Yksinkertainen Liikkuvan Keskiarvon Ennuste Esimerkki

Yksinkertainen liikkuva keskiarvo - SMA. BREAKING DOWN Yksinkertainen liikkuva keskiarvo - SMA. A yksinkertainen liukuva keskiarvo on muokattavissa, koska se voidaan laskea eri määräaikaa yksinkertaisesti lisäämällä sulkemisen hinta vakuuden useita aikavälejä ja sitten jakamalla tämä kokonaissumma ajanjaksojen lukumäärän mukaan, mikä antaa arvopaperin keskimääräisen hinnan ajanjaksolla Yksinkertainen liukuva keskiarvo tasoittaa volatiliteettia ja helpottaa tietoturvan hintatrendin tarkastelua Jos yksinkertainen liukuva keskiarvo osoittaa , tämä tarkoittaa sitä, että tietoturvan hinta nousee Jos se osoittaa alaspäin, se merkitsee sitä, että tietoturvan hinta laskee. Mitä kauemmin liikkuvan keskiarvon aikataulu on, sitä helpompi on yksinkertainen liukuva keskiarvo. Lyhyen aikavälin liukuva keskiarvo on epävakaampi, mutta sen lukeminen on lähempänä lähdedataa. Analyyttinen merkitys. Muuttivat keskiarvot ovat tärkeä analyysityökalu, jota käytetään tunnistamaan nykyiset hintakehitykset ja mahdolliset muutokset n Yksinkertaisin tapa käyttää yksinkertaista liikkumavälinettä analyysissä on se, että se tunnistaa nopeasti, onko suojaus nousussa tai laskussa. Toinen suosittu, vaikkakin hieman monimutkaisempi analyyttinen työkalu on vertailla pari yksinkertaista liikkuvaa keskiarvoa kutakin eri pintaa vastaan aikakehykset Jos lyhyen aikavälin yksinkertainen liukuva keskiarvo on pidemmän aikavälin keskiarvon yläpuolella, odotetaan nousevan. Toisaalta lyhytaikaisen keskiarvon yläpuolella oleva pitkän aikavälin keskiarvo merkitsee trendin alaspäin suuntautuvaa kehitystä. Popular Trading Patterns. Kaksi suosittua kaupankäyntimallia, jotka käyttävät yksinkertaisia ​​liikkuvaa keskiarvoa ovat kuolemanranta ja kultainen risti Kuolemanranta syntyy, kun 50 päivän yksinkertainen liukuva keskiarvo ylittää 200 päivän liukuva keskiarvon. Tätä pidetään laskevana signaalina, Kultainen risti syntyy, kun lyhyen aikavälin liukuva keskiarvo rikkoo pitkän aikavälin liukuva keskiarvoa. Korkeat kaupankäyntimäärät vahvistavat, mikä voi merkitä sitä, että lisäetuja on varastossa. Keskimääräinen liikevoitto ja eksponentit al-tasoitusmalleja. Ensimäisen askeleen ylittäessä malleja, satunnaiset kävelymallit ja lineaariset trendimallit, ei-seulomalliset mallit ja trendit voidaan ekstrapoloida käyttäen liikkuvan keskiarvon tai tasoitusmallin. Perusoletus oletuksena keskiarvon ja tasoitusmallien takana on, että aika sarja on paikallisesti paikallaan hitaasti vaihtelevalla keskiarvolla. Siksi siirrytään liikkuvasta paikallisesta keskiarvosta arvioimaan keskiarvon nykyistä arvoa ja käyttämään sitä lähitulevaisuuden ennusteena. Tätä voidaan pitää kompromissina keskimääräisen mallin ja satunnaisen - walk-ilman drift - mallia Samaa strategiaa voidaan käyttää paikallisen trendin arvioimiseen ja ekstrapolointiin Liukuvaa keskiarvoa kutsutaan usein alkuperäisen sarjan tasoitetuksi versioksi, koska lyhyen aikavälin keskiarvotuksen vaikutus tasoittaa kuoppia alkuperäisessä sarja Säätämällä liikkuvan keskiarvon leveyden tasoittamisastetta, voimme toivoa jonkinlaisen optimaalisen tasapainon keskimääräisen ja satunnaisen kävelymallin suorituskyvyn välillä. implest - tyyppinen keskiarvointimalli on yksinkertainen yhtäpainotettu liukuva keskiarvo. Y: n arvolla t1, joka tehdään ajanhetkellä t, on sama kuin viimeisimpien m-havaintojen yksinkertainen keskiarvo. Tässä ja muualla käytän Y-hahmoa ennusteessa aikasarjasta Y mahdollisimman varhaisessa päivämääränä tietyn mallin mukaan. Tämä keskiarvo keskittyy ajanjaksoon t-m 1 2, mikä tarkoittaa sitä, että arvio Paikallinen keskiarvo pyrkii jäljessä paikallisen keskiarvon todellisesta arvosta noin m 1 2 jaksolla. Näin ollen sanomme, että datan keski-ikä yksinkertaisella liiketaloudellisella keskiarvolla on m 1 2 suhteessa siihen kauteen, jolle ennuste lasketaan tämä on aika, jolla ennusteet katoavat jäljessä datan kääntöpisteistä. Esimerkiksi, jos keskiarvo lasketaan viimeksi kuluneesta viidestä arvosta, ennusteet ovat noin 3 jaksoa, jotka myöhästyvät vastakkain kääntöpisteissä. Huomaa, että jos m 1, yksinkertainen liukuva keskimääräinen SMA-malli vastaa satunnaisen kävelymallin ilman kasvua Jos m on hyvin suuri, joka on verrattavissa arviointikauden pituuteen, SMA-malli vastaa keskiarvoista mallia. Kuten ennustamomallin parametreilla, se on tavanomaista säätää ki-arvoa n jotta saadaan parhaiten sopivat tiedot, eli pienimmät ennustevirheet keskimäärin. On esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritetään sovittaa satunnaisen kävelyn kanssa Malli, joka vastaa yksinkertaista liikkumatonta keskiarvoa yhdestä termistä. Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta näin tehdessään se poimii paljon datan kohinaa satunnaisvaihteluista sekä signaalista paikallinen Keskiarvo Jos me yrittäisimme yksinkertaisesti liikkua keskimäärin 5 ehdokasta, saamme tasaisemman näköisiä ennusteita. 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin satunnaiskäytävä malli tässä tapauksessa. Tämän tietojen keskimääräinen ikä ennuste on 3 5 1 2, joten se on yleensä jäljessä käännekohdista noin kolmella jaksolla Esimerkiksi laskusuhdanne näyttää esiintyneen kaudella 21, mutta ennusteet eivät kääntyneet vasta useisiin jaksoihin myöhemmin. Huomaa, pitkän aikavälin ennusteet SMA-modista El on horisontaalinen suora, kuten satunnaiskäytävässä. Siten SMA-mallissa oletetaan, että datassa ei ole trendiä. Vaikka satunnaiskäytävämallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, ennusteet SMA-malli on yhtä kuin viimeaikaisten arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteille eivät laajene ennustehorisontin kasvaessa. Tämä ei tietenkään ole oikea. Valitettavasti ei ole mitään taustalla olevaa tilastoteoria, joka kertoo, kuinka luottamusväliä pitäisi laajentaa tähän malliin. Ei kuitenkaan ole liian vaikeaa laskea empiirisiä estimaatteja luottamusrajoista pitempään horisonttiennusteisiin. Esimerkiksi voit luoda laskentataulukon, jossa SMA-malli käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin, jne. historiallisen datanäytteen sisällä. Tämän jälkeen voit laskea virheiden näytteen keskihajotukset kullakin ennusteella h orizon, ja sitten rakentaa luottamusväliä pitempiaikaisille ennusteille lisäämällä ja vähentämällä asianmukaisten standardipoikkeaman kerrannaisvaikutuksia. Jos yritämme 9-portaista yksinkertaista liikkuvaa keskiarvoa, saamme vielä tasaisempia ennusteita ja enemmän jäljellä olevaa vaikutusta. Keskimääräinen ikä on nyt 5 jaksoa 9 1 2 Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä kasvaa arvoon 10. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin kymmenen jaksolla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertaa virhetilastojaan, mukaan lukien myös 3-aikavälin keskiarvon. Mallin C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla kolmen ja 9 kuukauden keskiarvoissa. niiden muut tilastot ovat lähes samankaltaisia. Joten mallien, joilla on hyvin samankaltaiset virhestatukset, voimme valita, haluammeko ennustaa hieman reagointikykyä tai hieman tasaisempaa. Palaa sivun yläreunaan. Brown s Yksinkertainen eksponentiaalinen tasoitus eksponentiaalisesti painotettu liikkuvaa keskiarvoa. Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on epätoivottava ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edeltävät havainnot Intuitiivisesti, aiemmat tiedot on diskontattava asteittain - esimerkiksi viimeisin havainto saavat hieman enemmän painoa kuin 2. viimeisin, ja 2. viimeisin pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja niin edelleen Yksinkertainen eksponentti tasoitus SES malli tekee tämän. Let merkitsee tasaus vakiona luku välillä 0 ja 1 Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyistä tasoa eli sarjan keskimääräistä arvoa, joka on arvioitu datasta tähän asti L: n arvo ajankohtana t lasketaan rekursiivisesti edellisestä omasta edellisestä arvostaan. Siten nykyinen tasoitettu arvo on interpolointi edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä se ohjaa interpoloidun arvon läheisyyttä eniten Sentin ennustaminen Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo. Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aikaisempien havaintojen perusteella jollakin seuraavista vastaavista versioista Ensimmäisessä versiossa ennuste on interpolointi Edellisen ennusteen ja aiemman havainnon välillä. Toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla. On virheen aikaan t Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu eli diskontattu liikkuva keskiarvo diskonttokertoimella 1. Ennakoivan kaavan interpolointiversio on yksinkertaisin käyttää, jos toteutat mallia laskentataulukkoon, johon se sopii yhteen soluun ja sisältää soluviitteitä, jotka osoittavat edellistä ennustetta, havainto ja solu, jossa arvo on tallennettu. Huomaa, että jos 1, SES-malli vastaa satunnainen kävelymalli wit jos 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu yhtä kuin keskiarvo Palaa sivun yläosaan. Yksinkertaisen eksponentiaalisen tasauksen ennusteessa olevien tietojen keskimääräinen ikä on 1 suhteellinen ennuste lasketaan Tämä ei ole tarkoitus olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja Näin ollen yksinkertainen liukuva keskimääräinen ennuste pyrkii kääntämään käänteispisteitä noin yhdellä jaksolla Esimerkiksi 0 5 viive on 2 jaksoa, kun 0 2 viive on 5 jaksoa, kun 0 1 viive on 10 jaksoa jne. Tietyllä keskimääräisellä iällä eli viivästymisellä, yksinkertainen eksponentiaalinen tasoitus SES ennuste on jonkin verran parempi kuin yksinkertainen liikkuva keskimääräinen SMA-ennuste, koska se asettaa suhteellisen enemmän painoarvoa viimeisimpiin havaintoihin - se on hieman reagoivampi viime aikoina tapahtuneisiin muutoksiin. Esimerkiksi yhdeksällä ehdolla olevalla SMA-mallilla ja kahdella SES-mallilla on keskimääräinen ikä 5: lle da mutta SES-mallissa painotetaan viimeisimpiä kolmea arvoa kuin SMA-malli, mutta samalla ei unohda yli 9 vanhoja arvoja, kuten tässä kaaviossa on esitetty. Toinen tärkeä etu SES-malli SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä ratkaisija-algoritmia keskimääräisen neliövirheen minimoimiseksi. SES-mallin optimaalinen arvo tämän sarjan osalta ilmaisee On 0 2961, kuten tässä on esitetty. Tämän ennusteen tietojen keskimääräinen ikä on 1 0 2961 3 4 jaksoa, joka on samanlainen kuin 6-kertainen yksinkertainen liikkuva keskiarvo. SES-mallin pitkän aikavälin ennusteet ovat vaakasuora viiva kuten SMA-mallissa ja satunnaiskäytävä malli ilman kasvua Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit eroavat nyt kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin randin luottamusvälit om-kävelymalli SES-malli olettaa, että sarja on hieman ennakoitavampi kuin satunnaiskäytävä malli. SES-malli on itse asiassa ARIMA-mallin erityistilanne, joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän perustan luottamusvälien laskemiselle SES-malli Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA1-termi ja ei vakioaikaa, joka muuten tunnetaan ARIMA 0,1,1 - malliksi ilman vakioa. ARIMA-mallissa MA 1 - kerroin vastaa Esimerkiksi, jos asetat ARIMA 0,1,1 - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA 1-kerroin osoittautuu 0 7029, joka on lähes täsmälleen yksi miinus 0 2961. On mahdollista lisätä oletus nollasta riippumattomalle vakioiselle lineaariselle trendille SES-mallille. Tähän voidaan tehdä vain ARIMA-malli, jossa on yksi epäsuositusero ja MA1-termi vakiolla eli ARIMA 0,1,1 - mallilla pitkällä aikavälillä Sitten on trendi, joka vastaa koko arviointikauden aikana havaittua keskimääräistä trendiä Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet ovat pois käytöstä, kun mallityyppi on asetettu ARIMA: lle. Voit kuitenkin lisätä vakion pitkän Terminen eksponentiaalinen trendi yksinkertaiseen eksponentiaalisen tasoitusmallin kanssa kausittaisen säätämisen kanssa tai ilman sitä käyttämällä inflaatiota säätämisvaihtoehtoa ennusteprosessissa Asianmukaista inflaation prosentuaalista kasvuvauhtia jaksoa kohti voidaan arvioida laskennan kertoimeksi lineaarisessa trendimallissa, joka on sovitettu Yhdessä luonnollisen logaritmimuunnoksen kanssa tai se voi perustua muihin pitkäaikaisiin kasvunäkymiin liittyvästä riippumattomasta tiedosta. Palaa sivun alkuun. Brown s Lineaarinen eli kaksinkertainen eksponentiaalinen tasoittaminen. SMA-mallit ja SES-mallit olettavat, että ei ole olemassa suuntausta Kaikenlaisia ​​tietoja, jotka ovat yleensä OK tai ainakin ei-liian-huono 1-askel eteenpäin ennusteet, kun tiedot ovat suhteellisesti noi syy, ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen kehityksen, kuten edellä on esitetty. Mitä lyhyen aikavälin trendeihin Jos sarjassa on vaihteleva kasvuvauhti tai syklinen kuvio, joka erottuu selkeästi melusta, ja jos on tarvetta Ennustetaan enemmän kuin 1 jakso eteenpäin, paikallisen trendin estimointi saattaa myös olla kysymys Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponentiaalisen tasoittavan LES-mallin saamiseksi, joka laskee paikalliset arviot sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva suuntaus malli on Brownin lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennusteiden kaava perustuu kahden keskipisteen linjan ekstrapoloimiseen. Tämän mallin Holt s: n hienostunut versio on Seuraavassa selostetaan Brownin lineaarisen eksponentiaalisen tasoitusmallin algebrallinen muoto, kuten yksinkertaisen eksponentiaalisen tasoitusmallin malli, voidaan ilmaista monissa erilaisissa, mutta e Kolmiarvoiset muodot Tämän mallin vakiomuoto on yleensä ilmaistu seuraavasti: Let S tarkoittaa yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponenttista tasoitusta sarjaan Y, eli S: n arvo ajanjaksolla t on annettu. Muista, että yksinkertaisen eksponentiaalisen tasoituksen alla tämä olisi Y: n ennuste ajanjaksolla t 1 Sitten S merkitsee kaksinkertaisen tasoitetun sarjan, joka saadaan käyttämällä yksinkertaista eksponentiaalista tasoitusta käyttäen samaa sarjaa S. Lopuksi Y: n ennustetta mille tahansa k 1 on annettu. Tämä tuottaa e 1 0 eli huijaa hieman ja anna ensimmäisen ennusteen olevan yhtä todellinen ensimmäinen havainto, ja e 2 Y 2 Y 1, jonka jälkeen ennusteet muodostetaan käyttämällä edellä olevaa yhtälöä, saadaan samat sovitut arvot Kuten S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttämällä S 1 S 1 Y 1 Tätä malliversiota käytetään seuraavalla sivulla, joka kuvaa eksponentiaalisen tasauksen yhdistelmää kausittaisella säätöllä. Holt s Linear Exponential Smoothing. Brown S LES - malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla viimeaikaisia ​​tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa tietomalleja, jotka pystyvät sopeutumaan tasoon ja suuntaukseen, eivät saa vaihdella at riippumatonta tasoa Holtin LES-malli käsittelee tätä ongelmaa sisällyttämällä kaksi tasoitusvaketta, yksi tasolle ja yksi trendille Joka kerta t, kuten Brownin mallissa, on paikallisen tason L t ja arvio T t paikallinen trendi Tässä ne lasketaan rekursiivisesti y: n arvosta t havaitussa ajanhetkessä t ja edellisistä tason ja trendin arvioista kahdella yhtälöllä, jotka soveltavat erikseen eksponenttista tasoitusta. Jos arvioitu taso ja trendi ajanhetkellä t-1 Ovat vastaavasti L t 1 ja T t-1, silloin Y t: n ennuste, joka olisi tehty ajanhetkellä t-1, on yhtä kuin L t-1 T t-1 Kun todellinen arvo havaitaan, taso lasketaan rekursiivisesti interpoloimalla Yt: n ja sen ennusteen L t-1 T t-1 välillä käyttäen painotuksia ja 1. Arvioitua tasoa, eli L t Lt 1: n muutosta voidaan tulkita meluisaksi mittaukseksi suuntaus ajankohtana t Trendin päivitetty arvio arvioidaan sitten rekursiivisesti interpoloimalla L: n välillä t L t 1 ja edellisen trendin trendin T t-1 käyttäen painotuksia ja 1. Trenditasoitusvakion tulkinta vastaa tasonsäätövakion tasoa. Pienillä arvoilla olevat mallit olettavat, että trendi muuttuu vain suuremmalla hitaudella, kun taas suurempien mallien oletetaan muuttuvan nopeammin. Suuri malli uskoo, että kaukana oleva tulevaisuus on hyvin epävarma, koska trendien arvioinnin virheet tulevat melko tärkeiksi, kun ennustetaan enemmän kuin yksi aika edellä. Palaa alkuun Sivutaso tasoittaa ja voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun Statgraphicsissa tämä tehdään, arviot osoittavat olevan 0 3048 ja 0 008. tarkoittaa, että mallissa oletetaan, että trendi vaihtelee hyvin vähän ajanjaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin suuntausta. Vastaavasti käsitteellä "keski-ikä" se paikallisen tason sarja, keskimääräinen ikä, jota käytetään paikallisen trendin arvioinnissa, on verrannollinen 1: een, vaikka se ei ole täsmälleen sama. Tässä tapauksessa se osoittautuu 1 0 006 125 Tämä isn ta erittäin tarkka luku koska tarkkuuden tarkkuus ei ole todellakaan 3 desimaalin tarkkuudella, mutta se on samaa yleistä suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimiseksi. Alla oleva taulukko osoittaa, että LES-malli arvioi jonkin verran suurempaa paikallista suuntausta sarjan lopussa kuin SES-trendimallissa arvioitu jatkuva kehitys. Myös arvioitu arvo on lähes identtinen SES-mallin kanssa sovittamalla tai ilman suuntausta , Joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallille, jonka pitäisi arvioida paikallista trendiä. Jos näet silmämunin tämän tontin, näyttää siltä, ​​että paikallinen trendi on kääntynyt alaspäin lopussa sarja Wh at on tapahtunut Tämän mallin parametreja on arvioitu minimoimalla 1-askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendi ei tee paljon eroa Jos kaikki olet tarkastelemassa ovat 1 - etenemisvirheitä, et näe suurempaa kuvaa suuntauksista yli sanoa 10 tai 20 jaksoa Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunien ekstrapolointiin, voimme säätää manuaalisesti trendin tasoitusvakion niin, että se käyttää trendin estimointiin lyhyemmän perustan Esimerkiksi jos päätämme asettaa 0 1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa, että lasketaan keskiarvo viimeisen 20 jakson aikana tai niin Tässä on se, mitä ennustettu tontti näyttää, jos asetamme 0 1 säilyttäen 0 3 Tämä näyttää intuitiivisesti kohtuulliselta tässä sarjassa, vaikkakin on todennäköisesti vaarallista ekstrapoloida tämä trendi yli 10 jaksoa tulevaisuudessa. Mitä virhestatuksista tässä on mallivertailu f Tai edellä kuvatut kaksi mallia sekä kolme SES-mallia SES-mallin optimaalinen arvo on noin 0 3, mutta vastaavilla tuloksilla, joilla on hieman enemmän tai vähemmän vastetta, saadaan vastaavasti 0 5 ja 0 2. A Holt s lineaarinen exp tasoitus alfa 0 3048 ja beeta 0 008. B Holtin lineaarinen pikselointi alfa 0 3: lla ja beeta 0 1. C Yksinkertainen eksponenttinen tasaus alfa 0 5. D Yksinkertainen eksponentiaalinen tasoitus alfa 0 3. E Yksinkertainen eksponenttinen tasaus alfa 0 2: lla. Kaikki tilastot ovat lähes samanlaisia, joten emme todellakaan pysty tekemään valintaa yhden askeleen ennakkoilmoitusvirheiden perusteella. Meidän on pudottava muut näkökohdat. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trenditieto siitä, mitä on tapahtunut viimeisen 20 ajanjakson aikana tai niin, voimme tehdä tapauksen LES-mallille, jossa on 0 3 ja 0 1 Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olisi helpompi selittää ja antaa myös enemmän middl e-of-the-road - ennusteet seuraaville viideksi tai kymmenelle jaksolle Palaa sivun yläreunaan. Mikä suuntaus-ekstrapolointi on paras horisontaalinen vai lineaarinen? Empiirinen näyttö viittaa siihen, että jos tietoja on jo jo tarpeellista inflaatiota varten, niin voi olla varomaton ekstrapoloida lyhytaikaisia ​​lineaarisia suuntauksia hyvin pitkälle tulevaisuuteen. Tänään näkyvät trendit voivat hidastua tulevaisuudessa erilaisten syiden vuoksi, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja teollisuuden syklisistä laskusuhdanteista tai nousuista. Tästä syystä yksinkertainen eksponentiaalinen tasoitustoimet tekevät usein parempaa näytteenottotapahtumaa kuin muutoin olisi odotettavissa, vaikka sen naiivi horisontaalinen suuntaus ekstrapolaatiosta Lineaarisen eksponentiaalisen tasoitusmallin vaimennetut trendimuutokset ovat myös käytännössä usein käytännössä esillä konservatiivisuuden muistiinpanossa sen suuntausennusteisiin. Vaimennettu trendi LES-malli voidaan toteuttaa erityisenä esimerkkinä ARIMA-mallista, erityisesti ARIMA 1,1,2-mallista. On mahdollista laskea luottamusvälit arou Eksponentiaalisten tasoitusmallien tuottamat pitkän aikavälin ennusteet, harkitsemalla niitä ARIMA-mallien erikoistapauksina Varo, että kaikki ohjelmistot eivät laske luottamusväliä näille malleille oikein. Luottamusvälien leveys riippuu mallin RMS-virheestä, tyypistä yksinkertaisen tai lineaarisen tasoituksen taso iii tasoitusvakion s ja iv lukema ennusteiden aikaisempien jaksojen lukumäärä Yleensä välejä levitetään nopeammin, kun ne tulevat suuremmiksi SES-mallissa ja ne levittyvät paljon nopeammin, kun ne ovat lineaarisia eikä yksinkertaisia tasoitus on käytetty Tätä aihetta käsitellään edelleen huomautusten ARIMA-malleissa. Palaa sivun alkuun. Ennusteiden laskentayksiköt. 1 Ennusteiden laskentamenetelmät. Saatavilla on kaksitoista ennusteiden laskentamenetelmiä. Useimmat näistä menetelmistä mahdollistavat rajoitetun käyttäjän valvonnan. Esimerkiksi viimeisimmistä historiallisista tiedoista tai laskutoimituksissa käytettyjen historiallisten tietojen päivämääristä saatava paino voidaan määrittää seuraavaksi Esimerkit osoittavat kunkin käytettävissä olevan ennustemenetelmän laskentamenetelmän, kun otetaan huomioon samanlaiset historiatiedot. Seuraavat esimerkit käyttävät samoja vuoden 2004 ja 2005 myynnin tietoja vuoden 2006 myynnin ennusteen tuottamiseksi. Ennuslaskennan lisäksi jokaisessa esimerkissä on simuloitu 2005 ennuste kolmen kuukauden jakson käsittelyvaihtoehdolle 19 3, jota käytetään sitten prosenttiosuutena tarkkuuden ja absoluuttisen keskiarvon laskennan keskiarvosta todellisen myynnin verrattuna simuloituun ennusteeseen. 2 Ennusteiden arviointikriteerit. Valittavista käsittelyvaihtoehdoista ja trendeistä ja tietyt ennustemenetelmät toimivat paremmin kuin toiset tietylle historialliselle tietojoukolle Yhdelle tuotteelle sopiva ennustemenetelmä ei välttämättä sovi toiselle tuotteelle On myös epätodennäköistä, että ennustemenetelmä, joka tarjoaa hyviä tuloksia Tuotteen elinkaaren jossakin vaiheessa pysyy sopiva koko koko li Voit valita kahden menetelmän arvioidaksesi ennusteiden nykyisen suorituskyvyn. Nämä ovat keskiarvo absoluuttinen poikkeama MAD ja tarkkuus prosenttiosuus POA Molemmat suorituskyvyn arviointimenetelmät vaativat historiallisia myyntitietoja käyttäjän määrätylle ajanjaksolle Tämä ajanjakso kutsutaan pidätysajaksi tai ajanjaksoiksi, jotka sopivat parhaiten PBF: hen Tämän ajanjakson tiedot käytetään pohjana suositellaksemme, millaista ennustemenetelmää käytetään seuraavan ennusteennusteen tekemisessä. Tämä suositus on jokaiselle tuotteelle ominaista ja voi muuttua yhdestä ennusteesta seuraavaan kahteen Ennusteiden suorituskyvyn arviointimenetelmät on esitetty sivuilla, joissa esitetään esimerkkejä kahdestatoista ennusteesta. 3 Menetelmä 1 - Määritetty prosenttiosuus edellisvuodesta. Tämä menetelmä kertoo edellisvuoden myyntitiedot käyttäjän määrittelemällä tekijällä esimerkiksi , 1 10 10: n korotukselle tai 0 97: n vähennys 3: lle. ennalta määritellyn suorituskyvyn prosessointivaihtoehdon arvioimiseksi 19.A 4 1 Ennustalaskelma. Tämän historiallisen kasvukertoimen laskentamenetelmän 2a 3 laskemisessa käytettävä myyntihistorian määrä. Summa viimeisen kolmen kuukauden aikana 114 119 137 370. Summa on sama kuin edellisvuoden kolme kuukautta 123 139 133 395.Laskettu kerroin 370 395 0 9367. Laske ennusteet. January 2005 myynti 128 0 9367 119 8036 tai noin 120.Kaikki vuoden 2005 myynti 117 0 9367 109 5939 tai noin 110.March, 2005 myynti 115 0 9367 107 7205 tai noin 108.A 4 2 Simuloitu ennuste laskenta. Summa kolme kuukautta 2005 ennen pidätysjakson heinäkuu, elokuu, syyskuu.129 140 131 400. Summa samat kolme kuukautta Edellisenä vuonna.141 128 118 387.Laskettu kerroin 400 387 1 033591731.Lasketaan simuloitu ennuste. Lokakuu 2004 myynti 123 1 033591731 127 13178.Uusi 2004 myynti 139 1 033591731 143 66925 joulukuu 2004 myynti 133 1 033591731 137 4677. A 4 3 prosentti tarkkuuslaskennasta. POA 127 1317 8 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Keskimääräinen absoluuttinen poikkeamalaskenta. 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 seuraavaan vuoteen. Tarpeellinen myyntihistoria Vuosi ennustearvon laskemiseksi sekä ennustetun suorituskyvyn prosessointivaiheen 19.A 6 Ennusteiden laskeminen. Tämän esimerkin keskimääräiseen prosessointivaihtoehtoon 4a 3 sisällytettävien kausien lukumäärä. Ennusteiden kunkin kuukauden keskiarvo on kolmen edellisen kuukauden tiedot. Joulukuun ennuste 114 119 137 370, 370 3 123 333 tai 123.Kaikki Ennuste 119 137 123 379, 379 3 126 333 tai 126.March-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 prosenttia Accurasta Cy Calculation. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Menetelmä 5 - Lineaarinen approksimaatio. Lineaarinen approksimointi laskee suuntauksen, joka perustuu kahteen myyntihistoriatietopisteeseen. Nämä kaksi pistettä muodostavat tulevaisuuden ennustettavan suoran trendilinjan. Käytä tätä menetelmää varoen, koska pitkän aikavälin ennusteita hyödynnetään pienillä muutoksilla vain kahdessa datapisteessä. historia Jaksot, jotka on sisällytettävä regressio-prosessointivaihtoehdoksi 5a, plus 1 sekä ennusteiden suoritusprosessoinnin vaihtoehto 19.A 8 1 ennusteiden laskemisen aikavälien määrä. 8 1 Ennustekilaskenta. Tämän esimerkin regressioprosessointivaihtoehtoon 6a 3 sisällytettävät kaudet. Määritä kunkin ennustejakson kuukauden aikana lisäys tai vähennys edellisten jaksojen aikana ennen edellisen jakson säilytysaikaa. Aikaisempien kolmen kuukauden keskiarvo 114 119 137 3 123 3333.Esimerkki edellisistä kolmesta m Punnitaan painoa. 114 1 119 2 137 3 763. Arvojen välinen ero. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Erotussuhde 23 2 11 5.Value2 Keskiarvo - arvo1 suhde 123 3333 - 11 5 2 100 3333.Forecast 1 n arvo1 Arvo2 4 11 5 100 3333 146 333 tai 146. Lähetetty 5 11 5 100 3333 157 8333 tai 158. Lähetetty 6 11 5 100 3333 169 3333 tai 169.A 8 2 Simuloitu ennuste laskenta. Oli lokakuussa 2004 myynti. Ei kolmen edellisen kuukauden . 129 140 131 3 133 3333.Etsi yhteenveto edellisistä kolmesta kuukaudesta, kun otetaan huomioon paino. 129 1 140 2 131 3 802. Arvojen välinen ero. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Erotussuhde 2 2 1.Value2 Keskiarvo - arvo1 suhde 133 3333 - 1 2 131 3333.Forecast 1 n arvo1 arvo2 4 1 131 3333 135 3333.November 2004 myynti. Edellisten kolmen kuukauden keskiarvo. 140 131 114 3 128 3333.Esimerkki edellisistä kolmesta kuukaudesta painotettuna. Arvot 744 - 128 3333 1 2 3 -25 9999.Value1 Erotussuhde -25 9999 2 -12 9999.Value2 Keskiarvo - arvo1 suhde 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Joulukuu 2004 myynti. Edellisten kolmen kuukauden keskiarvo. 131 114 119 3 121 3333.Esimerkki edellisistä kolmesta kuukaudesta, painotettuna. 131 1 114 2 119 3 716.Valojen välinen ero. 716 - 121 3333 1 2 3 -11 9999.Value1 Erotussuhde -11 9999 2 -5 9999.Value2 Keskiarvo - arvo1 suhde 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prosentuaalinen tarkkuuslaskenta. PPOA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Menetelmä 7 - Toinen Degree Approximation. Linear Regression määrittää arvot a ja b ennuste kaavassa Y a bX tavoite sovittaa suora viiva myyntihistoriatiedot Toinen aste Applaatio on samanlainen Tämä menetelmä kuitenkin määrittää arvot a, b ja c in ennuste kaava 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 kiihtyä Toisen kertaluvun termin ansiosta ennuste voi nopeasti lähestyä ääretön tai pudota nollaan riippuen siitä, onko kerroin c positiivinen vai negatiivinen. Siksi tämä menetelmä on hyödyllinen vain lyhyellä aikavälillä. Lähetyksen tekniset tiedot Kaavat löytävät a, b ja c sopivan käyrän täsmälleen kolmeen pisteeseen. prosessointivaihtoehdon 7a kerättävien tietojen aikajaksojen lukumäärä näihin kolmeen kohtaan Tässä esimerkissä n 3 Tämän vuoksi huhtikuun ja kesäkuun väliset varsinaiset myyntitiedot yhdistetään ensimmäiseen pisteeseen, Q1 heinäkuu-syyskuu lisätään yhteen muodostaen Q2 , Ja lokakuun ja joulukuun välinen summa Q3: een Käyrä asetetaan kolmeen arvoon Q1, Q2 ja Q3.Erätetty myyntihistoria 3 n jaksot ennustearvon laskemiseksi sekä ennustetun suorituskyvyn PBF arvioinnissa tarvittavien aikajaksojen lukumäärää. jaksot käsittävät tässä esimerkissä käsittelyvaihtoehdon 7a 3. Käytä edellisiä 3 n kuukautta kolmen kuukauden lohkossa. Huhtikuu - kesäkuu 125 122 137 384.Q2 Jul - 129 129 140 131 400.Q3 Loka - joulukuu 114 119 137 370. Seuraava askel c alkulohkossa kolmeen kertoimeen a, b ja c, joita käytetään ennustuskaavassa Y a bX cX 2. 1 Q1 a bX cX 2 jossa X 1 a b c. 2 Q2 a bX cX 2 jossa X2 a 2b 4c. 3 Q3 a bX cX 2 jossa X 3 a 3b 9c. Sulje kolme yhtälöä samanaikaisesti löytää b, a ja c. Subtract yhtälö 1 yhtälöstä 2 ja ratkaise b. Vaihda tämä yhtälö b: ksi yhtälöön 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Lopuksi korvataan nämä a ja b yhtälöt yhtälöön 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.The Second Degree Approximation - menetelmä laskee a, b ja c seuraamalla. Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.Joulukuu maaliskuun ennusteessa X 4. 322 340 - 368 3 294 3 98 per jaksolla. Kaikki kesäkuuennuste X 5. 322 425 - 575 3 57 333 tai 57 jaksolta. Joulukuu-syyskuun ennuste X 6. 322 510 - 828 3 1 33 tai 1 per jakso. Lokakuu joulukuuhun X 7. 322 595 - 1127 3 -70.A 9 2 Simuloitu ennuste laskenta. Lokakuu marraskuu ja joulukuun 2004 myynti. Q1 tammi - maaliskuu 360.Q2 huhti - kesäkuu 384.Q3 heinäkuu - syyskuu 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Tarkkuuslaskennan prosenttiosuus. OA 136 136 136 114 119 137 100 110 27.A 9 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Menetelmä 8 - Joustava menetelmä. Joustava menetelmä prosentteina yli kuukausina Prior on samanlainen kuin menetelmä 1, prosentti viime vuoteen. Molemmat menetelmät kertaavat myyntitiedot edellisestä ajanjaksosta käyttäjän määrittämän tekijän , sitten projekti tämän tuloksen tulevaisuuteen Viime vuoden menetelmä prosentteina ennuste perustuu ennalta edellisen vuoden vastaavaan ajanjaksoon verrattuna. Joustava menetelmä lisää kykyä määrittää muu kuin viime vuoden vastaavaan ajanjaksoon verrattuna Käytä laskentaperusteina. Monistuskerroin Esimerkiksi, määritä prosessointivaihtoehdossa 8b 1 15 lisätä aiempia myyntihistoriatietoja 15: een. Vaihejakso Esimerkiksi n 3 aiheuttaa ensimmäisen ennusteen perustuvan myyntitietoihin Lokakuu 2005.Minimum myyntihistoria Käyttäjän määrittämä numero o F jaksot takaisin perusjaksolle sekä ennakoidun suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärä. 10 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Menetelmä 9 - Painotettu siirto Keskimäärin. Painotettu liikkuvan keskiarvon WMA-menetelmä on samanlainen kuin menetelmä 4, keskimääräinen siirtymä MA. Painotetulla liikkuvalla keskiarvolla voit kuitenkin määrittää epätasaiset painot historiallisiin tietoihin. Menetelmä laskee viimeaikaisen myyntihistorian painotetun keskiarvon, jotta saavutettaisiin projekti Lyhyellä aikavälillä Uusimpiin tietoihin annetaan yleensä suurempi paino kuin vanhemmilla tiedoilla, joten WMA reagoi paremmin myynnin tason muutoksiin. Ennaltaehkäisevät arviot ja systemaattiset virheet kuitenkin esiintyvät, kun tuotteen myynnin historia osoittaa voimakkaasti trendiä tai kausivaihteluja. menetelmä toimii paremmin lyhyen aikavälin ennusteiden kypsän tuotteen sijasta tuotteisiin elinkaaren kasvu - tai vanhentumisvaiheissa. ennuste laskenta Esimerkiksi määritä prosessointivaihtoehdossa 9a käytettävä n 3 käyttämään viimeisintä kolmea jaksoa lähtökohtana seuraavalle aikajaksolle Suuri arvo n: lle kuten 12 vaatii enemmän myyntihistoriaa Se johtaa vakaan ennusteen , mutta se on hidas tunnistamaan myynnin tason muutoksia. Toisaalta n: n pieni arvo n 3: llä reagoi nopeammin myynnin tason muutoksiin, mutta ennuste saattaa vaihdella niin laajasti, ettei tuotanto pysty vastaamaan Muuttujat. Jokaiselle historialliselle ajanjaksolle osoitettu paino. Määritettyjen painojen on oltava yhteensä 1 00. Esimerkiksi kun n3, anna painot 0 6, 0 3 ja 0 1 ja viimeisimmät tiedot vastaanottavat suurimman painon. Minimum tarvitaan myyntihistoriaa n sekä ennustearvon arvioimiseen tarvittavien aikajaksojen määrää 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 liikkuvuus Keskimääräinen WMA Miten koskaan, sen sijaan, että laskettaisiin mielivaltaisesti painoja historiallisiin tietoihin, käytetään kaavaa, joka määrittää lineaarisesti vähenevän painon ja summan 1 00 Menetelmä laskee sitten viimeisimmän myyntihistorian painotetun keskiarvon, jotta saadaan lyhyen aikavälin ennuste. joka koskee kaikkia lineaarisia liikkuvaa keskimääräistä ennustustekniikkaa, ennakoiva esijännitys ja systemaattiset virheet, kun tuotemyyntihistoria osoittaa voimakasta suuntausta tai kausivaihteluja. Tämä menetelmä toimii paremmin maturituotteiden lyhyen aikavälin ennusteiden sijaan kuin tuotteen elinkaaren kasvu - tai vanhentumisvaiheissa cycle. n ennustejulkaisussa käytettävien myyntihistoriajojen lukumäärä Tämä määritetään käsittelyvaihtoehdossa 10a. Esimerkiksi määritä käsittelyvaihtoehdon 10b määritelmä n 3, joka käyttää viimeisimpiä kolmea jaksoa lähtökohtana Seuraava aikajakso Järjestelmä määrittää automaattisesti painot historiallisiin tietoihin, jotka laskevat lineaarisesti ja summaavat 1 00 Esimerkiksi kun n 3, s Järjestelmä antaa 0 5, 0 3333 ja 0 1 painot, joissa viimeisimmät tiedot saivat suurimman painon. Minimi edellytti myyntihistoriaa n sekä ennustetun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrää. 12 1 Ennusteiden laskenta. Kausien lukumäärä, jotka sisällytetään tässä esimerkissä keskimääräiseen prosessointivaihtoehtoon 10a 3.Eri edellisen jakson aika 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio kahdelle kaudelle ennen 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Eri kolmesta edeltävästä jaksoista 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Uusikuuennuste 137 0 5 119 1 3 114 1 6 127 16 tai 127.Viisuennuste 127 0 5 137 1 3 119 1 6 129.Maunennusennuste 129 0 5 127 1 3 137 1 6 129 666 tai 130.A 12 2 Simuloitu ennuste Laskutoimitus Lokakuu 2004 myynti 129 1 6 140 2 6 131 3 6 133 6666.November 2004 myynti 140 1 6 131 2 6 114 3 6 124. joulukuuta 2004 myynti 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Tarkkuuslaskennan prosenttiosuus. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Keskimääräinen absoluuttinen poikkeamislaskelma. HULLU 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Menetelmä 11 - Eksponentiaalinen tasoittaminen. Tämä menetelmä on samanlainen kuin menetelmä 10, Lineaarinen tasoittaminen lineaarisessa tasoituksessa. Järjestelmä määrittää painot historiallisiin tietoihin, jotka vähenevät lineaarisesti. , järjestelmä jakaa painot, jotka eksponentiaalisesti hajoavat Exponential tasoitus ennustaminen yhtälö on. Forecast a Previous Actual Sales 1-Previous Forecast. The ennuste on painotettu keskiarvo todellisesta myynnistä edellisestä jaksosta ja ennuste edellisestä kaudesta a on edellisen jakson tosiasialliseen myyntiin sovellettava paino 1 - a on edellisen jakson ennusteeseen sovellettava paino Voimassa olevat arvot vaihteluvälillä 0-1, ja tavallisesti 0-1 ja 0 välillä 4 Painojen summa on 1 00 a 1 - a 1.Voit määrittää arvon tasoitusvakion arvolle a Jos et anna arvoja tasoitusvakiona, järjestelmä laskee oletetun arvon, joka perustuu myyntihistoria-ajanjaksoja d käsittelyvaihtoehdossa 11a. a tasoitusvakio, jota käytetään laskettaessa tasoitettua keskiarvoa yleisen tason tai myynnin laajuuden osalta Voimassa olevat arvot vaihteluvälillä 0 - 1.n myyntihistoriatietojen vaihteluvälin sisällyttämiseksi laskelmiin Yleensä yksi vuosi myyntihistorian tiedot ovat riittävät arvioimaan yleistä myynnin tasoa. Tässä esimerkissä valittiin pieni arvo nn 3, jotta tulosten tarkastamiseen tarvittavat manuaaliset laskelmat voitaisiin pienentää. Eksponenttien tasoittaminen voi tuottaa ennustuksen, joka perustuu vain yhtä historiallista data point. Minimum edellytti myyntihistoriaa n sekä ennusteiden suorituskyvyn PBF. A arvioimiseksi tarvittavien aikajaksojen määrää. 13 1 Ennusteennustaminen. Kausien määrä, johon sisällytetään keskimääräinen käsittelyvaihtoehto 11a 3 ja alfa-tekijän käsittelyvaihtoehto 11b tyhjä tässä example. a tekijä vanhimmille myyntitietoille 2 1 1 tai 1, kun alfa on määritetty. a tekijä toiselle vanhimmalle myyntitiedolle 2 1 2 tai alfalle, kun alfa on määritetty. a tekijä kolmannelle vanhimmalle myyntitiedolle 2 1 3 tai alfalle, kun alfa on määritetty. a tekijä viimeisimmistä myyntitiedoista 2 1 n tai alpha, kun alfa on määritetty. November Sm Avg a Lokakuu Todellinen 1 - lokakuu Sm keskimäärin 1 114 0 0 114.Joulukuu Sm Avg a marraskuu Todellinen 1 - marraskuu Sm Keskim. 2 3 119 1 3 114 117 3333.Uusikolmioennuste joulukuun todellinen 1 - joulukuu Sm Keskimääräinen 2 4 137 2 4 117 3333 127 16665 tai 127.Vasvaennuste Tammikuu Sääennuste 127Maht. Ennuste Tammikuuennuste 127.A 13 2 Simuloitu ennuste Laskutoimitus. Vuonna 2004 Älm. Keskim. 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666. Lokakuu 2004 myynti syyskuu Sm 133 13340.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November 2004 myynti syyskuu Sm Huhtikuu 124. Syyskuu 2004 S 2 2 131 131.October Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Joulukuu 2004 myynti syyskuu Sm Avg 119 3333.A 13 3% tarkkuuslaskulasta 135 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Menetelmä 12 - Eksponentiaalinen tasaus trendillä ja kausivaihtelulla. Tämä menetelmä on samanlainen kuin menetelmä 11, eksponentiaalinen tasoittaminen siinä, että lasketaan tasoitettu keskiarvo. Menetelmä 12 sisältää myös ennustejaksossa olevan termin simuloidun trendin laskemiseen. Ennuste koostuu tasoitetusta keskiarvosta, joka on säädetty lineaariselle kehitykselle Kun määritetään prosessointivaihtoehdossa ennuste säädetään myös kausivaihteluun. a Tasoitusvakio, jota käytetään tasoitetun keskiarvon laskemisessa myynnin yleiselle tasolle tai suuruusluokalle. Alfa-arvot ovat 0: sta 1.b: een tasausvakio, jota käytetään siveltyjen ennusteiden trendikomponenttien keskiarvo Beta-alueen voimassaolevat arvot välillä 0-1. Jos ennusteeseen sovelletaan kausittaista indeksiä, a ja b ovat toisistaan ​​riippumattomia. Niiden ei tarvitse lisätä arvoa 0. 0. imum edellytti myyntihistoriaa kahteen vuoteen sekä ennakoidun suorituskyvyn PBF: n arvioimiseksi tarvittavien aikajaksojen lukumäärän. Menetelmä 12 käyttää kahta eksponentiaalisen tasoitusyhtälön ja yhden yksinkertaisen keskiarvon laskea tasoitetun keskiarvon, tasoitetun trendin ja yksinkertaisen keskimääräisen kausittaisen tekijän. 1 Ennustalaskenta. A Exponential sowed average. 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. menetelmä luo todennäköisesti hieman erilainen projektio Kun tuhansia tuotteita ennustetaan, on epäkäytännöllistä tehdä subjektiivinen päätös siitä, mitkä ennusteet käytetään suunnitelmissasi jokaiselle tuotteelle. Järjestelmä arvioi automaattisesti kunkin ennustemenetelmän suorituskyvyn Valitsemasi ja kunkin ennustetun tuotteen osalta Voit valita kahdesta suorituskyvyn kriteeristä, Mean Absolute Deviation MAD ja Percent of Accur acy POA MAD on ennakoidun virheen mittari. POA on ennakoivan poikkeaman mittari. Molemmat suorituskyvyn arviointitekniikat vaativat todellista myyntihistoriatietoa käyttäjän määrätylle ajanjaksolle. Tätä viimeaikaisen historian ajanjaksoa kutsutaan pidätysjakson tai ajanjaksojen parhaaksi sovituksi PBF: ksi. Ennustemenetelmän suorituskyvyn mittaamiseksi käytä ennuste kaavoja simuloimaan ennusteen historialliselle pidätysjakson ajaksi. Tavallisesti myytyjen tietojen ja simuloidun ennustearvon välillä on yleensä eroja odotusaikaa varten. Kun useita ennusteita valitaan, sama prosessi esiintyy jokaisen menetelmän osalta Useita ennusteita lasketaan holdout-ajanjaksolle ja verrattuna samaan ajanjaksoon tunnettuun myyntihistoriaan. Suositusta suositellaan käytettäväksi ennakoinnin ja todellisen myynnin välisen pidemmän ajanjakson aikana parhaiten sopivan ennustamismenetelmän avulla Suunnitelmissasi Tämä suositus koskee jokaista tuotetta, ja se voi muuttua ennustetusta sukupolvesta ne xt. 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 suuruus, kun otetaan huomioon ennustemenetelmä ja tiedot historia Koska laskelmissa käytetään absoluuttisia arvoja, positiiviset virheet eivät peruuta negatiivisia virheitä Kun verrataan useampia ennusteita, pienimmän MAD: n kanssa on osoittautunut luotettavimmaksi kyseiselle tuotteelle kyseisen ajanjakson ajan, kun ennuste on puolueeton ja Virheet jaetaan normaalisti, on matemaattinen yhteys MAD: n ja kahden muun yhteisen jakautumistoimenpiteen välillä, keskihajonta ja keskimääräinen kvadrausvirhe. 16 1 prosentti tarkkuudesta POA. Tarkkuusperiaate POA on ennakoidun ennakkoarvon mittari Kun ennusteet ovat johdonmukaisia liian suuret, varastojen kertyminen ja varastojen nousu Kun ennusteet ovat johdonmukaisesti kaksi matalia, varastoja kulutetaan ja asiakaspalvelu laskee s Ennuste, joka on 10 yksikköä liian alhainen ja 8 yksikköä liian korkea, sitten 2 yksikköä liian korkea, olisi puolueeton ennuste 10 positiivinen virhe peruutetaan negatiivisilla virheillä 8 ja 2.Error Actual - Forecast. When a product voidaan varastoida inventaariossa, ja kun ennuste on puolueeton, pieniä määriä turvaraketta voidaan käyttää virheiden puskemiseen. Tässä tilanteessa ei ole niin tärkeää poistaa ennustevirheitä, koska se muodostaa puolueettomia ennusteita. Kuitenkin palvelualoilla , edellä oleva tilanne katsotaan kolmeksi virheeksi. Palvelussa olisi alijäämää ensimmäisellä jaksolla, sitten ylimäärin seuraavien kahden jakson aikana. Palveluissa ennustevirheiden suuruus on yleensä tärkeämpää kuin ennustettu bias. Summation over holdout period mahdollistaa positiivisten virheiden poistamisen negatiivisissa virheissä Kun todellisen myynnin määrä ylittää ennustetun myynnin kokonaismäärän, suhde on suurempi kuin 100 Tietenkin on mahdotonta olla yli 100 tarkka Kun ennuste on unbias edellinen, POA-suhde on 100 Siksi on toivottavaa, että 95 on tarkka kuin 110 on tarkka. POA-kriteerit valitsevat ennakointimenetelmän, jonka POA-suhde on lähimpänä 100. Tämän sivun tekeminen parantaa sisällönavigointia, mutta ei muuttaa sisältöä millään tavalla.