Ruchome średnie prognozy techniki wykonaj następujące czynności

Metody prognozowania Czytaj dalej. Wszystkie firmy stoją przed ogólnym problemem podejmowania decyzji w warunkach niepewności. Kierownictwo musi zrozumieć charakter popytu i konkurencji, aby opracować realistyczne plany biznesowe, określić strategiczną wizję organizacji oraz określić potrzeby w zakresie technologii i infrastruktury. Aby sprostać tym wyzwaniom, stosuje się prognozowanie. Według Makridakisa (1989), prognozowanie przyszłych wydarzeń można scharakteryzować jako poszukiwanie odpowiedzi na jedno lub kilka następujących pytań: X Jakie nowe ekonomiczne, techniczne lub socjologiczne siły są organizacją, z którą można się zmierzyć zarówno w perspektywie krótko-, jak i długoterminowej? X Kiedy te siły mogą wpłynąć na obiektywne otoczenie firmy X Kto najprawdopodobniej jako pierwszy dostosuje się do każdego konkurencyjnego wyzwania X Ile zmian firma powinna przewidzieć zarówno w krótkim okresie, jak i na dłuższą metę W tym dokumencie przedstawię przegląd metody prognozowania i porównać i porównać te różne metody. W dalszej części artykułu skupimy się na tym, w jaki sposób Mattel, jeden z największych producentów zabawek w kraju, wykorzystuje prognozy popytu w warunkach niepewności, w szczególności te odnoszące się do schematu i tempa, w jakim klienci żądają produktów. Co to jest prognozowanie w zarządzaniu operacjami, prognozowanie popytu jest definiowane jako proces biznesowy, który próbuje oszacować sprzedaż i wykorzystanie produktów, aby można było je zakupić, zaopatrzyć lub wyprodukować w odpowiednich ilościach z wyprzedzeniem, aby wspierać firmy w dodaniu wartości dodanej. ( Ross, 1995). Prognozowanie to proces, który przekształca historyczne dane szeregów czasowych i lub jakościowe oceny w stwierdzenia dotyczące przyszłych zdarzeń. Ten proces może generować jakościowe lub subiektywne prognozy. Pamiętaj, że żaden proces prognozowania nie może konsekwentnie zapewniać doskonałych prognoz. Jakakolwiek prognoza, która doskonale ocenia kolejne wydarzenia, powinna budzić niepokój, ponieważ jest to prawdopodobnie oznaką niewłaściwych zachowań, takich jak gotowanie książek lub raportowanie danych dotyczących wyników, które pokazują zgodność z planami w porównaniu do rzeczywistych wydarzeń (Makridakis, 1989). Metody prognozowania Istnieją cztery podstawowe typy metod prognozowania: jakościowa, analiza szeregów czasowych, związki przyczynowe i symulacja. Techniki jakościowe Techniki jakościowe są subiektywne lub osądzające i oparte na szacunkach i opiniach (Chase, 2005). Prognozy te odzwierciedlają osądy i opinie ludzi oraz sugerują prawdopodobne warunki, takie jak opinia ludzi na temat tego, czy dzisiaj będzie padać. Prognozy te są preferowane, gdy istnieje chęć zaangażowania osób w ramach organizacji w kluczowy proces biznesowy. Potencjalną pułapką tej techniki jest to, że niektórzy ludzie opierają swoje oceny przyszłych wydarzeń na danych historycznych, które mogą nie zapewniać odpowiednich wzorców popytu, które są wystarczająco stabilne, aby zagwarantować ich wykorzystanie do prognozowania przyszłych zdarzeń. Jak cytować tę stronę MLA Cytat: Metody prognozowania. 123HelpMe. 25 lutego 2017 lt123HelpMeview. aspid165095gt. Ponadto pojawiające się wzorce popytu mogą być zbyt niestabilne w podejściu numerycznym. W związku z tym intymna znajomość rynku powinna być źródłem danych z wyboru. Istnieje wiele jakościowych podejść do prognozowania popytu, a poniżej przedstawiono niektóre z bardziej powszechnych podejść: X Prognozy Grass-Roots poszukują informacji od ludzi na poziomie organizacji, która zapewnia im najlepszy kontakt z badanym wydarzeniem (Chase, 2005). Technika ta może polegać na przeprowadzeniu badania marketingowego przedstawicieli handlowych na ich odczyty na aktualnych warunkach rynkowych. Potencjalna usterka tego narzędzia polega na tym, że podlega krótkoterminowym perspektywom źródeł. Źródło niedawnych wydarzeń może mieć nieuzasadniony wpływ na źródło danych. Na przykład sprzedawca, który miał dobry dzień, może przedstawić zbyt optymistyczną prognozę na przyszłość, która nie odzwierciedla dokładnie warunków rynkowych w ujęciu całościowym. X Analogia historyczna: Prognozy oparte na analogii historycznej badają możliwość, że przeszłe wydarzenia mogą dostarczyć wglądu w prognozowanie przyszłych wydarzeń powiązanych. Ta metoda wiąże to, co obecnie jest prognozowane, z podobnym przedmiotem (Chase, 2005). Na przykład, wykorzystując wzorzec sprzedaży czarno-białych telewizorów do prognozowania sprzedaży telewizji kolorowej. Ekonomiści wykorzystują ten typ modelu prognostycznego do prognozowania cykli koniunkturalnych i związanych z nimi zmian. Ta metoda może okazać się niedokładna, jeśli siły, które przejechały obok zdarzeń, nie są już obecne. X Prognozowanie badań rynkowych: ta metoda prognozowania zbiera dane na różne sposoby, takie jak ankiety, wywiady i grupy fokusowe, w celu oceny wzorców zakupowych i postaw obecnych i potencjalnych nabywców towaru lub usługi. Projektanci towarów i usług używają tej metody, aby zrozumieć swoich obecnych klientów i kupujących, którym chcieliby służyć. Metoda X Dlephi: Metoda Delphi kompiluje prognozy poprzez sekwencyjne, niezależne odpowiedzi grupy ekspertów na serie kwestionariuszy. Forecaster zestawia i analizuje dane respondentów oraz opracowuje nowy kwestionariusz dla tej samej grupy ekspertów. Ta sekwencja działa na rzecz konsensusu, który odzwierciedla wkład wszystkich ekspertów, jednocześnie uniemożliwiając dominację nad procesem (Chase, 2005). Techniki ilościowe Techniki prognoz ilościowych przekształcają dane wejściowe w postaci danych liczbowych w prognozy, stosując metody w jednej z trzech kategorii. Każda kategoria metod prognoz ilościowych zakłada, że ​​przeszłe wydarzenia stanowią doskonałą podstawę do lepszego zrozumienia prawdopodobnych przyszłych wyników. Analiza szeregów czasowych X: Analiza szeregów czasowych opiera się na założeniu, że dane dotyczące popytu lub wydajności w przeszłości mogą być wykorzystywane do przewidywania przyszłego popytu. Przykłady tej metody obejmują: Prosta średnia ruchoma, w której okres czasu zawiera liczbę punktów danych, jeśli jest uśredniony przez podzielenie sumy wartości punktowych przez liczbę punktów. b. Analiza regresji, w której średnia relacja między zmienną zależną, na przykład sprzedażą, a jedną lub więcej zmiennych zależnych, np. Ceną lub reklamą, jest szacowana poprzez dopasowanie linii prostej do danych historycznych w celu powiązania wartości danych z czasem. do. Prognozy trendów, technika prognozowania, która opiera się głównie na historycznych danych z szeregów czasowych, aby przewidzieć przyszłość. Ta metoda polega na dopasowaniu matematycznej linii trendu do punktów danych, a następnie rzutowaniu jej w przyszłość. X Badania przyczynowe: Badania przyczynowe szukają związków przyczynowych pomiędzy wiodącymi zmiennymi a zmiennymi prognozowanymi. Ta metoda stara się zrozumieć system leżący u podstaw i otaczający prognozowany przedmiot, taki jak wpływ reklamy, jakości i konkurencji na sprzedaż (Chase, 2005). X Modele matematyczne lub symulacyjne: Modele symulacyjne są modelami typu "co jeśli", które próbują symulować skutki alternatywnych strategii zarządzania i założeń dotyczących zewnętrznego środowiska firmy. Próbują reprezentować przeszłe zachowanie w ważnym związku matematycznym, a następnie zmieniać te dane, aby projektować przyszłe zdarzenia. Większość modeli finansowych to modele symulacyjne. Modele te są skuteczne w przeprowadzaniu różnorodnych analiz typu "co, jeśli", które pomagają kierownictwu w określeniu najlepszego sposobu działania firmy. Postęp technologiczny w komputerach pozwolił coraz większej liczbie firm na tworzenie i wykorzystywanie modeli do planowania i podejmowania decyzji (Chase, 2005). Prognozy Mattel i Popytu W okresie świątecznym wiele dzieci z niecierpliwością oczekuje na pojawienie się tej pory roku nowej zabawki pod choinką. Każdego roku twórcy zabawek, tacy jak Mattel, muszą dokonać szeregu ważnych decyzji, które określą przebieg wyników gospodarczych ich firm. Wiele miesięcy przed nadejściem świąt Bożego Narodzenia Mattel musi zdecydować, które zabawki będą najprawdopodobniej gorące, a które będą psami. Muszą starannie zrównoważyć podaż tych gorących zabawek z popytem konsumentów lub będą musieli zmierzyć się z nieszczęśliwymi klientami lub jeszcze gorzej, utknąć z powolnym ruchem towarów. Nie jest to łatwe zadanie, biorąc pod uwagę długie czasy produkcji i dystrybucji w przemyśle zabawkarskim. Aby zaspokoić popyt konsumentów na bieżący okres świąteczny, producenci zabawek muszą zwiększyć produkcję do połowy roku, aby mieć pewność, że będą mieli wystarczającą liczbę najlepiej sprzedających się zabawek i niewielu powolnych nabywców (Pereira, 2005). Duża różnica w tym równaniu wynika z faktu, że wielu dorosłych naprawdę nie rozumie, czego dzieci będą pragnąć, zanim nadejdą Święta Bożego Narodzenia. Mówiąc z własnego doświadczenia, moje dzieci chcą, aby każda zabawka, którą widzą w telewizji od września do Świąt Bożego Narodzenia, pojawiła się pod ich drzewem. Niestety, to, co cenią dorośli, niewiele ma wspólnego z wymaganiami dzieci. Podczas gdy dorośli mogą czuć, że podświetlany globus, który również mówi, to bardzo fajna zabawka edukacyjna, dzieci skłaniają się ku Tickle Me Elmo. Aby wypełnić tę lukę, Mattel wykorzystuje badania rynkowe, aby przewidzieć, która zabawka zostanie zwycięzcą. Każdego roku Mattel przedstawia swoje nowe produkty do oceny przez ostatecznych konsumentów V dzieci. Wykorzystując dwuetapowy proces, zabawki są oceniane pod kątem ich atrakcyjności na rynku docelowym. Pierwszym etapem tego procesu jest wybranie konkretnej mieszanki 100 dzieci z ośrodków opieki nad dziećmi w celu oceny nowych zabawek. Dzieci są podzielone na grupy fokusowe z równą reprezentacją od tych, którzy lubią figurki akcji, gry planszowe, zabawki budowlane, lalki i sztuki i rzemiosła. (Pereira, 1997). W czerwcu dzieci są przesłuchiwane i poproszone o ocenę swoich trzech najlepszych wyborów spośród zabawek prezentowanych w każdej kategorii. Do końca czerwca grupy fokusowe zredukują 380 proponowanych zabawek do zbioru 63 finalistów V w pierwszej trójce w każdej z 21 kategorii. W drugim etapie zabawki finalistów są wysyłane do ośrodków edukacyjnych KinderCare w całym kraju, w których specjalnie przeszkoleni nauczyciele obserwują, które zabawki preferują dzieci, oraz tajne karty do głosowania w rankingu swoich ulubionych (Pereira, 1997). Wiem, że trzylatek i pięciolatek uwielbiają być częścią tej grupy fokusowej Wnioski Jest oczywiste, że prognozowanie popytu jest częścią sztuki i nauki o sztuce. Rozpoczyna się od zrozumienia potrzeb organizacji w zakresie podejmowania decyzji i przechodzi do badania danych w celu określenia, w jaki sposób można opracować najlepsze narzędzie do prognozowania, aby służyło potrzebom biznesowym organizacji. Każda część analizy tworzy nowe informacje, dodając bogactwa i głębi do ogólnego procesu myślenia biznesowego. Referencje Chase, R. i in. (2005). Operations Management for Competitive Advantage, 11 edycja. Firmy McGraw-Hill: Nowy Jork. Makridakis, S. i in. (1998). Metody i zastosowania prognozowania, piąte wydanie. John Wiley Sons: New York. Pereira, J. (1997). Dla tych dzieciaków wypróbowanie zabawek to raczej zabawa dla dzieci. Wall Street Journal, 121797. Ross, D. (1995). Planowanie i kontrola dystrybucji. Chapman Hall: New York. FORECASTING Seasonal Factor - procent średniego kwartalnego popytu, który pojawia się w każdym kwartale. Prognozy roczne na rok 4 przewidywane są na 400 jednostek. Średnia prognoza na kwartał to 4004 100 jednostek. Kwartalna prognoza śr. Prognoza czynnik sezonowy. METODY PROGNOZOWANIA KOUSOWEGO Metody prognozowania przyczynowego oparte są na znanym lub postrzeganym związku między czynnikiem, który ma być prognozowany, a innymi czynnikami zewnętrznymi lub wewnętrznymi. 1. regresja: równanie matematyczne odnosi zmienną zależną do jednej lub więcej zmiennych niezależnych, które uważa się, że wpływają na zmienną zależną. 2. Modele ekonometryczne: system współzależnych równań regresji opisujących pewien sektor działalności gospodarczej 3. Modele przepływów międzygałęziowych: opisuje przepływy z jednego sektora gospodarki do drugiego, a więc przewiduje nakłady potrzebne do wytworzenia produktów w innym sektorze 4. modelowanie symulacyjne BŁĘDY PROGRAMU POMIARU Istnieją dwa aspekty błędów prognozowania, których należy się obawiać - odchylenie i odchylenie dokładności - prognoza jest tendencyjna, jeśli błądzi bardziej w jednym kierunku niż w drugiej - metoda ma tendencję do zaniżania prognoz lub nadmiernych prognoz. Dokładność - Dokładność prognozy odnosi się do odległości prognoz od rzeczywistego zapotrzebowania, ignorując kierunek tego błędu. Przykład: Dla sześciu okresów śledzono prognozy i faktyczne zapotrzebowanie Poniższa tabela przedstawia rzeczywiste zapotrzebowanie D t i prognozowane zapotrzebowanie F t dla sześciu okresów: skumulowana suma błędów prognozy (CFE) -20 średnia bezwzględna odchyłka (MAD) 170 6 28,33 średnia kwadratowa błąd (MSE) 5150 6 858,33 odchylenie standardowe błędów prognoz 5150 6 29,30 średnia bezwzględny błąd procentowy (MAPE) 83,4 6 13,9 Jakie informacje dla każdej prognozy ma tendencja do zawyżania średniej błędu popytu na prognozę wyniosły 28,33 jednostki lub 13,9 faktyczny rozkład próbkowania zapotrzebowania na błędy prognozy ma odchylenie standardowe 29,3 jednostek. KRYTERIA WYBORU METODY PROGNOZOWANIA Cele: 1. Zmaksymalizuj dokładność i 2. Minimalizuj potencjalne reguły dotyczące wyboru metody szeregowania szeregów czasowych. Wybierz metodę, która daje najmniejsze odchylenie, mierzone przez łączny błąd prognozy (CFE) lub najmniejsze średnie bezwzględne odchylenie (MAD) lub daje najmniejszy sygnał śledzenia lub wspiera przekonania kierownictwa dotyczące podstawowego wzoru popytu lub innych. Wydaje się oczywiste, że niektóre pomiary dokładności i stronniczości powinny być stosowane łącznie. Jak w przypadku liczby okresów, z których należy pobierać próbki, jeżeli popyt jest z natury stabilny, sugerowane są niskie wartości i wyższe wartości N, jeżeli popyt jest z natury niestabilny, sugerowane są wysokie wartości i niższe wartości N. OSTATECZNE PRZEWIDYWANIE Prognozowanie kwotowania odnosi się do podejście do prognozowania, które rozwija prognozy za pomocą różnych technik, a następnie wybiera prognozę, która została wyprodukowana w oparciu o jedną z tych technik, przy czym quotbestquot jest określony przez pewną miarę błędu prognozy. FOCUS PROGNOZA: PRZYKŁAD W ciągu pierwszych sześciu miesięcy roku popyt na przedmiot detaliczny wynosił 15, 14, 15, 17, 19 i 18 sztuk. Detalista stosuje system prognozowania ostrości oparty na dwóch technikach prognozowania: dwudrogowej średniej kroczącej i skorygowanym o wykładniczy modelu wygładzania wykładniczego z wartościami 0,1 i 0,1. W przypadku modelu wykładniczego prognoza na styczeń wynosiła 15, a średnia tendencji na koniec grudnia wynosiła 1. Detal używa średniego bezwzględnego odchylenia (MAD) w ciągu ostatnich trzech miesięcy jako kryterium wyboru modelu, który będzie używany do prognozowania na następny miesiąc. za. Jaka będzie prognoza na lipiec i który model zostanie wykorzystany. Czy odpowiedziałbyś na część a. różnią się, jeśli popyt na maj wynosił 14, a nie 19 Prognozowanie przewidujące wygenerowanie liczby, zestawu liczb lub scenariusza odpowiadającego przyszłemu zdarzeniu. Jest to absolutnie niezbędne w planowaniu krótkiego i dalekiego zasięgu. Z definicji prognoza oparta jest na danych z przeszłości, w przeciwieństwie do prognozy, która jest bardziej subiektywna i oparta na instynkcie, odczuciu jelit lub domysłach. Na przykład wieczorne wiadomości podają pogodę x0022forecastx0022 a nie pogodę x0022prediction. x0022 Niezależnie od tego terminy prognozy i prognozy są często używane ze zmienną prędkością. Na przykład, definicje techniki regressionx2017a czasami używane w prognozowaniux2017 generalnie stwierdzają, że jej celem jest wyjaśnienie lub x0022predict. x0022 Prognozowanie opiera się na szeregu założeń: przeszłość się powtórzy. Innymi słowy, to, co wydarzyło się w przeszłości, powtórzy się w przyszłości. Gdy horyzont prognozy skraca się, dokładność prognozy wzrasta. Na przykład prognoza na jutro będzie dokładniejsza niż prognoza na przyszły miesiąc, prognoza na następny miesiąc będzie bardziej dokładna niż prognoza na przyszły rok, a prognoza na przyszły rok będzie dokładniejsza niż prognoza na dziesięć lat w przyszłość. Prognozowanie w agregacie jest dokładniejsze niż prognozowanie poszczególnych pozycji. Oznacza to, że firma będzie w stanie dokładniej prognozować całkowite zapotrzebowanie na całe spektrum produktów, niż będzie w stanie prognozować poszczególne jednostki magazynowe (SKU). Na przykład General Motors może dokładniej prognozować całkowitą liczbę samochodów potrzebnych na następny rok, niż całkowita liczba białych Chevrolet Impalas z pewnym pakietem opcji. Prognozy rzadko są dokładne. Ponadto prognozy prawie nigdy nie są całkowicie dokładne. Podczas gdy niektóre są bardzo bliskie, niewiele jest x0022 na pieniądze. x0022 Dlatego mądrze jest zaproponować prognozę x0022range. x0022 Gdybyśmy mieli prognozować zapotrzebowanie na 100 000 sztuk na następny miesiąc, jest bardzo mało prawdopodobne, że popyt wyniósłby 100 000 dokładnie. Jednak prognoza od 90 000 do 110 000 stanowiłaby znacznie większy cel w zakresie planowania. William J. Stevenson wymienia wiele cech wspólnych dla dobrej prognozy: Accuratex2017 Należy określić i podać dokładny stopień dokładności, aby można było porównać z alternatywnymi prognozami. Reliablex2017 Metoda prognozy powinna konsekwentnie zapewniać dobrą prognozę, jeśli użytkownik ma ustanowić pewien stopień pewności. Timelyx2017a potrzebuje trochę czasu, aby zareagować na prognozę, aby horyzont czasowy przewidywał czas niezbędny do wprowadzenia zmian. Łatwy w użyciu i understandx2017użytkownicy prognozy muszą być pewni siebie i wygodnie z nim pracować. Efektywny kosztowo2017 Koszt wykonania prognozy nie powinien przewyższać korzyści uzyskanych z prognozy. Techniki prognozowania obejmują zarówno proste, jak i bardzo złożone. Techniki te są zwykle klasyfikowane jako jakościowe lub ilościowe. TECHNIKI JAKOŚCIOWE Jakościowe techniki prognostyczne są generalnie bardziej subiektywne niż ich ilościowe odpowiedniki. Techniki jakościowe są bardziej przydatne na wcześniejszych etapach cyklu życia produktu, gdy istnieją mniej historyczne dane do zastosowania w metodach ilościowych. Metody jakościowe obejmują technikę Delphi, Nominalną Grupę Techniki (NGT), opinie sił sprzedaży, opinie wykonawcze i badania rynku. TECHNIKA DELPHI. Technika Delphi wykorzystuje panel ekspertów do opracowania prognozy. Każdy ekspert jest proszony o przedstawienie prognozy właściwej dla danej potrzeby. Po dokonaniu wstępnych prognoz każdy ekspert czyta wszystko, co napisał każdy inny ekspert i jest oczywiście pod wpływem ich opinii. Następnie każdy ekspert sporządza kolejną prognozę. Każdy ekspert następnie czyta ponownie to, co napisał każdy inny ekspert, i znów jest pod wpływem percepcji innych. Proces ten powtarza się, dopóki każdy ekspert nie osiągnie porozumienia w sprawie wymaganego scenariusza lub liczb. TECHNIKA GRUPY NOMINALNEJ. Nominalna technika grupowa jest podobna do techniki Delphi, ponieważ wykorzystuje grupę uczestników, zwykle ekspertów. Po tym jak uczestnicy odpowiedzą na pytania związane z prognozami, oceniają swoje odpowiedzi w kolejności postrzeganej względnej ważności. Następnie rankingi są gromadzone i agregowane. Ostatecznie grupa powinna osiągnąć konsensus co do priorytetów rankingu. OPINIE SIŁY SPRZEDAŻY. Pracownicy działu sprzedaży często stanowią dobre źródło informacji na temat przyszłego popytu. Kierownik ds. Sprzedaży może poprosić o dane wejściowe od każdego sprzedawcy i zsumować swoje odpowiedzi w postaci złożonej prognozy sił sprzedaży. Podczas korzystania z tej techniki należy zachować ostrożność, ponieważ członkowie działu sprzedaży mogą nie być w stanie odróżnić tego, co mówią klienci od tego, co faktycznie robią. Ponadto, jeśli prognozy zostaną wykorzystane do ustalenia kwot sprzedaży, przedstawiciele handlowi mogą pokusić się o przedstawienie niższych szacunków. WYKONAWCZE OPINIE. Czasami menedżerowie wyższego szczebla spotykają się i opracowują prognozy na podstawie ich wiedzy o obszarach ich odpowiedzialności. Jest to czasami określane jako jury opinii wykonawczej. BADANIA RYNKU. W badaniach rynkowych ankiety konsumenckie są wykorzystywane do ustalenia potencjalnego popytu. Takie badania marketingowe zwykle wymagają skonstruowania kwestionariusza, który pozyskuje dane osobowe, demograficzne, ekonomiczne i marketingowe. Czasami badacze rynku zbierają takie informacje osobiście w punktach sprzedaży detalicznej i centrach handlowych, gdzie konsument może doświadczyć smaku, odczuwania, węchu i seex2017a określonego produktu. Badacz musi uważać, aby próbka badanych osób była reprezentatywna dla pożądanego celu dla konsumenta. TECHNIKI ILOŚCIOWE Techniki prognozowania ilościowego są z reguły bardziej obiektywne niż ich jakościowe odpowiedniki. Prognozy ilościowe mogą być prognozami szeregów czasowych (to znaczy projekcją przeszłości w przyszłość) lub prognozami opartymi na modelach asocjacyjnych (tj. W oparciu o jedną lub więcej zmiennych objaśniających). Dane szeregów czasowych mogą mieć podstawowe zachowania, które muszą zostać zidentyfikowane przez prezentera. Ponadto prognoza może potrzebować zidentyfikować przyczyny tego zachowania. Niektóre z tych zachowań mogą być wzorami lub po prostu przypadkowymi odmianami. Wśród wzorów są: Trendy, które są długoterminowymi ruchami (w górę lub w dół) w danych. Sezonowość, która powoduje krótkoterminowe wahania, które zazwyczaj wiążą się z porą roku, miesiąca, a nawet konkretnego dnia, o czym świadczy sprzedaż detaliczna w Boże Narodzenie lub skoki w działalności bankowej w pierwszym dniu miesiąca i w piątki. Cykle, które są falistymi zmianami trwającymi dłużej niż rok, zazwyczaj związane z warunkami gospodarczymi lub politycznymi. Nieregularne wariacje, które nie odzwierciedlają typowych zachowań, takich jak okres ekstremalnych warunków pogodowych lub strajk związkowy. Losowe odmiany, które obejmują wszystkie nietypowe zachowania nieuwzględnione przez inne klasyfikacje. Wśród modeli szeregów czasowych najprostsza jest prognoza naxEFve. Prognoza naxEFve po prostu wykorzystuje faktyczne zapotrzebowanie z poprzedniego okresu jako prognozowane zapotrzebowanie na następny okres. To oczywiście zakłada, że ​​przeszłość się powtórzy. Zakłada się również, że wszelkie trendy, sezonowość lub cykle znajdują odzwierciedlenie w poprzednim okresie lub nie istnieją. Przykład prognozowania naxEFve przedstawiono w tabeli 1. Tabela 1 Prognozy NaxEFve Inną prostą techniką jest zastosowanie uśredniania. Aby dokonać prognozy za pomocą uśredniania, należy po prostu wziąć średnią pewnej liczby okresów poprzednich danych, sumując każdy okres i dzieląc wynik przez liczbę okresów. Stwierdzono, że ta technika jest bardzo skuteczna w prognozowaniu na niewielkie odległości. Warianty uśredniania obejmują średnią ruchomą, średnią ważoną i ważoną średnią ruchomą. Średnia ruchoma przyjmuje z góry określoną liczbę okresów, sumuje ich rzeczywiste zapotrzebowanie i dzieli się przez liczbę okresów, aby osiągnąć prognozę. Dla każdego kolejnego okresu najstarszy okres danych jest wyłączany i dodawany jest najnowszy okres. Zakładając trzymiesięczną średnią ruchomą i korzystając z danych z Tabeli 1, wystarczy dodać 45 (styczeń), 60 (luty) i 72 (marzec) i podzielić przez trzy, aby uzyskać prognozę na kwiecień: 45 60 72 177 x00F7 3 59 Aby uzyskać prognozę na maj, jeden z nich obniżyłby popyt styczniax0027 z równania i dodałby popyt od kwietnia. Tabela 2 przedstawia przykład trzymiesięcznej prognozy średniej ruchomej. Tabela 2 Trzy miesięczna średnia ruchoma prognoza Rzeczywisty popyt (000x0027) Średnia ważona stosuje ustaloną wagę do każdego miesiąca przeszłych danych, sumuje wcześniejsze dane z każdego okresu i dzieli według sumy wag. Jeśli planista dostosowuje ciężary tak, aby ich suma wynosiła 1, to masy są mnożone przez rzeczywiste zapotrzebowanie każdego stosowanego okresu. Wyniki są następnie sumowane, aby uzyskać ważoną prognozę. Ogólnie rzecz biorąc, im nowsze dane, tym wyższa waga, a im starsze dane, tym mniejsza waga. Korzystając z przykładu popytu, ważona średnia przy użyciu wag o wartości .4. 3. 2, i .1 dałoby prognozę na czerwiec jako: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53,8 Prognozujący mogą również użyć kombinacji średniej ważonej i średniej ruchomej prognozy . Ważona średnia ruchoma prognoza 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 ruchomych prognoz, po dodaniu każdego nowego okresu dane z najstarszego okresu są odrzucane. Tabela 3 przedstawia trzymiesięczną ważoną prognozę średniej ruchomej wykorzystującą wagi .5. 3 i .2. Tabela 3 Trzyx2017Montowana ważona średnia ważona krocząca Rzeczywisty popyt (000x0027) Bardziej złożona forma ważonej średniej kroczącej to wygładzanie wykładnicze, tak nazwane, ponieważ ciężar spada wykładniczo w miarę starzenia się danych. Wygładzanie wykładnicze przyjmuje poprzednią prognozę okresu x10027 i dostosowuje ją o ustaloną stałą wygładzania, x03AC (nazywaną alfa wartością dla alfa jest mniejsza niż jeden) pomnożoną przez różnicę w poprzedniej prognozie i zapotrzebowanie, które faktycznie wystąpiło podczas wcześniej prognozowanego okresu (zwane błąd prognozy). Wygładzanie wykładnicze wyraża się formalnie jako takie: Nowa prognoza poprzednia prognoza alfa (rzeczywiste zapotrzebowanie x2212 poprzednia prognoza) FF x03AC (A x2212 F) Wygładzanie wykładnicze wymaga od prognostycznego rozpoczęcia prognozy w minionym okresie i przejścia do okresu, w którym prąd prognoza jest potrzebna. Konieczna jest również znaczna ilość danych z przeszłości i początkowa lub wstępna prognoza. Początkowa prognoza może być rzeczywistą prognozą z poprzedniego okresu, rzeczywistym zapotrzebowaniem z poprzedniego okresu lub może być oszacowana poprzez uśrednienie całości lub części danych z przeszłości. Istnieją pewne heurystyki do obliczania wstępnej prognozy. Na przykład heurystyczny N (2 xF7 x03AC) x2212 1 i alfa wynoszący 0,5 dostarczyłby N równego 3, wskazując, że użytkownik mógłby uśrednić pierwsze trzy okresy danych, aby uzyskać wstępną prognozę. Jednak dokładność początkowej prognozy nie jest krytyczna, jeśli używa się dużych ilości danych, ponieważ wygładzanie wykładnicze jest x0022self-correcting. x0022 Biorąc pod uwagę wystarczającą ilość okresów przeszłych danych, wygładzanie wykładnicze ostatecznie dokona wystarczających poprawek, aby zrekompensować odpowiednio niedokładne początkowe dane. prognoza. Wykorzystując dane wykorzystane w innych przykładach, wstępną prognozę 50 i alfa 0,7, prognozę na luty oblicza się jako taką: Nowa prognoza (luty) 50,7 (45 x2212 50) 41.5 Następnie prognoza na marzec : Nowa prognoza (marzec) 41,5 .7 (60 x 22 12 41,5) 54,45 Proces ten trwa do momentu, gdy księgowy osiągnie pożądany okres. W tabeli 4 będzie to miało miejsce w czerwcu, ponieważ rzeczywisty popyt na czerwiec nie jest znany. Rzeczywisty popyt (000x0027) Rozszerzenie rozciągania wykładniczego można zastosować, gdy dane szeregów czasowych wykazują trend liniowy. Metoda ta znana jest pod kilkoma nazwami: podwójnie wygładzająca, dostosowana do trendu, wykładnicza prognoza wygładzania, w tym trend (FIT) i model Holtx0027s. Bez regulacji proste wyniki wygładzania wykładniczego będą opóźnione w stosunku do trendu, to znaczy, że prognoza będzie zawsze niska, jeśli trend się zwiększy, lub wysoki, jeśli tendencja się zmniejsza. W tym modelu istnieją dwie stałe wygładzania, x03AC i x03B2 z x03B2 reprezentujące składnik trendu. Rozszerzenie modelu Holtx0027s, zwane metodą Holta-Winterx0027, uwzględnia zarówno trend, jak i sezonowość. Istnieją dwie wersje, multiplikatywne i addytywne, przy czym najczęściej używana jest mnożnikowa. W modelu dodatku sezonowość jest wyrażana jako ilość, którą należy dodać lub odjąć od średniej serii. Model multiplikatywny wyraża sezonowość w procentach2017, określana jako sezonowe krewne lub sezonowe indeksy x2017 średniej (lub trendu). Są to wartości czasów mnożenia, aby uwzględnić sezonowość. Względny wskaźnik wynoszący 0,8 wskazywałby, że popyt wynosi 80 procent średniej, a 1,10 oznacza popyt, który jest 10 procent wyższy od średniej. Szczegółowe informacje dotyczące tej metody można znaleźć w większości podręczników do zarządzania operacjami lub w jednej z wielu książek na temat prognozowania. Techniki skojarzone lub przyczynowe obejmują identyfikację zmiennych, które można wykorzystać do przewidywania innej zmiennej. Na przykład stopy procentowe mogą być wykorzystywane do prognozowania popytu na refinansowanie domu. Zazwyczaj wiąże się to z zastosowaniem regresji liniowej, w której celem jest opracowanie równania, które podsumowuje wpływ zmiennych predykcyjnych (niezależnych) na zmienną prognozowaną (zależną). Jeśli narysowano zmienną predyktora, celem byłoby uzyskanie równania prostej, która minimalizuje sumę kwadratów odchyleń od linii (z odchyleniem będącym odległością od każdego punktu do linii). Równanie wyglądałoby jak: ya bx, gdzie y jest zmienną przewidywaną (zależną), x jest zmienną predykcyjną (niezależną), b jest nachyleniem linii, a a jest równe wysokości linii na y - przechwycić. Po ustaleniu równania użytkownik może wstawić bieżące wartości dla zmiennej predykcyjnej (niezależnej), aby uzyskać prognozę (zmienną zależną). Jeśli istnieje więcej niż jedna zmienna predykcyjna lub jeśli relacja między predyktorem a prognozą nie jest liniowa, prosta regresja liniowa będzie niewystarczająca. W sytuacjach z wieloma predyktorami należy zastosować regresję wielokrotną, a nieliniowe relacje wymagają użycia regresji krzywoliniowej. EKONOMETRYCZNE PROGNOZY Metody ekonometryczne, takie jak autoregresyjny zintegrowany model średniej ruchomej (ARIMA), wykorzystują złożone równania matematyczne, aby pokazać przeszłe zależności między popytem a zmiennymi, które mają wpływ na popyt. Równanie jest wyprowadzane, a następnie testowane i dostrajane w celu zapewnienia, że ​​jest to wiarygodna reprezentacja przeszłego związku, jak to możliwe. Po wykonaniu tej czynności prognozowane wartości zmiennych wpływających (dochód, ceny itp.) Są wprowadzane do równania w celu wykonania prognozy. OCENY PROGNOZY Prognozę dokładności można określić obliczając odchylenie, średnie bezwzględne odchylenie (MAD), średni błąd kwadratowy (MSE) lub średni bezwzględny błąd procentowy (MAPE) dla prognozy, stosując różne wartości dla alfa. Bias jest sumą błędów prognozy x2211 (FE). Dla powyższego przykładu wygładzania wykładniczego obliczone odchylenie wynosi: (60 x2212 41,5) (72 x 2212 54,45) (58 x 222,66, 74) (40 x 2212 60,62) 6.69 Jeśli przyjąć, że niskie odchylenie wskazuje na ogólny niski błąd prognozy, można oblicz odchylenie dla pewnej liczby potencjalnych wartości alfa i przyjmij założenie, że najdłuższy błąd będzie najdokładniejszy. Należy jednak zachować ostrożność, ponieważ wysoce nieprecyzyjne prognozy mogą prowadzić do niskiej tendencyjności, jeśli mają tendencję zarówno do prognozowania, jak i prognozowania (ujemne i pozytywne). Na przykład w ciągu trzech okresów firma może użyć określonej wartości alfa, aby przekroczyć prognozę o 75 000 jednostek (x221275 000), według prognoz o 100 000 jednostek (100 000), a następnie o prognozę o 25 000 jednostek (x221225000), podając odchylenie od zera (x 221275,000 100 000 x 2212 25 000 0). Dla porównania, inny współczynnik alfa nad prognozami 2000 jednostek, 1000 jednostek i 3000 jednostek spowodowałby odchylenie 5000 jednostek. Jeśli normalne zapotrzebowanie wyniesie 100 000 jednostek na okres, pierwsza alfa dostarczy prognozy, które byłyby wyłączone aż o 100 procent, podczas gdy druga alfa byłaby wyłączona o maksymalnie tylko 3 procent, nawet jeśli odchylenie w pierwszej prognozie wynosi zero. Bezpieczniejszą miarą dokładności prognozy jest średnie bezwzględne odchylenie (MAD). W celu obliczenia MAD, prognoznik sumuje bezwzględną wartość błędów prognozy, a następnie dzieli przez liczbę prognoz (x2211 FE x00F7 N). Przez przyjęcie bezwzględnej wartości błędów prognozy unika się kompensacji wartości dodatnich i ujemnych. Oznacza to, że zarówno przekroczenie prognozy 50, jak i zaniżona prognoza wynoszą 50, są wyłączone o 50. Wykorzystując dane z przykładu wygładzania wykładniczego, MAD można obliczyć w następujący sposób: (60 x 2212 41,5, 72 x 2212 54,45 58 x 2212 66,74 40 x 2212 60,62) x00F7 4 16,35 W związku z tym prezenter ma średnio 16,35 jednostek na prognozę. W porównaniu z wynikami innych alf, prezenter będzie wiedział, że alfa o najniższym MAD daje najdokładniejszą prognozę. Średni błąd kwadratowy (MSE) można również wykorzystać w ten sam sposób. MSE to suma błędów prognozy podniesiona do kwadratu podzielona przez N-1 (x2211 (FE)) x00F7 (N-1). Kwadrowanie błędów prognozy eliminuje możliwość kompensacji liczb ujemnych, ponieważ żaden z wyników nie może być ujemny. Wykorzystując te same dane, co powyżej, MSE będzie: (18,5) (17,55) (x22128,74) (x221220.62) x00F7 3 383,94 Podobnie jak w przypadku MAD, prezenter może porównać MSE prognoz uzyskanych przy użyciu różnych wartości alfa i załóżmy, że alfa o najniższym MSE daje najdokładniejszą prognozę. Średni bezwzględny błąd procentowy (MAPE) to średni bezwzględny błąd procentowy. Aby dotrzeć do MAPE, należy przyjąć sumę stosunków między błędem prognozy a rzeczywistym czasem oczekiwania 100 (aby uzyskać procent) i podzielić przez N (x2211 Rzeczywiste zapotrzebowanie x2212 prognoza x00F7 Rzeczywiste zapotrzebowanie) xD7 100 x00F7 N. Korzystanie z danych z przykład wygładzania wykładniczego, MAPE można obliczyć w następujący sposób: (18,560 17,5572 8,7458 20,6248) xD7 100 x00F7 4 28,33 Podobnie jak w przypadku MAD i MSE, im niższy jest względny błąd, tym dokładniejsza jest prognoza. Należy zauważyć, że w niektórych przypadkach zdolność prognozy do szybkiej zmiany w odpowiedzi na zmiany w wzorcach danych jest uważana za ważniejszą niż dokładność. Dlatego wybór metody prognozowania powinien odzwierciedlać relatywną równowagę między dokładnością a reakcją, ustaloną przez prezentera. WYKONANIE PROGNOZA William J. Stevenson wymienia następujące elementy jako podstawowe kroki w procesie prognozowania: Określ cel forecastx0027s. Czynniki takie jak sposób i kiedy prognoza będzie stosowana, wymagany stopień dokładności oraz pożądany poziom szczegółowości określają koszt (czas, pieniądze, pracownicy), który może być przeznaczony na prognozę i rodzaj stosowanej metody prognozowania. . Ustal horyzont czasowy. Dzieje się tak po ustaleniu celu prognozy. Prognozy długoterminowe wymagają dłuższych horyzontów czasowych i odwrotnie. Dokładność jest ponownie rozważana. Wybierz technikę prognozowania. Wybrana technika zależy od celu prognozy, pożądanego horyzontu czasowego i dozwolonego kosztu. Zbieraj i analizuj dane. Ilość i rodzaj potrzebnych danych zależy od celu forecastx0027, wybranej techniki prognozowania i wszelkich kwestii związanych z kosztami. Dokonaj prognozy. Monitoruj prognozę. Oceń wydajność prognozy i zmodyfikuj ją, jeśli to konieczne. DALSZE CZYTANIE: Finch, Byron J. Operacje teraz: Rentowność, procesy, wydajność. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Econometric Analysis. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr Marion. x0022The Nominal Group Technique. x0022 Proces badawczy. Dostępne od x003C Ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Przeczytaj również artykuł o prognozowaniu z Wikipedii