Prognose mit gleitendem durchschnittsbeispiel

OR-Notes OR-Notes sind eine Reihe von einleitenden Anmerkungen zu Themen, die unter die breite Überschrift des Bereichs Operations Research (OR) fallen. Sie wurden ursprünglich von mir in einer einleitenden ODER-Kurs Ich gebe am Imperial College verwendet. Sie stehen nun für alle Studenten und Lehrer zur Verfügung, die an den folgenden Bedingungen interessiert sind. Eine vollständige Liste der Themen in OR-Notes finden Sie hier. Prognosebeispiel Prognosebeispiel 1996 UG-Prüfung Die Nachfrage nach einem Produkt in den letzten fünf Monaten ist nachfolgend dargestellt. Verwenden Sie einen zweimonatigen gleitenden Durchschnitt, um eine Prognose für die Nachfrage im Monat 6 zu generieren. Wenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,9 an, um eine Prognose für die Nachfrage nach Nachfrage im Monat 6 zu generieren. Welche dieser beiden Prognosen bevorzugen Sie und warumLösung Die zwei Monate Gleitender Durchschnitt für die Monate zwei bis fünf ist gegeben durch: Die Prognose für Monat sechs ist nur der gleitende Durchschnitt für den Monat davor, dh der gleitende Durchschnitt für den Monat 5 m 5 2350. Bei Anwendung der exponentiellen Glättung mit einer Glättungskonstante von 0,9 erhalten wir: Bevor die Prognose für Monat 6 nur der Durchschnitt für Monat 5 ist M 5 2386 Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir für den gleitenden Durchschnitt MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup2 / 3 16,67 und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0,9 MSD (13 - 17 ) Sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup2 / 4 10.44 Insgesamt sehen wir, dass die exponentielle Glättung die besten Prognosen für einen Monat liefert, da sie eine niedrigere MSD aufweist. Daher bevorzugen wir die Prognose von 2386, die durch exponentielle Glättung erzeugt wurde. Prognosebeispiel 1994 UG-Prüfung Die folgende Tabelle zeigt die Nachfrage nach einem neuen Aftershave in einem Geschäft für die letzten 7 Monate. Berechnen Sie einen zweimonatigen gleitenden Durchschnitt für die Monate zwei bis sieben. Was würden Sie Ihre Prognose für die Nachfrage in Monat acht Bewerben exponentielle Glättung mit einer Glättungskonstante von 0,1, um eine Prognose für die Nachfrage in Monat acht abzuleiten. Welche der beiden Prognosen für den Monat acht bevorzugen Sie und warum Der Ladenbesitzer glaubt, dass Kunden auf diese neue Aftershave von anderen Marken umschalten. Erläutern Sie, wie Sie dieses Schaltverhalten modellieren und die Daten anzeigen können, die Sie benötigen, um zu bestätigen, ob diese Umschaltung stattfindet oder nicht. Lösung Der zweimonatige gleitende Durchschnitt für die Monate zwei bis sieben ist gegeben durch: Die Prognose für Monat acht ist nur der gleitende Durchschnitt für den Monat davor, dh der gleitende Durchschnitt für den Monat 7 m 7 46. Anwendung der exponentiellen Glättung mit einer Glättungskonstante von 0,1 Erhalten wir: Wie vorher ist die Prognose für Monat acht nur der Durchschnitt für Monat 7 M 7 31.11 31 (da wir nicht fraktionierte Nachfrage haben können). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir, dass für den gleitenden Durchschnitt und für die exponentiell geglättete Durchschnitt mit einer Glättungskonstante von 0,1 Insgesamt sehen wir, dass die zwei Monate gleitenden Durchschnitt scheinen die besten einen Monat prognostiziert, da es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die durch die zwei Monate gleitenden Durchschnitt produziert wurde. Um das Switching zu untersuchen, müssten wir ein Markov-Prozeßmodell verwenden, bei dem die Zustandsmarken verwendet werden, und wir müssten anfängliche Zustandsinformationen und Kundenvermittlungswahrscheinlichkeiten (von Umfragen) benötigen. Wir müssten das Modell auf historischen Daten laufen lassen, um zu sehen, ob wir zwischen dem Modell und dem historischen Verhalten passen. Prognosebeispiel 1992 UG-Prüfung Die nachstehende Tabelle zeigt die Nachfrage nach einer bestimmten Rasierklinge in einem Geschäft für die letzten neun Monate. Berechnen Sie einen dreimonatigen gleitenden Durchschnitt für die Monate drei bis neun. Was wäre Ihre Prognose für die Nachfrage in Monat 10 Verwenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,3, um eine Prognose für die Nachfrage in Monat zehn ableiten. Welche der beiden Prognosen für Monat zehn bevorzugen Sie und warum Lösung Der dreimonatige gleitende Durchschnitt für die Monate 3 bis 9 ist gegeben durch: Die Prognose für den Monat 10 ist nur der gleitende Durchschnitt für den Monat vorher, dh der gleitende Durchschnitt für Monat 9 M 9 20,33. Die Prognose für den Monat 10 ist daher 20. Die Anwendung der exponentiellen Glättung mit einer Glättungskonstante von 0,3 ergibt sich wie folgt: Nach wie vor ist die Prognose für Monat 10 nur der Durchschnitt für Monat 9 M 9 18,57 19 (wie wir Kann nicht gebrochene Nachfrage). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir, dass für den gleitenden Durchschnitt und für die exponentiell geglättete Durchschnitt mit einer Glättungskonstante von 0,3 Insgesamt sehen wir, dass der dreimonatige gleitende Durchschnitt scheint die besten einen Monat voraus Prognosen geben, wie es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 20, die durch die drei Monate gleitenden Durchschnitt produziert wurde. Prognosebeispiel 1991 UG-Prüfung Die nachstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Faxgeräten in einem Kaufhaus in den letzten zwölf Monaten. Berechnen Sie die vier Monate gleitenden Durchschnitt für die Monate 4 bis 12. Was wäre Ihre Prognose für die Nachfrage in Monat 13 Verwenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,2, um eine Prognose für die Nachfrage in Monat 13 ableiten. Welche der beiden Prognosen für Monat 13 lieber und warum Welche anderen Faktoren, die in den obigen Berechnungen nicht berücksichtigt werden, können die Nachfrage nach dem Faxgerät im Monat 13 beeinflussen Lösung Der viermonatige Gleitende Durchschnitt für die Monate 4 bis 12 ist gegeben durch: m 4 (23 19 15 12) / 4 17,25 m 5 (27 23 19 15) / 4 21 m 6 (30 27 23 19) / 4 24,75 m 7 (32 30 27 23) / 4 28 m 8 (33 32 30 27) / 4 30,5 m 9 37 33 32 30) / 4 33 m 10 (41 37 33 32) / 4 35,75 m 11 (49 41 37 33) / 4 40 m 12 (58 49 41 37) / 4 46,25 Die Prognose für den 13. Monat ist nur der Umzug Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 12 m 12 46,25. Die Prognose für den Monat 13 ist also 46. Wenn wir eine exponentielle Glättung mit einer Glättungskonstante von 0,2 anwenden, erhalten wir: Wie vorher ist die Prognose für den Monat 13 nur der Durchschnitt für den Monat 12 M 12 38,618 39 (wie wir Kann nicht gebrochene Nachfrage). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir, dass für den gleitenden Durchschnitt und für die exponentiell geglättete Durchschnitt mit einer Glättungskonstante von 0,2 Insgesamt sehen wir, dass die vier Monate gleitenden Durchschnitt scheint die besten einen Monat voraus Prognosen geben, wie es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die durch die vier Monate gleitenden Durchschnitt produziert wurde. Saisonale Nachfrage Werbung Preisänderungen, sowohl diese Marke und andere Marken allgemeine wirtschaftliche Situation neue Technologie Prognosebeispiel 1989 UG-Prüfung Die folgende Tabelle zeigt die Nachfrage für eine bestimmte Marke von Mikrowellenherd in einem Kaufhaus in jedem der letzten zwölf Monate. Berechnen Sie für jeden Monat einen Sechsmonatsdurchschnitt. Was wäre Ihre Prognose für die Nachfrage in Monat 13 Verwenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,7, um eine Prognose für die Nachfrage in Monat 13 ableiten. Welche der beiden Prognosen für den Monat 13 bevorzugen Sie und warum Solution Jetzt können wir nicht berechnen Sechsmonatsdurchschnitt, bis wir mindestens 6 Beobachtungen haben - dh wir können nur einen solchen Durchschnitt ab Monat 6 berechnen. Daher haben wir: m 6 (34 32 30 29 31 27) / 6 30,50 m 7 (36 34 32 30 29 31) / 6 32,00 m 8 (35 36 34 32 30 29) / 6 32,67 m 9 (37 35 36 34 32 30) / 6 34,00 m 10 (39 37 35 36 34 32) / 6 35,50 m 11 (40 39 37 35 36 34) / 6 36,83 m 12 (42 40 39 37 35 36) / 6 38.17 Die Vorhersage für den Monat 13 Ist nur der gleitende Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 12 m 12 38,17. Daher ist die Prognose für den 13. Monat 38. Wenn wir eine exponentielle Glättung mit einer Glättungskonstante von 0,7 anwenden, erhalten wir: Gleitende durchschnittliche Prognose Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so dass Sie vielleicht auf eine über (85 73) / 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger haben Partying und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Performance zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive gehörte die quotpast predictionsquot, weil wir sie in der nächsten Web-Seite verwenden Vorhersage Gültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für die Zelle C5 sollte nun Sie diese Zelle Formel C6 bis C11 zu den anderen Zellen nach unten kopieren. Beachten Sie, wie jetzt nur noch die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast predictionsquot Bilder dienen der Veranschaulichung und für die spätere Verwendung in Prognose Validierung. Einige andere Dinge, die wichtig zu beachten sind. Für einen m-Zeitraum durchschnittliche Prognose bewegen nur die m letzten Datenwerte werden verwendet, um die Vorhersage zu machen. Nichts anderes ist notwendig. Für einen m-Zeitraum durchschnittliche Prognose bewegen, wenn quotpast predictionsquot machen, feststellen, dass die erste Vorhersage in Periode m 1. Beide Probleme auftritt, wird sehr bedeutend sein, wenn wir unseren Code zu entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingänge für die Anzahl der Perioden sind Sie in der Prognose und dem Array von historischen Werten verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historische, NumberOfPeriods) As Single Deklarieren und Variablen Dim Artikel As Variant Dim Zähler As Integer Dim Accumulation As Single Dim HistoricalSize Initialisierung As Integer initialisieren Variablen Zähler 1 Accumulation 0 Bestimmung der Größe der historischen Array HistoricalSize Historical. Count für Zähler 1 Um NumberOfPeriods Anhäufung der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation / NumberOfPariods Der Code wird in der Klasse erklärt. Sie möchten die Funktion auf dem Arbeitsblatt platzieren, so dass das Ergebnis der Berechnung dort erscheint, wo es wie folgt aussehen soll: FORSCHUNG Die Prognose beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, die einem zukünftigen Ereignis entsprechen. Es ist absolut notwendig, kurz-und langfristige Planung. Definitionsgemäß basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Prognose, die subjektiv ist und auf Instinkt, Bauchgefühl basiert oder erraten wird. Zum Beispiel die Abendnachrichten gibt das Wetter x0022forecastx0022 nicht das Wetter x0022prediction. x0022 Unabhängig davon werden die Begriffe Vorhersage und Vorhersage oft interchangeably verwendet. Beispielsweise definieren Definitionen der regressionx2014a-Technik, die manchmal in der Prognose x2014 verwendet werden, generell, dass ihr Ziel darin besteht, zu erklären oder x0022predict. x0022 Die Prognose basiert auf einer Reihe von Annahmen: Die Vergangenheit wird sich wiederholen. Mit anderen Worten, was in der Vergangenheit passiert ist, wird in der Zukunft wieder passieren. Wenn sich der Prognosehorizont verkürzt, steigt die Prognosegenauigkeit. Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für nächsten Monat wird genauer sein als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer sein als eine Prognose für zehn Jahre in der Zukunft. Die Prognose in der Summe ist genauer als die Prognose einzelner Posten. Das bedeutet, dass ein Unternehmen die gesamte Nachfrage über sein gesamtes Produktspektrum prognostizieren kann, als es in der Lage ist, einzelne Lagerhaltungseinheiten (SKUs) zu prognostizieren. Zum Beispiel kann General Motors genauer prognostizieren die Gesamtzahl der Autos für das nächste Jahr benötigt als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Prognosen sind selten genau. Darüber hinaus sind die Prognosen fast nie völlig korrekt. Während einige sehr nah sind, sind wenige x0022reight auf dem money. x0022 Daher ist es ratsam, eine Prognose anzubieten x0022range. x0022 Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es extrem unwahrscheinlich, dass die Nachfrage 100.000 entsprechen würde genau. Allerdings würde eine Prognose von 90.000 bis 110.000 ein viel größeres Ziel für die Planung zur Verfügung stellen. William J. Stevenson listet eine Reihe von Merkmalen, die häufig für eine gute Prognose sind: Accuratex2014some Genauigkeitsgrad sollte bestimmt und angegeben werden, so dass Vergleiche auf alternative Prognosen vorgenommen werden können. Reliablex2014die Prognosemethode sollte konsistent eine gute Prognose liefern, wenn der Benutzer ein gewisses Maß an Vertrauen festlegen soll. Timelyx2014a eine gewisse Zeit benötigt wird, um auf die Prognose zu reagieren, so dass die Prognose Horizont muss die Zeit notwendig, um Änderungen vorzunehmen. Einfach zu bedienen und verstehenx2014users der Prognose muss sicher sein und komfortabel mit ihm zu arbeiten. Kosten-effektiv x2014die Kosten der Herstellung der Prognose sollten nicht überwiegen die Vorteile aus der Prognose erhalten. Prognosetechniken reichen von der einfachen bis zur extrem komplexen. Diese Techniken werden in der Regel als qualitativ oder quantitativ klassifiziert. QUALITATIVE TECHNIKEN Qualitative Prognosetechniken sind in der Regel subjektiver als ihre quantitativen Pendants. Qualitative Techniken sind nützlicher in den früheren Phasen des Produktlebenszyklus, wenn weniger vergangene Daten existieren für den Einsatz in quantitativen Methoden. Zu den qualitativen Methoden gehören die Delphi-Technik, die Nominal Group Technique (NGT), Außendienstmitarbeit, Stellungnahmen und Marktforschung. DIE DELPHI-TECHNIK. Die Delphi-Technik nutzt eine Expertengruppe, um eine Prognose zu erstellen. Jeder Experte wird gebeten, eine Prognose zu liefern, die spezifisch für die Notwendigkeit ist. Nachdem die ersten Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schreibt und wird natürlich von seinen Ansichten beeinflusst. Eine anschließende Prognose erfolgt dann durch jeden Fachmann. Jeder Experte liest dann wieder, was jeder andere Experte schreibt und wird wiederum von den Wahrnehmungen der anderen beeinflusst. Dieser Vorgang wiederholt sich, bis jeder Experte nähert sich Einverständnis über die erforderlichen Szenario oder Zahlen. NOMINAL GRUPPE TECHNIK. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten nutzt. Nachdem die Teilnehmer auf prognoserelevante Fragen antworten, rangieren sie ihre Antworten in der Reihenfolge ihrer wahrgenommenen relativen Bedeutung. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der rangierten Fragen erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für die zukünftige Nachfrage. Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter Input verlangen und seine Reaktionen in eine Verkaufskraft zusammengesetzte Prognose zusammenfassen. Bei der Verwendung dieser Technik ist Vorsicht geboten, da die Mitglieder des Außendienstes möglicherweise nicht unterscheiden können, was die Kunden sagen und was sie tatsächlich tun. Auch, wenn die Prognosen verwendet werden, um Verkaufsquoten zu errichten, kann die Vertriebsmannschaft versucht werden, niedrigere Schätzungen zur Verfügung zu stellen. EXECUTIVE MEINUNGEN. Manchmal treffen Führungskräfte auf höherer Ebene zusammen und entwickeln Prognosen basierend auf ihrem Wissen über ihre Verantwortungsbereiche. Dies wird manchmal als eine Jury von Executive Stellungnahme bezeichnet. MARKTFORSCHUNG. In der Marktforschung werden Verbrauchererhebungen genutzt, um die potenzielle Nachfrage zu ermitteln. Solche Marketing-Forschung beinhaltet in der Regel den Bau eines Fragebogens, der persönlichen, demografischen, wirtschaftlichen und Marketing-Informationen verlangt. Gelegentlich sammeln Marktforscher diese Informationen persönlich an den Einzelhändlern und in den Einkaufszentren, in denen der Verbraucher experiencex2014taste, das Gefühl, den Geruch und das seex2014a bestimmte Produkt erfahren kann. Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Ziel ist. QUANTITATIVE TECHNIKEN Quantitative Prognosetechniken sind in der Regel objektiver als ihre qualitativen Pendants. Quantitative Prognosen können Zeitreihenprognosen (d. H. Eine Projektion der Vergangenheit in die Zukunft) oder Prognosen auf der Grundlage assoziativer Modelle (d. h. basierend auf einer oder mehreren erklärenden Variablen) sein. Zeitreihen-Daten können unterliegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus kann die Prognose möglicherweise die Ursachen des Verhaltens zu identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Zu den Mustern gehören: Trends, die langfristige Bewegungen (nach oben oder unten) in den Daten sind. Saisonalität, die kurzfristige Schwankungen erzeugt, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie zum Beispiel der Einzelhandel am Weihnachtsmarkt oder die Spikes im Bankgeschäft am ersten und am Freitag. Zyklen, die wellenartige Schwankungen von mehr als einem Jahr, die in der Regel an wirtschaftliche oder politische Bedingungen gebunden sind. Unregelmäßige Variationen, die kein typisches Verhalten widerspiegeln, wie z. B. eine extreme Wetterperiode oder ein Gewerkschaftsschlag. Zufällige Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von den anderen Klassifikationen berücksichtigt werden. Unter den Zeitreihenmodellen ist die einfachste die naxEFve-Prognose. Eine naxEFve-Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für den nächsten Zeitraum. Dies setzt natürlich voraus, dass sich die Vergangenheit wiederholt. Es geht auch davon aus, dass alle Trends, Saisonalität oder Zyklen entweder in der vorherigen Periode entsprechen oder nicht existieren. Ein Beispiel für die naxEFve-Prognose ist in Tabelle 1 dargestellt. Tabelle 1 NaxEFve Prognose Eine weitere einfache Technik ist die Verwendung der Mittelung. Um eine Prognose über die Mittelung zu machen, nimmt man einfach den Durchschnitt aus einer Anzahl von Perioden von vergangenen Daten, indem jede Periode summiert und das Ergebnis durch die Anzahl der Perioden dividiert wird. Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. Variationen des Mittelwerts umfassen den gleitenden Durchschnitt, den gewichteten Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt eine vorbestimmte Anzahl von Perioden, summiert seine tatsächliche Nachfrage und teilt sich durch die Anzahl von Perioden, um eine Prognose zu erreichen. Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Unter der Annahme eines dreimonatigen Gleitendurchschnitts und der Verwendung der Daten aus Tabelle 1 würde man einfach 45 (Januar), 60 (Februar) und 72 (März) addieren und durch drei dividieren, um zu einer Prognose für April 45 60 72 177 zu kommen X00F7 3 59 Um eine Prognose für Mai zu erreichen, würde man die Nachfrage von Januarx0027 aus der Gleichung fallen lassen und die Nachfrage von April an hinzufügen. Tabelle 2 zeigt ein Beispiel für eine dreimonatige gleitende Durchschnittsprognose. Tabelle 2 Drei Monate bewegliche durchschnittliche Prognose Aktuelle Nachfrage (000x0027s) Ein gewichteter Durchschnitt wendet ein vorbestimmtes Gewicht auf jeden Monat der vergangenen Daten an, summiert die vergangenen Daten aus jeder Periode und dividiert durch die Summe der Gewichte. Wenn der Prognostiker die Gewichte so einstellt, dass ihre Summe gleich 1 ist, dann werden die Gewichte mit dem tatsächlichen Bedarf jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erreichen. Im Allgemeinen gilt, je jünger die Daten, je höher das Gewicht, und je älter die Daten, desto kleiner das Gewicht. Unter Verwendung des Bedarfsbeispiels wird ein gewichteter Durchschnitt unter Verwendung von Gewichten von 0,4. 3. 2 und 0,1 würde die Prognose für Juni ergeben, wie: 60 (0,1) 72 (0,2) 58 (0,3) 40 (0,4) 53,8 Forecasters auch eine Kombination aus dem gewichteten Durchschnitt verwenden kann und gleitenden Durchschnitt Prognosen . Eine gewichtete gleitende Durchschnitt Prognose weist Gewichte auf eine vorgegebene Anzahl von Perioden der Ist-Daten und berechnet die Prognose auf die gleiche Weise wie oben beschrieben. Wie bei allen beweglichen Prognosen, da jede neue Periode hinzugefügt wird, werden die Daten aus der ältesten Zeit verworfen. Tabelle 3 zeigt eine dreimonatige gewichtete gleitende Durchschnittsprognose unter Verwendung der Gewichte .5. 3 und .2. Tabelle 3 Threex2013Month Weighted Moving Average Vorhersage der tatsächlichen Nachfrage (000x0027s) Eine komplexere Form der gewichteten gleitenden Durchschnitt ist die exponentielle Glättung, so genannt, weil das Gewicht abfällt exponentiell, da die Daten Alters. Exponentielle Glättung nimmt die bisherigen periodx0027s Prognose und stellt es durch eine vorbestimmte Glättungskonstante, x03AC (so genannte Alpha-Wert für Alpha kleiner als eins) durch die Differenz in der bisherigen Prognose multipliziert und die Forderung, die tatsächlich während der bisher prognostizierten Zeitraum aufgetreten ist (genannt Prognosefehler). Exponentielle Glättung ist formelhaft als solche zum Ausdruck: Neue Prognose bisherige Prognose alpha (tatsächliche Nachfrage x2212 bisherige Prognose) FF x03AC (A x2212 F) exponentielle Glättung erfordert die Meteorologen die Prognose in einer vergangenen Zeit zu beginnen und uns auf die Zeit arbeiten, für die ein Strom Prognose erforderlich ist. Eine beträchtliche Menge an vergangenen Daten und eine Anfangs - oder erste Prognose sind ebenfalls notwendig. Die erste Prognose kann eine aktuelle Prognose aus einer früheren Periode sein, die tatsächliche Nachfrage aus einer früheren Zeit, oder es kann durch Mitteln aller oder eines Teils der Daten aus der Vergangenheit geschätzt werden. Einige Heuristiken existieren für die Berechnung einer ersten Prognose. Zum Beispiel kann die Heuristik N (2 XF7 x03AC) x2212 1 und einem alpha von 0,5 würde eine N von 3 und zeigt dem Benutzer ergeben die ersten drei Perioden der Daten würden im Durchschnitt eine anfängliche Vorhersage zu erhalten. Allerdings ist die Genauigkeit der ersten Prognose ist nicht kritisch, wenn man große Mengen von Daten verwendet, da die exponentielle Glättung x0022self-correcting. x0022 Mit genügend Perioden von Daten aus der Vergangenheit, wird die exponentielle Glättung schließlich genug Korrekturen für eine einigermaßen ungenau Anfangs zu kompensieren Prognose. Unter Verwendung der Daten in anderen Beispielen verwendet wird, eine erste Prognose von 50 und einen Alpha von 0,7 wird eine Prognose für Februar berechnet als solche: Neue Prognose (Februar) 50 0,7 (45 x2212 50) 41.5 Als nächstes wird die Prognose für März : Neue Prognose (März) 41,5 0,7 (60 x2212 41,5) 54.45 Dieser Prozess wird fortgesetzt, bis die Meteorologen die gewünschte Zeit erreicht. In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage für Juni nicht bekannt ist. Ist-Nachfrage (000x0027s) Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihen-Daten einen linearen Trend aufweisen. Diese Methode wird von mehreren Namen bekannt: Doppelglättungstrendbereinigten exponentielle Glättung Prognose einschließlich Trend (FIT) und Holtx0027s Modell. Ohne Anpassung wird einfach exponentielle Glättung Ergebnisse den Trend lag, das heißt, wird die Prognose immer niedrig sein, wenn der Trend nimmt zu, oder hoch, wenn der Trend rückläufig ist. Bei diesem Modell gibt es zwei Glättungskonstanten, x03AC und x03B2, wobei x03B2 die Trendkomponente darstellt. Eine Erweiterung des Holtx0027s-Modells, genannt Holt-Winterx0027s-Methode, berücksichtigt sowohl Trend - als auch Saisonalität. Es gibt zwei Versionen, multiplikativ und additiv, wobei das multiplikative das am meisten verwendete ist. In dem additiven Modell wird die Saisonalität als eine Menge ausgedrückt, die dem Serienmittel hinzugefügt oder davon subtrahiert werden soll. Die multiplikative Modell drückt Saisonalität als percentagex2014known als Saison Verwandten oder saisonale indexesx2014of dem Durchschnitt (oder Trend). Diese werden dann multipliziert mit Zeitwerten, um Saisonalität zu berücksichtigen. Ein Verwandter von 0,8 würde bedeuten, verlangen, dass 80 Prozent des durchschnittlichen, während 1,10 Nachfrage hindeuten würde, dass 10 Prozent über dem Durchschnitt liegt. Detaillierte Informationen zu dieser Methode kann in den meisten Betriebsmanagement Lehrbücher oder eine aus einer Reihe von Bücher über die Prognose zu finden. Assoziative oder kausale Techniken beinhalten die Identifikation von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorherzusagen. Zum Beispiel können die Zinssätze verwendet werden, um die Nachfrage nach Hause Refinanzierung prognostizieren. Typischerweise beinhaltet dies die Verwendung einer linearen Regression, wobei das Ziel darin besteht, eine Gleichung zu entwickeln, die die Wirkungen der Prädiktor (unabhängigen) Variablen auf die prognostizierte (abhängige) Variable zusammenfasst. Wenn die Prädiktorvariable aufgetragen wurde, wäre das Ziel, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert (wobei die Abweichung der Abstand von jedem Punkt zur Linie ist). Die Gleichung lautet wie folgt: ya bx, wobei y die vorhergesagte (abhängige) Variable ist, x die Prädiktor (unabhängige) Variable, b die Steigung der Linie und a gleich der Höhe der Linie an der y - abfangen. Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die Prädiktor (unabhängige) Variable einfügen, um zu einer Prognose (abhängige Variable) zu gelangen. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, wird eine einfache lineare Regression nicht ausreichend sein. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nicht-lineare Beziehungen die Verwendung einer krummlinigen Regression verlangen. ÖKONOMETRISCHE FORECASTING Ökonometrische Methoden, wie das autoregressive integrierte Moving Average Model (ARIMA), verwenden komplexe mathematische Gleichungen, um frühere Beziehungen zwischen Nachfrage und Variablen zu zeigen, die die Nachfrage beeinflussen. Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es so zuverlässig wie möglich eine Darstellung der Vergangenheitsbeziehung ist. Danach werden projizierte Werte der Einflussgrößen (Einkommen, Preise etc.) in die Gleichung eingefügt, um eine Prognose zu erstellen. AUSWERTUNG VON PROGNOSEN Die Vorhersagegenauigkeit kann durch Berechnung der Vorspannung, der mittleren absoluten Abweichung (MAD), des mittleren quadratischen Fehlers (MSE) oder des mittleren absoluten prozentualen Fehlers (MAPE) für die Prognose mit unterschiedlichen Werten für alpha bestimmt werden. Bias ist die Summe der Prognosefehler x2211 (FE). Für die obige Exponentialglättung wäre die berechnete Vorspannung: (60 × 2212 41,5) (72 × 2212 54,45) (58 × 2212 66,74) (40 × 2212 60,62) 6,69 Wenn man annimmt, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, Berechnen Sie die Vorspannung für eine Anzahl von potentiellen Werten von alpha und nehmen Sie an, dass diejenige mit der niedrigsten Bias die genaueste wäre. Allerdings ist darauf zu achten, dass ungenaue Wetterprognosen zu einem niedrigen Bias führen können, wenn sie sowohl über Prognose als auch unter Prognosen (negativ und positiv) liegen. Zum Beispiel kann über drei Perioden eine Firma einen bestimmten Wert von Alpha verwenden, um eine Prognose von 75.000 Einheiten (x221275.000) unter einer Prognose von 100.000 Einheiten (100.000) zu erstellen und dann über 25.000 Einheiten (x221225.000) prognostiziert zu haben Eine Vorspannung von null (x221275.000 100.000 x2212 25.000 0). Im Vergleich dazu würde ein weiteres Alpha, das über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten resultiert, zu einer Vorspannung von 5.000 Einheiten führen. Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausgeschaltet wären, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Vorspannung in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist die mittlere absolute Abweichung (MAD). Um den MAD zu berechnen, summiert der Prognostiker den Absolutwert der Prognosefehler und dividiert dann durch die Anzahl der Prognosen (x2211 FE x00F7 N). Durch die Berücksichtigung des Absolutwerts der Prognosefehler wird die Verrechnung von positiven und negativen Werten vermieden. Dies bedeutet, dass sowohl eine Überprognose von 50 als auch eine Unterprognose von 50 um 50 ausgeschaltet sind. Unter Verwendung der Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden: (60 · 2212 41,5 72 · 2212 54,45 58 · 2212 66,74 40 · 2212 60,62) X00F7 4 16.35 Demzufolge liegt der Prognose durchschnittlich bei 16,35 Einheiten pro Prognose. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Der mittlere quadratische Fehler (MSE) kann ebenfalls auf dieselbe Weise verwendet werden. MSE ist die Summe der Prognosefehler quadriert dividiert durch N-1 (x2211 (FE)) x00F7 (N-1). Das Quadrieren der Prognosefehler eliminiert die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben würde das MSE sein: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die unter Verwendung verschiedener Werte von & alpha; Dass das Alpha mit dem niedrigsten MSE die genaueste Prognose ergibt. Der mittlere absolute Prozentfehler (MAPE) ist der durchschnittliche absolute Prozentfehler. Um zu dem MAPE zu gelangen, muss man die Summe der Verhältnisse zwischen Prognosefehler und Ist-Bedarf mal 100 (um den Prozentsatz zu erhalten) und dividieren durch N (x2211 Ist-Bedarf x2212 Prognose x00F7 Ist-Bedarf) xD7 100 x00F7 N. Mit den Daten von Kann das Exponentialglättungsbeispiel MAPE wie folgt berechnet werden: (18.5 / 60 17.55 / 72 8.74 / 58 20.62 / 48) xD7 100 x00F7 4 28.33 Wie bei MAD und MSE gilt, je niedriger der relative Fehler, desto genauer die Prognose. Es sollte angemerkt werden, dass in einigen Fällen die Fähigkeit der Prognose, sich schnell auf Veränderungen in den Datenmustern zu ändern, als wichtiger als die Genauigkeit angesehen wird. Daher sollte eine Wahl der Prognosemethode die relative Ausgewogenheit von Wichtigkeit zwischen Genauigkeit und Ansprechempfindlichkeit widerspiegeln, wie vom Prognostiker bestimmt. HERSTELLUNG EINES VORHABENS William J. Stevenson listet die folgenden grundlegenden Schritte im Prognoseprozess auf: Bestimmen Sie den prognostizierten Zweck. Faktoren wie, wie und wann die Prognose verwendet wird, bestimmen den Genauigkeitsgrad und die gewünschte Detaillierungsstufe. Sie bestimmen die Kosten (Zeit, Geld, Mitarbeiter), die der Prognose und der Art der zu verwendenden Prognosemethode zugeordnet werden können . Stellen Sie einen Zeithorizont fest. Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat. Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt. Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik. Die gewählte Technik hängt von dem Zweck der Prognose, dem gewünschten Zeithorizont und den zulässigen Kosten ab. Daten erfassen und analysieren. Die Menge und Art der benötigten Daten wird durch den Prognosezweck, die gewählte Prognosemethode und alle Kostenüberlegungen bestimmt. Machen Sie die Prognose. Überwachen Sie die Prognose. Bewerten Sie die Leistung der Prognose und ändern, wenn nötig. WEITERES LESEN: Finch, Byron J. Operations Now: Rentabilität, Prozesse, Leistung. 2 ed. Boston: McGraw-Hill Irwin, 2006. Grün, William H. Ökonometrische Analyse. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022The Nominal Group Technique. x0022 Der Forschungsprozess. Erhältlich bei x003C www. ryerson. ca/ Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lesen Sie auch Artikel über Prognose von WikipediaIn der Praxis wird der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihe liefern, wenn der Mittelwert konstant ist oder sich langsam ändert. Im Fall eines konstanten Mittelwertes wird der grßte Wert von m die besten Schätzungen des zugrunde liegenden Mittels liefern. Ein längerer Beobachtungszeitraum wird die Effekte der Variabilität ausmachen. Der Zweck der Bereitstellung eines kleineren m ist es, die Prognose auf eine Änderung in dem zugrunde liegenden Prozess zu ermöglichen. Um zu veranschaulichen, schlagen wir einen Datensatz vor, der Änderungen im zugrundeliegenden Mittel der Zeitreihen enthält. Die Abbildung zeigt die Zeitreihen für die Darstellung zusammen mit der mittleren Nachfrage, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als eine Konstante bei 10. Ab dem Zeitpunkt 21 erhöht er sich um eine Einheit in jeder Periode, bis er zum Zeitpunkt 30 den Wert von 20 erreicht. Dann wird er wieder konstant. Die Daten werden simuliert, indem dem Mittelwert ein zufälliges Rauschen aus einer Normalverteilung mit Nullmittelwert und Standardabweichung 3 hinzugefügt wird. Die Ergebnisse der Simulation werden auf die nächste ganze Zahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für das Beispiel. Wenn wir die Tabelle verwenden, müssen wir bedenken, dass zu einem gegebenen Zeitpunkt nur die letzten Daten bekannt sind. Die Schätzwerte des Modellparameters, für drei verschiedene Werte von m, werden zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung gezeigt. Die Abbildung zeigt die gleitende durchschnittliche Schätzung des Mittelwerts zu jedem Zeitpunkt und nicht die Prognose. Die Prognosen würden die gleitenden Durchschnittskurven nach Perioden nach rechts verschieben. Eine Schlussfolgerung ergibt sich unmittelbar aus der Figur. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend, wobei die Verzögerung mit m zunimmt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, während der Mittelwert zunimmt. Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und dem Mittelwert, der durch den gleitenden Durchschnitt vorhergesagt wird. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ. Bei einem abnehmenden Mittelwert ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Bias in der Schätzung eingeführt sind Funktionen von m. Je größer der Wert von m. Desto größer ist die Größe der Verzögerung und der Vorspannung. Für eine stetig wachsende Serie mit Trend a. Die Werte der Verzögerung und der Vorspannung des Schätzers des Mittelwerts sind in den folgenden Gleichungen gegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, weil das Beispielmodell nicht kontinuierlich zunimmt, sondern als Konstante beginnt, sich in einen Trend ändert und dann wieder konstant wird. Auch die Beispielkurven sind vom Rauschen betroffen. Die gleitende Durchschnittsprognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Vorspannung nehmen proportional zu. Die nachstehenden Gleichungen zeigen die Verzögerung und die Vorspannung von Prognoseperioden in die Zukunft im Vergleich zu den Modellparametern. Diese Formeln sind wiederum für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten dieses Ergebnis nicht überraschen. Der gleitende Durchschnittsschätzer basiert auf der Annahme eines konstanten Mittelwerts, und das Beispiel hat einen linearen Trend im Mittel während eines Teils des Studienzeitraums. Da Realzeitreihen den Annahmen eines Modells nur selten gehorchen, sollten wir auf solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Rauschens den größten Effekt für kleinere m hat. Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20. Wir haben die widerstrebenden Wünsche, m zu erhöhen, um den Effekt der Variabilität aufgrund des Rauschens zu verringern und um m zu verringern, um die Prognose besser auf Veränderungen anzupassen Im Mittel. Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert. Wenn die Zeitreihe wirklich ein konstanter Wert ist, ist der erwartete Wert des Fehlers Null und die Varianz des Fehlers besteht aus einem Term, der eine Funktion von und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes mit einer Stichprobe von m Beobachtungen, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert. Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Ein großes m macht die Prognose auf eine Änderung der zugrunde liegenden Zeitreihen unempfänglich. Um die Prognose auf Veränderungen anzupassen, wollen wir m so klein wie möglich (1), aber dies erhöht die Fehlerabweichung. Praktische Voraussage erfordert einen Zwischenwert. Prognose mit Excel Das Prognose-Add-In implementiert die gleitenden Durchschnittsformeln. Das folgende Beispiel zeigt die Analyse des Add-In für die Beispieldaten in Spalte B. Die ersten 10 Beobachtungen sind mit -9 bis 0 indexiert. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für die Periode 0 zu berechnen. Die Spalte MA (10) zeigt die berechneten Bewegungsdurchschnitte. Der gleitende Mittelwert m ist in Zelle C3. Die Fore (1) Spalte (D) zeigt eine Prognose für einen Zeitraum in die Zukunft. Das Prognoseintervall ist in Zelle D3. Wenn das Prognoseintervall auf eine größere Zahl geändert wird, werden die Zahlen in der Spalte Vorwärts verschoben. Die Err (1) - Spalte (E) zeigt die Differenz zwischen der Beobachtung und der Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 6. Der prognostizierte Wert, der aus dem gleitenden Durchschnitt zum Zeitpunkt 0 gemacht wird, beträgt 11,1. Der Fehler ist dann -5.1. Die Standardabweichung und mittlere mittlere Abweichung (MAD) werden in den Zellen E6 beziehungsweise E7 berechnet. Weight Moving Average Forecasting Methoden: Vor - und Nachteile Hallo, LOVE your Post. Ich frage mich, ob Sie weiter ausarbeiten könnte. Wir verwenden SAP. In ihm gibt es eine Auswahl, die Sie wählen können, bevor Sie Ihre Prognose ausführen, die Initialisierung genannt wird. Wenn Sie diese Option aktivieren, erhalten Sie ein Prognoseergebnis, wenn Sie die Prognose erneut in der gleichen Periode ausführen und die Initialisierung nicht auf die Ergebnisänderungen überprüfen. Ich kann nicht herausfinden, was diese Initialisierung tut. Ich meine, mathematisch. Welches Prognoseergebnis am besten zu speichern und zu nutzen ist. Die Änderungen zwischen den beiden sind nicht in der prognostizierten Menge, sondern in der MAD und Fehler, Sicherheitsbestand und ROP-Mengen. Nicht sicher, ob Sie SAP verwenden. Hallo danke für die erklärung so effeciently seine zu gd. Dank wieder Jaspreet Hinterlasse eine Antwort Antworten abbrechen Beliebte Beiträge Über Pete Abilla Pete Abilla ist der Gründer von Shmula. Er hilft Unternehmen wie Amazon, Zappos, eBay, Backcountry, und andere reduzieren Kosten und verbessern die Kundenerfahrung. Er tut dies durch eine systematische Methode zur Identifizierung von Schmerzen, die Auswirkungen auf den Kunden und das Geschäft und fördert eine breite Beteiligung der Mitarbeiter des Unternehmens, um ihre eigenen Prozesse zu verbessern. Tags