Weighted Moving Average Forecast Beispiel

Verschieben von durchschnittlichen und exponentiellen Glättungsmodellen Als ein erster Schritt zum Überfahren von Mittelwertsmodellen, Zufallswegmodellen und linearen Trendmodellen können nicht-saisonale Muster und Trends mittels eines gleitenden Durchschnitts - oder Glättungsmodells extrapoliert werden. Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam verändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-ohne-Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als "quotsmoothedquot" - Version der ursprünglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird auf den Zeitraum t (m1) 2 zentriert, was impliziert, daß die Schätzung des lokalen Mittels dazu neigt, hinter dem wahr zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. Somit ist das durchschnittliche Alter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu der Periode, für die die Prognose berechnet wird, angegeben: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten der Daten zu liegen . Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Weg Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige Wandermodell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt sie einen Großteil der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst um einige Zeit später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-Term einfach gleitenden Durchschnitt versuchen, erhalten wir sogar noch bessere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge über die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. 945 bezeichnen eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Serie L zu definieren, die den gegenwärtigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose durch Anpassung der bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellreferenzen, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell zu einem zufälligen Weg-Modell (ohne Wachstum) äquivalent ist. Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang.) Das Durchschnittsalter der Daten in der Simple-Exponential-Smoothing-Prognose beträgt 1 945, bezogen auf den Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1 945 Perioden. Wenn beispielsweise 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Serie ergibt sich wie folgt: Das durchschnittliche Alter der Daten in dieser Prognose beträgt 10.2961 3,4 Perioden, was ähnlich wie bei einem 6-term einfachen gleitenden Durchschnitt ist. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Reihe etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird ein ARIMA-Modell mit einer nicht sonderbaren Differenz und einem MA (1) - Term mit konstantem, d. H. Einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keine Tendenzen gibt (die in der Regel in Ordnung sind oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht sind), und sie können modifiziert werden, um einen konstanten linearen Trend, wie oben gezeigt, zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, dies wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsächlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt8217s Lineare Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die sie anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstante 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. Analog zur Vorstellung des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Reihe verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1 946, wenn auch nicht exakt gleich . In diesem Fall erweist sich dies als 10.006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, aber sie ist von der gleichen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist Mittelung über eine ziemlich große Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als spezielle Fälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Zurück zum Seitenanfang.) A Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es stehen zwölf Berechnungsmethoden zur Verfügung. Die meisten dieser Methoden bieten eine eingeschränkte Benutzerkontrolle. Beispielsweise könnte das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der in den Berechnungen verwendeten historischen Daten gesetzt wurde, spezifiziert werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten. Die folgenden Beispiele verwenden dieselben Verkaufsdaten für 2004 und 2005, um eine Verkaufsprognose von 2006 zu erstellen. Zusätzlich zur Prognoserechnung enthält jedes Beispiel eine simulierte Prognose für eine dreimonatige Halteperiode (Verarbeitungsoption 19 3), die dann für Prozentsätze der Genauigkeit und der mittleren Absolutabweichung (tatsächlicher Umsatz gegenüber simulierter Prognose) verwendet wird. A.2 Kriterien für die Bewertung der Prognoseleistung Abhängig von der Auswahl der Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden für einen gegebenen historischen Datensatz besser abschneiden als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Produktlebenszyklus gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Performance der Prognosemethoden zu bewerten. Diese sind mittlere absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsverfahren erfordern historische Verkaufsdaten für einen vom Benutzer angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden für die nächste Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. Die beiden prognostizierten Methoden der Leistungsbewertung werden in den Seiten nach den Beispielen der zwölf Prognosemethoden vorgestellt. A.3 Methode 1 - Festgelegter Prozentsatz über Letztes Jahr Diese Methode multipliziert Verkaufsdaten des Vorjahres mit einem benutzerdefinierten Faktor, zum Beispiel 1,10 für eine 10-Erhöhung oder 0,97 für eine 3-Abnahme. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die benutzerdefinierte Anzahl von Zeiträumen für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.4.1 Prognoserechnung Berechnung des Umsatzverlaufs für die Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate 2005: 114 119 137 370 Summe die gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0,9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0,9367 119,8036 oder etwa 120 Februar 2005 Umsatz 117 0,9367 109,5939 oder etwa 110 März 2005 Umsatz 115 0,9367 107,7205 oder etwa 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, Sept): 129 140 131 400 Summe die gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnung der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozentsatz der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten des Vorjahres auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Bewertung der Prognoseperformance angegebenen Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einzubeziehen sind (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar Prognose: 114 119 137 370, 370 3 123.333 oder 123. Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Prognose: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Verkauf (129 140 131 114 3 128,333 Dezember 2005 Umsatz (131 114 119) 3 121,333 A.6,3 Prozent der Genauigkeitsberechnung (133,333 128,333 121,333) (114 119 137) 100 103,513 A.6.4 Mittelwert Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend basierend auf zwei Verkaufsverlaufsdatenpunkten. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Anzahl der in die Regression einzubeziehenden Perioden (Verarbeitungsoption 5a) plus 1 plus Anzahl der Zeiträume für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.8.1 Prognoserechnung Anzahl der Perioden, die in die Regression aufzunehmen sind (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose addieren Sie den Anstieg oder Abfall während der angegebenen Perioden vor der Halteperiode der vorherigen Periode. Durchschnitt der vorangegangenen drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (114 1) (119 2) (137 3) 763 Differenz zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Prognose 5 11,5 100,333 157,8333 oder 158 Prognose 6 11,5 100,333 169,333. Vorhersage (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Prognose 5 11,5 100,333 157,8333 oder 158 Vorhersage 6 11,5 100,333 169,333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der vorangegangenen drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (129 1) (140 2) (131 3) 802 Differenz zwischen den (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133,333 - 1 2 131,333 Vorhersage (1 n) Wert1 Wert2 4 1 131,333 135,333 November 2004 Umsatz Durchschnitt der vorangegangenen drei Monate (140 131 114) 3 128,333 Zusammenfassung der letzten drei Monate mit Bezugsgewicht (140 1) (131 2) (114 3) 744 Differenz zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 DifferenzRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewichtung (119 3) 716 Differenz zwischen den Werten 716 - 121,3333 (1 2 3) -11,9999 Wert1 DifferenzRatio -11,99992 -5,9999 Wert2 Mittelwert-Wert1 Verhältnis 121,3333 - (-5,9999) 2 133,333 Prognose 4 (- (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Verfahren 7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, - Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren ermittelt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Dieses Verfahren kann nützlich sein, wenn sich ein Produkt im Übergang zwischen den Stufen eines Lebenszyklus befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Daher ist dieses Verfahren nur kurzfristig nutzbar. Prognosedaten: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu platzieren. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. Anzahl der einzubeziehenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Die vorherigen (3 n) Monate in dreimonatigen Blöcken verwenden: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (mit X 1) abc (2) Q2 verwendet werden (1) aus Gleichung (2) subtrahieren Sie die Gleichung (1) aus der Gleichung (1) aus der Gleichung (2) (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Setzen Sie diese Gleichungen für a und b in die Gleichung (3) ein Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Das Zweite-Grad-Approximationsverfahren berechnet a, b und c wie folgt: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (X2) X2: (322 340 - 368) 3 2943 98 für den Zeitraum April bis Juni (X5): (3) 322 425 - 575) 3 57.333 oder 57 pro Zeitraum Juli bis September Prognose (X6): (322 510 - 828) 3 1,33 oder 1 pro Zeitraum Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - März) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mean Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne mit einem vom Benutzer spezifizierten Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Das Flexible-Verfahren fügt die Möglichkeit hinzu, einen Zeitraum anzugeben, der nicht derselbe Zeitraum ist, der als Basis für die Berechnungen verwendet wird. Multiplikationsfaktor. Geben Sie z. B. 1.15 in der Verarbeitungsoption 8b an, um die vorherigen Verkaufsverlaufsdaten um 15. Basisperiode zu erhöhen. Zum Beispiel führt n 3 dazu, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert. Minimale Verkaufsgeschichte: Die vom Benutzer angegebene Anzahl von Perioden zurück zur Basisperiode plus die Anzahl der Zeitperioden, die für die Bewertung der Prognoseperformance erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ähnelt Methode 4, Gleitender Durchschnitt (MA). Mit dem Weighted Moving Average können Sie jedoch den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige kommen. Neuere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass dies WMA mehr reagiert auf Verschiebungen in der Ebene des Umsatzes. Prognosevorhersage und systematische Fehler treten jedoch immer noch auf, wenn die Produktverkäufe Geschichte starke Trend - oder saisonale Muster aufweisen. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, aber es wird nur langsam sein, Veränderungen im Umsatzniveau zu erkennen. Andererseits reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen des Umsatzniveaus, doch kann die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jeder der historischen Datenperioden zugewiesen ist. Die zugeordneten Gewichte müssen insgesamt 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie bei allen linearen gleitenden durchschnittlichen Prognosemethoden treten Prognosevorhersage und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder saisonale Muster aufweist. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Dies ist in der Verarbeitungsoption 10a spezifiziert. Geben Sie beispielsweise n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte der historischen Daten, die linear sinken und auf 1,00 sinken. Wenn beispielsweise n & sub3; wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einzubeziehen sind (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für eine Periode vorher 3 (n2 n) 2 3 (32 3) 2 36 0.5 Verhältnis für zwei Perioden vor 2 (n2 n ) 2 2 (32 3) 2 26 0,333 .. Verhältnis für drei Perioden vorher 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Januar Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Prognose: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133,6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119,333 A.12.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In der Linearglättung vergibt das System Gewichte an die historischen Daten, die linear abnehmen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (Vorherige Ist-Verkäufe) (1 - a) Vorhergehende Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) das auf die Prognose der Vorperiode angewandte Gewicht. Gültige Werte für einen Bereich von 0 bis 1 und üblicherweise zwischen 0,1 und 0,4 liegen. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante zuweisen, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der in der Verarbeitungsoption 11a angegebenen Anzahl von Perioden der Verkaufsgeschichte. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichtsdaten, der in die Berechnungen aufzunehmen ist. Generell reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zur Verifizierung der Ergebnisse zu reduzieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.13.1 Prognoserechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt (Verarbeitungsoption 11a) 3 und alpha-Faktor (Verarbeitungsoption 11b) einzubeziehen sind, ist in diesem Beispiel ein Faktor für die ältesten Verkaufsdaten 2 (11) oder 1 bei der Angabe von alpha Ein Faktor für die zweitältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) angegeben ist, oder alpha, wenn alpha ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober-Ist) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November-Ist) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember Tatsächlich) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Prognose Januar Prognose 127 März Prognose Januar Prognose 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136,333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004. Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119,6666 November Sm. Durchschn. 24 119 24 119,6666 119,333 Dezember 2004 Umsatz Sep Sm. Durchschn. 119,3333 A.13.3 Prozent der Genauigkeit Berechnung POA (133,6666 119,3333 124) (114 119 137) 100 101,891 A.13.4 absolute Abweichung Berechnung MAD Mittelwert (133,6666 - 114 124 - 119 119.3333 - 137) 3 14,1111 A.14 Methode 12 - exponentielle Glättung Mit Trend und Saisonalität Diese Methode ist ähnlich wie Methode 11, Exponentialglättung, indem ein geglätteter Durchschnitt berechnet wird. Das Verfahren 12 enthält jedoch auch einen Term in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt und einem linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für den Alpha-Bereich von 0 bis 1. b die Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderlicher Umsatzverlauf: zwei Jahre plus Anzahl der für die Bewertung der Prognoseperformance (PBF) erforderlichen Zeiträume. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognose Berechnung A) Ein exponentiell geglätteten Durchschnitt MAD (122,81 bis 114 133,14 bis 119 135,33 bis 137) 3 8.2 A.15 die Prognosen auswerten Sie Prognoseverfahren auswählen können so viele wie zwölf Prognosen für jedes Produkt zu erzeugen. Jede Prognose-Methode wird wahrscheinlich eine etwas andere Projektion. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet die Leistung automatisch für jede der von Ihnen ausgewählten Prognosemethoden und für jede der Prognoseprognosen aus. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Percent of Accuracy (POA) wählen. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichtsdaten für eine vom Benutzer angegebene Zeitspanne. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Normalerweise gibt es Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, erfolgt dieser Prozess für jede Methode. Mehrere Prognosen werden für die Halteperiode berechnet und mit dem bekannten Umsatzverlauf für denselben Zeitraum verglichen. Für die Verwendung in Ihren Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich von einer Prognosegeneration zur nächsten ändern. MAD A.16 mittlere absolute Abweichung (MAD) ist der Mittelwert (oder durchschnittlich) der Absolutwerte (oder Größe) der Abweichungen (oder Fehler) zwischen dem tatsächlichen und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden hat sich diejenige mit dem kleinsten MAD als die zuverlässigste für dieses Produkt für diese Halteperiode erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei weitere gemeinsame Maßnahmen der Verteilung, Standardabweichung und mittlere quadratische Fehler: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) ist Ein Maß für die Vorhersage Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch negative Fehler von 8 und 2. Fehler Actual abgebrochen - Prognose Wenn ein Produkt kann im Inventar gespeichert werden, und wenn die Prognose unvoreingenommen ist, eine kleine Menge an Sicherheitsbestand kann verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu eliminieren, da es sich um die Erzeugung von unvorhersehbaren Prognosen handelt. In der Dienstleistungsbranche wäre die obige Situation jedoch als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. Die Summierung über die Halteperiode erlaubt positive Fehler, negative Fehler abzubrechen. Wenn die Summe der tatsächlichen Verkäufe die Summe der prognostizierten Verkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose nicht vorliegt, beträgt das POA-Verhältnis 100. Daher ist es wünschenswerter, genauer als 100 genau zu sein, als 110 genau zu sein. Die POA Kriterien wählen Sie die Prognosemethode, die eine POA-Verhältnis am nächsten 100. Scripting auf dieser Seite hat verbessert den Inhaltsnavigation, aber nicht die Inhalte in jeder ändern Methoden way. Weighted Moving Average Forecasting: Pro und Contra Hallo, Ihr Beitrag LIEBE. 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 die 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. Thanks again Jaspreet Hinterlasse eine Antwort Antworten abbrechen Beliebte Beiträge Über Shmula Pete Abilla ist der Gründer von Shmula und der Charakter, Kanban Cody. Er hat Unternehmen wie Amazon, Zappos, eBay, Backcountry und andere helfen, Kosten zu senken und die Kundenerfahrung zu verbessern. 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. Diese Website ist eine Sammlung seiner Erfahrungen, die er mit Ihnen teilen möchte. Erste Schritte mit kostenlosen Downloads