vuotta kestäviä myyntiä koskevia tietoja, voit laskea viiden vuoden liukuvan keskiarvon, neljän vuoden liukuvan keskiarvon, kolmivuotisen liukuvan keskiarvon ja niin edelleen. Osakemarkkinoiden analyytikot käyttävät usein 50 tai 200 päivän liukuvaa keskiarvoa auttaakseen heitä näkemään pörssin suuntauksia ja (toivottavasti) ennakoimaan, missä varastot ovat. Keskimäärin on joukko numeroiden 8220 arvoa 8221. Liikkuva keskiarvo on täsmälleen sama, mutta keskiarvo lasketaan useita kertoja useille datan osille. Jos haluat esimerkiksi kaksivuotisen liukuvan keskiarvon vuosien 2000, 2001, 2002 ja 2003 datasarjoista, löydät keskiarvot 20002001, 20012002 ja 20022003 alaryhmille. Liikkuvat keskiarvot on yleensä piirretty ja niitä voidaan parhaiten visualisoida. Viiden vuoden liikkuvan keskiarvon laskeminen Esimerkkiongelma: Laske viiden vuoden liukuva keskiarvo seuraavasta datajoukosta: (4M 6M 5M 8M 9M) ​​5 6.4M Viiden vuoden toisen osajoukon keskimääräinen myynti (2004 8211 2008). keskimäärin 2006, on 6,6M: (6M 5M 8M 9M 5M) 5 6,6M Kolmannen viiden vuoden osajoukon keskimääräinen myynti (2005 8211 2009). keskimäärin 2007, on 6,6M: (5M 8M 9M 5M 4M) 5 6.2M Jatka viiden vuoden keskiarvon laskemista, kunnes saavutat sarjan lopun (2009-2013). Tämä antaa sinulle useita pisteitä (keskiarvoja), joita voit käyttää kuvaamaan liikkuvia keskiarvoja. Seuraava Excel-taulukko näyttää liukuvat keskiarvot, jotka on laskettu vuosille 2003-2012 sekä datan hajotusviivat: Katso video tai lue seuraavat vaiheet: Excelissä on tehokas lisäosa, Data Analysis Toolpak (tietojen lataaminen Analyysi Toolpak), joka antaa sinulle monia lisävaihtoehtoja, mukaan lukien automatisoitu liukuva keskimääräinen toiminto. Toiminto ei laske vain liikkuvaa keskiarvoa, vaan se myös kuvaa alkuperäisiä tietoja samanaikaisesti. säästää melko paljon näppäinpainalluksia. Excel 2013: Vaiheet Vaihe 1: Napsauta 8220Data8221-välilehteä ja napsauta sitten 8220Data Analysis.8221 Vaihe 2: Napsauta 8220Muuta keskiarvo8221 ja valitse sitten 8220OK.8221 Vaihe 3: Napsauta 8220Input Range 8221 - ruutua ja valitse sitten tietosi. Jos lisäät sarakeotsikot, varmista, että valitset Etiketit ensimmäisen rivi - ruudusta. Vaihe 4: Kirjoita väli ruutuun. Intervalli on kuinka monta aiempaa pistettä haluat Excelin käyttämään liukuvan keskiarvon laskemiseen. Esimerkiksi 822058221 käyttäisi edellisiä 5 datapistettä laskemaan jokaisen seuraavan pisteen keskiarvo. Mitä pienempi aikaväli, sitä lähemmäksi liikkuvaa keskiarvoasi on alkuperäinen tietojoukko. Vaihe 5: Napsauta 8220Output Range 8221 - ruutua ja valitse alue työarkista, johon haluat tuloksen näkyvän. Tai napsauta 8220New - työarkkia8221-valintanappi. Vaihe 6: Tarkista 8220Chart Output8221 - ruutu, jos haluat nähdä tietosarjan kartan (jos unohdat tehdä tämän, voit aina palata ja lisätä sen tai valita kaavion 8220Insert8221-välilehdeltä.8221 Vaihe 7: Paina 8220OK .8221 Excel palauttaa tulokset vaiheessa 6 määritellyllä alueella. Katso video tai lue seuraavat vaiheet: Näyteongelma: Laske kolmivuotinen liukuva keskiarvo Excelissä seuraavista myyntitiedoista: 2003 (33M), 2004 (45M), 2012 (36M), 2006 (34M), 2007 (43M), 2008 (39M), 2009 (41M), 2010 (36M), 2011 1: Kirjoita tiedot kahdeksi sarakkeeksi Excelissä. Ensimmäisessä sarakkeessa on oltava vuosi ja toinen sarake määrälliset tiedot (tässä esimerkissä ongelma, myyntiluvut.) Varmista, että solutietoihin ei ole tyhjiä rivejä. : Laske ensimmäisen kolmen vuoden keskiarvo (2003-2005), tämä näyteongelma tyyppi 8220 (B2B3B4) 38221 soluun D3 Ensimmäisen keskiarvon laskeminen Vaihe 3: Vedä neliö oikeaan alakulmaan d oma siirtää kaavan kaikkiin soluihin sarakkeessa. Tämä laskee keskiarvot peräkkäisinä vuosina (esim. 2004-2006, 2005-2007). Vetämällä kaava. Vaihe 4: (Valinnainen) Luo kaavio. Valitse kaikki taulukon tiedot. Napsauta 8220Insert8221 - välilehteä ja napsauta sitten 8220Scatter, 8221 ja napsauta 8220Scatter-näppäintä, jossa on sileät viivat ja merkinnät.8221 Työkalurivi näyttää liikkuvaa keskiarvoa. Tutustu YouTube-kanavaanmme lisää tilastotietoja ja ohjeita Moving Average: Mitä se on ja miten laskea se on viimeksi muutettu: Andale 22 tammikuu 2016 ajatuksia ldquo: sta Moving Average: Mikä se on ja miten lasketaan se rdquo Tämä on täydellinen ja yksinkertainen assimiloitua. Kiitos työstä Tämä on erittäin selkeä ja informatiivinen. Kysymys: Kuinka lasketaan neljän vuoden liukuva keskiarvo Mikä vuosi 4-vuotinen liikkumavälin keskipiste keskittyy toisen vuoden loppuun (eli 31.12.). Voinko käyttää keskimääräistä tuloa ennustamaan tulevia tuloja joku tietää keskitetyn keskiarvon, kerro ystävällisesti, jos joku tietää. Tässä se8217s, kun otetaan huomioon, että meidän on harkittava 5 vuotta keskimääräisen keskiarvon saamiseksi. Mitä sitten jäljellä olevista vuosista, jos haluamme saada keskiarvon 20118230, meillä ei ole vielä arvoja vuoden 2012 jälkeen, miten voisimme laskea sen? don8217t on enemmän tietoa olisi mahdotonta laskea 5 vuotta MA vuonna 2011. Voit saada kahden vuoden liukuva keskiarvo kuitenkin. Kiitos, kiitos videosta. Yksi asia on kuitenkin epäselvä. Kuinka tehdä ennuste tulevina kuukausina Videossa näkyy ennuste kuukausina, joina tietoja on jo saatavilla. Hei, Raw, I8217m pyrkii laajentamaan artikkelia myös ennakointiin. Prosessi on hieman monimutkaisempi kuin aikaisempien tietojen käyttö. Katso tämä Duke-yliopiston artikkeli, joka selittää sen perusteellisesti. Terveisin, Stephanie kiittää sinua selkeästä selityksestä. Hei Ei löydy linkkiä ehdotettuun Duke-yliopiston artikkeliin. Pyyntö linkin lähettämiseen uudelleenA ennuste laskentayksiköt A.1 Ennusteiden laskentamenetelmät Käytettävissä on kaksitoista ennusteiden laskentatapaa. Useimmat näistä menetelmistä mahdollistavat rajoitetun käyttäjän valvonnan. Esimerkiksi viimeisimpiin historiatietoihin tai laskutoimituksissa käytettyihin historiatietoihin liittyvä paino voidaan määrittää. Seuraavissa esimerkeissä esitetään laskentamenetelmä kullekin käytettävissä olevista ennusteista, kun otetaan huomioon samanlaiset historiatiedot. Seuraavat esimerkit käyttävät samoja vuoden 2004 ja 2005 myyntiä koskevia tietoja vuoden 2006 myynnin ennusteen tuottamiseksi. Ennustalaskennan lisäksi jokaisessa esimerkissä on simuloitu vuoden 2005 ennuste kolmelle kuukaudelle (prosessointivaihtoehto 19 3), jota käytetään prosenttiosuutena tarkkuuden ja keskiarvon absoluuttisen poikkeamislaskelman (todellinen myynti verrattuna simuloituun ennusteeseen). A.2 Suorituskyvyn arviointikriteerit Tietojenkäsittelyvaihtoehtojen valinnasta ja myyntitietojen kehityksestä ja malleista riippuen tietyt ennustemenetelmät toimivat paremmin kuin toiset tietylle historialliselle tietueelle. Yhdelle tuotteelle sopiva ennustemenetelmä ei välttämättä sovi toiselle tuotteelle. On myös epätodennäköistä, että ennustemenetelmä, joka tuottaa hyviä tuloksia tuotteen elinkaaren jossakin vaiheessa, pysyy tarkoituksenmukaisena koko elinkaaren ajan. Voit valita kahden menetelmän arvioimaan ennusteiden nykyisen suorituskyvyn. Nämä ovat keskiarvon absoluuttinen poikkeama (MAD) ja prosenttiosuus (POA). Molemmat suorituskyvyn arviointimenetelmät edellyttävät historiallisia myyntitietoja käyttäjän määritellylle ajanjaksolle. Tätä ajanjaksoa kutsutaan pidätysajaksi tai parhaiten sopiviksi jaksoiksi (PBF). Tänä ajanjaksona käytettäviä tietoja käytetään pohjana suositellaksemme, millaisia ​​ennusteita käytetään seuraavan ennusteennusteen tekemiseen. Tämä suositus koskee jokaista tuotetta, ja se voi muuttua ennustetusta sukupolvesta toiseen. Kaksi ennustettua suorituskyvyn arviointimenetelmää on esitetty sivuilla, joissa esitetään esimerkkejä kahdestatoista ennusteesta. A.3 Menetelmä 1 - määritetty prosenttiosuus viime vuoteen Menetelmä kertoo edellisen vuoden myyntitiedot käyttäjän määrittämällä tekijällä esimerkiksi 1.10 10: n korotuksella tai 0,97: lla 3: n laskiessa. Vaadittava myyntihistoria: Yhden vuoden ennustearvon laskemiseksi sekä käyttäjän ennalta arvioidun suorituskyvyn (käsittelyvaihtoehdon 19) arvioimiseen käytettävien aikajaksojen määrä. A.4.1 Ennusteiden laskenta Myyntikorjausalue, jota käytetään tässä esimerkissä kasvutekijän laskemisessa (prosessointivaihtoehto 2a) 3. Summa viimeisten kolmen kuukauden aikana: 114 119 137 370 Summa edellisvuoden kolme kuukautta: 123 139 133 395 Laskettu tekijä 370395 0,9367 Lasketaan ennusteet: tammikuu 2005 myynti 128 0,9367 119,806 tai noin 120 helmikuu 2005 myynti 117 0,9367 109,5939 tai noin 110 päivänä maaliskuuta 2005 myynti 115 0,9367 107,7205 tai noin 108 A.4.2 Simuloitu ennuste Laskelma Summa kolme kuukautta 2005 ennen säilytysaikaa (heinäkuu, elokuu, syyskuu): 129 140 131 400 Summa samat kolme kuukautta edellisenä vuonna: 141 128 118 387 Laskettu tekijä 400387 1.033591731 Laske simuloitu ennuste: lokakuu 2004 myynti 123 1.033591731 127.13178 marraskuu 2004 myynti 139 1.033591731 143.66925 joulukuu 2004 myynti 133 1.033591731 137.4677 A.4.3 prosentti tarkkuuslaskennasta (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Absoluuttinen poikkeamislaskelma MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Menetelmä 3 - viime vuonna tähän vuoteen Tämä menetelmä kopioi myyntitiedot edelliseltä vuodelta seuraavalle vuodelle. Vaadittava myyntihistoria: Yhden vuoden ennustearvon laskemiseen sekä ennakoidun suorituskyvyn arvioimiseen määritettyjen aikajaksojen määrä (käsittelyvaihtoehto 19). A.6.1 Ennustalaskenta Keskimääräiseen sisällytettävien aikajaksojen määrä (käsittelyvaihtoehto 4a) 3 Tässä esimerkissä arvioidaan kunkin ennustejakson kuukauden osalta edellisten kolmen kuukauden tiedot. Tammikuun ennuste: 114 119 137 370, 370 3 123.333 tai 123 helmikuuennuste: 119 137 123 379, 379 3 126.333 tai 126 maaliskuu ennuste: 137 123 126 379, 386 3 128.667 tai 129 A.6.2 Simuloitu ennuste laskenta lokakuu 2005 myynti (129 140 131) 3 133,3333 marraskuu 2005 myynti (140 131 114) 3 128,3333 joulukuu 2005 myynti (131 114 119) 3 121,3333 A.6.3 Tarkkuuslaskennan prosenttiosuus POA (133,3333 128,3333 121,3333) (114 119 137) 100 103,513 A.6.4 Keskimääräinen absoluuttinen Poikkeamilaskenta MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Menetelmä 5 - Lineaarinen approksimaatio Lineaarinen approksimaatio laskee suuntauksen, joka perustuu kahteen myyntihistoriatietopisteeseen. Nämä kaksi pistettä muodostavat suoran trendilinjan, joka näkyy tulevaisuudessa. Käytä tätä menetelmää varoen, koska pitkän aikavälin ennusteita hyödynnetään pienillä muutoksilla vain kahdessa datapisteessä. Vaadittava myyntihistoria: regressioon sisällytetyt kaudet (prosessointivaihtoehto 5a) plus 1 plus ennakoidun suorituskyvyn arvioinnin aikavälien määrä (käsittelyvaihtoehto 19). A.8.1 Ennustalaskenta Jaksot, jotka on sisällytettävä regressioon (prosessointivaihtoehto 6a) 3 tässä esimerkissä Ennusteen jokaiselle kuukaudelle lisää lisäys tai vähennys määritetyissä jaksoissa ennen edellisen jakson säilytysaikaa. Edellisen kolmen kuukauden keskiarvo (114 119 137) 3 123.3333 Tiivistelmä edellisistä kolmesta kuukaudesta tarkasteltuna (114 1) (119 2) (137 3) 763 Arvojen välinen ero 763 - 123.3333 (1 2 3) 23 Suhde ( 12 22 32) - 2 3 14 - 12 2 Arvo1 Erotusaste 232 11,5 Arvo2 Keskiarvo - arvo1 suhde 123,3333 - 11,5 2 100,3333 Ennuste (1 n) arvo1 arvo2 4 11,5 100,3333 146,333 tai 146 Ennuste 5 11,5 100,3333 157,8333 tai 158 Ennuste 6 11,5 100,3333 169,3333 tai 169 A.8.2 Simuloitu ennuste Laskelma Lokakuun 2004 myynti: Edellisten kolmen kuukauden keskiarvo (129 140 131) 3 133,3333 Yhteenveto edellisistä kolmesta kuukaudesta, painotettu paino (129 1) (140 2) (131 3) 802 (1 22) - 2 3 14 - 12 2 Arvo1 Erotusaste 22 1 Arvo2 Keskiarvo - arvo1 suhde 133,3333 - 1 2 131,3333 Ennuste (1 n) arvo1 arvo2 4 1 131,3333 135,3333 marraskuu 2004 myynti Edellisen kolmen kuukauden keskiarvo (140 131 114) 3 128.3333 Yhteenveto edellisistä kolmesta kuukaudesta painotettuna (140 1) (131 2) (114 3) 744 Arvojen 744 - 128.3333 (1 2 3) -25.9999 välinen ero Arvo1 Erotus -25,99992 -12,9999 Arvo2 Keskimääräinen - arvo1 suhde 128,3333 - (-12,9999) 2 154,3333 Ennuste 4 -12,9999 154,3333 102,3333 Joulukuu 2004 myynti Edellisten kolmen kuukauden keskiarvo (131 114 119) 3 121,3333 Yhteenveto edellisistä kolmesta kuukaudesta, (1 2 3) -11.9999 Arvo1 Erotusaste -11.99992 -5.9999 Arvo2 Keskimääräinen - arvo1 suhde 121.3333 - (-5.9999) 2 133.3333 Ennuste 4 (-5.9999) (119 3) 716 Arvon 716 - 121.3333 ) 133.3333 109.3333 A.8.3 Tarkkuuslaskennan prosenttiosuus POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Menetelmä 7 - secon d asteittainen lähentäminen Lineaarinen regressio määrittää a ja b arvot ennuste kaavassa Y a bX, jonka tavoitteena on sovittaa suora viiva myyntihistoriatietoihin. Toisen asteen arviointi on samanlainen. Tämä menetelmä määrittää kuitenkin arvot a, b ja c ennuste kaavassa Y a bX cX2, jonka tarkoituksena on sovittaa käyrä myyntihistoriatietoihin. Tämä menetelmä voi olla hyödyllinen, kun tuote siirtyy elinkaaren vaiheiden välillä. Esimerkiksi kun uusi tuote siirtyy johdannosta kasvuvaiheisiin, myyntikehitys voi nopeutua. Toisen tilauksen aikavälin ansiosta ennuste voi nopeasti lähestyä äärettömyyttä tai pudota nollaan (riippuen siitä, kertoo c on positiivinen tai negatiivinen). Siksi tämä menetelmä on hyödyllinen vain lyhyellä aikavälillä. Ennustetiedot: Kaavat löytävät a, b ja c sopivan käyrän täsmälleen kolmeen pisteeseen. Olet määrittänyt n käsittelyvaihtoehdossa 7a kerättävien tietojen aikajaksojen lukumäärän kuhunkin näistä kolmesta pisteestä. Tässä esimerkissä n 3. Näin ollen huhti-kesäkuun todelliset myyntitiedot yhdistetään ensimmäiseen pisteeseen Q1. Heinä-syyskuussa lisätään yhteen Q2: n ja lokakuun ja joulukuun välinen summa Q3: een. Käyrä asetetaan kolmeen arvoon Q1, Q2 ja Q3. Vaadittava myyntihistoria: 3 n jaksot ennusteiden laskemiseksi sekä ennakoidun suorituskyvyn (PBF) arvioimiseen tarvittavien aikajaksojen määrää. Tässä esimerkissä otettavien kausien lukumäärä (käsittelyvaihtoehto 7a) 3 Käytä aikaisempia (3 n) kuukausia kolmen kuukauden lohkoissa: Q1 (huhti-kesäkuu) 125 122 137 384 Q2 (heinä-syyskuu) 129 140 131 400 Q3 ( Loka-joulukuu) 114 119 137 370 Seuraavassa vaiheessa lasketaan kolme ennustekaava-kaavassa käytettävää kolmijakoa a, b ja c bX cX2 (1) Q1 bX cX2 (jossa X 1) abc (2) Q2 bx cX2 (jossa X2) a 2b 4c (3) Q3 a bX cX2 (jossa X3) a 3b 9c Ratkaise kolme yhtälöä samanaikaisesti löytää b, a ja c: vähennä yhtälö (1) yhtälöstä (2) (3) Q3 a 3 (Q2 - Q1) - 3c c Korvaa nämä yhtälöt a: lle ja b: ksi seuraavasti: (2) - (1) Q2 - Q1 b 3c yhtälö (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Toisen asteen approksiointimenetelmä laskee a, b ja c seuraavasti: Q3 - 3 (Q2 - Q1) 370-3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370-400) (384-400) -23) 85 Y a bX cX2 322 85X (-23) X2 Tammikuun maaliskuun ennuste (X4): (322 340 - 368) 3 2943 98 huhtikuuhun mennessä (X5): (322 425 - 575) 3 57.333 tai 57 jaksolta heinäkuusta syyskuuhun (X6): (322 510 - 828) 3 1.33 tai 1 jaksolta lokakuuhun joulukuuhun (X7) (322 595 - 11273 -70 A.9.2 Simuloitu ennuste laskenta Lokakuu, marraskuu ja joulukuu 2004 myynti: Q1 (tammi-maaliskuu) 360 Q2 (huhti-kesäkuu) 384 Q3 (heinä-syyskuu) 400 400 400 (3 - (136-136) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Tarkkuuslaskennan prosenttiosuus (136 136 136) (114 119 137) 100 110,27 A.9.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Menetelmä 8 - Joustava menetelmä Joustava menetelmä (prosenttiyksikköä yli kuukausi ennen) 1, prosentti viime vuoteen. Molemmat menetelmät moninkertaistuvat myyntitiedoista aikaisemmasta aikajaksosta käyttäjän määrittämän tekijän mukaan, ja sitten tuokaa tämä tulos tulevaisuuteen. Viime vuoden menetelmä prosentteina ennuste perustuu edellisen vuoden vastaavaan ajanjaksoon. Joustava menetelmä lisää kykyä määrittää muu kuin edellisvuoden vastaavana ajanjakso käyttää laskennan perustana. Kertomiskerroin. Määritä esimerkiksi käsittelyvaihtoehdon 8b arvoksi 1.15 lisätä aiempia myyntihistoriatietoja 15. Perusjaksolla. Esimerkiksi n 3 aiheuttaa ensimmäisen ennusteen perustuvan myyntitietoihin lokakuussa 2005. Myyntihistorian vähimmäismäärä: Käyttäjä määritteli kausien lukumäärän takaisin perusjaksolle sekä ennustetun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrän ( PBF). A.10.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Menetelmä 9 - Painotettu siirtymä keskiarvo Painotettu liikkuvan keskiarvon (WMA) menetelmä on samanlainen kuin menetelmä 4, Moving Average (MA). Painotetun liikkuvan keskiarvon avulla voit kuitenkin määrittää epätasaiset painot historiallisiin tietoihin. Menetelmä laskee viimeaikaisen myyntihistorian painotetun keskiarvon lyhyellä aikavälillä. Uusimmilla tiedoilla on tavallisesti suurempi paino kuin vanhemmat tiedot, joten WMA reagoi paremmin myynnin tason muutoksiin. Tulevaisuuden ennakointi ja systemaattiset virheet kuitenkin esiintyvät kuitenkin, kun tuotteen myynnin historiassa on voimakasta suuntausta tai kausivaihtelua. Tämä menetelmä toimii paremmin lyhyen aikavälin ennusteiden suhteen kypsillä tuotteilla eikä tuotteilla elinkaaren kasvu - tai vanhentumisvaiheissa. n ennakkolaskennassa käytettävien myyntihistorioiden määrä. Määritä esimerkiksi käsittelyvaihtoehdon 9a määrittelemä n 3 käyttämällä viimeisimpiä kolmea jaksoa perustana projektiolle seuraavaan ajanjaksoon. Suuri arvo n: lle (kuten 12) vaatii lisää myyntihistoriaa. Se johtaa vakaaseen ennusteeseen, mutta hidastaa hitaasti myynnin tason muutoksia. Toisaalta pieni arvo n: lle (kuten 3) reagoi nopeammin myynnin tason muutoksiin, mutta ennuste saattaa vaihdella niin laajasti, että tuotanto ei pysty vastaamaan muunnelmia. Jokaiseen historialliseen ajanjaksoon osoitettu paino. Määritettyjen painojen on oltava 1,00. Esimerkiksi kun n3, anna painot 0,6, 0,3 ja 0,1, ja tuoreimmat tiedot vastaanottavat suurimman painon. Pienin vaadittu myyntihistoria: n plus ennakoidun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrä (PBF). MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 Menetelmä 10 - lineaarinen tasoitus Tämä menetelmä on samanlainen kuin menetelmä 9, painotettu liikkuvan keskiarvon (WMA). Kuitenkin sen sijaan, että painot syötettäisiin mielivaltaisesti historiallisiin tietoihin, käytetään kaavaa sellaisten painojen laskemiseen, jotka vähenevät lineaarisesti ja summa on 1,00. Menetelmä laskee sitten viimeisimmän myyntihistorian painotetun keskiarvon lyhyellä aikavälillä. Kuten kaikkien lineaaristen liukuvien keskimääräisten ennustustekniikoiden kohdalla, ennakoidut ennakoinnit ja systemaattiset virheet tapahtuvat, kun tuotemyyntihistoria näyttää voimakkaalta trendiltä tai kausivaihteluilta. Tämä menetelmä toimii paremmin lyhyen aikavälin ennusteiden suhteen kypsillä tuotteilla eikä tuotteilla elinkaaren kasvu - tai vanhentumisvaiheissa. n ennakkolaskennassa käytettävien myyntihistorioiden määrä. Tämä on määritelty käsittelyvaihtoehdossa 10a. Määritä esimerkiksi käsittelyvaihtoehdon 10b n 3, jotta voit käyttää viimeisimpiä kolmea jaksoa perustana projektiolle seuraavaan ajanjaksoon. Järjestelmä määrittää automaattisesti painot historiallisiin tietoihin, jotka laskevat lineaarisesti ja summa 1,00: een. Esimerkiksi kun n 3, järjestelmä antaa painot 0,5, 0,3333 ja 0,1, ja viimeisimmät tiedot vastaanottavat suurimman painon. Pienin vaadittu myyntihistoria: n plus ennakoidun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrä (PBF). A.12.1 Ennusteiden laskeminen Kaavioiden lukumäärä, jotka sisällytetään tasoitusmäärään (käsittelyvaihtoehto 10a) 3 tässä esimerkissä Suhde edelliseen kauteen (n2 n) 2 3 (32 3) 2 36 0,5 Kahden kahden ensimmäisen jakson (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Suhdeluku kolmen ensimmäisen jakson ajan (n2 n) 2 1 (32 3) 2 16 0,1666 .. Tammikuun ennuste: 137 0,5 119 13 114 16 127,16 tai 127 Helmikuun ennuste: 127 0,5 137 13 119 16 129 maaliskuuennuste: 129 0,5 127 13 137 16 129,666 tai 130 A.12.2 Simuloitu ennuste Laskelma lokakuu 2004 myynti 129 16 140 26 131 36 133,6666 marraskuu 2004 myynti 140 16 131 26 114 36 124 joulukuu 2004 myynti 131 16 114 26 (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Menetelmä 11 - Menetelmä 11 - Tarkkuuslaskennan prosenttiosuus POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Keskimääräinen absoluuttinen poikkeamalaskenta MAD Eksponentiaalinen tasoitus Tämä menetelmä on samanlainen kuin menetelmä 10, lineaarinen tasoitus. Lineaarisessa tasoituksessa järjestelmä määrittää painot historiallisiin tietoihin, jotka vähenevät lineaarisesti. Eksponentiaalisessa tasoituksessa järjestelmä määrittää painot, jotka eksponentiaalisesti hajoavat. Eksponenttien tasausennusteyhtälö on: ennuste a (aikaisempi tosiasiallinen myynti) (1 a) Edellinen ennuste Ennuste on edellisen jakson ja edellisen jakson ennusteiden painotettu keskiarvo. a on paino, jota sovelletaan edellisen jakson tosiasialliseen myyntiin. (1 - a) on paino, jota sovelletaan edellisen jakson ennusteeseen. Voimassa olevat arvot vaihtelevat välillä 0 - 1 ja yleensä laskevat välillä 0,1 ja 0,4. Painojen summa on 1,00. a (1 - a) 1 Sinun pitäisi määrittää tasoitustason vakioarvo, a. Jos et määritä tasoitustason vakioarvot, järjestelmä laskee oletetun arvon laskemalla prosessointivaihtoehdossa 11a määritettyjen myyntihistorioiden lukumäärän. a tasoitusvakio, jota käytetään laskettaessa tasoitettua keskiarvoa myynnin yleiselle tasolle tai suuruusluokalle. Voimassa olevat arvot vaihteluvälillä 0-1. N myyntihistoriatietojen alue sisällytettäviksi laskelmiin. Yleensä yhden vuoden myynnin historiatiedot riittävät arvioimaan yleistä myynnin tasoa. Tässä esimerkissä valittiin pieni arvo n (n 3), jotta tulosten tarkistamiseksi tarvittavat manuaaliset laskelmat voitaisiin pienentää. Eksponentiaalinen tasoitus voi tuottaa ennustuksen, joka perustuu vain yhtä historialliseen datapisteeseen. Pienin vaadittu myyntihistoria: n plus ennakoidun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrä (PBF). A.13.1 Ennustalaskenta Tässä esimerkissä keskimääräisten tasojen (käsittelyvaihtoehto 11a) 3 ja alfa-tekijä (käsittelyvaihtoehto 11b) sisällytettävien aikajaksojen lukumäärä on kerrottu vanhimmista myyntitiedoista 2 (11) tai 1, kun alfa on määritetty (12) tai aakkosnumeerinen alfa, jos alfa on määritetty kertoimeksi kolmannelle vanhimmalle myyntitiedolle 2 (13) tai alpha: lle, kun alpha määritellään kertoimella viimeisimmistä myyntitiedoista 2 (1n) , tai alfa, kun alfa on määritetty marraskuu Sm. Keskim. a (lokakuun todellinen) (1 - a) lokakuu Sm. Keskim. 1 114 0 0 114 joulukuu Sm. Keskim. a (marraskuu Todellinen) (1 - a) marraskuu Sm. Keskim. 23 119 13 114 117.3333 Tammikuu Ennuste (joulukuu Todellinen) (1 - a) Joulukuu Sm. Keskim. 24 137 24 117.3333 127.16665 tai 127 Helmikuun ennuste Tammikuu Sääennuste 127 Maaliskuu Sääennuste Tammikuu Sääennuste 127 A.13.2 Simuloitu ennuste laskenta heinäkuu 2004 Sm. Keskim. 22 129 129 elokuu Sm. Keskim. 23 140 13 129 136.3333 syyskuu Sm. Keskim. 24 131 24 136.3333 133.6666 Lokakuu 2004 myynti syyskuu Sm. Keskim. 133.6666 elokuu 2004 Sm. Keskim. 22 140 140 syyskuu Sm. Keskim. 23 131 13 140 134 lokakuu Sm. Keskim. 24 114 24 134 124 marraskuu 2004 myynti syyskuu Sm. Keskim. 124 syyskuu 2004 Sm. Keskim. 22 131 131 lokakuu Sm. Keskim. 23 114 13 131 119.6666 marraskuu Sm. Keskim. 24 119 24 119.6666 119.3333 Joulukuu 2004 myynti syyskuu Sm. Keskim. 119.3333 A.13.3 Tarkkuuslaskennan prosenttiosuus POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Menetelmä 12 - Eksponentiaalinen tasoitus trendin ja kausivaihtelun kanssa Tämä menetelmä on samanlainen kuin menetelmä 11, eksponentiaalinen tasoittaminen siinä, että lasketaan tasoitettu keskiarvo. Menetelmä 12 sisältää kuitenkin myös ennustejaksossa olevan termin laskennallisen trendin laskemiseksi. Ennuste koostuu tasoitetusta keskiarvosta, joka on mukautettu lineaariseen suuntaukseen. Kun prosessointivaihtoehdossa on määritelty, ennuste säädetään myös kausiluonteisesti. a tasoitusvakio, jota käytetään laskettaessa tasoitettua keskiarvoa myynnin yleiselle tasolle tai suuruusluokalle. Alfa-arvot ovat 0: sta 1: een. B tasoitusvakio, jota käytetään ennustetun trendikomponentin sileän keskiarvon laskemisessa. Beta-alueen voimassa olevat arvot 0: sta 1: een. Oletteko kausittaisen indeksin sovellu ennusteeseen a ja b riippumatta toisistaan. Niiden ei tarvitse lisätä arvoon 1.0. Pienin vaadittu myyntihistoria: kaksi vuotta sekä ennustetun suorituskyvyn (PBF) arvioimiseen tarvittavien aikajaksojen määrää. Menetelmä 12 käyttää kahta eksponentiaalisen tasausyhtälön ja yhden yksinkertaisen keskiarvon laskea tasoitetun keskiarvon, tasoitetun trendin ja yksinkertaisen keskimääräisen kausittaisen tekijän. A.14.1 Ennustalaskenta A) Eksponentiaalisesti tasoitettu keskimääräinen MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Ennusteiden arviointi Voit valita ennusteita tuottamaan peräti kaksitoista ennustetta jokaiselle tuotteelle. Jokainen ennustamismenetelmä luultavasti luo hieman erilainen projektio. Kun tuhansia tuotteita ennustetaan, on epäkäytännöllistä tehdä subjektiivinen päätös siitä, mitkä ennusteet käyttävät suunnitelmasi kullekin tuotteelle. Järjestelmä arvioi automaattisesti kunkin valitsemasi ennustusmenetelmän tehokkuuden ja kunkin ennustetun tuotteen. Voit valita kahden suorituskyvyn kriteerin, keskimääräisen absoluuttisen poikkeaman (MAD) ja prosenttiosoitteen (POA) välillä. MAD on ennakoidun virheen mittari. POA on arvioitu ennuste. Molemmat suorituskyvyn arviointitekniikat edellyttävät todellisia myyntihistoriatietoja käyttäjän määrätylle ajanjaksolle. Tätä äskettäistä historiaa kutsutaan pidemmäksi ajanjaksoksi tai ajanjaksoksi, joka parhaiten sopii (PBF). Ennustemenetelmän suorituskyvyn mittaamiseksi käytä ennuste kaavoja simuloimaan ennustusta historialliselle ajanjaksolle. Tosiasiallisten myyntitietojen ja simuloitujen ennusteiden välillä on yleensä eroja. Kun valitaan useita ennusteita, sama menetelmä suoritetaan jokaiselle menetelmälle. Useita ennusteita lasketaan pidemmän ajanjakson osalta ja verrattiin saman ajanjakson tunnettuun myyntihistoriaan. Ennustemenetelmää, joka tuottaa parhaan mahdollisen sovituksen (parhaiten sopivan) ennusteiden ja todellisen myynnin välillä pidemmän ajanjakson aikana, on suositeltavaa käyttää suunnitelmissasi. Tämä suositus koskee jokaista tuotetta, ja se voi muuttua ennustetuista sukupolvista toiseen. A.16 Keskimääräinen absoluuttinen poikkeama (MAD) MAD on todellisten ja ennusteiden välisten poikkeamien (tai virheiden) absoluuttisten arvojen (tai suuruuden) keskiarvo (tai keskiarvo). MAD on odotettavissa olevien virheiden keskimääräinen mitta, kun otetaan huomioon ennustusmenetelmä ja tietojen historia. Koska laskelmissa käytetään absoluuttisia arvoja, positiiviset virheet eivät poista negatiivisia virheitä. Verrattaessa useampia ennustemenetelmiä, pienimmän MAD: n kanssa on osoittautunut luotettavimmaksi kyseiselle tuotteelle kyseisen ajanjakson ajan. Kun ennuste on puolueeton ja virheet jaetaan normaalisti, matemaattinen yhteys MAD: n ja kahden muun yhteisen jakautumistoimenpiteen välillä, keskihajonta ja keskimääräinen nelikenttävirhe: A.16.1 Tarkkuuden prosenttiosuus (POA) on ennakoidun esijännityksen mitta. Kun ennusteet ovat jatkuvasti liian korkeat, varastojen kertyminen ja varastojen kustannukset nousevat. Kun ennusteet ovat johdonmukaisesti kaksi matalia, varastoja kulutetaan ja asiakaspalvelu heikkenee. Ennuste, joka on 10 yksikköä liian matala, sitten 8 yksikköä liian korkea, sitten 2 yksikköä liian korkea, olisi puolueeton ennuste. 10 positiivinen virhe mitätöidään negatiivisilla virheillä 8 ja 2. Virhe Todellinen - ennuste Kun tuote voidaan tallentaa inventaarioon ja kun ennuste on puolueeton, pieniä määriä turvaraketta voidaan käyttää virheiden puskuroimiseen. Tässä tilanteessa ei ole niin tärkeää poistaa ennustevirheitä, koska se muodostaa puolueettomia ennusteita. Kuitenkin palvelualoilla edellä esitetty tilanne katsotaan kolmeksi virheeksi. Palvelu olisi alijäämäinen ensimmäisellä kaudella, ja tällöin ylitettäisiin seuraavien kahden jakson aikana. Palveluissa ennustevirheiden suuruus on yleensä tärkeämpää kuin ennakoidut ennakoinnit. Summation holdout-aikana mahdollistaa negatiivisten virheiden peruuttamisen positiiviset virheet. Kun tosiasiallinen myynti ylittää ennustetun myynnin, suhde on yli 100. Tietenkin on mahdotonta olla yli 100 tarkkaa. Kun ennuste on puolueeton, POA-suhde on 100. Siksi on toivottavaa, että 95 on tarkka, kuin 110 on tarkka. POA-kriteerit valitsevat ennustamismenetelmän, jonka POA-suhde on lähinnä 100. Tämän sivun komentosarja parantaa sisällönavigointia, mutta ei muuta sisältöä millään tavalla. OR-Notes on sarja alustavia muistiinpanoja aiheista, jotka kuuluvat laajan (OR). He alun perin käyttivät minua esittelevässä OR kurssissa, jonka annan Imperial Collegessa. Ne ovat nyt käytettävissä kaikille opiskelijoille ja opettajille, jotka ovat kiinnostuneita OR: stä seuraavien ehtojen mukaisesti. Täydellinen luettelo OR-Notesin aiheista löytyy täältä. Ennustamisesimerkit Ennusteesimerkki 1996 UG-tentti Tuotteen kysyntä jokaisessa viimeisen viiden kuukauden aikana on esitetty alla. Käytä kahden kuukauden liukuvaa keskiarvoa tuottaaksesi ennuste kysynnästä kuussa 6. Käytä eksponentiaalisen tasoituksen tasausvakion ollessa 0,9, jolloin saadaan ennuste kysynnän kysynnästä kuussa 6. Kumpi näistä kahdesta ennustuksesta haluat ja miksi kahden kuukauden liikkuvat keskimäärin kuukausina 2-5 annetaan: Kuukauden ennuste on vain seuraavan kuukauden liikkuva keskiarvo eli 5 m 5 2350: n liukuva keskiarvo. Sovellettaessa eksponentiaalisia tasoituksia tasoitusvakion ollessa 0,9 saadaan: Kuten aiemmin kuuden kuukauden ennuste on vain kuukauden keskiarvo 5 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 ennusteen, koska sillä on pienempi MSD. Siksi mieluummin ennuste 2386, joka on tuotettu eksponentiaalinen tasoittaminen. Ennusteesimerkki 1994 UG-koe Alla olevassa taulukossa kerrotaan uuden jälkiruokaverin kysyntä myymälässä jokaisen viimeisen 7 kuukauden aikana. Laske kahden kuukauden liukuva keskiarvo kuukausien kahdesta seitsemään. Mikä olisi ennustuksesi kysynnässä kahdeksan kuukauden aikana? Käytä eksponentiaalisen tasoituksen 0,1 tasoitusvakion avulla saadaksesi ennakkoennusteen kahdeksan kuukauden kysynnästä. Kumman kahdesta kahdeksan kuukauden ennustuksesta haluat ja miksi Kauppias katsoo, että asiakkaat siirtyvät tähän uusiin jälkiruokaviivoihin muista tuotemerkeistä. Keskustele siitä, miten voit mallinnuttaa tämän kytkentäkäyttäytymisen ja ilmoittaa tarvittavat tiedot sen varmistamiseksi, onko tämä kytkentä tapahtunut vai ei. Kahden 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. Eksponentiaalisen tasoituksen soveltaminen 0,1 tasoitusvakion avulla 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 liukuvan 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 merkkituotemerkit ja tarvitsemme alustavat tilatiedot ja asiakkaiden vaihtamismahdollisuudet (kyselyistä). Meidän olisi käytettävä mallia historiallisissa tiedoissa, jotta näemme, onko mallin ja historiallisen käyttäytymisen välinen sovitus. Ennusteesimerkki 1992 UG-koe Alla olevassa taulukossa esitetään tietyn brändin kysyntä myymälässä jokaisesta viimeisestä yhdeksästä kuukaudesta. Laske kolmen kuukauden liukuva keskiarvo kuukausia kolmesta yhdeksään. Mikä olisi ennustuksesi kysynnän kymmeneen kuukauteen? Käytä eksponentiaalisen tasoituksen 0,3 tasoitusvakion avulla saadaksesi ennuste kysynnästä kymmenen kymmeneen. Kumpi kahdesta kuukausikohtaisesta ennusteesta mieluummin 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 kymmeneen on 20. Jos eksponentiaalisen tasoituksen soveltaminen tasoitustasolla on 0,3, saadaan: Kuten ennenkin, 10 kuukauden 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 teemme tämän, havaitsemme, että liukuvan keskiarvon ja eksponentiaalisesti tasoitetun keskiarvon suhteen tasoitusvakion ollessa 0,3 Kaiken kaikkiaan näemme, että kolmen kuukauden liukuva keskiarvo näyttäisi antavan parhaan kuukauden ennusteen, koska sillä on alhaisempi 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 kunkin viimeisen 12 kuukauden aikana. Laske neljän kuukauden liukuva keskiarvo kuukausien 4-12 osalta. Mikä olisi ennuste kysynnänne kuukauden 13. Käytä eksponentti tasoitus tasoitus vakio 0,2 saada ennuste kysynnän 13. Kuukausi kaksi ennusteet kuukausi 13 Haluatko ja miksi Mitä muita tekijöitä, joita ei ole otettu huomioon edellä mainituissa laskelmissa, saattavat vaikuttaa faksilaitteen kysyntään kuussa 13. Neljä kuukautta kestävä liukuva keskiarvo kuukausina 4-12 on: 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 13 ennuste on vain liukuva keskiarvo edellisenä vuonna eli liikkuva keskiarvo kuukaudessa 12 m 12 46,25. Näin ollen (koska meillä ei voi olla murto-osaa) ennuste kuudennella kuukaudella on 46. Jos eksponenttien tasaus tasolle 0,2 on tasoitusvakio, saamme: 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 liukuvan 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-koe Alla olevassa taulukossa esitetään kunkin tavaratalon kysyntä mikroaaltouunista jokaisessa viimeisen kahdentoista kuukauden tavaratalossa. Laske kuuden kuukauden liukuva keskiarvo kuukausittain. Mikä olisi ennuste kysynnänne kuukauden 13. Käytä eksponentti tasoitus tasoitus vakio on 0,7 saada ennuste kysynnän 13. Kuukausi kahdesta ennusteet kuukauden 13 haluat ja miksi nyt emme voi laskea kuusi kuukauden liukuva keskiarvo, kunnes meillä on vähintään 6 havaintoa - eli voimme laskea vain tällaisen keskiarvon kuudesta kuukaudesta lähtien. 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 liikkuva keskiarvo 12 38,17. Näin ollen (koska meillä ei voi olla murto-osaa) ennuste kuukaudelle 13 on 38. Eksponenttisen tasoituksen soveltaminen 0,7 tasoitusvakiolla saadaan: