Beispiel Of Moving Average Prognose

ODER-Notizen sind eine Reihe von einleitenden Notizen zu Themen, die unter die breite Überschrift des Feldes der Operationsforschung fallen. ODER Sie wurden ursprünglich von mir in einem einleitenden ODER-Kurs verwendet, den ich im Imperial College gebe. Sie sind jetzt für den Einsatz von Schülern und Lehrer, die sich für ODER unter den folgenden Bedingungen interessieren. Eine vollständige Liste der Themen, die in OR-Notes verfügbar sind, finden Sie hier. Forecasting Beispiele. Forecasting Beispiel 1996 UG Prüfung. Die Nachfrage nach einem Produkt in jedem der letzten fünf Monate ist unten gezeigt. Verwenden Sie einen zweimonatigen gleitenden Durchschnitt, um eine Prognose für die Nachfrage im Monat zu generieren 6.Apply exponentielle Glättung mit einer Glättungskonstante von 0 9, um eine Prognose für Nachfrage nach Nachfrage im Monat zu generieren 6.Welche von diesen beiden Prognosen bevorzugen Sie und warum. Die zwei Monate gleitenden Durchschnitt für die Monate zwei bis fünf ist gegeben durch. Die Prognose für den Monat sechs ist nur der gleitende Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 5 m 5 2350.Applying exponentielle Glättung mit einer Glättung Konstante von 0 9 wir bekommen. As vor der Prognose für Monat sechs ist nur der Durchschnitt für Monat 5 M 5 2386.Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung MSD Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt. MSD 15 - 19 18 - 23 21 - 24 3 16 67.und für den exponentiell geglätteten Mittelwert mit einer Glättungskonstante von 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44.Geben wir dann Sehen, dass exponentielle Glättung scheint, die besten einen Monat voraus Prognosen zu geben, da es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 2386, die durch exponentielle Glättung produziert wurde. Forecasting Beispiel 1994 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einem neuen Aftershave In einem Geschäft für jeden der letzten 7 Monate. Calculate ein zwei Monate gleitenden Durchschnitt für Monate zwei bis sieben Was wäre Ihre Prognose für die Nachfrage im Monat acht. Apply exponentielle Glättung mit einer Glättung Konstante von 0 1, um eine Prognose für die Nachfrage im Monat acht. Welche der beiden Prognosen für Monat acht tun yo Ich bevorzuge und warum der Ladenbesitzer glaubt, dass die Kunden auf diese neue Aftershave von anderen Marken wechseln Diskutieren Sie, wie Sie dieses Schaltverhalten modellieren und die Daten angeben, die Sie benötigen, um zu bestätigen, ob diese Umschaltung stattfindet oder nicht. Die zwei Monate bewegen Durchschnitt für Monate zwei bis sieben ist gegeben durch. Die Prognose für Monat acht ist nur der gleitende Durchschnitt für den Monat vor, dass dh die gleitenden Durchschnitt für Monat 7 m 7 46.Applying exponentielle Glättung mit einer Glättung Konstante von 0 1 wir bekommen. As Vor der Prognose für den Monat acht ist nur der Durchschnitt für den Monat 7 M 7 31 11 31, da wir nicht fraktionale Nachfrage haben können. Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung MSD Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt Für die exponentiell geglätteten Durchschnitt mit einer Glättung Konstante von 0 1.Overall dann sehen wir, dass die zwei Monate gleitenden Durchschnitt scheint die besten einen Monat voraus Prognosen geben, da es eine niedrigere MSD Daher haben wir die Prognose o F 46, die durch den zweimonatigen gleitenden Durchschnitt produziert wurde. Um das Umschalten zu untersuchen, müssten wir ein Markov-Prozessmodell verwenden, wo Staatenmarken und wir benötigten Ausgangsstatusinformationen und Kundenumschaltwahrscheinlichkeiten aus Umfragen benötigen. Wir müssten das Modell ausführen Historische Daten zu sehen, ob wir eine Passform zwischen dem Modell und historischen Verhalten haben. Forecasting Beispiel 1992 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Rasiermesser in einem Geschäft für jeden der letzten neun Monate. Kalkulieren Sie eine dreimonatige Bewegung Durchschnitt für Monate drei bis neun Was wäre Ihre Prognose für die Nachfrage in Monat zehn. Apply exponentielle Glättung mit einer Glättung Konstante von 0 3, um eine Prognose für die Nachfrage im Monat zehn. Welche der beiden Prognosen für Monat zehn bevorzugen Sie bevorzugen Und warum. Die dreimonatigen gleitenden Durchschnitt für die Monate 3 bis 9 ist gegeben durch. Die Prognose für Monat 10 ist nur der gleitende Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 9 m 9 20 33.Hehr wie wir nicht haben können Fraktionale Nachfrage die Prognose für Monat 10 ist 20.Applying exponentielle Glättung mit einer Glättung Konstante von 0 3 wir bekommen. As vor der Prognose für Monat 10 ist nur der Durchschnitt für Monat 9 M 9 18 57 19 wie wir können nicht fraktionale Nachfrage. To Vergleichen Sie die beiden Prognosen berechnen wir die mittlere quadratische Abweichung MSD Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt. und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0 3.Overall dann sehen wir, dass der dreimonatige gleitende Durchschnitt zu geben scheint Die besten einen Monat voraus Prognosen, wie es eine niedrigere MSD hat Daher bevorzugen wir die Prognose von 20, die von der dreimonatigen gleitenden Durchschnitt produziert wurde. Forecasting Beispiel 1991 UG Prüfung. Die untenstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Faxgerät in Ein Kaufhaus in jedem der letzten zwölf Monate. Kalkulieren Sie die vier Monate gleitenden Durchschnitt für Monate 4 bis 12 Was wäre Ihre Prognose für die Nachfrage im Monat 13.Apply exponentielle Glättung mit einer Glättung Konstante von 0 2 zu deri Haben eine Prognose für die Nachfrage im Monat 13.Welche der beiden Prognosen für den Monat 13 bevorzugen Sie und warum. Welche anderen Faktoren, die nicht in den oben genannten Berechnungen berücksichtigt werden, könnte die Nachfrage nach dem Faxgerät im Monat 13 beeinflussen. Die vier Monate bewegen Durchschnittlich für die Monate 4 bis 12 ist gegeben durch. 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.Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für die Monat vor, dass dh der gleitende Durchschnitt für Monat 12 m 12 46 25.Wie können wir nicht fraktionale Nachfrage die Prognose für Monat 13 ist 46.Applying exponentielle Glättung mit einer Glättung Konstante von 0 2 Wir bekommen. As vor der Prognose für Monat 13 Ist nur der Durchschnitt für den Monat 12 M 12 38 618 39, da wir keine fraktionale Nachfrage haben können. Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung MSD. Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt. und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0 2.Overall dann sehen wir, dass der viermonatige gleitende Durchschnitt scheint den besten einen Monat voraus Prognosen zu geben, da es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46 das war Produziert durch die vier Monate gleitenden Durchschnitt. Seasonal Nachfrage. Preis Änderungen, sowohl diese Marke und andere Marken. soßen wirtschaftliche Situation. new technology. Forecasting Beispiel 1989 UG Prüfung. Die Tabelle unten zeigt die Nachfrage nach einer bestimmten Marke von Mikrowellenherd in einer Abteilung Speichern in jedem der letzten zwölf Monate. Kalkulieren Sie einen sechsmonatigen gleitenden Durchschnitt für jeden Monat Was wäre Ihre Prognose für die Nachfrage im Monat 13.Apply exponentielle Glättung mit einer Glättung Konstante von 0 7, um eine Prognose für die Nachfrage im Monat 13 ableiten. Welche von den beiden Prognosen für den Monat 13 bevorzugen Sie und warum. Nun können wir nicht berechnen, ein sechs Monate gleitenden Durchschnitt, bis wir mindestens 6 Beobachtungen haben - dh wir können nur berechnen, wie ein Durchschnitt von Monat 6 an Henc E Wir haben. 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.Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für die Monat vor, dass dh der gleitende Durchschnitt für Monat 12 m 12 38 17.Hena, da wir nicht fraktionale Nachfrage die Prognose für den Monat 13 ist 38.Applying exponentielle Glättung mit einer Glättung Konstante von 0 7 Wir bekommen. In der Praxis der gleitende Durchschnitt bieten wird Eine gute Schätzung des Mittelwertes der Zeitreihen, wenn der Mittelwert konstant oder langsam verändert ist. Im Falle eines konstanten Mittels wird der größte Wert von m die besten Schätzungen des zugrunde liegenden Mittels geben. Eine längere Beobachtungsperiode wird die Auswirkungen von Variabilität. Der Zweck der Bereitstellung einer kleineren m ist es, die Prognose auf eine Änderung in der zugrunde liegenden Prozess zu reagieren Um zu veranschaulichen, schlagen wir einen Datensatz, der Änderungen in der zugrunde liegenden m enthält Ean der Zeitreihe Die Figur zeigt die Zeitreihen, die für die Illustration verwendet wurden, zusammen mit der mittleren Nachfrage, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als Konstante bei 10 Ab der Zeit 21 steigt er in jeder Periode um eine Einheit, bis er die Wert von 20 zur Zeit 30 Dann wird es wieder konstant Die Daten werden durch Hinzufügen zum Mittelwert, ein zufälliges Rauschen aus einer Normalverteilung mit Nullmittelwert und Standardabweichung 3 simuliert. Die Ergebnisse der Simulation werden auf die nächste Ganzzahl gerundet. Die Tabelle zeigt Die simulierten Beobachtungen, die für das Beispiel verwendet werden Wenn wir die Tabelle verwenden, müssen wir uns daran erinnern, dass zu irgendeiner Zeit nur die vergangenen Daten bekannt sind. Die Schätzungen des Modellparameters, für drei verschiedene Werte von m werden zusammen mit dem Mittelwert von angezeigt Die Zeitreihen in der folgenden Abbildung Die Figur zeigt die gleitende durchschnittliche Schätzung des Mittelwertes zu jeder Zeit und nicht die Prognose Die Prognosen würden die gleitenden Mittelkurven nach Perioden nach rechts verschieben. Eine Schlussfolgerung ist sofort Aus der Figur ersichtlich Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend zurück, wobei die Verzögerung mit m ansteigt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Aufgrund der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen Da der Mittelwert zunimmt Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und der Mittelwert, der durch den gleitenden Durchschnitt vorhergesagt wird. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ Für einen abnehmenden Mittelwert ist die Vorspannung Positiv Die Verzögerung in der Zeit und die Vorspannung, die in der Schätzung eingeführt werden, sind Funktionen von m Je größer der Wert von m, desto größer ist die Größe der Verzögerung und der Vorspannung. Für eine stetig ansteigende Reihe mit dem Trend a die Werte der Verzögerung und der Vorspannung des Schätzers der Mittelwert ist in den folgenden Gleichungen gegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, weil das Beispielmodell nicht kontinuierlich zunimmt, sondern es beginnt als Konstante, ändert sich zu einem Trend und dann Omes konstant wieder Auch die Beispielkurven werden durch das Rauschen beeinflusst. Die gleitende durchschnittliche Prognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Vorspannung steigen proportional Die nachstehenden Gleichungen geben die Verzögerung und die Vorspannung einer Prognoseperiode an Die Zukunft im Vergleich zu den Modellparametern Wiederum sind diese Formeln für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten nicht über dieses Ergebnis überrascht werden Der gleitende durchschnittliche Schätzer basiert auf der Annahme eines konstanten Mittels und das Beispiel hat eine Lineare Tendenz im Mittel während eines Teils der Studienperiode Da Realzeitreihen selten die Annahmen eines Modells genau befolgen werden, sollten wir für solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Lärms am größten ist Wirkung für kleinere m Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20 Wir haben die widersprüchlichen Wünsche zu erhöhen m, um die Wirkung zu reduzieren o F Variabilität aufgrund des Rauschens und um m zu reduzieren, um die Prognose besser auf Veränderungen im Mittel zu verweisen. Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert Wenn die Zeitreihe wirklich ein konstanter Wert der erwartete Wert des Fehlers ist Ist Null und die Varianz des Fehlers besteht aus einem Begriff, der eine Funktion und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes, der mit einer Probe von m Beobachtungen geschätzt wird, wobei die Daten angenommen werden Stammt aus einer Population mit einem konstanten Mittelwert Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Eine große m macht die Prognose nicht mehr auf eine Veränderung der zugrunde liegenden Zeitreihe reagieren Um die Prognose auf Veränderungen zu reagieren, wollen wir m so klein wie möglich 1 , Aber dies erhöht die Fehlerabweichung Die praktische Prognose erfordert einen Zwischenwert. Forecasting mit Excel. Das Prognose-Add-In implementiert die gleitenden durchschnittlichen Formeln Das folgende Beispiel zeigt die Analyse, die durch das Add-In f bereitgestellt wird Oder die Beispieldaten in Spalte B Die ersten 10 Beobachtungen sind indiziert -9 bis 0. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um das Bewegen zu berechnen Durchschnitt für Periode 0 Die MA 10 Spalte C zeigt die berechneten Bewegungsdurchschnitte Der gleitende Mittelwert m ist in Zelle C3 Die Spalte Fore 1 zeigt eine Prognose für einen Zeitraum in die Zukunft Das Prognoseintervall befindet sich in Zelle D3 Wenn das Prognoseintervall geändert wird Zu einer größeren Zahl werden die Zahlen in der Spalte Fore nach unten verschoben. Die Err 1 Spalte E zeigt den Unterschied zwischen der Beobachtung und der Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 6 Der prognostizierte Wert aus dem gleitenden Durchschnitt zum Zeitpunkt 0 ist 11 1 Der Fehler ist dann -5 1 Die Standardabweichung und die mittlere mittlere Abweichung MAD werden in den Zellen E6 bzw. E7 berechnet. Forecasting beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, das einem fu entspricht Vorhersage Es ist absolut notwendig, kurzfristige und weitreichende Planung Nach Definition ist eine Prognose auf vergangene Daten basiert, im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut fühlen oder erraten Abendnachrichten gibt die Wettervorhersage nicht die Wettervorhersage Unabhängig davon werden die Begriffe Prognose und Vorhersage häufig inter-changeable verwendet. Beispielsweise definieren Definitionen der Regression eine Technik, die manchmal bei der Prognose verwendet wird, in der Regel, dass ihr Zweck es ist, zu erklären oder vorherzusagen. Forecasting basiert auf Eine Reihe von Annahmen. Die Vergangenheit wird sich wiederholen Mit anderen Worten, was in der Vergangenheit passiert ist, wird in der Zukunft wieder passieren. Wenn der Prognosehorizont verkürzt, prognostizierte Genauigkeitssteigerungen Zum Beispiel wird eine Prognose für morgen genauer als eine Prognose sein Für den nächsten Monat wird eine Prognose für den nächsten Monat genauer sein als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer sein als eine Prognose für zehn Jahre in der Future. Forecasting in der Aggregate ist genauer als die Prognose einzelner Posten Dies bedeutet, dass ein Unternehmen in der Lage sein wird, die Gesamtnachfrage über sein gesamtes Produktspektrum genauer zu prognostizieren, als es in der Lage sein wird, einzelne Lagerbestände vorzusehen. SKUs Zum Beispiel General Motoren können die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren, als die Gesamtzahl der weißen Chevrolet-Impalas mit einem bestimmten Optionspaket. Forecasts sind selten genau. Darüber hinaus sind die Prognosen fast nie völlig genau, während einige sehr nahe sind, sind wenige direkt an Das Geld Daher ist es ratsam, eine Prognose-Strecke anzubieten Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es äußerst unwahrscheinlich, dass die Nachfrage 100.000 genau ausmachen würde. Allerdings würde eine Prognose von 90.000 bis 110.000 eine viel größere liefern Ziel für die Planung. William J Stevenson listet eine Reihe von Merkmalen, die gemeinsam für eine gute Prognose sind. Es muss ein gewisses Maß an Genauigkeit sein Festgestellt und angegeben, so dass Vergleich zu alternativen Prognosen gemacht werden kann. Die Vorhersage Methode sollte konsequent eine gute Prognose, wenn der Benutzer ist, um ein gewisses Maß an Vertrauen zu etablieren. Es ist ein gewisses Maß an Zeit erforderlich, um auf die Prognose so die Prognose zu reagieren Horizont muss für die Zeit notwendig, um Änderungen vorzunehmen. Einfach zu bedienen und zu verstehen, Benutzer der Prognose muss sicher und komfortabel mit ihm zu arbeiten. Kosten-effektiv die Kosten für die Prognose sollte nicht überwiegen die Vorteile aus der Prognose erhalten. Forecasting-Techniken Reichen von der einfachen bis zu den extrem komplexen Diese Techniken werden in der Regel als qualitativ oder quantitativ eingestuft. QUALITATIVE TECHNIKEN. Qualitative Prognose Techniken sind in der Regel mehr subjektiv als ihre quantitativen Pendants Qualitative Techniken sind in den früheren Stadien des Produktlebenszyklus nützlicher, wenn weniger Vergangene Daten existieren zur Verwendung in quantitativen Methoden Qualitative Methoden inkl Ude die Delphi-Technik, Nominal Group Technique NGT, Außendienst Stellungnahmen, Exekutivkommentare und Marktforschung. THE DELPHI TECHNIK. Die Delphi-Technik nutzt ein Expertengremium, um eine Prognose zu erstellen Jeder Experte wird gebeten, eine Prognose für die Notwendigkeit zu liefern Hand Nachdem die anfänglichen Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schrieb und natürlich von seinen Ansichten beeinflusst wird. Eine nachfolgende Prognose wird dann von jedem Experten gemacht. Jeder Experte liest dann wieder, was jeder andere Experte geschrieben hat und wieder beeinflusst wird Die Wahrnehmung der anderen Dieser Vorgang wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder die Zahlen hat. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet, nachdem die Teilnehmer reagieren Prognose-bezogene Fragen, sie rangieren ihre Antworten in der Reihenfolge der wahrgenommenen relativen Bedeutung Dann werden die Ranglisten gesammelt und aggregiert Ly sollte die Gruppe einen Konsens über die Prioritäten der geordneten Ausgaben erreichen. SALES FORCE STELLUNGNAHMEN. Die Vertriebsmitarbeiter sind oft eine gute Quelle für Informationen über zukünftige Nachfrage Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter nach Input fragen und seine Antworten zusammenfassen Ein Außendienst Composite-Prognose Vorsicht sollte bei der Verwendung dieser Technik ausgeübt werden, da die Mitglieder der Außendienst nicht in der Lage sein zu unterscheiden, was Kunden sagen, und was sie tatsächlich tun Auch, wenn die Prognosen verwendet werden, um Verkaufsquoten, den Umsatz zu etablieren Kraft kann versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Sometimes Oberstufen Manager treffen und entwickeln Prognosen auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche Dies wird manchmal als eine Jury der Exekutive Meinung. MARKET FORSCHUNG. In Marktforschung, Verbraucher Umfragen werden verwendet, um potenzielle Nachfrage zu etablieren Diese Marketing-Forschung beinhaltet in der Regel den Aufbau eines Fragebogens, die persönliche, demographische, Ökonomische und Marketing-Informationen Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher Geschmack genießen, fühlen, riechen und ein bestimmtes Produkt sehen kann. Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ ist Des gewünschten Konsumentenziels. QUANTITATIVE TECHNIKEN. Quantitative Prognosetechniken sind in der Regel objektiver als ihre qualitativen Gegenstücke Quantitative Prognosen können Zeitreihenprognosen sein, dh eine Projektion der Vergangenheit in die Zukunft oder Prognosen auf der Grundlage assoziativer Modelle, dh auf der Grundlage einer oder mehrerer Erklärungsvariablen Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Unter den Mustern sind. Trends, die sind Langzeit-Bewegungen nach oben oder unten in den Daten. Seasonality, die kurzfristige var produziert Iationen, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie die Einzelhandelsumsätze zu Weihnachten oder die Spikes in Bankaktivitäten am ersten des Monats und freitags gesehen werden. Cycles, die wavelike Variationen dauern mehr Als ein Jahr, das gewöhnlich an ökonomische oder politische Bedingungen gebunden ist. Irreguläre Variationen, die nicht typisches Verhalten widerspiegeln, wie z. B. eine Periode des extremen Wetters oder eines Gewerkschaftsstreiks. Random-Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von dem anderen berücksichtigt werden Klassifikationen. Mit den Zeitreihenmodellen, ist die einfachste die na ve Prognose Eine na ve Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für die nächste Periode Dies ist natürlich die Annahme, dass die Vergangenheit wird wiederholen Es geht auch davon aus, dass irgendwelche Trends, Saisonalität oder Zyklen sich entweder in der vorherigen Periode s Nachfrage oder nicht existieren Ein Beispiel für na ve Prognose ist in Tabelle 1 dargestellt. Tabelle 1 Na ve Forecasting. Anothe R einfache Technik ist die Verwendung von Mittelung Um eine Prognose mit Mittelung zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summierung jeder Periode und dividiert das Ergebnis durch die Anzahl der Perioden Diese Technik hat sich als sehr effektiv erwiesen Für die kurzfristige PrognoseVariationen der Mittelung sind der gleitende Durchschnitt, der gewichtete Durchschnitt und der gewichtete gleitende Durchschnitt Ein gleitender Durchschnitt nimmt eine vorgegebene Anzahl von Perioden, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der Perioden, um eine Prognose für zu erreichen Jede nachträgliche Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Unter der Annahme eines dreimonatigen gleitenden Durchschnitts und unter Verwendung der Daten aus Tabelle 1 würde man einfach den 45. Januar, den 60. Februar und den 72. März hinzufügen und durch drei teilen Kommen Sie zu einer Prognose für April 45 60 72 177 3 59.Um eine Prognose für Mai zu erreichen, würde man die Januar-Nachfrage aus der Gleichung fallen lassen und die Nachfrage ab April hinzufügen. Tabelle 2 zeigt ein Beispiel für einen Drei-Mont H gleitende durchschnittliche prognose. Tabelle 2 Drei Monate bewegte durchschnittliche prognose. Aktuale Nachfrage 000 sA gewichteten durchschnittlich gilt ein vorbestimmtes Gewicht zu jedem Monat von vergangenen Daten, summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte Wenn der Prognostiker passt Die Gewichte so, dass ihre Summe gleich 1 ist, dann werden die Gewichte mit dem tatsächlichen Bedarf jeder anwendbaren Periode multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erzielen. In der Regel sind die neueren Daten um so höher das Gewicht und je älter die Daten je kleiner das Gewicht Mit dem Bedarfsbeispiel würde ein gewichteter Durchschnitt mit Gewichten von 4 3 2 und 1 die Prognose für Juni als 60 1 72 2 58 3 40 4 53 ergeben. 8.Forecasters können auch eine Kombination des gewichteten Durchschnitts verwenden Und gleitende durchschnittliche Prognosen Eine gewichtete gleitende Durchschnittsprognose weist Gewichte auf eine vorgegebene Anzahl von Perioden von tatsächlichen Daten zu und berechnet die Prognose auf die gleiche Weise wie oben beschrieben Wie bei allen bewegenden Prognosen, wie jede neue Periode ist Fügte hinzu, die Daten aus der ältesten Periode werden verworfen Tabelle 3 zeigt eine dreimonatige gewichtete gleitende Durchschnittsprognose unter Verwendung der Gewichte 5 3 und 2.Tabelle 3 Drei Monate gewichtete bewegliche durchschnittliche Prognose. Aktuelle Nachfrage 000 sA komplexere Form des gewichteten gleitenden Durchschnitts Ist eine exponentielle Glättung, so genannt, weil das Gewicht exponentiell abfällt, da die Datenperioden Exponentielle Glättung die vorherige Periode s prognostiziert und sie durch eine vorgegebene Glättungskonstante anpasst, wobei der Alpha-Wert für Alpha kleiner als eins ist, multipliziert mit dem Unterschied im vorherigen Prognose und die Nachfrage, die tatsächlich während des vorher prognostizierten Zeitraums als Prognosefehler aufgetreten ist Exponentielle Glättung wird formelhaft ausgedrückt als solche Neue Prognose vorherige Prognose Alpha-Ist-Nachfrage vorherige Prognose FFA F. Exponentielle Glättung erfordert, dass der Prognostiker die Prognose in einer vergangenen Periode beginnt und vorwärts geht Zu dem Zeitraum, für den eine aktuelle Prognose benötigt wird Eine erhebliche Menge an Vergangenheit dat A und ein Anfang oder eine anfängliche Prognose sind auch notwendig Die anfängliche Prognose kann eine tatsächliche Prognose aus einer vorherigen Periode sein, die tatsächliche Nachfrage aus einer vorherigen Periode, oder sie kann durch die Mittelung der gesamten oder eines Teils der vergangenen Daten geschätzt werden. Einige Heuristiken existieren für die Berechnung Eine anfängliche Prognose Zum Beispiel würde die Heuristik N 2 1 und ein Alpha von 5 ein N von 3 ergeben, was anzeigt, dass der Benutzer die ersten drei Datenperioden durchschnittlich für eine erste Prognose beurteilen würde. Allerdings ist die Genauigkeit der anfänglichen Prognose nicht kritisch Wenn man große Mengen an Daten verwendet, da die exponentielle Glättung selbstkorrigiert ist. Bei genügend Perioden vergangener Daten wird die exponentielle Glättung schließlich genügend Korrekturen vornehmen, um eine vernünftig ungenaue Anfangsprognose zu kompensieren. Die Verwendung der in anderen Beispielen verwendeten Daten, eine anfängliche Prognose von 50, und ein Alpha von 7, wird eine Prognose für Februar berechnet als solche Neue Prognose Februar 50 7 45 50 41 5.Next, die Prognose für März Neue Prognose März 41 5 7 60 41 5 54 45 Th Wird der Prozess fortgesetzt, bis der Prognostiker die gewünschte Periode erreicht. In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage nach Juni nicht bekannt ist. Spezifische Nachfrage 000 s. Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihen-Daten Zeigt einen linearen Trend Diese Methode ist bekannt durch mehrere Namen doppelte Glättung Trend-angepasst exponentielle Glättung Vorhersage einschließlich Trend FIT und Holt s Modell Ohne Anpassung, einfache exponentielle Glättung Ergebnisse wird den Trend verzögern, das heißt, die Prognose wird immer niedrig sein, wenn der Trend Steigt oder hoch, wenn der Trend abnimmt Mit diesem Modell gibt es zwei Glättungskonstanten und mit der Darstellung der Trendkomponente. Eine Erweiterung des Holt-Modells, genannt Holt-Winter-Methode, berücksichtigt sowohl Trend als auch Saisonalität Es gibt zwei Versionen, multiplikativ und additiv, wobei das Multiplikator am weitesten verbreitet ist. In der additiven Modell wird die Saisonalität als eine Menge ausgedrückt, die hinzugefügt oder subtrahiert werden soll Serien-Durchschnitt Das multiplikative Modell drückt Saisonalität als Prozentsatz aus, der als saisonale Verwandten oder saisonale Indizes des Durchschnitts oder Tendenzes bekannt ist. Diese werden dann multipliziert mit den Werten, um die Saisonalität zu berücksichtigen. Ein Verwandter von 0 8 würde eine Nachfrage von 80 Prozent des Durchschnitts anzeigen 1 10 würde die Nachfrage, die 10 Prozent über dem Durchschnitt Detaillierte Informationen über diese Methode finden Sie in den meisten Operationen Management Lehrbücher oder einer von einer Reihe von Büchern über die Prognose gefunden werden. Associative oder Kausal Techniken beinhalten die Identifizierung von Variablen, die verwendet werden können, um vorherzusagen Eine andere Variable von Interesse Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu prognostizieren. In der Regel handelt es sich dabei um die Verwendung einer linearen Regression, bei der es darum geht, eine Gleichung zu entwickeln, die die Effekte der prädiktorunabhängigen Variablen auf die prognostizierten Abhängigkeiten zusammenfasst Variable Wenn die Prädiktorvariable aufgetragen wurde, wäre das Objekt zu erhalten Eine Gleichung einer Geraden, die die Summe der quadrierten Abweichungen von der Linie mit Abweichung minimiert, die der Abstand von jedem Punkt zur Linie ist. Die Gleichung würde als ya bx erscheinen, wobei y die vorhergesagte abhängige Variable ist, x die prädiktorunabhängige Variable ist , B ist die Steigung der Linie und a ist gleich der Höhe der Linie am y-Intercept Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die prädiktorunabhängige Variable einfügen, um zu einer prognostizierten abhängigen Variablen zu gelangen Gibt es mehr als eine Prädiktorvariable oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, wird eine einfache lineare Regression unzureichend sein. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nichtlineare Beziehungen die Verwendung einer krummlinigen Regression fordern. ECONOMETRIC FORECASTING. Econometric Methoden, wie autoregressive integrierte Moving-Average-Modell ARIMA, verwenden komplexe mathematische Gleichungen, um vergangene Beziehungen zu zeigen Zwischen Nachfrage und Variablen, die die Nachfrage beeinflussen Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es so zuverlässig ist, dass eine Darstellung der bisherigen Beziehung möglich ist. Sobald dies geschehen ist, werden die projizierten Werte der Einflussgrößen Einkommen, Preise usw Werden in die Gleichung eingefügt, um eine Prognose zu machen. EVALUIERENDE FORECASTS. Forecast Genauigkeit kann bestimmt werden, indem man die Vorspannung, die mittlere absolute Abweichung MAD, den mittleren quadratischen Fehler MSE oder den mittleren absoluten Prozentfehler MAPE für die Prognose mit unterschiedlichen Werten für alpha Bias berechnet Summe der Prognosefehler FE Für das oben erwähnte exponentielle Glättungsbeispiel würde die berechnete Vorspannung 60 41 5 72 54 45 58 66 74 40 60 62 6 69.Wenn man annimmt, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, könnte man berechnen Die Vorspannung für eine Reihe von potenziellen Werten von Alpha und davon ausgehen, dass die mit der niedrigsten Bias wäre die genaueste Allerdings ist Vorsicht zu beachten, dass wild ungenaue Prognosen können a Niedrige Bias, wenn sie neigen dazu, sowohl über Prognose und unter Prognose negativ und positiv Zum Beispiel, über drei Perioden kann ein Unternehmen einen bestimmten Wert von Alpha bis über Prognose von 75.000 Einheiten 75.000, unter Prognose von 100.000 Einheiten 100.000 und dann über Prognose verwenden Um 25.000 Einheiten 25.000, was eine Vorspannung von null 75.000 100.000 25.000 0 ergibt. Im Vergleich dazu würde ein weiteres Alpha, das sich über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten ergibt, zu einer Vorspannung von 5.000 Einheiten führen. Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, Das erste Alpha würde Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Bias in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist das Mittelwert absolut Abweichung MAD Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann durch die Anzahl der Prognosen FE N ab. Mit dem Absolutwert der Prognosefehler wird die Ausgleichung von p Ositive und negative Werte werden vermieden Damit bedeutet dies, dass sowohl eine Überprognose von 50 als auch eine unterprognose von 50 ausgeschaltet sind. 50 Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Daher ist der Prognostiker im Durchschnitt 16 35 Einheiten pro Prognose aus. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Mean quadratische Fehler MSE Kann auch in der gleichen Weise verwendet werden MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 FE N-1 Das Quadrieren der Prognosefehler beseitigt die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann Wie oben, wäre die MSE 18 5 17 55 8 74 20 62 3 383 94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die mit verschiedenen Alpha-Werten abgeleitet werden und davon ausgehen, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert. Das mea N absoluter Prozentfehler MAPE ist der durchschnittliche absolute Prozentfehler Um zum MAPE zu gelangen, muss man die Summe der Verhältnisse zwischen dem Prognosefehler und den tatsächlichen Bedarfszeiten 100 nehmen, um den Prozentsatz zu erhalten und durch N zu trennen Tatsächliche Nachfrageprognose Tatsächliche Nachfrage 100 N Verwendung der Daten Aus dem exponentiellen Glättungsbeispiel kann MAPE wie folgt berechnet werden: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Wie bei MAD und MSE, je niedriger der relative Fehler ist, desto genauer ist die Prognose In einigen Fällen wird die Fähigkeit der Prognose, sich schnell zu ändern, um auf Veränderungen in den Datenmustern zu reagieren, als wichtiger als die Genauigkeit angesehen. Daher sollte eine Auswahl von Prognosemethoden die relative Balance zwischen Wichtigkeit und Reaktionsfähigkeit, wie sie von der Prognose. MAKING A FORECAST. William J Stevenson listet die folgenden als die grundlegenden Schritte in der Prognose Prozess. Determine der Prognose s Zweck Faktoren wie wie und wann die Prognose verwendet wird , Der Grad der Genauigkeit benötigt, und die Höhe der Details gewünscht bestimmen die Kosten Zeit, Geld, Mitarbeiter, die auf die Prognose gewidmet werden können und die Art der Prognose Methode genutzt werden. Erstellen Sie einen Zeithorizont Dies geschieht, nachdem man den Zweck bestimmt hat Der Prognose Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik Die gewählte Technik hängt vom Zweck der Prognose, dem gewünschten Zeithorizont und den erlaubten Kosten ab. Daten erfassen und analysieren Betrag und Art der benötigten Daten unterliegt dem Ziel der Prognose, der gewählten Prognosemethode und allen Kostenüberlegungen. Machen Sie die Prognose. Monitor die Prognose Bewerten Sie die Leistung der Prognose und ändern Sie, falls nötig. FURTHER READING. Finch, Byron J Operations jetzt Profitabilität, Prozesse, Performance 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Ökonometrische Analyse 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr. Marion Die Nominal-Gruppe-Technik Der Forschungsprozess verfügbar von. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Sie lesen Artikel über Forecasting aus Wikipedia.