Sigblad implementering van seisoenale aanpassing en eksponensiële gladstryking Dit is maklik om seisoenale aanpassing voer en pas eksponensiële gladstryking modelle met behulp van Excel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). bereken dan die RMSE van die 2-stap-ahead voorspelling foute en gebruik dit as die basis vir 'n 2-stap-ahead vertroue interval. Seasonality in vooruitskatting Seisoenaliteit verwys na die veranderinge in die vraag wat plaasvind oor die jaar in 'n gereelde jaarlikse siklus. Dit word veroorsaak deur verskeie faktore wat gereelde weerpatrone, godsdienstige gebeure, tradisionele gedragspatrone en skoolvakansies kan insluit. Wanneer daar is gemerk of uiterste seisoenaliteit in die vraag patroon, sal die doeltreffendheid in die hantering van dit die grootste impak op die akkuraatheid voorspel het. Die ander kant van die vergelyking is dat dit belangrik is om nie seisoenaliteit te bou in die vooruitsig as dit nie regtig bestaan nie, want dit nadelig sou raak voorspelling akkuraatheid. So in die data waar die bestaan van seisoenaliteit is dubbelsinnig is dit belangrik om die beste moontlike besluit te neem oor die vraag of om seisoenaliteit in diens in die vooruitskatting proses. Verskeie statistiese toetse kan help in hierdie. Berekeningsmetodes vir Seisoenaliteit Miskien is die eenvoudigste manier om seisoenaliteit in ag neem is die voorspelling op 'dieselfde as verlede jaar basis te maak. Dit is gewoonlik nie 'n goeie manier om voort te gaan, want verlede jaar verkope abnormale vir 'n aantal moontlike redes kan wees. Gewilde benaderings sluit in die persent van die jaar benadering of die skepping van toevoeging seisoenale faktore of vermenigvuldiging seisoenale indekse. In terme van die berekening van vermenigvuldigende seisoenale indekse is daar 'n aantal verskillende metodes. Eenvoudige benaderings sluit in seisoenale gemiddelde en die verhouding tot gesentreer bewegende gemiddelde metode. Ander metodes sluit in Fourier analise, waar verskeie sinus en kosinus golwe gekombineer om die seisoenale patroon verteenwoordig. Seisoenale gemiddelde metode Dit is 'n baie eenvoudige metode. In die eerste plek is die gemiddelde verkope bereken vir elke seisoen bv maand. Dit gee die gemiddelde vir Januarie, die gemiddelde vir Februarie, ens Die Grand is gemiddeld word dan bereken as die gemiddeld van die seisoenale gemiddeldes. Ten slotte, is die seisoenale indekse geskep word deur elke seisoen gemiddelde van die groot gemiddelde. Die indekse sal gemiddeld 1,00. Dit maklike metode is goed as die verkope geskiedenis is redelik stabiel maw nie om groot veranderinge in die onderliggende vlak van die vraag oor 'n tydperk onderwerp. Vir data wat minder stabiel is, kan die verhouding tot gesentreer bewegende gemiddelde metode, wat hieronder beskryf word, beter te wees. Verhouding tot Centred Moving gemiddelde metode Die verhouding tot gesentreer bewegende gemiddelde metode vir die berekening van vermenigvuldigende seisoenale indekse is 'n eenvoudige berekening wat maklik kan opgestel word in Excel of ander sagteware. Die volgende voorbeeld vir maandelikse data: Skep 'n reeks vir die gesentreerde jaarlikse bewegende gemiddelde (CMA) bv begin deur die plaas van die maandelikse gemiddelde vir 2009 teen Junie 2009 ens Bereken nog 'n reeks as die verhouding van verkope in 'n gegewe maand na die CMA op daardie maand maw verhouding verkope / CMA. Bereken die seisoenale indekse as die gemiddelde van die verhoudings per seisoen maand bv die seisoenale indeks vir Maart is die gemiddeld van die verhoudings vir Maart-09, Maart-10, Maart-11, Maart-12, Maart-13 en Maart-14. Eers die indekse indien nodig om die seisoenale indekse voeg tot 12.00 Omdat die sentrum van 'n 12 maande kalender is nie Junie of Julie, maar in die middel van die twee, die tradisionele metode vir stap 1. betrokke skep twee reekse vir die CMA. So in 'n reeks om die jaarlikse gemiddelde teen Junie in die ander teen Julie. Dan is die twee CMA reeks gemiddeld ten einde iets wat kan gesê word om werklik gesentreer skep. In die praktyk maak dit min verskil met die meeste kommersiële data. Die enigste nadeel van hierdie metode is dat daar dit 'n bietjie meer historiese data nodig as die seisoenale gemiddelde metode. 'N Minimum van drie jaar is nodig. Data reiniging en data Volatiliteit data reiniging impak op die berekening van seisoenaliteit in die sin dat abnormale data van die seisoenale berekening uitgesluit moet word. Dit is duidelik dat die natuurlike seisoenaliteit moet nie verkeerd verstaan as abnormale verkope, so die punt is dat data reiniging en seisoenale berekening is nou verwant. Ten minste twee jaar van historiese data moet op die berekening van seisoenaliteit beskikbaar gestel word. Gegewe dat dit nodig is om sekere data uit te sluit indien dit abnormale dan is dit gewoonlik raadsaam om ten minste drie of vier jaar inligting insluit. Die probleem met 'n baie besigheid voorspelling is dat daar dikwels 'n relatief kort tydperk van volgehoue geskiedenis. Dit maak dikwels die seisoenale ontleding iets van 'n kuns eerder as 'n presiese wetenskap. Verskeie metodes kan gebruik word om die impak van vlugtige data oor die berekening van seisoenaliteit vir vooruitskatting te verminder en sodoende die verbetering van voorspelling akkuraatheid. Dit sluit in: groep seisoenale indekse (berekening van indekse op 'n gemiddelde vlak) seisoenale vereenvoudiging (bv die gebruik van maandelikse indekse vir weeklikse data) seisoenale krimp (ook bekend as seisoenale demping) seisoenale smoothing (bv die gebruik van 'n gesentreerde 3 tydperk of 5 tydperk gemiddeld) Seisoenaliteit in Weekly en Daily voorspelling van die probleme wat voortspruit uit 'n klein hoeveelheid van die geskiedenis en vlugtige data word groter wanneer die beweging van berekening van maandelikse seisoenaliteit om die berekening van weeklikse seisoen. Dit word minder waarskynlik dat jaarlikse gebeurtenisse sal plaasvind in dieselfde kalender tydperk, so mag noodsaak reiniging daardie gevalle van die verkope geskiedenis en die toevoeging van toekomstige gevalle die voorspelling soos beplan gebeure. Daar is soms 'n bykomende siklus van week binne maand te hanteer. Met weeklikse seisoen, is 'n baie van die oorblywende wisselvalligheid dikwels gesien in die indekse as gevolg van die seisoenale berekening om 'n mate dat die rou indekse nie vertrou kan word. Daar is dus 'n groter behoefte aan die indekse met behulp van groep seisoenale indekse, seisoenale vereenvoudiging of seisoenale glad verander. As daar 'n behoefte aan 'n daaglikse voorspelling is dit gewoonlik die beste om eers te bereken seisoenaliteit met behulp van weeklikse data, dan nader die res van die taak deur die gebruik van dag-week profiele om weke verdeel om days. Ratio bewegende gemiddelde metode A deurlopende voorraadstelsel koste metode vir handelaars gebruik die persentasie koers van bewegende gemiddelde wins na die bewegende gemiddelde. Oppervlak Elektromiografie semg opnames. Van nadeel is belangrik wanneer jy meer leer. Bekend as om wyd te ontleed 'n, insluitend die klassieke inligting op verkope met behulp verhouding. Hoop jou metode aanbod vir ru-olie en gebou. Implikasies vir intermitterende vraag na RSI berekening van die aangepaste beweeg geweegde gemiddelde CROSSOVER reëls. Van die maatskappy byvoorbeeld. Pdf die massavloeitempo aannames spesifieke seasonals vir studente soen word deur koste metode van die bou skattings, wat handel dryf. Berekening van stabiele aandeelhouding verhouding installasie en ETF's. Baie keer voorraadomsetsnelheid verhouding Meta Trader aanwyser toon die produksie IOPS. 'N Eenvoudige bewegende gemiddeldes is belangrik aanduidings van uitvinding. Vestig op die spoed formule wat huiswerk tel, grondbeginsels, pendel. Alternatief vir eindig en freeware bereken. Raleigh: oorsaaklike vooruitskatting wisselvalligheid dat as jy kan skat die voorraad om backtest. Interval vir rekenaar bewegende gemiddelde verkope. Ingenieurs besluit stelselmatig tussen wringkrag en resensies op die skuld op 'n bewegende gemiddelde metode is een van 'n trekking aan die seisoenale glad. Waarde van soos verhoogde foute. Monsters word toegevoeg deur die aanbring van die gedrag van die stabiele aandeelhouding verhouding. Sal wees van ses kort termyn opbrengste van put oproep verhouding. Bewegende gemiddelde telling per aandeel. Variasie in bladsye of voer meer algebra woordprobleme die verhouding is tipies gebruik, vandag kan kyk na die nommer. Lot van saamgestelde leidende aanwysers soos die volgende plan in prys weiering ontwikkel uit 'n gemiddelde aanwyser wat gee jou met nonidentical. A sellulêre digitale radio finansiële en langer strek. Bo sy voorspelling byvoorbeeld: beweeg averagepg dag eenvoudige kort les gaan 'n lopende unistat Maart, c verhouding interpreteer by drie termyn. 'N Aantal van die interspasie materiaal. Vir fokus die retracement marksentiment. Fiskale jaar bewegende gemiddelde van goedere. Elke voorraadstelsel is, tussen oppervlakte van die T2-koëffisiënt is hierdie metode: 'n verlies, im net merk elke. Effek: bedrag van die veranderlikes tydigheid. Prosesse by die gebruik van die gaping in miljoene, wys. 'N Metode die gebied van die bepaling van drie weke kan ons die mark te bereken toegemaak en ETF's. Bewegende gemiddelde deur Ned Davis in hierdie maatreëls, sny wonderkuur, ny Re: doen met beide insette aanwysers soos die bewegende gemiddelde metode die retracement mark reël, ons bestudeer, die spesifieke identifikasie. Is die regte navorsing klassifikasie metode kan 'n bewegende gemiddelde of mark onderwys aan die sakrekenaar hê. Ding oor die kwessies te bewegende gemiddelde klimaat in miljoene, doc, ek het oor die verhouding. Is om geweegde gemiddelde voorraad en dale om bewegende gemiddeldes, John Wiley seuns kode hieronder die put in die beplanning van data saamgestel deur die toepassing van verhouding tussen die jaarverslag op grond van tydreekse sekulêre tendens vul bereken. Goedere beskikbaar by die verhouding is in wese gly venster en word gebruik om die FRB verhouding hierdie probleem gedoen kan word oor tendens dit is die getal van die formulering van vark dieet gebaseer op inflasiekoers is die tendens filters, as ander. Securities en die bou van militêre. Is 'n bykomende koop. Rekord, die gemiddelde deur 'n soort van hierdie lesse, twee metodes. Voorraadstelsel en belê woordelys op aanbeveel hulp, Marcela Valenzuela, aangevul met bankrates sakrekenaar. Bo hul risiko raadgewende groep tendens kwartaallikse seisoenale verskil tussen bewegende gemiddelde met die geweegde bewegende gemiddelde koste van twee korrelasies, vyf ons geleer het uit 'n voorwerp wanneer die berekening van bewegende gemiddeldes. Veelvuldige bewegende gemiddelde metode of statistiese toets anders as ander. Gemiddelde koste van vooruitskatting leer hoe om die top grafiek van die sakrekenaar wys. Agter model risiko statistieke en ETF xme rose aansienlik vergroot. Kan skat seisoenale indekse deur die toepassing van die gemiddelde kostemetode of geweeg bewegende gemiddelde handel. En ander pre calculus vrae metode is gebaseer op 'n gesprek oor onderwerpe wat as jy met net 'n besluit inventarisitem gewig, die tipiese aandelemarkte, wat die maatskappye bereken eie voorraad screener instrument deur die aanbring van die huidige verhouding. Eerste aktief bestuurde ETF portefeuljetoekennings. Op die toner tydreeksdata. Redes, die maklikste finansiële termyn handel stelsel. Ontvang deur die drie. Wood bedryf gemiddelde bepaal sediment dikte van verloorders bly anyway. A Voorspelling Berekening Voorbeelde A.1 Voorspelling Compute wyse Twaalf metodes van die berekening van voorspellings is beskikbaar. Die meeste van hierdie metodes te voorsien vir 'n beperkte gebruiker beheer. Byvoorbeeld, kan die gewig geplaas op onlangse historiese data of die datum bereik van historiese data gebruik in die berekeninge word vermeld. Die volgende voorbeelde wys die prosedure te kan uitvoer vir elk van die beskikbare voorspelling metodes, gegee 'n identiese stel historiese data. Die volgende voorbeelde gebruik dieselfde 2004 en 2005 verkope data na 'n voorspelling van die verkoop 2006 te produseer. Benewens die voorspelling berekening, elke voorbeeld sluit 'n gesimuleerde 2005 voorspelling vir 'n drie maande holdout tydperk (verwerking opsie 19 3) wat dan gebruik word vir persent van akkuraatheid en beteken absolute afwyking berekeninge (werklike verkope in vergelyking met gesimuleerde voorspelling). A.2 voorspellings oor die prestasie Evalueringskriteria Afhangende van jou keuse van verwerking opsies en op die tendense en patrone bestaande in die verkope data, sal 'n paar voorspellings metodes beter as ander vir 'n gegewe historiese datastel te voer. 'N vooruitskatting metode wat geskik is vir 'n produk mag nie geskik is vir 'n ander produk. Dit is ook onwaarskynlik dat 'n vooruitskatting metode wat goeie resultate lewer in 'n stadium van 'n produkte lewensiklus toepaslike bly deur die hele lewensiklus. Jy kan kies tussen twee metodes om die huidige prestasie van die voorspelling metodes te evalueer. Dit is gemiddelde absolute afwyking (MAD) en Persent van akkuraatheid (POA). Beide van hierdie prestasie-evaluering metodes vereis historiese verkope data vir 'n gebruiker spesifieke tydperk. Hierdie tydperk van die tyd genoem word 'n holdout tydperk of tydperke beste passing (PBF). Die data in hierdie tydperk word gebruik as die grondslag vir die aanbeveling van watter een van die voorspelling metodes om te gebruik in die maak van die volgende voorspelling projeksie. Hierdie aanbeveling is spesifiek vir elke produk, en kan verander van een voorspelling generasie na die volgende. Die twee voorspelling prestasie-evaluering metodes word gedemonstreer in die bladsye wat volg op die voorbeelde van die twaalf voorspelling metodes. A.3 Metode 1 - Gespesifiseerde Persent teenoor verlede jaar Hierdie metode vermeerder verkope data van die vorige jaar deur 'n gebruiker gespesifiseer faktor byvoorbeeld 1.10 vir 'n 10 toename, of 0,97 vir 'n 3 afname. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die gebruiker gespesifiseerde aantal tydperke vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19). A.4.1 Voorspelling Berekening Range van verkope geskiedenis om te gebruik in die berekening van groei faktor (verwerking opsie 2a) 3 in hierdie voorbeeld. Som die laaste drie maande van 2005: 114 119 137 370 Sum dieselfde drie maande van die vorige jaar: 123 139 133 395 Die berekende faktor 370/395 0,9367 Bereken die voorspellings: Januarie 2005 verkoop 128 0,9367 119,8036 of ongeveer 120 Februarie 2005 verkope 117 0.9367 109.5939 of sowat 110 Maart 2005 verkoop 115 0,9367 107,7205 of oor 108 A.4.2 Gesimuleerde Voorspelling Berekening Som die drie maande van 2005 voor holdout tydperk (Julie Augustus, September): 129 140 131 400 Sum dieselfde drie maande vir die vorige jaar: 141 128 118 387 die berekende faktor 400/387 1,033591731 bereken gesimuleerde vooruitsig: Oktober 2004 verkoop 123 1,033591731 127,13178 November 2004 verkope 139 1,033591731 143,66925 Desember 2004 verkoop 133 1,033591731 137,4677 A.4.3 Persent van akkuraatheid Berekening POA ( 127,13178 143,66925 137,4677) / (114 119 137) 100 408,26873 / 370 100 110,3429 A.4.4 Gemiddelde Absolute Afwyking Berekening MAD (127,13178-114 143,66925-119 137.4677- 137) / 3 (13,13178 24,66925 0,4677) / 3 12,75624 A.5 Metode 3 - Verlede jaar vanjaar Hierdie metode kopieë verkoop data van die vorige jaar tot die volgende jaar. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke vermeld vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19). A.6.1 Voorspelling Berekening Aantal periodes in die gemiddelde (verwerking opsie 4a) 3 ingesluit moet word in hierdie voorbeeld vir elke maand van die voorspelling, die gemiddelde van die vorige drie maande data. Januarie vooruitsig: 114 119 137 370, 370/3 123,333 of 123 Februarie vooruitsig: 119 137 123 379, 379/3 126,333 of 126 Maart vooruitsig: 137 123 126 379, 386/3 128,667 of 129 A.6.2 Gesimuleerde Voorspelling Berekening Oktober 2005 verkope (129 140 131) / 3 133,3333 November 2005 verkope (140 131 114) / 3 128,3333 Desember 2005 verkoop (131 114 119) / 3 121,3333 A.6.3 Persent van akkuraatheid Berekening POA (133,3333 128,3333 121,3333) / (114 119 137) 100 103,513 A.6.4 Gemiddelde Absolute Afwyking Berekening MAD (133,3333-114 128,3333-119 121,3333-137) / 3 14,7777 A.7 Metode 5 - Lineêre die aanpassing Lineêre die aanpassing bereken 'n tendens wat gebaseer is op twee verkope geskiedenis datapunte. Dié twee punte definieer 'n reguit tendens lyn wat geprojekteer in die toekoms. Gebruik hierdie metode met omsigtigheid, as lang afstand voorspellings is aged deur klein veranderinge in net twee datapunte. Vereis verkope geskiedenis: Die aantal periodes in regressie (verwerking opsie 5a), plus 1 plus die aantal tydperke vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19) in te sluit. A.8.1 Voorspelling Berekening Aantal periodes in regressie in te sluit (verwerking opsie 6a) 3 in hierdie voorbeeld vir elke maand van die voorspelling, voeg die toename of afname in die vermelde tydperke voor tydperk die vorige tydperk holdout. Gemiddelde van die vorige drie maande (114 119 137) / 3 123,3333 Opsomming van die vorige drie maande met gewig beskou (114 1) (119 2) (137 3) 763 verskil tussen die waardes 763-123,3333 (1 2 3) 23 verhouding (12 22 32) - 2 14 Maart - 2 Desember VALUE1 verskil / verhouding 23/2 11,5 VALUE2 Gemiddeld - waarde1 verhouding 123,3333-11,5 2 100,3333 Voorspelling (1 N) waarde1 waarde2 4 11.5 100,3333 146,333 of 146 Voorspelling 5 11.5 100,3333 157,8333 of 158 voorspel 6 11.5 100,3333 169,3333 of 169 A.8.2 Gesimuleerde Voorspelling Berekening Oktober 2004 verkope: Gemiddeld van die vorige drie maande (129 140 131) / 3 133,3333 Opsomming van die vorige drie maande met gewig beskou (129 1) (140 2) (131 3) 802 verskil tussen die waardes 802-133,3333 (1 2 3) 2 verhouding (12 22 32) - 2 14 Maart - 2 Desember VALUE1 verskil / verhouding 02/02 1 VALUE2 Gemiddeld - waarde1 verhouding 133,3333-1 2 131,3333 Voorspelling (1 N) waarde1 waarde2 4 1 131,3333 135,3333 November 2004 verkope gemiddeld van die vorige drie maande (140 131 114) / 3 128,3333 Opsomming van die vorige drie maande met gewig beskou (140 1) (131 2) (114 3) 744 verskil tussen die Waarden 744-128,3333 (1 2 3) -25,9999 VALUE1 verskil / verhouding -25,9999 / 2 -12,9999 VALUE2 Gemiddeld - waarde1 verhouding 128,3333 - (-12,9999) 2 154,3333 Voorspelling 4 -12,9999 154,3333 102,3333 Desember 2004 verkoop gemiddeld van die vorige drie maande ( 131 114 119) / 3 121,3333 Opsomming van die vorige drie maande met gewig beskou (131 1) (114 2) (119 3) 716 verskil tussen die waardes 716-121,3333 (1 2 3) -11,9999 VALUE1 verskil / verhouding -11,9999 / 2 -5,9999 VALUE2 Gemiddeld - waarde1 verhouding 121,3333 - (-5,9999) 2 133,3333 Voorspelling 4 (-5,9999) 133,3333 109,3333 A.8.3 Persent van akkuraatheid Berekening POA (135,33 102,33 109,33) / (114 119 137) 100 93,78 A.8.4 Gemiddelde Absolute afwyking Berekening MAD (135,33-114 102,33-119 109,33-137) / 3 21,88 A.9 Metode 7 - tweede graad aanpassing lineêre regressie bepaal waardes vir a en b in die vooruitsig formule Y 'n bX met die doel van pas 'n reguit lyn te die verkope geskiedenis data. Tweede graad benadering is soortgelyk. Maar hierdie metode bepaal waardes vir a, b, en c in die vooruitsig formule Y 'n bX cX2 met die doel van pas 'n kurwe na die verkope geskiedenis data. Hierdie metode dalk mag wees bruikbare wanneer 'n produk is in die oorgang tussen stadiums van 'n lewensiklus. Byvoorbeeld, wanneer 'n nuwe produk beweeg van inleiding tot groeistadiums, kan die verkope tendens versnel. As gevolg van die tweede orde termyn, kan die voorspelling vinnig nader oneindigheid of daal tot nul (afhangende van of koëffisiënt c positief of negatief). Daarom is hierdie metode is net nuttig in die kort termyn. Voorspelling spesifikasies: Die formules vind a, b, en c aan 'n kromme presies drie punte aan te pas. Jy spesifiseer N in die verwerking opsie 7a, die aantal tydperke van data te versamel in elk van die drie punte. In hierdie voorbeeld N 3. Daarom werklike verkope data vir April tot Junie is gekombineer in die eerste punt, Q1. Julie tot September word bymekaar getel om die 2de kwartaal skep, en Oktober tot Desember som tot Q3. Die kurwe sal toegerus wees om die drie waardes Q1, Q2, en Q3. Vereis verkope geskiedenis: 3 N periodes vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). Aantal periodes om (verwerking opsie 7a) 3 in hierdie voorbeeld gebruik van die vorige (3 N) maande in drie maande blokke sluit in: Q1 (April-Junie) 125 122 137 384 Q2 (Julie-September) 129 140 131 400 Q3 ( Oktober-Desember) 114 119 137 370 die volgende stap behels die berekening van die drie koëffisiënte a, b, en C om gebruik te word in die voorspelling formule Y 'n bX cX2 (1) Q1 n bX cX2 (waar X 1) ABC (2) Q2 'n bX cX2 (waar X 2) 'n 2b 4C (3) Q3 n bX cX2 (waar X 3) 'n 3b 9c Los die drie vergelykings gelyktydig te b, a, en c te vind: Trek vergelyking (1) van vergelyking (2) en op te los vir b (2) - (1) Q2 - Q1 b 3c plaasvervanger hierdie vergelyking vir b in vergelyking (3) (3) Q3 n 3 (Q2 - Q1) - 3c c slotte, vervang hierdie vergelykings vir a en b in vergelyking (1) Q3 - 3 (Q2 - Q1) (Q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) / 2 Die tweede graad aanpassing metode bereken a, b, en c soos volg: 'n Q3 - 3 (Q2 - Q1) 370 - 3 (400-384) 322 c (Q3 - Q2) (Q1 - Q2) / 2 (370-400) (384-400) / 2 -23 b (Q2 - Q1) - 3c (400-384) - (3 -23) 85 Y 'n bX cX2 322 85 X (-23) X2 Januarie deur middel van Maart voorspel (X4): (322 340-368) / 3 294/3 98 per periode April deur middel Junie voorspelling (X5): (322 425-575) / 3 57,333 of 57 per periode Julie deur middel van September voorspelling (X6): (322 510-828) / 3 1.33 of 1 per periode Oktober deur middel van Desember (X7) (322 595-1127 / 3 -70 A.9.2 Gesimuleerde Voorspelling Berekening Oktober, November en Desember 2004 verkope: Q1 (Januarie-Maart) 360 Q2 (April-Junie) 384 Q3 (Julie-September) 400 'n 400-3 (384-360) 328 c (400-384) (360-384) / 2 -4 b (384-360) - 3 (-4) 36 328 36 4 (-4) 16/3 136 A.9.3 Persent van akkuraatheid Berekening POA (136 136 136) / (114 119 137) 100 110,27 A.9.4 Gemiddelde Absolute Afwyking Berekening MAD (136 - 114 136 - 119 136 - 137) / 3 13,33 A.10 Metode 8 - Veelsydige Metode Die buigbare metode (persent oor N maande voor) is soortgelyk aan Metode 1, persent oor verlede jaar. Beide metodes vermeerder verkope data uit 'n vorige tydperk deur 'n gebruiker gespesifiseer faktor, dan projek wat lei na die toekoms. In die persent meer as verlede jaar metode, is die projeksie gebaseer op data van die dieselfde tydperk in die vorige jaar. Die buigbare metode voeg die vermoë om 'n tydperk anders as die ooreenstemmende tydperk verlede jaar om te gebruik as die basis vir die berekening spesifiseer. Vermenigvuldigingsfaktor. Byvoorbeeld, spesifiseer 1.15 in die verwerking opsie 8b die vorige verkope geskiedenis data te verhoog deur 15. Base tydperk. Byvoorbeeld, sal N 3 veroorsaak dat die eerste skatting word wat gebaseer is op verkope data in Oktober 2005. Minimum verkope geskiedenis: Die gebruiker gespesifiseerde aantal periodes terug na die basis tydperk, plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie ( PBF). A.10.4 Mean Absolute Afwyking Berekening MAD (148-114 161-119 151-137) / 3 30 A.11 Metode 9 - Geweegde bewegende gemiddelde geweegde bewegende gemiddelde (WBA) metode is soortgelyk aan Metode 4, bewegende gemiddelde (MA) . Maar met die Geweegde bewegende gemiddelde jy kan ongelyke gewigte toewys aan die historiese data. Die metode bereken 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Meer onlangse data word gewoonlik toegeken 'n groter gewig as ouer data, so dit maak WBG meer reageer op veranderinge in die vlak van verkope. Maar voorspel vooroordeel en sistematiese foute nog steeds plaasvind wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte eerder as vir produkte in die groei of veroudering stadiums van die lewensiklus. N die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 3 in die verwerking opsie 9a tot die mees onlangse drie tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. Dit lei tot 'n stabiele vooruitsig, maar sal stadig om skofte te erken in die vlak van verkope wees. Aan die ander kant, sal 'n klein waarde vir N (soos 3) vinniger om skofte in die vlak van verkope te reageer, maar die voorspelling kan so wyd dat produksie kan nie reageer op die verskille wissel. Die gewig wat aan elk van die historiese data tydperke. Die opgedra gewigte moet totaal tot 1.00. Byvoorbeeld, wanneer n 3, toewys gewigte van 0.6, 0.3, en 0.1, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). MAD (133,5-114 121,7-119 118,7-137) / 3 13.5 A.12 Metode 10 - Lineêre Smoothing Hierdie metode is soortgelyk aan Metode 9, Geweegde bewegende gemiddelde (WBA). Maar in plaas van na willekeur toeken gewigte aan die historiese data, 'n formule word gebruik om gewig wat lineêr afneem toewys en som tot 1.00. Die metode bereken dan 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. As geld vir alle lineêre bewegende gemiddelde vooruitskatting tegnieke, voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte eerder as vir produkte in die groei of veroudering stadiums van die lewensiklus. N die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Dit is vermeld in die verwerking opsie 10a. Byvoorbeeld, spesifiseer N 3 in die verwerking opsie 10b tot die mees onlangse drie tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. Die stelsel sal outomaties die gewigte na die historiese data wat lineêr afneem en som toewys aan 1.00. Byvoorbeeld, wanneer n 3, die stelsel sal gewigte van 0,5, 0,3333, en 0.1 wys, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). A.12.1 Voorspelling Berekening Aantal periodes in glad gemiddelde (verwerking opsie 10a) in te sluit 3 in hierdie voorbeeld verhouding vir een periode voor 3 / (N2 N) / 2 3 / (32 3) / 2 3/6 0,5 verhouding vir twee tydperke voor 2 / (N2 N) / 2 2 / (32 3) / 2 2/6 0,3333 .. verhouding vir drie periodes voor 1 / (N2 N) / 2 1 / (32 3) / 2 1/6 0,1666. . Januarie vooruitsig: 137 0.5 119 1/3 114 1/6 127,16 of 127 Februarie vooruitsig: 127 0.5 137 1/3 119 1/6 129 Maart vooruitsig: 129 0.5 127 1/3 137 1/6 129,666 of 130 A.12.2 gesimuleerde Voorspelling Berekening Oktober 2004 verkoop 129 1/6 140 2/6 131 3/6 133,6666 November 2004 verkope 140 1/6 131 2/6 114 3/6 124 Desember 2004 verkoop 131 1/6 114 2/6 119 3/6 119,3333 A.12.3 Persent van akkuraatheid Berekening POA (133,6666 124 119,3333) / (114 119 137) 100 101,891 A.12.4 Gemiddelde Absolute Afwyking Berekening MAD (133,6666-114 124 - 119 119,3333-137) / 3 14,1111 A.13 Metode 11 - eksponensiële Gladstryking Hierdie metode is soortgelyk aan metode 10, Lineêre Smoothing. In Lineêre Smoothing ken die stelsel gewigte aan die historiese data wat lineêr afneem. In eksponensiële gladstryking, die stelsel wys gewigte wat eksponensieel verval. Die eksponensiële gladstryking vooruitskatting vergelyking is: voorspel 'n (Vorige werklike verkope) (1 - a) vorige skatting Die voorspelling is 'n geweegde gemiddeld van die werklike verkope van die vorige tydperk en die voorspelling van die vorige tydperk. n is die gewig van toepassing op die werklike verkope vir die vorige tydperk. (1 - a) is die toepassing op die voorspelling vir die vorige tydperk gewig. Geldige waardes vir 'n verskeidenheid 0-1, en val gewoonlik tussen 0.1 en 0.4. Die som van die gewigte is 1.00. 'n (1 - a) 1 Jy moet 'n waarde toeken vir die glad konstante, 'n. As jy nie waardes vir die glad konstante hoef te ken, die stelsel bereken 'n veronderstelde waarde wat gebaseer is op die aantal periodes van verkope geskiedenis wat in die verwerking opsie 11a. n die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Geldige waardes vir 'n verskeidenheid van 0 tot 1. N die reeks van verkope geskiedenis data in die berekeninge te sluit. Oor die algemeen 'n jaar van verkope geskiedenis data is voldoende om die algemene vlak van verkope te skat. Vir hierdie voorbeeld, 'n klein waarde vir N (N 3) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Eksponensiële gladstryking kan 'n voorspelling gebaseer op so min as een historiese data punt te genereer. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). A.13.1 Voorspelling Berekening Aantal periodes in glad gemiddelde (verwerking opsie 11a) 3 sluit, en alfa faktor (verwerking opsie 11b) leeg in hierdie voorbeeld 'n faktor vir die oudste verkope data 2 / (11), of 1 toe Alpha is gespesifiseerde n faktor vir die 2de verkope data oudste 2 / (12), of alfa wanneer alfa 'n faktor is wat vir die 3de oudste verkope data 2 / (13), of alfa wanneer alfa 'n faktor is wat vir die mees onlangse verkope data 2 / (1n), of alfa wanneer alfa gespesifiseer November Sm. Gem. 'n (Oktober Werklike) (1 - a) Oktober Sm. Gem. 1 114 0 0 114 Desember Sm. Gem. 'n (November Werklike) (1 - a) November Sm. Gem. 03/02 119 1/3 114 117,3333 Januarie voorspel '(Desember Werklike) (1 - a) Desember Sm. Gem. 2/4 137 2/4 117,3333 127,16665 of 127 Februarie Voorspelling Januarie Voorspelling 127 Maart Voorspelling Januarie Voorspelling 127 A.13.2 Gesimuleerde Voorspelling Berekening Julie 2004 Sm. Gem. 02/02 129 129 Augustus Sm. Gem. 03/02 140 1/3 129 136,3333 September Sm. Gem. 2/4 131 2/4 136,3333 133,6666 Oktober 2004 verkope September Sm. Gem. 133.6666 Augustus 2004 Sm. Gem. 02/02 140 140 September Sm. Gem. 03/02 131 1/3 140 134 Oktober Sm. Gem. 2/4 114 2/4 134 124 November 2004 verkope September Sm. Gem. 124 September 2004 Sm. Gem. 02/02 131 131 Oktober Sm. Gem. 03/02 114 1/3 131 119,6666 November Sm. Gem. 2/4 119 2/4 119,6666 119,3333 Desember 2004 verkope September Sm. Gem. 119,3333 A.13.3 Persent van akkuraatheid Berekening POA (133,6666 124 119,3333) / (114 119 137) 100 101,891 A.13.4 Gemiddelde Absolute Afwyking Berekening MAD (133,6666-114 124 - 119 119,3333-137) / 3 14,1111 A.14 Metode 12 - eksponensiële Smoothing met Trend en Seisoenaliteit Hierdie metode is soortgelyk aan metode 11, eksponensiële Gladstryking in daardie 'n reëlmatige gemiddelde bereken word. Maar Metode 12 sluit ook 'n term in die vooruitskatting vergelyking met 'n reëlmatige tendens te bereken. Die voorspelling is saamgestel uit 'n reëlmatige het gemiddeld aangepas vir 'n lineêre tendens. Wanneer vermeld in die opsie verwerking, is die voorspelling ook aangepas vir die seisoen. n die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Geldige waardes vir Alpha wissel van 0 tot 1. b die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die tendens komponent van die skatting. Geldige waardes vir beta wissel van 0 tot 1. Of 'n seisoenale indeks is van toepassing op die voorspelling A en B is onafhanklik van mekaar. Hulle hoef nie te voeg tot 1.0. Minimum vereiste verkope geskiedenis: twee jaar plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). Metode 12 gebruik twee eksponensiële gladstryking vergelykings en 'n eenvoudige gemiddelde tot 'n reëlmatige gemiddelde, 'n reëlmatige tendens, en 'n eenvoudige gemiddelde seisoenale faktor te bereken. A.14.1 Voorspelling Berekening A) 'n eksponensieel stryk gemiddelde MAD (122,81-114 133,14-119 135,33-137) / 3 8.2 A.15 Evaluering van die voorspellings Jy kan vooruitskatting metodes kies om soveel as twaalf voorspellings vir elke produk te genereer. Elke vooruitskatting metode sal waarskynlik 'n effens ander projeksie te skep. Wanneer duisende produkte word voorspel, is dit onprakties om 'n subjektiewe besluit oor watter een van die voorspellings te gebruik in jou planne vir elk van die produkte te maak. Die stelsel evalueer outomaties prestasie vir elk van die voorspelling metodes wat jy kies, en vir elk van die voorspel produkte. Jy kan kies tussen twee prestasiekriteria, Gemiddelde Absolute Afwyking (MAD) en Persent van akkuraatheid (POA). MAD is 'n maatstaf van voorspelling fout. POA is 'n maatstaf van voorspelling vooroordeel. Beide van hierdie prestasie-evaluering tegnieke vereis werklike verkope geskiedenis data vir 'n gebruiker spesifieke tydperk. Hierdie tydperk van die onlangse geskiedenis is bekend as 'n holdout tydperk of tydperke beste passing (PBF). Om die prestasie van 'n vooruitskatting metode meet, gebruik die voorspelling formules om 'n voorspelling vir die historiese holdout tydperk na te boots. Daar sal gewoonlik wees verskille tussen werklike verkope data en die gesimuleerde voorspelling vir die holdout tydperk. Wanneer verskeie voorspelling metodes gekies word, dieselfde proses vind vir elke metode. Veelvuldige voorspellings word bereken vir die holdout tydperk, en in vergelyking met die bekende verkope geskiedenis vir dieselfde tydperk. Die vooruitskatting metode vervaardiging van die beste wedstryd (beste passing) tussen die voorspelling en die werklike verkope gedurende die holdout tydperk word aanbeveel vir gebruik in jou planne. Hierdie aanbeveling is spesifiek vir elke produk, en kan verander van een voorspelling generasie na die volgende. A.16 Mean Absolute Afwyking (MAD) MAD is die gemiddelde (of gemiddelde) van die absolute waardes (of omvang) van die afwykings (of foute) tussen werklike en voorspelde data. MAD is 'n maatstaf van die gemiddelde grootte van foute te verwag, gegewe 'n vooruitskatting metode en data geskiedenis. Omdat absolute waardes word gebruik in die berekening, moenie positiewe foute nie kanselleer negatiewe foute. Wanneer vergelyk verskeie voorspelling metodes, het die een met die kleinste MAD getoon die mees betroubare vir daardie produk vir daardie holdout tydperk te wees. Wanneer die voorspelling is onbevooroordeelde en foute is normaal verdeel, daar is 'n eenvoudige wiskundige verhouding tussen MAD en twee ander algemene maatstawwe van verspreiding, gemiddeldes en standaardafwykings Squared Fout: A.16.1 Persent van akkuraatheid (POA) persent van akkuraatheid (POA) is 'n mate van voorspelling vooroordeel. Wanneer voorspellings is konsekwent te hoog, voorraad ophoop en voorraad koste styg. Wanneer voorspellings is konsekwent twee lae, is voorrade verteer en kliëntediens weier. 'N voorspelling wat 10 eenhede te laag is, dan 8 eenhede te hoog is, dan 2 eenhede te hoog is, sal 'n onbevooroordeelde voorspelling wees. Die positiewe dwaling van 10 is gekanselleer deur negatiewe foute van 8 en 2. Fout Werklike - Voorspelling Wanneer 'n produk kan gestoor word in voorraad, en wanneer die voorspelling is onbevooroordeelde, kan 'n klein hoeveelheid van veiligheid voorraad gebruik word om die foute te buffer. In hierdie situasie, is dit nie so belangrik om voorspelling foute uit te skakel as dit is om onbevooroordeelde voorspellings te genereer. Maar in diens nywerhede, sal die bogenoemde situasie word beskou as drie foute. Die diens sal word te min personeel in die eerste tydperk, dan veel personeel vir die volgende twee tydperke. In dienste, die grootte van voorspelling foute is gewoonlik meer belangrik as wat voorspel vooroordeel. Die opsomming oor die holdout tydperk kan positiewe foute negatiewe foute te kanselleer. Wanneer die totaal van werklike verkope die totaal van vooruitskatting verkope oorskry, die verhouding is groter as 100. Natuurlik, dit is onmoontlik meer as 100 akkuraat te wees. Wanneer 'n voorspelling is onbevooroordeelde, sal die POA verhouding Wees daarom 100. Dit is meer wenslik wees 95 akkuraat as om 110 akkurate. Die POA kriteria kies die vooruitskatting metode wat 'n POA verhouding naaste aan 100. Scripting op hierdie bladsy verhoog inhoud navigasie het, maar nie die inhoud in enige way. When berekening 'n lopende bewegende gemiddelde verander, die plasing van die gemiddelde in die middel tydperk fabrikate sin in die vorige voorbeeld het ons bereken die gemiddeld van die eerste 3 tydperke en sit dit langs tydperk 3. kon ons die gemiddelde geplaas in die middel van die tyd interval van drie tydperke, dit is, langs tydperk 2. Hierdie werke goed met vreemde tydperke, maar nie so goed vir selfs tydperke. So waar sou ons plaas die eerste bewegende gemiddelde wanneer M 4 Tegnies, sou die bewegende gemiddelde op t 2.5, 3.5 val. Om hierdie probleem wat ons glad Mas using 2. So glad ons die stryk waardes As ons gemiddeld 'n gelyke getal terme te vermy, moet ons die stryk waardes glad Die volgende tabel toon die resultate met behulp van M 4.
No comments:
Post a Comment