Explain The Skillnaderna Mellan Rörliga Genomsnittet And Exponentiella Utjämnings Modeller

Exponentiell utjämning Explained. Copyright Content on är upphovsrättsskyddad och är inte tillgänglig för republikation. When folk först stöter på termen Exponentiell utjämning kan de tycka att det låter som ett helvete med mycket utjämning, oavsett utjämning. De börjar sedan föreställa sig en komplicerad matematisk Beräkning som sannolikt kräver en grad i matematik att förstå och hoppas att det finns en inbyggd Excel-funktion tillgänglig om de någonsin behöver göra det Verkligheten av exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sannan är exponentiell utjämning är En mycket enkel beräkning som ger en ganska enkel uppgift Det har bara ett komplicerat namn eftersom det som tekniskt händer som en följd av denna enkla beräkning är faktiskt lite komplicerad. För att förstå exponentiell utjämning hjälper det till att börja med det allmänna begreppet utjämning och en Några andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning. Möjning är en mycket vanlig statistisk s Rocess I själva verket möter vi regelbundet smidiga data i olika former i våra dagliga liv Varje gång du använder ett medel för att beskriva något, använder du ett jämnt antal Om du funderar på varför du använder ett medel för att beskriva något, Kommer snabbt att förstå konceptet av utjämning Till exempel upplevde vi bara den varmaste vintern på rekord Hur kan vi kvantifiera detta Tja, vi börjar med dataset av de dagliga höga och låga temperaturerna för den period som vi kallar Vinter för varje år i inspelad historia Men Som lämnar oss med en massa siffror som hoppa runt ganska lite det är inte som varje dag i vinter var varmare än motsvarande dagar från alla tidigare år Vi behöver ett nummer som tar bort allt detta hoppar runt från data så att vi lättare kan Jämföra en vinter till nästa Avlägsna hoppa runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medelvärde för att åstadkomma utjämningen. I efterfrågan prognos använder vi utjämning för att ta bort E slumpmässigt variationsstörning från vår historiska efterfrågan Detta gör det möjligt för oss att bättre identifiera efterfrågan mönster främst trend och säsong och efterfråganivåer som kan användas för att uppskatta framtida efterfrågan. Stödet i efterfrågan är samma begrepp som den dagliga hoppningen runt temperaturdata. Inte överraskande , Det vanligaste sättet att ta bort ljud från efterfrågningshistoriken är att använda ett enkelt medelvärde eller mer specifikt ett glidande medelvärde. Ett rörligt medelvärde använder bara ett fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig när tiden går. Till exempel om Jag använder ett 4 månaders glidande medelvärde, och idag är 1 maj, använder jag ett genomsnitt av efterfrågan som inträffade i januari, februari, mars och april den 1 juni ska jag använda efterfrågan från februari mars, april, Och maj. Vågat glidande medelvärde. När man använder ett medel tillämpar vi samma vikt vid varje värde i datamängden. I det 4 månaders glidande genomsnittet representerade varje månad 25 av glidande medelvärdet. Vid användning av efterfrågan h Istory att projektera framtida efterfrågan och speciellt framtida trend är det logiskt att dra slutsatsen att du skulle vilja att nyare historia skulle få större inverkan på din prognos. Vi kan anpassa vår genomsnittliga beräkning för att tillämpa olika vikter för varje period för att få Våra önskade resultat Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder måste öka till 100. Om vi ​​bestämmer att vi vill tillämpa 35 som vikten för närmaste period i vårt 4 månaders vägda glidande medelvärde, Vi kan subtrahera 35 från 100 för att finna att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en viktning på 15, 20, 30 och 35 för de fyra månaderna 15 20 30 35 100. Exponential Utjämning. Om vi ​​går tillbaka till konceptet att applicera en vikt till den senaste perioden, såsom 35 i föregående exempel och sprida den återstående vikten beräknad genom att subtrahera den senaste vikten av 35 från 100 till 65, har vi de grundläggande bygga Ing-block för vår exponentiella utjämningsberäkning Kontrollenheten för exponentiell utjämningsberäkning kallas utjämningsfaktorn kallas även utjämningskonstanten. Det representerar väsentligen vikten applicerad på den senaste periodens efterfrågan Så, där vi använde 35 som viktningen för Senaste perioden i den vägda glidande genomsnittliga beräkningen kan vi också välja att använda 35 som utjämningsfaktorn i vår exponentiella utjämningsberäkning för att få en liknande effekt. Skillnaden med exponentiell utjämningsberäkning är att istället för att vi måste ta reda på hur mycket Vikt som gäller för varje tidigare period används utjämningsfaktorn för att automatiskt göra det. Så här kommer den exponentiella delen Om vi ​​använder 35 som utjämningsfaktor blir vikten av den senaste periodens efterfrågan 35 Vägningen av nästa Senaste perioden s kräver perioden innan den senaste kommer att vara 65 av 35 65 kommer från att subtrahera 35 från 100 Detta motsvarar 22 75 viktning för den perioden om du gör matematiken. Nästa efterföljande period s efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14 79 Perioden före den kommer att vägas som 65 av 65 av 65 av 35, vilket motsvarar 9 61 osv. Och detta fortsätter genom alla dina tidigare perioder ända till början av tiden eller den punkt där du började använda exponentiell utjämning för det aktuella objektet. Du tror nog att det ser ut som en helhet Mycket matte Men skönheten i exponentiell utjämning beräkningen är att snarare än att behöva räkna om mot varje tidigare period varje gång du får en ny period s efterfrågan, använder du helt enkelt utmatningen av exponentiell utjämningsberäkning från föregående period för att representera alla tidigare Period. Är du förvirrad än? Det här kommer att ge större mening när vi tittar på den faktiska beräkningen. Typiskt hänvisar vi till effekten av exponentiell utjämningsberäkning som nästa prognosperiod. I verkligheten är den ultimata prognosen Behöver lite mer arbete, men för den här specifika beräkningen kommer vi att referera till den som prognosen. Exponential utjämningsberäkning är enligt följande. Den senaste periodens efterfrågan multiplicerad med utjämningsfaktorn PLUS Den senaste periodens prognos Multiplicerad med en minus utjämningsfaktorn. D senaste periodens efterfrågan S utjämningsfaktorn representerad i decimalform så 35 skulle representeras som 0 35 F den senaste perioden s förutspår utjämningen av utjämningsberäkningen från föregående period. OR förutsatt att En utjämningsfaktor på 0 35. Det blir inte mycket enklare än det. Som vi kan se är allt vi behöver för datainmatning här den senaste periodens efterfrågan och den senaste periodens prognos Vi tillämpar utjämningsfaktorns viktning till Senaste perioden s kräver samma sätt som vi skulle i den vägda glidande genomsnittliga beräkningen. Vi applicerar sedan den återstående vikten 1 minus utjämningsfaktorn till den senaste periodens prognos. Eftersom den senaste tiden Periodens prognos skapades baserat på föregående period s efterfrågan och föregående period s prognos, som baserades på efterfrågan på perioden före det och prognosen för perioden före det som baserades på efterfrågan på perioden före det Och prognosen för perioden före det, vilket var baserat på perioden före det. Men du kan se hur alla tidigare periodens efterfrågan är representerad i beräkningen utan att faktiskt gå tillbaka och räkna om någonting. Och det var det som körde den ursprungliga populariteten Av exponentiell utjämning Det var inte eftersom det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde, det berodde på att det var lättare att beräkna i ett datorprogram Och för att du inte behövde tänka på vilken viktning att ge tidigare perioder eller hur många Tidigare perioder att använda, som du skulle i viktat glidande medelvärde Och eftersom det bara lät svalare än viktat glidande medelvärde. Det kan faktiskt argumenteras för att viktat glidande medel ger gr Eater flexibilitet eftersom du har mer kontroll över vikten av tidigare perioder. Verkligheten är att någon av dessa kan ge tillförlitliga resultat, varför varför inte gå med enklare och kallare ljud. Exponential utjämning i Excel. Se hur det verkligen skulle se i ett kalkylblad Med reella data. Copyright Content on är upphovsrättsskyddad och kan inte användas för republikation. In Figur 1A har vi ett Excel-kalkylblad med 11 veckors efterfrågan och en exponentiellt jämnprognos beräknad från den efterfrågan jag har använt en utjämningsfaktor på 25 0 25 i cell C1 Den nuvarande aktiva cellen är Cell M4 som innehåller prognosen för vecka 12. Du kan se i formelfältet. Formeln är L3 C1 L4 1- C1 Så att de enda direkta ingångarna till denna beräkning är den tidigare periodens efterfrågan Cell L3, föregående period s prognos Cell L4 och utjämningsfaktorn Cell C1, som visas som absolut cellreferens C1.När vi börjar en exponentiell utjämningsberäkning måste vi manuellt ansluta värdet för 1s T prognos Så i Cell B4 snarare än en formel skrev vi bara efterfrågan från samma period som prognosen. I Cell C4 har vi vår första exponentiella utjämningsberäkning B3 C1 B4 1- C1 Vi kan sedan kopiera Cell C4 och klistra in den I cellerna D4 till och med M4 för att fylla resten av våra prognosceller. Du kan nu dubbelklicka på någon prognoscell för att se att den är baserad på den föregående periodens prognoscell och den tidigare periodens efterfrågancelle. Så varje efterföljande exponentiell utjämningsberäkning ärver Utgången från den tidigare exponentiella utjämningsberäkningen Det är hur varje efterfråges efterfrågan representeras i den senaste periodens beräkning, även om den beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill bli snygg kan du använda Excel s spår Funktion För att göra detta klickar du på Cell M4, sedan på verktygsfältet Excel 2007 eller 2010 klickar du på Formulas-fliken och klickar sedan på Spårprecedenter. Det kommer att dra anslutningslinjer till 1: a nivået av prejudikat, men om Du fortsätter att klicka på Trace Precedents det kommer att dra anslutningslinjer till alla tidigare perioder för att visa dig de ärvda relationerna. Nu får vi se vilken exponentiell utjämning som gjordes för oss. Figur 1B visar ett linjediagram över vår efterfrågan och prognos. Du ser hur exponentialt jämnade Prognosen avlägsnar det mesta av jaggedheten som hoppar runt från den veckoprävande efterfrågan, men lyckas ändå att följa det som tycks vara en uppåtgående trend i efterfrågan. Du kommer också märka att den släta prognoslinjen tenderar att vara lägre än efterfrågan. Detta kallas trend Fördröjning och är en bieffekt av utjämningsprocessen Varje gång du använder utjämning när en trend är närvarande kommer din prognos att ligga bakom trenden Detta gäller för eventuell utjämningsteknik Faktum är att om vi skulle fortsätta detta kalkylblad och börja mata in lägre efterfråganummer Gör en nedåtgående trend du skulle se efterfrågan rad sjunka, och trendlinjen rör sig ovanför det innan du börjar följa den nedåtgående trenden. Det är därför jag tidigare nämnde ou Tput från exponentiell utjämning beräkning som vi kallar en prognos, behöver fortfarande lite mer arbete Det finns mycket mer att prognosera än att bara utjämna stötarna i efterfrågan Vi behöver göra ytterligare justeringar för saker som trendlag, säsongsmässighet, kända händelser som kan Effekten efterfrågan osv. Men allt som ligger utanför denna artikels räckvidd. Du kommer sannolikt också att gå in i termer som dubbel exponentiell utjämning och trippel-exponentiell utjämning. Dessa termer är lite vilseledande eftersom du inte re-utjämnar efterfrågan flera gånger du Kan om du vill, men det är inte meningen här. Dessa termer representerar exponentiell utjämning på ytterligare element i prognosen. Med enkel exponentiell utjämning stäver du basbehovet, men med dubbel exponentiell utjämning stryker du basbehovet plus Trenden och med trippel-exponentiell utjämning utjämnar du basbehovet plus trenden plus säsongsmässigheten. Den andra vanligaste frågan om exp Potentiell utjämning är var får jag min utjämningsfaktor Det finns inget magiskt svar här, du måste testa olika utjämningsfaktorer med dina efterfrågningsdata för att se vad som blir det bästa resultatet. Det finns beräkningar som automatiskt kan ställa in och ändra utjämningsfaktorn. Dessa fall Under termen adaptiv utjämning men du måste vara försiktig med dem. Det är helt enkelt inget perfekt svar och du bör inte blinda genomföra någon beräkning utan noggrann testning och utveckla en grundlig förståelse av vad den beräkningen gör. Du bör också köra scenarier för att Se hur dessa beräkningar reagerar på efterfrågesändringar som för närvarande inte existerar i de efterfrågningsdata du använder för testning. Dataexemplet jag använde tidigare är ett mycket bra exempel på en situation där du verkligen behöver testa några andra scenarier Visar en något konsekvent uppåtgående trend Många stora företag med mycket dyr prognosprogramvara har stora problem i det inte så distanserade Ant när deras programvaruinställningar som var tweaked för en växande ekonomi inte reagerade bra när ekonomin började stagnera eller krympa. Saker som detta händer när du inte förstår vad dina beräkningar programvara faktiskt gör. Om de förstod deras prognossystem skulle de ha Kända att de behövde hoppa in och ändra något när det var plötsligt dramatiska förändringar i deras verksamhet. Så där har du det förklarat grunderna för exponentiell utjämning. Vill du veta mer om att använda exponentiell utjämning i en faktisk prognos, kolla in min bok Inventory Management Explained. Copyright Content on är upphovsrättsskyddat och kan inte användas för republicering. Dave Piasecki är ägare av Inventory Operations Consulting LLC ett konsultföretag som tillhandahåller tjänster relaterade till lagerhantering, materialhantering och lagerverksamhet. Han har över 25 års erfarenhet av operationshantering Och kan nås via hans hemsida, där han behåller ytterligare Relevant information. My Business. Seasonal Factor - andelen av genomsnittlig kvartalsbehov som uppstår i varje kvartal. Årsberäkningar för år 4 beräknas vara 400 enheter. Den genomsnittliga prognosen per kvartal är 400 4 100 enheter. Quarterly Forecast avg prognos säsongsfaktor. ÅRSAKSBESKRIVNINGSMETODER. Kausala prognosmetoder är baserade på ett känt eller uppfattat förhållande mellan den faktor som ska prognostiseras och andra externa eller interna faktorer.1 Regressionens matematiska ekvation avser en beroende variabel till en eller flera oberoende variabler som tros påverka den beroende variabeln .2 ekonometriska modellsystem av ömsesidiga regressionsekvationer som beskriver någon sektor av ekonomisk aktivitet.3 input-output-modeller beskriver flödena från en sektor av ekonomin till en annan och förutsäger sålunda ingångarna som krävs för att producera utgångar i en annan sektor.4 simuleringsmodellering. MÄSSNINGSPROGRAMFel. Det finns två aspekter av prognosfel att oroa sig för. D Noggrannhet. Bias - En prognos är partisk om den errar mer i en riktning än i den andra .- Metoden brukar underskatta eller överprognoser. Accuracy - Prognosnoggrannhet avser avståndet för prognoserna från den faktiska efterfrågan ignorerar Riktning av det felet. Exempel på sex perioder prognoser och faktisk efterfrågan har spåras Följande tabell ger den faktiska efterfrågan D t och prognosefterfrågan F t under sex period. kumulativ summa av prognosfel CFE -20.mean absolut avvikelse MAD 170 6 28 33.mean kvadreringsfel MSE 5150 6 858 33.standard avvikelse av prognosfel 5150 6 29 30.värt absolut procentfel MAPE 83 4 6 13 9. Vilken information ger varje. Förutsättning har en tendens att överskatta efterfrågan. Prognosen var 28 33 enheter eller 13 9 av den faktiska efterfrågan. Samplingsfördelningen av prognosfel har en standardavvikelse på 29 3 enheter. KCRITERIER FÖR VAL AV EN PROBLEMMETODE. Objekt 1 Maximera noggrannhet och 2 Minimera bias. Potentialregler för val av tidsserier Ies prognosmetod Välj den metod som ger den minsta förspänningen, mätt med kumulativt prognosfel CFE eller ger den minsta genomsnittliga absoluta avvikelsen MAD eller ger den minsta spårningssignalen eller. uppfyller ledningens övertygelser om det underliggande mönstret av demand. or Andra Det verkar uppenbart att en viss mått av både noggrannhet och förspänning ska användas tillsammans Hur. Vad gäller antalet perioder som ska samplas. Om efterfrågan är iboende stabil, föreslås låga värden på och och högre värden av N. Om efterfrågan är iboende Instabila, höga värden på och och lägre värden på N är föreslagna. FOCUS FORECASTING. focus prognoser avser ett prognosprojekt som utvecklar prognoser med olika tekniker och väljer sedan prognosen som producerades med de bästa av dessa tekniker, där bäst bestäms Med viss åtgärd av prognosfel. FOCUS FORECASTING EXAMPLE. För årets första sex månader har efterfrågan på ett detaljhandelsobjekt varit 15, 14, 15, 17, 19 och 18 enheter. R använder ett fokuseringsprognossystem baserat på två prognostekniker ett två-glidande medelvärde och en trendjusterad exponentiell utjämningsmodell med 0 1 och 0 1 Med exponentiell modell var prognosen för januari 15 och trendgenomsnittet i slutet Av december var 1. Återförsäljaren använder den genomsnittliga absoluta avvikelsen MAD under de senaste tre månaderna som kriterium för att välja vilken modell som kommer att användas för att prognostisera för nästa månad. a Vad kommer prognosen för juli och vilken modell som ska användas. B Skulle du svara på del a var annorlunda om efterfrågan på maj hade varit 14 istället för 19.Smoderande data tar bort slumpmässig variation och visar trender och cykliska komponenter. Sammanhängande i insamlingen av data som tagits över tiden är någon form av slumpmässig variation. Det existerar Metoder för att minska avbrytandet av effekten på grund av slumpmässig variation En ofta använd teknik inom industrin är utjämning Denna teknik, när den tillämpas korrekt, avslöjar tydligare den underliggande trenden, säsongsmässiga och cykliska komponenter. Det finns två distinkta grupper av utjämningsmetoder. Bedömningsmetoder. Exponentialutjämning Metoder. Medeltal är det enklaste sättet att smidiga data. Vi ska först undersöka några medelvärdesmetoder, såsom det enkla genomsnittet av alla tidigare data. En chef för ett lager vill Att veta hur mycket en typisk leverantör levererar i 1000 dollar enheter Han tar ett urval av 12 leverantörer, slumpmässigt, erhåller följande resultat. Beräknat medelvärde eller medeltal av data 10 Chefen väljer att använda detta som uppskattning av utgifter för En typisk leverantör. Det här är en bra eller dålig uppskattning. Ett kvadratfel är ett sätt att bedöma hur bra en modell är. Vi ska beräkna medelkvadratfel. Felaktigt belopp som använts minus uppskattad mängd. Felet kvadrerade är felet Ovan, squared. The SSE är summan av kvadrerade fel. MSE är medelvärdet av de kvadrerade felen. MSE-resultat till exempel. Resultaten är fel och kvadratfelet. Uppskattningen 10. Frågan uppstår kan vi använda medelvärdet för att Prognos i Kom om vi misstänker en trend En titt på grafen nedan visar tydligt att vi inte borde göra detta. Enhet väger alla tidigare observationer lika. Sammanfattningsvis anger vi att. Det enkla genomsnittet eller medelvärdet av alla tidigare observationer är bara en användbar uppskattning för Prognos när det inte finns några trender Om det finns trender, använd olika uppskattningar som tar hänsyn till trenden. Medelvärdet väger alla tidigare observationer lika. Till exempel är medelvärdet av värdena 3, 4, 5 4 Vi vet självklart att Ett medel beräknas genom att lägga till alla värden och dela summan med antalet värden. Ett annat sätt att beräkna medelvärdet är att lägga till varje värde dividerat med antalet värden eller.3 3 4 3 5 3 1 1 3333 1 6667 4 Multiplikatorn 1 3 kallas vikten i allmänhet. Bar frac summa vänster frac höger x1 vänster frac höger x2,, vänster frac höger xn. Vänster frac höger är vikterna och naturligtvis summerar de till 1.