Esponenziale Explained. Copyright del contenuto su è protetto da copyright e non è disponibile per republication. When persone incontrano prima il termine esponenziale si può pensare che suona come un inferno di un sacco di lisciatura qualsiasi smoothing è che poi iniziano a immaginare una matematica complessa calcolo che probabilmente richiede una laurea in matematica per capire, e spero che vi è una funzione built-in di Excel disponibili, se mai bisogno di farlo La realtà di livellamento esponenziale è molto meno drammatica e molto meno traumatic. The verità è, livellamento esponenziale è un semplice calcolo da un'operazione piuttosto semplice 'solo un nome complicato perché ciò che accade tecnicamente come risultato di questo semplice calcolo è in realtà un po complicated. To capire livellamento esponenziale, è utile iniziare con il concetto generale di lisciatura e paio di altri metodi comuni utilizzati per ottenere smoothing. What è smoothing. Smoothing è un processo statistico molto comune, infatti, incontriamo regolarmente i dati levigate in varie forme nel nostro giorno per giorno la vita Ogni volta che si utilizza una media per descrivere qualcosa, si utilizza un numero lisciato Se ci pensate il motivo per cui si utilizza una media per descrivere qualcosa, si capisce subito il concetto di lisciatura per esempio, abbiamo appena vissuto l'inverno più caldo mai registrato come siamo in grado di quantificare questo Bene iniziamo con set di dati delle temperature giornaliere alte e basse per il periodo che chiamiamo invernale per ogni anno nella storia, ma che ci lascia con un gruppo di numeri che saltano in giro un bel po ', non è come se ogni giorno questo inverno è stato più caldo rispetto ai giorni corrispondenti da tutto anni precedenti abbiamo bisogno di un numero che consente di rimuovere tutto ciò che salta intorno dai dati in modo che possiamo confrontare più facilmente un inverno alla successiva rimozione del salto in giro per i dati è chiamata smoothing, e in questo caso si può semplicemente utilizzare un media semplice da realizzare la previsione della domanda smoothing. In, abbiamo utilizzare levigante per rimuovere il rumore variazione casuale dalla nostra richiesta storico Questo ci permette di identificare meglio modelli di domanda in primo luogo di tendenza e livelli di stagionalità e di domanda che possono essere utilizzate per stimare la futura domanda il rumore della domanda è lo stesso concetto come il salto quotidiana intorno dei dati di temperatura Non a caso, il modo più comune persone a rimuovere il rumore dalla storia richiesta è quella di utilizzare una media semplice o più specificamente, una media una media mobile in movimento utilizza solo un numero predefinito di periodi per il calcolo della media, e quei periodi si muovono col passare del tempo, ad esempio, se io m utilizzando una media mobile di 4 mesi, e oggi è il 1 ° maggio I m utilizzando una media di domanda che si è verificato nel mese di gennaio, febbraio, marzo, e aprile Il 1 ° giugno, ho verrà utilizzato domanda da febbraio, marzo, aprile, e May. Weighted movimento average. When con una media stiamo applicando lo stesso peso importanza ad ogni valore nel set di dati nella media mobile a 4 mesi, ogni mese ha rappresentato il 25 del movimento media Quando si utilizza la storia richiesta di proiettare la domanda futura e di tendenza soprattutto futuro, s logico giungere alla conclusione che si vorrebbe storia più recente di avere un impatto maggiore sulla vostra previsione Siamo in grado di adattare il nostro calcolo media mobile di applicare diversi pesi a ciascun periodo per ottenere i risultati desiderati esprimiamo questi pesi come percentuali, e il totale di tutti i pesi per tutti i periodi bisogna aggiungere fino a 100 Quindi, se decidiamo vogliamo applicare 35 come il peso per il periodo più vicino nel nostro 4 mesi ponderata media mobile, siamo in grado di sottrarre 35 da 100 di trovare abbiamo 65 rimanendo a dividere sulle altre 3 periodi ad esempio, potremmo finire con una ponderazione del 15, 20, 30, e 35, rispettivamente, per i 4 mesi 15 20 30 35 100.Exponential smoothing. If torniamo al concetto di applicare un peso per il periodo più recente, come 35 nell'esempio precedente e diffondere il peso restante calcolata sottraendo il più recente peso periodo di 35 da 100 per ottenere 65, abbiamo gli elementi di base per il nostro calcolo livellamento esponenziale l'ingresso di controllo del calcolo livellamento esponenziale è conosciuto come il fattore di livellamento chiamato anche il costante lisciandolo rappresenta essenzialmente la ponderazione applicata al più recente periodo s richiesta Quindi, dove abbiamo usato 35 come il coefficiente correttore per il periodo più recente nel calcolo della media mobile ponderata, si potrebbe anche scegliere di utilizzare 35 come fattore di smoothing nel nostro calcolo livellamento esponenziale per ottenere un effetto simile la differenza con il calcolo livellamento esponenziale è che invece di dover anche capire quanto peso da applicare a ciascun periodo precedente, il fattore di livellamento viene utilizzato per fare automaticamente that. So qui viene la parte esponenziale Se usiamo 35 come fattore di livellamento, la ponderazione della domanda del periodo più recente s sarà 35 la ponderazione della domanda il prossimo periodo più recente s periodo precedente la più recente sarà 65 di 35 65 proviene da sottrarre 35 da 100 Ciò equivale a 22 75 ponderazione per quel periodo se si fa il math. The prossima domanda più recente periodo s volontà essere 65 di 65 di 35, il che equivale a 14 79 il periodo prima che sarà la ponderazione di 65 di 65 di 65 di 35, il che equivale al 9 61, e così via e questo va avanti indietro attraverso tutti i periodi precedenti tutta la strada indietro all'inizio del tempo o il punto in cui è stato avviato con livellamento esponenziale per quel particolare item. You Re probabilmente pensando che s che sembra un bel po 'di matematica, ma la bellezza del calcolo livellamento esponenziale è che invece di dover ricalcolare contro ogni periodo precedente ogni volta che si ottiene la domanda di un nuovo periodo di s, è sufficiente utilizzare l'uscita del calcolo livellamento esponenziale rispetto al periodo precedente per rappresentare tutto periods. Are precedente confuso ancora Questo renderà più senso quando guardiamo il calcolo effettivo. In genere ci si riferisce all'uscita del calcolo livellamento esponenziale come il prossimo periodo previsto In realtà, la previsione finale ha bisogno di un po 'di lavoro, ma ai fini di questo calcolo specifico, si farà riferimento ad esso come il calcolo livellamento esponenziale forecast. The è la domanda follows. The periodo più recente s moltiplicato per il fattore di livellamento più il periodo più recente s previsione moltiplicato per meno uno la levigatura FACTOR. D più recente periodo s richiesta S il fattore di livellamento rappresentata in forma decimale così 35 sarà rappresentata da 0 35 F il periodo più recente s previsione l'uscita del calcolo lisciatura dal precedente period. OR assumendo un fattore di livellamento di 0 35.It doesn t ottenere molto più semplice di that. As si può vedere, tutti abbiamo bisogno di input di dati qui sono il più recente periodo s la domanda e il periodo più recente s previsione noi applichiamo il fattore di lisciatura ponderazione per il periodo più recente s richiesta allo stesso modo avremmo nel calcolo della media mobile ponderata abbiamo quindi applicare il restante ponderazione 1 meno il fattore di livellamento per il periodo più recente s previsione forecast. Since il periodo più recente s è stato creato sulla base della domanda del periodo precedente s e previsioni del periodo precedente s, che era basato sulla domanda per il periodo prima che e le previsioni per il periodo precedente, che era basato sulla domanda per il periodo prima che e le previsioni per il periodo precedente, che era basato sul periodo precedente that. well, si può vedere come la domanda tutti i periodi precedenti s sono rappresentati nel calcolo senza realmente andare avanti e ricalcolando anything. And che s ciò che ha spinto la popolarità iniziale di livellamento esponenziale Non è stato perché ha fatto un lavoro migliore di lisciatura di ponderata media mobile, è stato perché era più facile da calcolare in un programma di computer e, perché si didn t bisogno di pensare a ciò che peso dare periodi precedenti o quanti periodi precedenti da utilizzare, come si farebbe in ponderata media mobile e, perché appena sembrava più fresco rispetto ponderata movimento fatto average. In, si potrebbe sostenere che ponderata media mobile fornisce una maggiore flessibilità dal momento che si ha un maggiore controllo sulla ponderazione dei periodi precedenti la realtà è uno di questi in grado di fornire risultati rispettabili, quindi perché non vai con più facile e più fresco sounding. Exponential Smoothing in Excel. Let s vedere come questo sarebbe effettivamente guardare in un foglio di calcolo con dati reali contenuti. Copyright on è protetto da copyright e non è disponibile per republication. In figura 1A, abbiamo un foglio di calcolo Excel con 11 settimane di domanda, e una previsione in modo esponenziale levigata calcolati da quella domanda io ho usato un fattore di lisciatura di 25 0 25 cella C1 la corrente di cella attiva è cellulare M4 che contiene le previsioni per la settimana 12 è possibile visualizzare nella barra della formula, la formula è L3 L4 C1 1- C1 Così gli ingressi solo scalo a questo calcolo sono il periodo precedente s cellulare domanda L3, previsioni del periodo precedente s cellulare L4, e la lisciatura fattore di cella C1, indicato come riferimento di cella assoluto C1.When iniziamo un calcolo di livellamento esponenziale, abbiamo bisogno di inserire manualmente il valore per il 1 ° tempo Quindi, in cella B4, piuttosto che una formula , abbiamo appena digitato nella domanda da quello stesso periodo, come le previsioni in cella C4 abbiamo il nostro 1 ° esponenziale calcolo smoothing B3 C1 B4 1- C1 possiamo quindi copiare cellulare C4 e incollarlo nelle celle D4 attraverso M4 per riempire il resto del nostro previsioni cells. You può ora fare doppio clic su qualsiasi cella del tempo per vedere si basa sul periodo precedente s cellule meteorologiche e del periodo precedente s cella domanda Così ogni successivo calcolo livellamento esponenziale eredita l'uscita del precedente calcolo del livellamento esponenziale che s come domanda ciascun periodo precedente s è rappresentata nel calcolo del periodo più recente s, anche se tale calcolo non fa riferimento direttamente quei periodi precedenti Se si desidera ottenere fantasia, è possibile utilizzare Excel s precedenti funzione trace per fare questo, fare clic su Cell M4, poi sulla barra degli strumenti del nastro Excel 2007 o 2010 fare clic sulla scheda formule, quindi fare clic su Individua precedenti sarà disegnare linee di connessione al 1 ° livello di precedenti, ma se continuate a fare clic Individua precedenti sarà tracciare le linee di connessione a tutti i periodi precedenti visualizzare la ereditato relationships. Now lasciate s vedere che cosa livellamento esponenziale ha fatto per us. Figure 1B mostra un grafico a linee della nostra domanda e prevedere È caso vedere come il tempo in modo esponenziale levigata elimina la maggior parte del jaggedness salto intorno dalla domanda settimanale, ma riesce ancora a seguire quello che sembra essere una tendenza al rialzo della domanda ll anche notare che la linea del tempo levigata tende ad essere inferiore alla linea di domanda Questo è noto come ritardo di tendenza ed è un effetto collaterale del processo di levigatura Ogni volta che si utilizza livellamento quando una tendenza è presente la vostra previsione sarà in ritardo rispetto alla tendenza questo è vero per qualsiasi tecnica di lisciatura infatti, se dovessimo continuare questo foglio e iniziare inserendo i numeri di una minore domanda facendo una tendenza al ribasso si dovrebbe vedere la goccia linea di domanda, e la linea di tendenza si muove sopra prima di iniziare a seguire la trend. That verso il basso s il motivo per cui ho accennato in precedenza l'uscita dal calcolo livellamento esponenziale che noi chiamiamo una previsione, ha ancora bisogno di un po 'di lavoro c'è molto di più per la previsione di un semplice appianare le asperità della domanda abbiamo bisogno per effettuare regolazioni supplementari per cose come tendenza di ritardo, la stagionalità, eventi noti che possono effetto di domanda, ecc Ma tutto ciò che è oltre la portata di questo article. You sarà probabilmente anche imbattersi in termini come smoothing doppio esponenziale e triple-esponenziale Questi termini sono un po 'fuorviante dal momento che non sono ri-levigare la più volte richiesta si può se si vuole, ma che non è il punto qui Questi termini rappresentano usando livellamento esponenziale su ulteriori elementi di previsione Quindi, con semplice livellamento esponenziale, si sta levigando la la domanda di base, ma con doppio esponenziale si sta lisciando la domanda di base, più la tendenza, e con triplo esponenziale si sta lisciando la domanda di base, più la tendenza più il seasonality. The altra domanda più frequenti su livellamento esponenziale è dove fare ho il mio fattore di livellamento non c'è una risposta magica qui, è necessario testare diversi fattori di livellamento con i tuoi dati di domanda per vedere che cosa i migliori risultati ci sono calcoli che può automaticamente impostare e modificare il fattore di livellamento Questi rientrano nella adattivo lisciatura termine ottiene , ma è necessario fare attenzione con loro semplicemente non c'è alcuna risposta perfetta e non si deve implementare ciecamente qualsiasi calcolo senza la prova completa e lo sviluppo di una conoscenza approfondita di ciò che tale calcolo fa si dovrebbe anche eseguire scenari what-if per vedere come questi calcoli reagiscono per chiedere cambiamenti che non possono attualmente esistenti nei dati domanda che si sta utilizzando per testing. The esempio, i dati che ho usato in precedenza è un ottimo esempio di una situazione in cui si ha realmente bisogno di testare alcuni altri scenari che esempio particolare di dati mostra un po 'coerente verso l'alto tendenza Molte grandi aziende con software di previsione molto costoso ottenuto in grossi guai in passato non così lontano, quando le impostazioni del software che sono stati ottimizzato per un'economia in crescita didn t reagiscono bene quando l'economia ha iniziato stagnante o in calo Cose come questa accadere quando si don t capire che cosa il vostro software di calcolo è in realtà facendo Se hanno capito il loro sistema di previsione, avrebbero saputo che avevano bisogno di saltare e cambiare qualcosa, quando ci sono stati improvvisi cambiamenti drammatici alla loro business. So ci avete le basi di livellamento esponenziale spiegato Desideri per saperne di più sull'utilizzo di livellamento esponenziale in un tempo reale, controllare il mio libro Inventory Management Explained. Copyright del contenuto su è protetto da copyright e non è disponibile per republication. Dave Piasecki è operatore proprietario di inventario Operations Consulting LLC una società di consulenza che fornisce servizi correlati alla gestione delle scorte, movimentazione dei materiali, e le operazioni di magazzino egli ha oltre 25 anni di esperienza nella gestione delle operazioni e può essere raggiunto attraverso il suo sito web, dove egli sostiene ulteriore rilevante information. My Business. What s la differenza tra media mobile e mobile ponderata average. A 5-periodo di media mobile, sulla base dei prezzi di cui sopra, sarebbe stato calcolato con la seguente formula. Based sulla suddetta equazione, il prezzo medio per il periodo di cui sopra è stata del 90 66 utilizzando medie mobili è un metodo efficace per l'eliminazione di forti oscillazioni dei prezzi i limitazione chiave è che i punti dati dai dati precedenti non sono ponderati in modo diverso rispetto ai dati punti vicino l'inizio del set di dati Questo è dove le medie mobili ponderate entrano in media play. Weighted assegnare una ponderazione più pesante a più punti di dati attuali dal momento che sono più rilevanti di punti dati nel lontano passato, la somma del peso dovrebbe aggiungere fino a 1 o 100 nel caso della media mobile semplice, i coefficienti sono equamente distribuiti, ed è per questo che non sono riportati nella tabella above. Closing prezzo di AAPL. Seasonal Factor - la percentuale della domanda medio trimestrale che si verifica in ogni quarter. Annual previsione per l'anno 4 è previsto per essere 400 units. Average previsione per trimestre è di 400 4 Trend units. Quarterly 100 avg previsione factor. CAUSAL stagionale pREVISIONE METHODS. causal metodi di previsione si basano su un rapporto nota o percepito tra il fattore da meteo e altro esterno o interno factors.1 regressione equazione matematica riferisce una variabile dipendente a una o più variabili indipendenti che si ritiene di influenzare il sistema modelli econometrici dipendente variable.2 di equazioni di regressione interdipendenti che descrivono alcuni settori di modelli input-output activity.3 economico descrive i flussi da un settore dell'economia ad un altro, e così predice gli input necessari per produrre uscite in un'altra simulazione sector.4 ERRORI modelling. MEASURING previsione. ci sono due aspetti di errori di previsione per essere preoccupati - Bias e Accuracy. Bias - una previsione è distorto se sbaglia di più in una direzione che in other.- il metodo tende a sotto-previsioni o over-forecasts. Accuracy - previsione la precisione si riferisce alla distanza delle previsioni di domanda effettiva ignorare la direzione di quel error. Example per sei previsioni periodi e la domanda effettiva sono stati monitorati la tabella seguente dà reale t domanda D e previsione della domanda F t per sei somma periods. cumulative di previsione errori CFE -20.mean deviazione assoluta MAD 170 6 28 33.mean quadrato errore MSE 5150 6 858 33.standard deviazione di errori di previsione 5150 6 29 30.mean errore percentuale assoluto MAPE 83 4 6 13 9.What sono le informazioni che ogni danno. previsioni ha la tendenza a un eccesso di stima dell'errore demand. average per la previsione era di 28 33 unità, o 13 9 della distribuzione effettiva demand. sampling degli errori di previsione ha deviazione standard di 29 3 units. CRITERIA per selezionare un METHOD. Objectives pREVISIONE 1 massimizzare l'accuratezza e 2 Minimizzare Regole Bias. Potential per la selezione di un metodo di previsione di serie storiche Selezionare il metodo that. gives la più piccola distorsione, come misurato da cumulativa CFE errore di previsione or. gives i più piccoli medi di deviazione assoluta or. gives MAD i più piccoli or. supports segnale di monitoraggio credenze gestione s circa il modello di base di demand. or altri sembra ovvio che un certo grado di accuratezza e pregiudizi dovrebbe essere usato insieme How. What circa il numero di periodi di essere sampled. if domanda è intrinsecamente stabile, bassi valori di e e I valori più elevati di N sono domanda suggested. if è intrinsecamente instabile, elevati valori di e ed i valori più bassi di N sono suggested. FOCUS FORECASTING. focus previsione si riferisce ad un approccio alla previsione che sviluppa le previsioni con varie tecniche, poi prende la previsione che è stata prodotta dal migliore di queste tecniche, dove migliore è determinato da un certo grado di previsione error. FOCUS pREVISIONE EXAMPLE. For i primi sei mesi dell'anno, la domanda di un elemento di vendita al dettaglio è stata 15, 14, 15, 17, 19, e 18 units. A rivenditore utilizza un sistema di previsione di messa a fuoco sulla base di due tecniche di previsione una media mobile a due periodi, e un modello di livellamento esponenziale trend-regolato con 0 1 0 e 1 con il modello esponenziale, le previsioni per gennaio è stato 15 e la tendenza media alla fine di dicembre è 1. il rivenditore utilizza la deviazione media assoluta MAD per gli ultimi tre mesi come il criterio per scegliere quale modello sarà utilizzato per prevedere per il prossimo month. a quale sarà la previsione per il mese di luglio e che il modello sarà used. b risponderesti alla parte a essere diverso se la domanda di maggio era stato 14 invece di 19.
No comments:
Post a Comment