OR-Notes to seria wstępnych notatek z tematów, które należą do szerokiego działu badań terenowych LUB LUB oryginalnie używanych mnie we wstępnym kursu OR daję w Imperial College Są teraz dostępne dla wszystkich studentów i nauczycieli zainteresowanych LUB z zastrzeżeniem następujących warunków. Pełny wykaz tematów dostępnych w OR-Notes można znaleźć tutaj. Przykłady dotyczące przykładów na żywo. Najbardziej przykładowy egzamin na UG w 1996 r. Zapotrzebowanie na produkt w każdym z pięciu miesięcy przedstawiono poniżej Użyj średniej ruchomej w ciągu dwóch miesięcy, aby wygenerować prognozę popytu w miesiącu 6.Przyprowadzić wyrównanie wykładnicze ze stałą wygładzania wynoszącą 0 9, aby wygenerować prognozę zapotrzebowania na popyt w miesiącu 6.Każdy z tych dwóch prognoz wolisz i dlaczego. Średnia miesięczna miesiąca wynosi od dwóch do pięciu. Prognoza na szóstym szóstym jest tylko średnią ruchoma miesiąca, tj. Średnią ruchoma w miesiącu 5 m 5 2350. Zastosowanie wygładzania wykładniczego z wygładzaniem stała z 0 9. dostajemy. Jak przed prognozą na miesiąc sześć jest średnią dla miesiąca 5 M 5 2386. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, stwierdzimy, że dla średniej ruchome. MSD 15 - 19 18 - 23 21 - 24 3 16 67. oraz średnia wykładnicza wygładzona ze stałą wygładzania wynoszącą 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Przeważnie wtedy widzimy, że wyrównywanie wykładnicze wydaje się dać najlepsze prognozy na 1 miesiąc, ponieważ ma niższą MSD. W związku z tym wolimy prognozę 2386, która została wyprodukowana przez wyrównywanie wykładnicze. Najbardziej przykładowy przykład z 1994 roku UG. Poniższa tabela przedstawia zapotrzebowanie na nową aftaż w sklepie dla każdego z ostatnich 7 miesięcy. Obliczenie średniej ruchomej dwóch miesięcy w miesiącach od dwóch do siedmiu. Jaka będzie Twoja prognoza dla popytu w miesiącu 8. Zastosuj gładką wykładniczkę o stałej wygładzaniu równą 0 do uzyskania prognozy dla popyt w 8. miesiącu. Jakieś dwa prognozy na miesiąc ósmy? u wolę i dlaczego. Właściciel sklepu wierzy, że klienci przechodzą do tej nowej aferencji po dalszej pielęgnacji przez inne marki Omówmy, jak można modelować to zachowanie przełączania i wskazać dane, których potrzebujesz, aby potwierdzić, czy to nastąpi, czy nie. Dwumiesięczny ruch średnia dla miesięcy od dwóch do siedmiu jest podana przez. Prognoza dla miesiąca ósemka jest tylko średnią ruchoma miesiąca, tj. średnia ruchoma miesiąca 7 m 7 46. W zależności od wyrównania wykładniczego ze stałą wygładzania równą 0 otrzymamy. przed prognozą dla miesiąca ósemka jest średnią dla miesiąca 7 M 7 31 11 31, ponieważ nie możemy mieć ułamkowego zapotrzebowania. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchylenie MSD Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej. and dla wykładniczo wyostrzonej średniej ze stałą wygładzania równą 0 1.Następnie widzimy, że średnia miesięczna ruchu wynosi dwa miesiące, dając najlepsze przewidywania jednomiesięczne, ponieważ ma niższą MSD. Dlatego wolimy prognozę o f 46, która została wyprodukowana przez średnią ruchomą w ciągu dwóch miesięcy. Aby przeanalizować przełączanie, musimy użyć modelu procesu Markowa, w którym marki państw i potrzebujemy informacji dotyczących stanu początkowego i prawdopodobieństwa przełączania klientów z badań Musimy uruchomić model na dane historyczne, aby sprawdzić, czy mamy do czynienia z modelem i zachowaniem historycznym. Na przykład z przykładu 1992 UG. Poniższa tabela przedstawia zapotrzebowanie na konkretną markę maszynki do golenia w sklepie przez co najmniej dziewięć miesięcy. Średnia dla miesięcy od trzech do dziewięciu Jaka byłaby twoja prognoza dla popytu w miesiącu dziesięć. Wyrównanie wykładnicze ze stałą wygładzania wynosi 0 3, aby prognozować popyt w miesiącu dziesięć. Jakieś dwa prognozy na dziesięć miesięcy wolisz i dlaczego. Średnia miesięczna średnia za miesiąc od 3 do 9. Prognoza na miesiąc 10 to średnia ruchoma miesiąca, tj. średnia ruchoma w miesiącu 9 m 9 20 33. Ponieważ nie możemy ułamkowe zapotrzebowanie na prognozę dla miesiąca 10 wynosi 20.Zastosowanie wyrównania wykładniczego ze stałą wygładzania równą 0-3 otrzymamy. Zanim prognoza na miesiąc 10 jest średnią dla miesiąca 9 M 9 18 57 19, ponieważ nie możemy mieć ułamkowego popytu. porównaj dwie prognozy obliczamy średnie kwadratowe odchyłki MSD Jeśli to zrobimy, to dla średniej ruchomej i średniej wygładzonej wykładniczo ze stałą wygładzania równą 0 3.Następnie widzimy, że średnia trwa trzy miesiące wydaje się dawać najlepsze prognozy jednomiesięczne z uwagi na niższy poziom MSD W związku z tym wolimy prognozę 20, która została wyprodukowana przez średnią ruchomej w ciągu trzech miesięcy. Przykład na przykład z 1991 r. UG Poniższa tabela przedstawia zapotrzebowanie na określoną markę faksów w dom towarowy w każdym z ostatnich dwunastu miesięcy. Oblicz średnią ruchomej w ciągu miesiąca od 4 do 12 miesięcy. Jaka będzie Twoja prognoza dla popytu w miesiącu 13. Zastosuj wyrównywanie wykładnicze ze stałą wygładzania równą 0 do 2 Mam prognozę na zapotrzebowanie w miesiącu 13. Jakie są dwie prognozy dla miesiąca 13. Czy inne czynniki, nie uwzględnione w powyższych obliczeniach, mogą wpłynąć na zapotrzebowanie na faks w miesiącu 13. Cztery miesiące w ruchu średnia dla miesięcy od 4 do 12 wynosi: 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. Prognoza dla miesiąca 13 jest tylko średnią ruchoma dla miesiąc, tj. średnia ruchoma w miesiącu 12 m 12 46 25. Ponieważ nie możemy mieć ułamkowego zapotrzebowania, prognoza dla miesiąca 13 wynosi 46. Wydaje się, że wyrównanie wykładnicze z wygładzoną stałą równą 0 otrzymamy. Przed prognozą na miesiąc 13 jest średnią dla miesiąca 12 M 12 38 618 39, ponieważ nie możemy mieć ułamkowego zapotrzebowania. Aby porównać te dwie prognozy obliczamy średnie kwadratowe odchyłki MSD Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej oraz dla średniej wygładzonej wykładniczo ze stałą wygładzania równą 0 2. Następnie widzimy, że średnia ruchoma w ciągu czterech miesięcy wydaje się być najlepszym prognozami na 1 miesiąc, ponieważ ma niższą wartość MSD. Dlatego wolimy prognozę 46, która została produkowane przez cztery miesiące ruchome average. seasonalne popyt. przy zmiany, zarówno tej marki i innych brands. general sytuacji gospodarczej. new technology. Forecasting przykład 1989 UG egzamin. Start poniżej pokazuje zapotrzebowanie na konkretną markę kuchenki mikrofalowej w dziale przechowywać w każdym z ostatnich dwunastu miesięcy. Oblicz średnią ruchomą w ciągu sześciu miesięcy dla każdego miesiąca Jaka będzie Twoja prognoza dla popytu w miesiącu 13. Zastosuj wyrównywanie wykładnicze ze stałą wygładzania wynoszącą 0 7, aby prognozować popyt w miesiącu 13.Jednak z dwóch prognoz dla miesiąca 13 wolisz i dlaczego. Teraz nie możemy obliczyć średniej ruchomej w ciągu sześciu miesięcy do momentu, w którym mamy co najmniej 6 obserwacji - tzn. Możemy obliczyć taką średnią od miesiąca 6 w górę Henc e mamy 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. Prognoza miesiąca 13 jest tylko średnią ruchoma dla miesiąc, tj. średnia ruchoma w miesiącu 12 m 12 38 17. Ponieważ nie możemy mieć ułamkowego zapotrzebowania, prognoza dla miesiąca 13 wynosi 38. Wyrównywanie wykładnicze z wygładzoną stałą równą 0 7 otrzymujemy.8 4 Przeprowadzenie średnich modeli. niż użycie przeszłych wartości zmiennej prognozowanej w regresji, model średniej ruchomości wykorzystuje poprzednie błędy prognozy w modelu regresji. yc i teta eta theta kropki theta e. where et jest białe szumy Odnoszę się do tego jako model MA q Oczywiście, nie obserwujemy wartości et, więc nie jest to regresja w zwykłym sensie. wartość yt może być traktowana jako ważona średnia ruchoma ostatnich kilku błędów prognozy. Nie należy jednak mylić średnich ruchomej z ruchomej wygładzonej średniej, o której mówiliśmy w rozdziale 6. Średniometr używany jest do prognozowania przyszłych wartości przy jednoczesnym średnim wygładzeniu jest używany do szacowania cyklu trendu ostatnich wartości. Rysunek 8 6 Dwa przykłady danych z ruchome modele średnie o różnych parametrach Lewy MA 1 z yt 20 i 0 8e t-1 Prawy MA 2 z ytet - e t-1 0 8e t-2 W obu przypadkach normalnie rozprowadzany jest biały szum o średniej zera i wariancji. Rysunek 8 6 przedstawia niektóre dane z modelu MA 1 i modelu MA 2 Zmiana parametrów theta1, kropek, teatru powodują, że różne wzorce serii czasowych Podobnie jak w modelach autoregresji, wariancja błąd błędów et zmieni tylko skalę serii, a nie wzorzec. Można pisać dowolny stacjonarny model ARp jako model inftykatu MA Na przykład, używając wielokrotnego zastąpienia, możemy to udowodnić za model AR1. rozpoczyna yt phi1y i phi1 phi1y e i phi1 2y phi1 e i phi1 3y phi1 2e phi1 e i koniec tekstu. Zaprojektowano -1 phi1 1, wartość phi1k będzie mniejsza, gdy k się powiększy W końcu otrzymamy. yt et phi1 e phi1 2 e phi1 3 e cdots. an MA infty process. Jeżeli odwzorowujemy kilka ograniczeń na parametry MA, wtedy model MA nazywa się odwracalnym. Oznacza to, że możemy napisać dowolny proces odwrócony MA q, proces AR nietypowy. Inwersalne modele nie tylko umożliwiają nam konwersję z modeli MA na modeli AR mają również pewne właściwości matematyczne, które ułatwiają ich wykorzystanie w praktyce. Ograniczenia inwersji są podobne do ograniczeń stacjonarnych. Dla MA 1 model -1 theta1 1.Dla modelu MA2 -1 theta2 1, theta2 theta1 -1, theta1-theta2 1.Z bardziej skomplikowane warunki utrzymują się na q3 Ponownie, R zajmie się tymi ograniczeniami podczas szacowania modeli. Forecasting obejmuje generowanie liczby, zestaw liczb lub scenariuszy, które odpowiadają przyszłym zdarzeniom Niezbędne jest planowanie krótkoterminowe i długoterminowe Z definicji prognoza opiera się na danych z przeszłości, w przeciwieństwie do przewidywania, co jest bardziej subiektywne i podstawowe na przykład, wieczorna informacja nadaje prognozę pogody, a nie prognozę pogody Niezależnie od tego, czy prognozy i prognozy terminów są często używane w sposób zmienny na przykład Na przykład definicje regresji technika stosowana niekiedy w prognozowaniu na ogół określa stan że jego celem jest wyjaśnienie lub przewidzenie. Prognozowanie opiera się na wielu założeniach. W przeszłości powtórzę się samemu Innymi słowy, to, co wydarzyło się w przeszłości, powtórzy się ponownie w przyszłości. na przykład prognoza na jutro będzie dokładniejsza niż prognoza na następny miesiąc prognoza na następny miesiąc będzie dokładniejsza niż prognoza na następny rok, a prognoza na następny rok będzie dokładniejsza niż prognoza na dziesięć lat w przyszłości . Prognozowanie w skali globalnej jest dokładniejsze niż prognozowanie pojedynczych elementów Oznacza to, że firma będzie w stanie prognozować całkowite zapotrzebowanie na cały zakres swoich produktów e dokładnie niż będzie w stanie przewidzieć poszczególne jednostki magazynowania Jednostki SKU Na przykład, General Motors może dokładniej przewidywać całkowitą liczbę samochodów potrzebnych na przyszły rok niż całkowita liczba białych Chevrolet Impalas z pewnym pakietem opcji. dokładność Ponadto prognozy prawie nigdy nie są całkowicie dokładne Podczas gdy niektóre są bardzo bliskie, niewiele osób ma rację w stosunku do pieniędzy Dlatego warto zaoferować zakres prognoz Jeśli w przyszłym miesiącu przewidywano zapotrzebowanie na 100 000 jednostek, jest to mało prawdopodobne popyt ten wynosiłby 100 000 dokładnie Jednak prognoza 90 000 do 110 000 zapewniłaby znacznie większy cel planowania. William J Stevenson wymienia szereg cech, które są wspólne dla dobrej prognozy. Dokonaj pewien stopień dokładności i powinien być określony i określony że można porównać porównanie z alternatywnymi prognozami. Niezawodna metoda prognozy powinna konsekwentnie zapewniać dobrą prognozę, jeśli użytkownik ma ustanowić pewien stopień ufności. Tymczasem potrzebna jest pewna ilość czasu, aby odpowiedzieć na prognozę, więc horyzont prognozy musi pozwolić na czas niezbędny do wprowadzenia zmian. Z łatwiejszy w użyciu i zrozumieć użytkowników prognozy muszą być pewni i komfortowo pracujący z tym. efektywne koszty tworzenia prognozy nie powinny przeważyć nad korzyściami płynącymi z prognozy. Techniki projekcji obejmują od prostych do bardzo skomplikowanych. Te techniki są zwykle klasyfikowane jako jakościowe lub ilościowe. TECHNIKI KWALIFIKACYJNE. Techniki prognozowania jakościowego są na ogół bardziej subiektywne niż ich ilościowe odpowiedniki Techniki jakościowe są bardziej użyteczne we wczesnych etapach cyklu życia produktu, w przypadku gdy istnieją mniej danych z przeszłości do wykorzystania w metodach ilościowych Metody jakościowe obejmują technikę Delphi, technikę Grupy Nominalnej NGT, opinie siły roboczej, opinie wykonawców i badania rynku. Technika DELPHI. Technika Delphi wykorzystuje panel ekspertów, aby wyprodukować prognoza Każdy ekspert jest proszony o przedstawienie prognozy na miarę potrzeby Po przygotowaniu wstępnych prognoz każdy ekspert odczytuje to, co napisał każdy inny ekspert i jest oczywiście zależny od ich opinii Następna prognoza jest następnie sporządzana przez każdego ekspert Każdy ekspert odczytuje to, co każdy inny ekspert napisał i ponownie wpływa na postrzeganie innych Proces ten powtarza się, dopóki każdy ekspert nie zgodzi się na potrzebny scenariusz lub numery. TECHNIKA GRUPY NOMINALNEJ. Nominalna technika grupy jest podobna do techniki Delphi w tym, że wykorzystuje grupę uczestników, zazwyczaj ekspertów Po tym, jak uczestnicy odpowiedzą na pytania związane z prognozą, oceniają swoje odpowiedzi w kolejności odczuwanej względnej wagi, a następnie zbierane są i agregowane rankingi. W końcu grupa powinna osiągnąć porozumienie co do priorytetów kwestie rankingowe. OPINIE FORCE PRZEDMIOTÓW. Personel handlowy jest często dobrym źródłem informacji dotyczących przyszłego zapotrzebowania Sal menedżer może poprosić o dane wejściowe od każdego sprzedającego i skompletować swoje odpowiedzi w złożoną prognozę sprzedaży. Ostrożnie należy zachować podczas korzystania z tej techniki, ponieważ członkowie zespołu sprzedaży mogą nie być w stanie rozróżnić tego, co klienci mówią i co właściwie Również jeśli prognozy zostaną wykorzystane do ustalenia kontyngentów sprzedaży, siły sprzedaży mogą być skłonne do przedstawienia niższych szacunków. WYKONYWANIA OPINII. Cztery razy szefowie wyższego szczebla spotykają się i opracowują prognozy w oparciu o wiedzę na temat obszarów odpowiedzialności jako jury opinii wykonawczej. MARKET RESEARCH. W badaniach rynkowych przeprowadzane są badania konsumenckie w celu ustalenia potencjalnego zapotrzebowania. Te badania marketingowe zazwyczaj obejmują opracowanie kwestionariusza, który domagał się osobistych, demograficznych, gospodarczych i marketingowych informacji. Na tej podstawie badacze rynku zbierają takie informacje osobiście w punktach sprzedaży detalicznej i centrach handlowych, gdzie konsument może doświadczać smaku, czuć, zapachu i s ee konkretny produkt Badacz musi być ostrożny, aby próbka badanych osób była reprezentatywna dla pożądanego celu konsumenta. TECHNIKI KULTURYSTYCZNE. Techniki prognozowania ilościowego są na ogół bardziej obiektywne niż ich jakościowe odpowiedniki. Prognozy ilościowe mogą być prognozami dotyczącymi serii czasowej tj. projekcji przeszłości w przyszłość lub prognozy oparte na modelach asocjacyjnych, czyli na podstawie jednej lub kilku zmiennych objaśniających Dane z serii danych czasowych mogą mieć podstawowe zachowania, które muszą zostać zidentyfikowane przez prezentera Ponadto prognoza może wymagać identyfikacji przyczyn zachowań Niektóre z nich zachowania mogą być wzorami lub po prostu przypadkowymi odmianami Wśród wzorców są tendencje, które są długoterminowymi ruchami w górę lub w dół danych. Seasonality, która powoduje krótkotrwałe wahania, które są zwykle związane z czasem w roku, miesiącu lub nawet pewnego dnia, co świadczy sprzedaż detaliczna w okresie świąt Bożego Narodzenia lub skoki aktywności bankowej w pierwszym miesiącu d w piątki. Cykle, które są odmianami zbliżonymi do roku, które zwykle są powiązane ze stanami ekonomicznymi lub politycznymi. Typy zmian, które nie odzwierciedlają typowych zachowań, takich jak okres ekstremalnych warunków pogodowych czy strajk związkowy. obejmować wszystkie nietypowe zachowania, których nie uwzględniono w innych klasyfikacjach. Wśród modeli serii czasowych, najprostszym jest prognozowanie prognozy Po prostu używa rzeczywistego zapotrzebowania na ostatni okres, ponieważ przewidywane zapotrzebowanie na następny okres oczywiście zakłada, że przeszłość będzie powtarzać Zakłada również, że wszelkie trendy, sezonowość czy cykle są odzwierciedlone w popycie w poprzednim okresie lub nie istnieją Przykładowy plan prognozowania został przedstawiony w Tabeli 1. Tablica 1 Prognozowanie na stronie. Inną prostą techniką jest użycie średniej Aby prognozować uśrednianie, wystarczy zwykła średnia pewnej liczby okresów przeszłych danych przez zsumowanie każdego okresu i podzielenie rezydualnego Za liczbę okresów Ta technika okazała się być bardzo efektywna w prognozowaniu krótkoterminowych. Uwarunkowania średnie obejmują średnią ruchową, średnią ważoną i ważoną średnią ruchoma Średnia ruchoma ma określoną liczbę okresów, sumuje ich rzeczywisty popyt i dzieli się przez liczbę okresów, aby osiągnąć prognozę Dla każdego następnego okresu najstarszy okres czasu upływa, a ostatni okres jest dodawany Przy założeniu trzykomiesięcznej średniej ruchomej i przy użyciu danych z Tabeli 1 można by po prostu dodać 45 stycznia, 60 lutego i 72 marca i podzielić się przez trzy, aby osiągnąć prognozę na kwiecień 45 60 72 177 3 59. Aby osiągnąć prognozę na maj, spadnie popyt styczeń z równania i dodaj zapotrzebowanie Kwiecień Tabela 2 przedstawia przykład trójmianowej prognozy średniej ruchomej. Tabela 2 Prognoza średniej ruchomej trwa trzy miesiące. Szacowana ważona średnia ważona dla każdego miesiąca poprzednich danych wynosi z góry określoną masę, każdy okres i dzieli się na całkowitą wagę Jeśli prekursor dostosuje wagi tak, aby ich suma równa się 1, to odważniki pomnożone są przez rzeczywisty popyt każdego okresu, którego dotyczą. Wyniki są następnie sumowane w celu osiągnięcia ważonej prognozy Ogólnie , im dane są starsze, tym większa masa, a im starsze dane, tym mniejsza masa Przy użyciu przykładu popytu średnia ważona przy użyciu wag 4 3 2 i 1 prognozuje na czerwiec 60 1 72 2 58 3 40 4 53 8.Forecasters mogą również używać kombinacji średniej ważonej i średniej ruchomej prognozowanej ważonej średniej ruchomej, przypisuje wagi do z góry określonej liczby okresów rzeczywistych danych i oblicza prognozę w taki sam sposób, jak opisano powyżej Podobnie jak w przypadku wszystkich prognoz ruchu , w miarę dodawania każdego nowego okresu dane z najstarszego okresu są odrzucane Tabela 3 przedstawia średnią ważoną średnią z trzech miesięcy ważoną 5 3 i 2. Tabelę 3 Średnia ważona średnia ważona z trzech miesięcy Forecast. Actual Demand 000 sA bardziej złożona forma ważonej średniej ruchomej jest wygładzaniem wykładowym, tak nazwanym, ponieważ masa upośledza wykładniczo, ponieważ wiek danych wygładza Exponential wygrywa prognozę z poprzedniego okresu i dostosowuje ją przez ustaloną stałą wygładzania, zwaną alfa wartością dla alfa jest mniejsza niż jedna pomnożona przez różnicę w poprzedniej prognozie i zapotrzebowanie, które wystąpiły w poprzednio przewidywanym okresie zwanym błędem prognozy Wyrównanie wykładnicze wyrażone jest formulaically jako takie Nowa prognoza poprzednia prognoza alfa faktyczny popyt poprzednia prognoza FFA F. Wyrównanie preferencyjne wymaga prognozowanie rozpoczęcia prognozy w ubiegłym okresie i kontynuowania prac nad okresem, w którym potrzebna jest obecna prognoza Znaczna ilość dotychczasowych danych oraz początek lub wstępna prognoza są również konieczne Wstępna prognoza może być rzeczywistą prognozą z poprzedniego okresu , rzeczywistego zapotrzebowania z poprzedniego okresu lub można go oszacować d uśredniając całość lub część przeszłych danych Niektóre heurystyki istnieją do obliczania początkowej prognozy Na przykład, heurystyczny N 2 1 i alfa 5 daje wynik N równy 3, wskazując, że użytkownik wyliczyłby pierwsze trzy okresy danych do uzyskać wstępną prognozę Jednak dokładność pierwotnej prognozy nie jest krytyczna, jeśli używamy dużej ilości danych, ponieważ wyrównywanie wykładnicze jest samoregulujące Zważywszy na wystarczające okresy przeszłych danych, wyrównywanie wykładnicze w końcu doprowadzi do wystarczających korekt, aby zrekompensować racjonalnie niedokładna prognoza początkowa Wykorzystując dane wykorzystane w innych przykładach, wstępna prognoza wynosząca 50 i alfa 7, prognozę na luty jest obliczana jako taka Nowa prognoza 50 lutego 7 45 50 41 5.Następna prognoza dla marca Nowa prognoza Marzec 41 5 7 60 41 5 54 45 Proces ten trwa do czasu, kiedy prekursor osiągnie pożądany okres W tabeli 4 nastąpi to na miesiąc czerwca, ponieważ rzeczywisty popyt na czerwiec nie jest znany. Rzeczywiste zapotrzebowanie 000 s. An exten sztywność wykładnicza może być użyta, gdy dane serii czasowej wykazują tendencję liniową Ta metoda znana jest pod kilkoma nazwami Wyrównywanie wyrównawcze wyrównujące potrójnie wygładzone trendy wraz z tendencją FIT i modelem Holta Bez korekty, proste efekty wyrównywania wykładniczego będą trenować, Oznacza to, że prognoza będzie zawsze niska, jeśli trend się zwiększy lub będzie wysoki, jeśli trend się zmniejszy W tym modelu istnieją dwa stałe wygładzania i reprezentujące składnik tendencji. Przedłużenie modelu Holt s Model Holt-Winter s Metoda uwzględnia tendencję i sezonowość Istnieją dwie wersje: multiplikatywne i addytywne, przy czym mnożnik jest najbardziej rozpowszechniony W modelu addytywnym sezonowość wyrażana jest jako ilość do dodania lub odejmowania od średniej serii Model mnożący wyraża sezonowość jako procent znany jako sezonowe krewnych lub sezonowe indeksy średniej lub trendu Są to razy mnożone wartości i n W celu włączenia sezonowości Krewny 0 8 wskazywałoby popyt, który wynosi 80 procent średniej, podczas gdy 1 10 wskaże popyt, który jest o 10 procent wyższy od średniej Szczegółowe informacje dotyczące tej metody można znaleźć w większości podręczników zarządzania operacjami lub w jednym z nich wiele książek na temat prognozowania. Techniki stymulacyjne lub przyczynowe obejmują identyfikację zmiennych, które można wykorzystać do przewidzenia innej zmiennej zainteresowania Na przykład stopy procentowe mogą być wykorzystane do prognozowania zapotrzebowania na refinansowanie w domu Zazwyczaj wymaga to regresji liniowej , gdzie celem jest opracowanie równania, które podsumowuje wpływ zmiennych niezależnych od predykatora na prognozowaną zmienną zależną Jeśli została wytyczona zmienna predykcyjna, celem byłoby uzyskanie równania prostej, która minimalizuje sumę kwadratowych odchyleń z linii z odchyleniem będącym odległością od każdego punktu do linii Równanie pojawi się jako yab x, gdzie y jest przewidywaną zmienną zależną, x jest zmienną niezależną od predykucji, b jest nachyleniem linii, a jest równe wysokości linii przy przechwytywaniu y Kiedy równanie zostanie określone, użytkownik może wstawić bieżącej wartości zmiennej niezależnej od predykatu, aby uzyskać zmienną zależną od prognozy. Jeśli istnieje więcej niż jedna zmienna przewidywana lub jeśli związek między wskaźnikiem predykcyjnym a prognozą nie jest liniowy, prosta regresja liniowa będzie niewystarczająca W sytuacjach z wieloma predyktorami regresja wielokrotna powinna podczas gdy związki nieliniowe wymagają zastosowania regresji krzywoliniowej. KONCEPTENCJONOWANIE EKONOMICZNE. Ekonometryczne metody, takie jak autoregresywny zintegrowany model ruchomy średniej ARIMA, stosuj złożone równania matematyczne w celu ukazania przeszłych relacji między popytem a zmiennymi wpływającymi na zapotrzebowanie Równanie jest wyprowadzana, a następnie testowana i dostrojona, aby zapewnić, że jest ona równie niezawodną reprezentacją dawnych relacji jako poz sible Kiedy to nastąpi, przewidywane wartości wpływających zmiennych dochodów, cen, itd. są wstawione do równania w celu dokonania prognozy. OCENA PROGNOZA. Dokładność rzutu może być określona przez obliczenie stronniczości, średnie odchylenie bezwzględne MAD, średni błąd kwadratowy MSE, lub średni bezwzględny błąd procentowy MAPE dla prognozy przy użyciu różnych wartości dla alfa Bias jest sumą błędów prognozy FE Dla przykładu wyrównania wykładniczego powyżej, obliczone nastawienie wynosi 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Jeśli przyjmiemy, że niskie nastawienie wskazuje ogólny błąd o niskiej prognozie, można wyliczyć tendencję do szeregu potencjalnych wartości alfa i przypuszczać, że najmniejsza tendencja byłaby najbardziej dokładna. Jednakże należy zachować ostrożność w tym dziko niedokładne prognozy mogą przynieść niskie nastawienie, jeśli mają tendencję do przewyższania prognozy i prognozowanej jako negatywnej i pozytywnej Na przykład, w trzech okresach firma może wykorzystać określoną wartość alfa do prognozowanej o 75 000 jednostki 75 000, w prognozie 100 000 jednostek 100 000, a następnie prognozowane przez 25 000 jednostek 25 000, dając poczucie zero 75 000 100 000 25 000 0 Dla porównania, inna alfa dająca ponad 2,000 jednostek, 1000 jednostek i 3000 jednostek spowodowałaby tendencja do 5 000 sztuk Jeśli normalny popyt wyniósł 100 000 sztuk na okres, pierwsza alfa przyniosłaby prognozy, które wyniosły nawet o 100 procent, podczas gdy drugi alfa byłby wyłączony maksymalnie o 3 procent, mimo że uprzedzenia w pierwszej prognoza była równa zeru. Bezpieczniejszą miarą dokładności prognozy jest średnie bezwzględne odchylenie MAD Aby obliczyć MAD, prekursor sumuje wartość bezwzględną błędów prognozy, a następnie dzieli się na liczbę prognoz FE N Przyjmując bezwzględną wartość błędów prognozy , uniemożliwia się wyrównywanie wartości dodatnich i ujemnych Oznacza to, że zarówno prognoza powyżej 50, jak i prognoza 50 są wyłączone przez 50. Wykorzystując dane z przykładu wygładzania wykładniczego MAD może być obliczono następująco: 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 W związku z tym prognozowany jest średnio 16 35 jednostek na prognozę W porównaniu z wynikami innych alfów, prekursor wie, że alfa z najniższy MAD daje największą prognozę. Mean błąd kwadratowy MSE może być również wykorzystany w ten sam sposób MSE jest sumą prognozowanych błędów podzielonych przez N-1 FE N-1 Wyrównywanie błędów prognozy eliminuje możliwość wyrównywania liczb ujemnych , ponieważ żaden z wyników nie może być ujemny Wykorzystując te same dane jak powyżej, MSE wynosiłby 18 5 17 55 8 74 20 62 3 383 94 Podobnie jak w przypadku MAD, prekursor może porównywać MSE prognoz pochodzących z różnych wartości alfa i przyjąć, że alfa o najniższym MSE daje najdokładniejszą prognozę. Średni procentowy błąd procentowy MAPE to średni bezwzględny błąd procentowy Aby osiągnąć MAPE należy wziąć sumę wskaźników pomiędzy błędem prognozy a rzeczywistym zapotrzebowaniem 100, aby uzyskać za centage i podzielić przez N Rzeczywistą prognozę popytu Rzeczywisty popyt 100 N Korzystając z danych z przykładu wygładzania wykładniczego, MAPE można obliczyć następująco: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Tak jak w MAD i MSE, obniżyć względny błąd, tym dokładniejsza prognoza. Należy zauważyć, że w niektórych przypadkach zdolność prognozowania do szybkiego reagowania na zmiany wzorców danych jest ważniejsza niż dokładność. Dlatego należy wybrać jedną z metod prognozowania odzwierciedla względną wagę pomiędzy dokładnością i szybkością reakcji, określoną przez prezentera. WYKONANIE PROCESJI. William J Stevenson wymienia następujące elementy jako podstawowe etapy procesu prognozowania. Określ cel prognozy Czynniki takie jak przewidywania i prognozy wymagany stopień dokładności oraz wymagany poziom szczegółowości określają czas, pieniądze, pracowników, które mogą być przeznaczone na prognozę i rodzaj metody prognozowania, która ma być wykorzystana Zed. Ustanowienie horyzontu czasu To zdarza się po ustaleniu celu prognozy Długoterminowe prognozy wymagają dłuższych horyzontów czasowych i vice versa Dokładność jest ponownie rozważana. Wybierz technikę prognozowania Wybrana technika zależy od celu prognozy, wymagany horyzont czasowy i dozwolony koszt. Zbieranie i analizowanie danych Ilość i rodzaj danych potrzebnych jest zależny od przewidywanego celu, wybranej techniki prognozowania oraz wszelkich rozważań o kosztach. Wykonaj prognozę. Monitoruj prognozę Ocenianie skuteczności prognozowanie i modyfikowanie, jeśli to konieczne. KALNE CZYTANIE. Finch, Byron J Operacje teraz rentowność, procesy, wydajność 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Analiza ekonometryczna 5 ed Górna Saddle River, NJ Prentice Hall, 2003.Joppe , Dr Marion Technika Grupy Nominalnej Proces Badawczy dostępny od: Stevenson, William J. Operations Management 8 w Bostonie McGraw-Hill Irwin, 2005. Czytaj także artykuł o Foreca sting z Wikipedii.
Comments
Post a Comment