OR-Notes är en serie inledande anteckningar om ämnen som faller under den breda rubriken inom forskningsverksamhetsområdet (OR). De användes ursprungligen av mig i en introduktionskurs eller kurs jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och lärare som är intresserade av ELLER underkastade följande villkor. En fullständig lista över ämnena som finns i OR-Notes finns här. Prognosprognoser Prognosexempel 1996 UG-examen Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan. Använd ett tvåmånaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6. Applicera exponentiell utjämning med en utjämningskonstant på 0,9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilken av dessa två prognoser föredrar du och varför De två månaderna rör sig genomsnittet för månader två till fem ges av: Prognosen för månad sex är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 5 m 5 2350. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,9 får vi: Som tidigare prognosen för månad sex är bara genomsnittet för månad 5 M 5 2386 För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi att för det glidande medelvärdet MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 och för det exponentiellt jämnade medlet med en utjämningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi att exponentiell utjämning tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen för 2386 som har producerats genom exponentiell utjämning. Prognosexempel 1994 UG-examen Tabellen nedan visar efterfrågan på en ny aftershave i en butik för var och en av de senaste 7 månaderna. Beräkna ett två månaders glidande medelvärde för månader två till sju. Vad är din prognos för efterfrågan i månad åtta. Applicera exponentiell utjämning med en utjämningskonstant på 0,1 för att få en prognos för efterfrågan i månad åtta. Vilket av de två prognoserna för åtta åtta föredrar du och varför Butiksinnehavaren tror att kunderna byter till den nya efterhäftningen från andra märken. Diskutera hur du kan modellera detta kopplingsbeteende och ange vilka data du behöver för att bekräfta om den här växlingen sker eller inte. Det tvåmånadersrörande genomsnittet för månaderna två till sju är givet av: Prognosen för månad åtta är bara det rörliga genomsnittet för månaden före det vill säga det rörliga genomsnittet för månad 7 m 7 46. Tillämpning av exponentiell utjämning med en utjämningskonstant av 0,1 vi få: Som före prognosen för månad åtta är bara genomsnittet för månaden 7 M 7 31,11 31 (eftersom vi inte kan ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant av 0,1 Övergripande då ser vi att det tvåmånaders glidande medeltalet tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av två månaders glidande medelvärde. För att undersöka omkoppling skulle vi behöva använda en Markov-processmodell, där tillståndsmärken och vi skulle behöva initiala statsinformation och kundbyte sannolikheter (från undersökningar). Vi skulle behöva springa modellen på historiska data för att se om vi har en passform mellan modellen och det historiska beteendet. Prognosexempel 1992 UG-examen Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna ett tre månaders glidande medelvärde i månader tre till nio. Vad skulle vara din prognos för efterfrågan i månad tio Applicera exponentiell utjämning med en utjämningskonstant på 0,3 för att få en prognos för efterfrågan i månad tio. Vilken av de två prognoserna för tio månad föredrar du och varför Det tre månaders glidande genomsnittet för månaderna 3 till 9 ges av: Prognosen för månad 10 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 9 m 9 20,33. Följaktligen (eftersom vi inte kan ha fraktionerad efterfrågan) är prognosen för månad 10 20. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,3 får vi: Som tidigare är prognosen för månad 10 bara genomsnittet för månaden 9 M 9 18,57 19 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärdet och för det exponentiellt jämnda medlet med en utjämningskonstant på 0,3 Totalt sett ser vi att tre månaders glidande medelvärde tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 20 som har producerats av tre månaders glidande medelvärde. Prognos exempel 1991 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av faxapparat i ett varuhus i var och en av de senaste tolv månaderna. Beräkna fyra månaders glidande medelvärde för månaderna 4 till 12. Vad skulle vara din prognos för efterfrågan i månad 13 Applicera exponentiell utjämning med en utjämningskonstant på 0,2 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månaden 13 föredrar du och varför Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månad 13 Det fyra månaders glidande genomsnittet för månaderna 4 till 12 ges av: 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 Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 12 m 12 46.25. Därför (eftersom vi inte kan ha fraktsubjekt) är prognosen för månad 13 46. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,2 får vi: Som tidigare är prognosen för månad 13 bara genomsnittet för månaden 12 M 12 38.618 39 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,2 Totalt sett ser vi att det fyra månaders glidande medelvärdet tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av fyra månaders glidande medelvärde. säsongsbetonad efterfrågan reklam prisförändringar, både detta märke och andra märken Allmän ekonomisk situation Ny teknik Prognos exempel 1989 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i ett varuhus i vart och ett av de senaste tolv månaderna. Beräkna ett sex månaders glidande medelvärde för varje månad. Vad är din prognos för efterfrågan i månad 13. Applicera exponentiell utjämning med en utjämningskonstant på 0,7 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför Nu kan vi inte beräkna en sex månad flyttar genomsnittet tills vi har minst 6 observationer - det kan vi bara beräkna ett så genomsnittligt från månad 6 framåt. Därför har vi: 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 Prognosen för månad 13 är bara det rörliga genomsnittet för månad före det vill säga det glidande medeltalet för månaden 12 m 12 38,17. Följaktligen (eftersom vi inte kan få fraktsubjekt) är prognosen för månad 13 38. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,7 får vi: Efterfrågan Prognostekniker: Flyttande Medel Exponentiell Utjämning Denna lektion kommer att diskutera efterfrågan prognos med fokus på försäljning av etablerade varor och tjänster. Det kommer att introducera kvantitativa tekniker för att flytta genomsnittlig och exponentiell utjämning för att hjälpa till att bestämma försäljningsbehovet. Vad är efterfrågan prognoser Återigen är det semesterperioden. Barnen är redo för ett besök från Santa, och föräldrarna stressas över shopping och ekonomi. Företagen slutar sin verksamhet för kalenderåret och förbereder sig för att flytta in i vad som ligger framöver. ABC Inc. tillverkar telefontråd. Deras bokförings - och verksamhetsperioder löper på ett kalenderår, så i slutet av året kan de sätta igång verksamheten före semestern och planera till början av ett nytt år. Det är dags för cheferna att förbereda och lämna in sina avtalsoperationsplaner till ledande befattningshavare så att de kan skapa en organisationsplan för det nya året. Försäljningsavdelningen är stressad ur sina sinnen. Efterfrågan på telefontråd var nere under 2015 och de allmänna ekonomiska uppgifterna tyder på en fortsatt nedgång i byggprojekt som kräver telefonledning. Bob, försäljningschefen, vet att ledande befattningshavare, styrelsen och intressenterna hoppas på en optimistisk försäljningsprognos, men han känner att industrins lågkonjunktur kryper upp bakom honom för att ta itu med honom. Efterfrågan på prognoser är metoden att prospektera kundens efterfrågan på ett bra eller en tjänst. Denna process är en kontinuerlig en där ledare använder historiska data för att beräkna vad de förväntar sig att efterfrågan på en vara eller tjänst ska vara. Bob använder information från företagets förflutna och lägger den till ekonomiska data från marknaden för att se om försäljningen kommer att växa eller minska. Bob använder resultaten av efterfrågan prognos för att sätta mål för försäljningsavdelningen, samtidigt som man försöker hålla sig i linje med företagets mål. Bob kommer att kunna utvärdera resultatet av försäljningsavdelningen nästa år för att bestämma hur hans prognos kom ut. Bob kan använda olika tekniker som är både kvalitativa och kvantitativa för att bestämma tillväxten eller nedgången i försäljningen. Exempel på kvalitativa tekniker är: Utbildade gissningar Prediktionsmarknad Spelteori Delphi-teknik Exempel på kvantitativa tekniker är: Extrapolering Data mining Orsaksmodeller Box-Jenkins-modeller Ovanstående listade exempel på efterfrågan prognostekniker är bara en kort lista över de möjligheter som Bob har som han praxis kräver efterfrågan. Denna lektion kommer att fokusera på ytterligare två kvantitativa tekniker som är enkla att använda och ger en objektiv och korrekt prognos. Flyttande medelformel Ett rörligt medelvärde är en teknik som beräknar den övergripande trenden i en dataset. I operationshanteringen är datamängden försäljningsvolymen från historiska data från företaget. Denna teknik är mycket användbar för prognoser för kortsiktiga trender. Det är helt enkelt genomsnittet för en vald uppsättning tidsperioder. Den kallas förflyttning eftersom det som ett nytt efterfråganummer beräknas för en kommande tidsperiod, faller det äldsta numret i uppsättningen och håller tidsperioden låst. Låt oss titta på ett exempel på hur försäljningschefen på ABC Inc. kommer att förutse efterfrågan med hjälp av den glidande medelformeln. Formeln illustreras enligt följande: Flyttande medelvärde (n1 n2 n3.) N Där n antalet tidsperioder i datasatsen. Summan av första tidsperioden och alla ytterligare tidsperioder som valts delas av antalet tidsperioder. Bob bestämmer sig för att skapa sin efterfrågan prognos baserat på ett 5 års glidande medelvärde. Det innebär att han kommer att använda försäljningsvolymen från de senaste 5 åren som data för beräkningen. Exponentiell utjämning Exponentiell utjämning är en teknik som använder en utjämningskonstant som en förutsägelse för framtida prognoser. När du använder ett antal i prognos som är ett genomsnitt, har det blivit jämna. Denna teknik tar historiska data från tidigare tidsperioder och tillämpade beräkningen för exponentiell utjämning för att prognostisera framtida data. I det här fallet kommer Bob också att tillämpa exponentiell utjämning för att jämföra mot tidigare beräkning av ett glidande medelvärde för att få en andra åsikt. Formeln för exponentiell utjämning är som följer. F (t) prognos för 2016 F (t-1) prognos för föregående år alfa utjämning konstant A (t-1) verklig försäljning från föregående år Utjämningskonstanten är en vikt som tillämpas på ekvationen baserat på hur mycket betoning företaget platser på de senaste uppgifterna. Utjämningskonstanten är ett tal mellan 0 och 1. En utjämningskonstant på 0,9 skulle indikera att ledningen lägger stor vikt vid de senaste tidsperioderna historiska försäljningsdata. En utjämningskonstant på 0,1 skulle signalera att hanteringen lägger mycket liten tonvikt på föregående tidsperiod. Valet av en utjämningskonstant är hit eller miss och kan modifieras eftersom mer data finns tillgänglig. Vi kommer att använda diagrammet ovanifrån med den historiska försäljningsvolymen för att beräkna exponentialutjämningsprognosen för 2016. Det finns en extra kolumn för att inkludera prognostiserad försäljningsvolym. Denna beräkning är en relativt effektiv formel och ganska korrekt jämfört med andra tekniker för efterfrågan. Lektion Sammanfattning Efterfrågan på prognoser är en viktig del av en planerad plan för framtida tidsperioder. Olika tekniker kan användas, både kvalitativa och kvantitativa, och ge olika uppsättningar data till chefer som de förutsätter efterfrågan, särskilt i försäljningsvolymen. De glidande medel - och exponentiella utjämningsteknikerna är båda rättvisa exempel på metoder som kan användas för att förutse efterfrågan. För att låsa upp den här lektionen måste du vara en studiemedlem. Skapa ditt konto Earning College Credit Visste du att vi har över 79 högskolekurser som förbereder dig för att tjäna krediter genom examen som accepteras av över 2.000 högskolor och universitet. Du kan testa ut de två första åren av college och spara tusentals av din examen. Vem som helst kan tjäna pengar genom examen oavsett ålder eller utbildningsnivå. Överföring av kredit till skolan efter eget val Inte säker på vilket universitet du vill delta i än Studien har tusentals artiklar om varje tänkbar examen, studieområde och karriärväg som kan hjälpa dig att hitta skolan som passar dig. Forskningsskolor, Högskolans karriärer Få den objektiva informationen du behöver för att hitta rätt skola. Bläddra Artiklar Enligt Kategori I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändras. Vid konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande genomsnittet. En längre observationsperiod kommer att medeltala effekterna av variationen. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring av den underliggande processen. För att illustrera föreslår vi en dataset som innehåller förändringar i underliggande medelvärden av tidsserierna. Figuren visar tidsserien som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades. Medelvärdet börjar som en konstant vid 10. Börjar vid tidpunkten 21, ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30. Sedan blir det konstant igen. Uppgifterna simuleras genom att lägga till i genomsnitt ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3. Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationer som används för exemplet. När vi använder bordet måste vi komma ihåg att vid varje given tidpunkt endast endast tidigare data är kända. Uppskattningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger av perioder. En slutsats framgår omedelbart av figuren. För alla tre uppskattningar ligger det rörliga genomsnittet bakom den linjära trenden, där fördröjningen ökar med m. Lagen är avståndet mellan modellen och uppskattningen i tidsdimensionen. På grund av fördröjningen underskattar det rörliga genomsnittet observationerna som medelvärdet ökar. Estimatorns förspänning är skillnaden vid en viss tidpunkt i modellens medelvärde och medelvärdet förutspått av det rörliga genomsnittet. Förspänningen när medelvärdet ökar är negativt. För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och den bias som införs i uppskattningen är funktionerna i m. Ju större värdet av m. desto större är storleken på fördröjning och förspänning. För en kontinuerligt ökande serie med trend a. värdena för fördröjning och förspänning av estimatorn för medelvärdet ges i ekvationerna nedan. Exemplet kurvorna stämmer inte överens med dessa ekvationer eftersom exemplet modellen inte ständigt ökar, utan det börjar som en konstant, ändras till en trend och blir sedan konstant igen. Även kurvorna påverkas av bruset. Den glidande genomsnittliga prognosen för perioder i framtiden representeras genom att man ändrar kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjningen och förspänningen av prognosperioder i framtiden jämfört med modellparametrarna. Återigen är dessa formler för en tidsserie med en konstant linjär trend. Vi borde inte bli förvånad över resultatet. Den glidande medelvärdesberäkaren baseras på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena till en modell, bör vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det rörliga genomsnittsvärdet på 5 än det glidande medlet på 20. Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer mottaglig för förändringar i medelvärdet. Felet är skillnaden mellan den faktiska data och det prognostiserade värdet. Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är brusets varians. Den första termen är medelvärdet av det medelvärde som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen inte svarande mot en förändring i underliggande tidsserier. För att prognosen ska kunna reagera på förändringar, vill vi ha m så liten som möjligt (1), men detta ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Prognoser med Excel Prognosen för prognoser implementerar de glidande medelformlerna. Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B. De första 10 observationerna indexeras -9 till 0. Jämfört med tabellen ovan förskjuts periodindex med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0. MA (10) kolumnen (C) visar de beräknade glidande medelvärdena. Den rörliga genomsnittsparametern m är i cell C3. Fore (1) kolumnen (D) visar en prognos för en period framåt. Prognosintervallet ligger i cell D3. När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen nedåt. Err-kolumnen (E) visar skillnaden mellan observationen och prognosen. Till exempel är observationen vid tidpunkten 1 6. Det prognostiserade värdet som gjorts från det glidande medlet vid tidpunkten 0 är 11,1. Felet är då -5,1. Standardavvikelsen och genomsnittlig avvikelse (MAD) beräknas i cellerna E6 respektive E7. Vägde rörliga medelprognosmetoder: Fördelar och nackdelar Hej, ÄLSKAR din inlägg. Undrade om du kunde utveckla vidare. Vi använder SAP. I det finns ett urval som du kan välja innan du kör din prognos som kallas initialisering. Om du markerar det här alternativet får du ett prognosresultat, om du kör prognos igen, under samma period och inte kontrollerar initieringen ändras resultatet. Jag kan inte ta reda på vad den här initialiseringen gör. Jag menar matematiskt. Vilket prognosresultat är bäst att spara och använda till exempel. Förändringarna mellan de två är inte i den prognostiserade kvantiteten men i MAD och Error, säkerhetslager och ROP-kvantiteter. Inte säker på om du använder SAP. hej tack för att du förklarade så effektivt det var för gd. tack igen Jaspreet Lämna ett svar Avbryt svar Om Shmula Pete Abilla är grundaren av Shmula och karaktären, Kanban Cody. Han har hjälpt företag som Amazon, Zappos, eBay, Backcountry och andra att minska kostnaderna och förbättra kundupplevelsen. Han gör det genom en systematisk metod för att identifiera smärtpunkter som påverkar kunden och verksamheten och uppmuntrar ett brett deltagande från företagets intresseföretag för att förbättra sina egna processer. Den här webbplatsen är en samling av sina erfarenheter som han vill dela med dig. Kom igång med gratis nedladdningar
No comments:
Post a Comment