Zeitreihenmethoden Zeitreihenmethoden sind statistische Techniken, die historische Daten über einen bestimmten Zeitraum nutzen. Zeitreihenmethoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft stattfinden wird. Wie die Namen Zeitreihen vorschlagen, beziehen diese Methoden die Prognose auf nur einen Faktor - Zeit. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie und gehören zu den beliebtesten Methoden für die Nahbereichsprognose bei Service - und Fertigungsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Zum Beispiel, wenn die Nachfrage 100 Einheiten in dieser Woche ist, ist die Prognose für die nächste Woche Nachfrage 100 Einheiten, wenn die Nachfrage sich aus 90 Einheiten statt, dann die folgenden Wochen Nachfrage beträgt 90 Einheiten, und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, das sie nur in der laufenden Periode auf die Nachfrage stützt. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der letzten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Erhöhungen und Abnahmen einer Prognose, die nur einen Zeitraum verwendet, zu dämpfen oder zu glätten. Der einfache gleitende Durchschnitt ist nützlich für die prognostizierte Nachfrage, die stabil ist und zeigt keine ausgeprägten Nachfrage Verhalten, wie ein Trend oder saisonale Muster. Durchgehende Durchschnitte werden für bestimmte Zeiträume, wie z. B. drei Monate oder fünf Monate, berechnet, je nachdem, wie viel der Prognostiker die Nachfragedaten verkleinern möchte. Je länger die gleitende durchschnittliche Periode, desto glatter wird es sein. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist die Berechnung eines einfachen Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Bürobedarfsgeschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge umgehend zu liefern, ist ein Faktor, um neue Kunden zu bekommen und alte zu halten. (Büros in der Regel bestellen nicht, wenn sie niedrig auf Lieferungen laufen, aber wenn sie komplett ausgelaufen sind, so dass sie ihre Bestellungen sofort benötigen.) Der Manager des Unternehmens will sicher genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern Sie haben ein ausreichendes Inventar auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die im nächsten Monat auftreten werden (d. h. die Nachfrage nach Lieferungen zu prognostizieren). Aus den Aufzeichnungen der Lieferaufträge hat das Management die folgenden Daten für die letzten 10 Monate angesammelt, von denen es will, um 3- und 5-Monats-Gleitdurchschnitte zu berechnen. Nehmen wir an, dass es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, ist typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die letzten 3 Monate in der Sequenz nach folgender Formel berechnet: Der 5-Monats-Gleitender Durchschnitt wird aus den vorangegangenen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und 5-Monats - Gleitende Durchschnittsprognosen für alle Monate der Bedarfsdaten sind in der folgenden Tabelle dargestellt. Tatsächlich würde nur die Prognose für November auf der Grundlage der letzten monatlichen Nachfrage vom Manager genutzt werden. Allerdings erlauben uns die früheren Prognosen für Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das ist, wie gut es tut. Drei - und Fünf-Monats-Mittelwerte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität der tatsächlichen Daten zu verkleinern. Dieser Glättungseffekt kann in der folgenden Abbildung beobachtet werden, in der die 3-Monats - und 5-Monatsdurchschnitte einem Graphen der ursprünglichen Daten überlagert wurden: Der 5-Monats-Gleitender Durchschnitt in der vorherigen Abbildung glättet Schwankungen in größerem Maße als Der 3-Monats-Gleitender Durchschnitt. Allerdings spiegelt der 3-Monats-Durchschnitt die aktuellsten Daten, die dem Büroversorger zur Verfügung stehen. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen der Nachfrage zu reagieren, als die, die mit kürzerperiodischen Bewegungsdurchschnitten gemacht wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose reagiert. Die Festlegung der entsprechenden Anzahl von Perioden, die in einer gleitenden durchschnittlichen Prognose verwendet werden, erfordert oft eine gewisse Versuchs - und Fehler-Experimentierung. Der Nachteil der gleitenden Mittelmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich im Grunde um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Allerdings hat die gleitende durchschnittliche Methode den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. Im Allgemeinen kann diese Methode eine gute Prognose für die kurzfristige, aber es sollte nicht zu weit in die Zukunft geschoben werden. Weighted Moving Average Die gleitende durchschnittliche Methode kann angepasst werden, um die Fluktuationen der Daten besser zu reflektieren. Bei der gewichteten gleitenden Durchschnittsmethode werden den letzten Daten nach der folgenden Formel Gewichte zugeordnet: Die Anforderungsdaten für PM Computer Services (siehe Tabelle für Beispiel 10.3) folgen einem zunehmenden linearen Trend. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer ist als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättung und angepassten exponentiellen Glättungsprognosen. Die für die Berechnungen der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher ist die lineare Trendliniengleichung Um eine Prognose für die Periode 13 zu berechnen, sei x 13 im linearen Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie gegenüber den Ist-Daten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - das heißt, eine gute Passform zu sein - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie ist jedoch, dass sie sich nicht auf eine Trendänderung anpasst, da die exponentiellen Glättungsvorhersagemethoden das sind, wird davon ausgegangen, dass alle zukünftigen Prognosen einer Geraden folgen. Dies begrenzt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine wiederholte Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen saisonalen Mustern, mit der Nachfrage nach warmer Kleidung, die im Herbst und Winter zunimmt und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelhandelsartikeln, einschließlich Spielzeug, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Obst, erhöhen während der Ferienzeit. Grußkarte verlangt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben eine höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkauf - an Einkaufszentren nimmt am Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein Zahlenwert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage für jede Saisonperiode durch die jährliche Gesamtnachfrage nach folgender Formel zu teilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind in Wirklichkeit der Anteil der gesamten jährlichen Nachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um die prognostizierten Prognosen für jede Saison zu erzielen. Informieren Sie eine Prognose mit saisonalen Anpassungen Wishbone Farms wächst Puten, um an eine Fleischverarbeitungsfirma während des ganzen Jahres zu verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres von Oktober bis Dezember. Wishbone Farms hat die Nachfrage nach Truthühnern für die letzten drei Jahre in der folgenden Tabelle gezeigt: Weil wir drei Jahre Nachfrage haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage über alle drei Jahre dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr 2000 mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Bedarfsprognose für das Jahr 2000. In diesem Fall, da die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend zu zeigen scheinen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu bekommen Prognose Schätzung: So ist die Prognose für 2000 58,17 oder 58,170 Truthähne. Mit dieser jährlichen Prognose der Nachfrage, die saisonbereinigten Prognosen, SF i, für das Jahr 2000 Vergleich dieser vierteljährlichen Prognosen mit den tatsächlichen Nachfrage-Werte in der Tabelle, scheinen sie relativ gute Prognose-Schätzungen, was sowohl die saisonalen Variationen in den Daten und Der allgemeine Aufwärtstrend. 10-12 Wie ist die gleitende Mittelmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell erhöht die Glättungskonstante von 10-14. Wie unterscheidet sich die exponentielle Glättung von der exponentiellen Glättung 10-15. Was bestimmt die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Startvorhersage immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie andere Wege vor, dass die Startvorhersage im laufenden Gebrauch abgeleitet werden könnte. 10-17 Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose von 10-18. Von den Zeitreihenmodellen, die in diesem Kapitel vorgestellt wurden, einschließlich des gleitenden Durchschnitts und des gewichteten gleitenden Durchschnitts, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, die man als das beste betrachtet. Warum 10-19. Welche Vorteile hat die exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend zeigt. 4 K. B. Kahn und J. T. Mentzer, Prognose in Konsumenten - und Industriemärkten, The Journal of Business Forecasting 14, Nr. 2 (Sommer 1995): 21-28.FORECASTING Die Vorhersage beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, das einem zukünftigen Ereignis entspricht. Für die Kurzstrecken - und Langstreckenplanung ist es absolut notwendig. Definitionsgemäß basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut gefühlt oder erraten hat. Zum Beispiel, die Abendnachrichten gibt das Wetter x0022forecastx0022 nicht das Wetter x0022prediction. x0022 Unabhängig davon werden die Begriffe Prognose und Vorhersage oft inter-changeable verwendet. Zum Beispiel, Definitionen von regressionx2014a Technik manchmal verwendet bei der Prognosex2014 generell sagen, dass ihr Zweck ist zu erklären oder x0022predict. x0022 Prognose basiert auf einer Reihe von Annahmen: Die Vergangenheit wird sich wiederholen. Mit anderen Worten, was in der Vergangenheit passiert ist, wird in Zukunft wieder passieren. Wenn der Prognosehorizont verkürzt, erhöht sich die Prognosegenauigkeit. Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für den nächsten Monat wird genauer als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer als eine Prognose für zehn Jahre in der Zukunft. Die Prognose in der Summe ist genauer als die Prognose einzelner Posten. Das bedeutet, dass ein Unternehmen die Gesamtnachfrage über sein gesamtes Produktspektrum genauer prognostizieren kann, als es in der Lage ist, einzelne Lagerbestände (SKUs) zu prognostizieren. Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Prognosen sind selten genau. Darüber hinaus sind die Prognosen fast nie ganz richtig. Während einige sehr nah sind, sind nur wenige auf dem Geld. x0022 Daher ist es ratsam, eine Prognose anzubieten x0022range. x0022 Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es äußerst unwahrscheinlich, dass die Nachfrage 100.000 betragen würde genau. Eine Prognose von 90.000 bis 110.000 würde jedoch ein viel größeres Ziel für die Planung darstellen. William J. Stevenson listet eine Reihe von Merkmalen auf, die einer guten Prognose gemeinsam sind: Genauigkeitsgenauigkeitsgenauigkeit sollte festgelegt und angegeben werden, damit der Vergleich zu alternativen Prognosen durchgeführt werden kann. Reliablex2014Die Prognose-Methode sollte konsequent eine gute Prognose, wenn der Benutzer ein gewisses Maß an Vertrauen zu etablieren. Timelyx2014a wird eine gewisse Zeit benötigt, um auf die Prognose zu reagieren, so dass der Prognosehorizont die notwendige Zeit für Änderungen vornehmen muss. Einfach zu bedienen und understandx2014users der Prognose muss zuversichtlich und komfortabel damit arbeiten. Die Kosten für die Vorhersage sollten die von der Prognose erzielten Vorteile nicht überwiegen. Vorhersagetechniken reichen von der einfachen bis zur extrem komplexen. Diese Techniken werden in der Regel als qualitativ oder quantitativ klassifiziert. QUALITATIVE TECHNIKEN Qualitative Prognosetechniken sind in der Regel subjektiver als ihre quantitativen Pendants. Qualitative Techniken sind in den früheren Stadien des Produktlebenszyklus sinnvoller, wenn weniger vergangene Daten für den Einsatz in quantitativen Methoden existieren. Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique (NGT), Außendienst-Stellungnahmen, Exekutiv-Stellungnahmen und Marktforschung. DIE DELPHI-TECHNIK. Die Delphi-Technik nutzt ein Expertengremium, um eine Prognose zu erstellen. Jeder Experte wird gebeten, eine Prognose für die Notwendigkeit zur Hand zu geben. Nachdem die anfänglichen Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schrieb und ist natürlich von ihren Ansichten beeinflusst. Eine nachfolgende Prognose wird dann von jedem Fachmann gemacht. Jeder Experte liest dann wieder, was jeder andere Experte schrieb und wieder von den Wahrnehmungen der anderen beeinflusst wird. Dieser Prozeß wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder Zahlen hat. NOMINAL GRUPPE TECHNIK. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet. Nachdem die Teilnehmer auf Prognose-bezogene Fragen reagieren, richten sie ihre Antworten in der Reihenfolge der wahrgenommenen relativen Bedeutung ein. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der Ranglisten erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für die zukünftige Nachfrage. Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter nach Input fragen und seine Antworten in eine Außendienst-Composite-Prognose zusammenfassen. Bei der Anwendung dieser Technik ist Vorsicht geboten, da die Mitglieder des Außendienstes nicht in der Lage sind, zwischen dem, was die Kunden sagen und was sie tatsächlich tun, zu unterscheiden. Auch wenn die Prognosen verwendet werden, um Verkaufsquoten zu etablieren, kann der Außendienst versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Manchmal treffen sich Top-Level-Manager auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche. Dies wird manchmal als Jury der Exekutivaussage bezeichnet. MARKTFORSCHUNG. In der Marktforschung werden Verbraucherumfragen genutzt, um potenzielle Nachfrage zu etablieren. Solche Marketingforschung beinhaltet in der Regel den Aufbau eines Fragebogens, der persönliche, demographische, ökonomische und Marketinginformationen anfordert. Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher erleben kann, wenn es sich um ein Produkt handelt. Deutsch:. Englisch: v3.espacenet. com/textdoc? DB = EPODOC & ... PN = Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Verbraucherziel ist. QUANTITATIVE TECHNIKEN Quantitative Prognosetechniken sind in der Regel eher objektiv als ihre qualitativen Gegenstücke. Quantitative Prognosen können Zeitreihenprognosen (d. h. eine Projektion der Vergangenheit in die Zukunft) oder Prognosen basierend auf assoziativen Modellen (d. h. basierend auf einer oder mehreren erklärenden Variablen) sein. Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens zu identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Unter den Mustern sind: Trends, die langfristige Bewegungen (oben oder unten) in den Daten sind. Saisonalität, die kurzfristige Variationen produziert, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie die Einzelhandelsumsätze zu Weihnachten oder die Spikes im Bankgeschäft am ersten des Monats und freitags erlebt haben. Zyklen, die wellenförmige Variationen sind, die mehr als ein Jahr dauern, die gewöhnlich an ökonomische oder politische Bedingungen gebunden sind. Unregelmäßige Variationen, die kein typisches Verhalten widerspiegeln, wie zB eine Periode extremer Witterung oder ein Gewerkschaftsstreik. Zufällige Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von den anderen Klassifikationen berücksichtigt wurden. Unter den Zeitreihenmodellen ist die einfachste die naxEFve-Prognose. Eine naxEFve-Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für den nächsten Zeitraum. Das macht natürlich die Annahme, dass die Vergangenheit wiederholt wird. Es geht auch davon aus, dass irgendwelche Trends, Saisonalität oder Zyklen sich entweder in der vorherigen Periodex0027s Nachfrage widerspiegeln oder nicht existieren. Ein Beispiel für die NaxEFve-Prognose ist in Tabelle 1 dargestellt. Tabelle 1 NaxEFve-Prognose Eine weitere einfache Technik ist die Verwendung von Mittelung. Um eine Prognose mit Mittelwert zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summierung jeder Periode und dividiert das Ergebnis durch die Anzahl der Perioden. Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. Variationen der Mittelung umfassen den gleitenden Durchschnitt, den gewichteten Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt eine vorgegebene Anzahl von Perioden ein, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der Perioden, um eine Prognose zu erreichen. Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Unter der Annahme eines dreimonatigen gleitenden Durchschnitts und der Verwendung der Daten aus Tabelle 1 würde man einfach 45 (Januar), 60 (Februar) und 72 (März) hinzufügen und durch drei teilen, um eine Prognose für April: 45 60 72 177 zu erreichen X00F7 3 59 Um zu einer Prognose für Mai zu gelangen, würde man von der Gleichung verlängern und die Nachfrage vom April addieren. Tabelle 2 zeigt ein Beispiel für eine dreimonatige gleitende Durchschnittsprognose. Tabelle 2 Drei Monate bewegte durchschnittliche Prognose Tatsächliche Nachfrage (000x0027s) Ein gewichteter Durchschnitt wendet ein vorbestimmtes Gewicht auf jeden Monat der vergangenen Daten an, summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte. Wenn der Prognostiker die Gewichte so einstellt, daß ihre Summe gleich 1 ist, so werden die Gewichte mit der tatsächlichen Nachfrage jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erreichen. Im Allgemeinen, je neuere die Daten desto höher das Gewicht, und je älter die Daten desto kleiner das Gewicht. Mit dem Bedarfsbeispiel ein gewichteter Durchschnitt mit Gewichten von .4. 3.2 und .1 würde die Prognose für Juni wie folgt liefern: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Die Prognoseer können auch eine Kombination der gewogenen durchschnittlichen und gleitenden Durchschnittsprognosen verwenden . Eine gewichtete gleitende Durchschnittsprognose weist Gewichte einer vorgegebenen Anzahl von Perioden von Istdaten zu und berechnet die Prognose auf die gleiche Weise wie oben beschrieben. Wie bei allen laufenden Prognosen, da jede neue Periode hinzugefügt wird, werden die Daten aus der ältesten Periode verworfen. Tabelle 3 zeigt eine dreimonatige gewichtete gleitende Durchschnittsprognose unter Verwendung der Gewichte .5. 3 und .2. Tabelle 3 Dreix2013Month gewichtete bewegliche durchschnittliche Prognose tatsächliche Nachfrage (000x0027s) Eine komplexere Form des gewichteten gleitenden Durchschnitts ist exponentielle Glättung, so genannt, weil das Gewicht fällt exponentiell, wie die Daten altert. Die exponentielle Glättung nimmt die vorherige Periodex0027s prognostiziert und passt sie um eine vorgegebene Glättungskonstante an, x03AC (alpha der Wert für alpha ist kleiner als eins) multipliziert mit dem Unterschied in der vorherigen Prognose und der Nachfrage, die tatsächlich während der vorher prognostizierten Periode aufgetreten ist (genannt Prognosefehler). Die exponentielle Glättung wird formell als solche ausgedrückt: Neue Prognose vorherige Prognose Alpha (tatsächliche Nachfrage x2212 vorherige Prognose) FF x03AC (A x2212 F) Die exponentielle Glättung erfordert, dass der Prognostiker die Prognose in einem vergangenen Zeitraum beginnt und an den Zeitraum vorangeht, für den ein Strom gilt Prognose ist erforderlich. Eine beträchtliche Anzahl von vergangenen Daten und eine Anfangs - oder Anfangsprognose sind ebenfalls erforderlich. Die anfängliche Prognose kann eine tatsächliche Prognose aus einer früheren Periode, die tatsächliche Nachfrage aus einer früheren Periode, oder es kann durch die Mittelung der gesamten oder eines Teils der vergangenen Daten geschätzt werden. Einige Heuristiken existieren für die Berechnung einer ersten Prognose. Zum Beispiel würde die heuristische N (2 xF7 x03AC) x2212 1 und eine alpha von .5 ein N von 3 ergeben, was anzeigt, dass der Benutzer die ersten drei Perioden von Daten durchschnittlich vermitteln würde, um eine anfängliche Prognose zu erhalten. Allerdings ist die Genauigkeit der anfänglichen Prognose nicht kritisch, wenn man große Mengen an Daten verwendet, da eine exponentielle Glättung x0022self-correcting. x0022 ist. Bei genügend Perioden vergangener Daten wird eine exponentielle Glättung schließlich genügend Korrekturen vornehmen, um eine vernünftig ungenaue Initialisierung zu kompensieren Prognose. Unter Verwendung der in anderen Beispielen verwendeten Daten, einer Anfangsprognose von 50 und eines Alphas von 0,7 wird eine Prognose für Februar als solche berechnet: Neue Prognose (Februar) 50,7 (45 x 2212 50) 41,5 Als nächstes wird die Prognose für den März : Neue Prognose (März) 41.5 .7 (60 x2212 41.5) 54.45 Dieser Vorgang wird fortgesetzt, bis der Prognostiker den gewünschten Zeitraum erreicht hat. In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage nach Juni nicht bekannt ist. Tatsächliche Nachfrage (000x0027s) Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihendaten einen linearen Trend aufweisen. Diese Methode ist durch mehrere Namen bekannt: doppelte Glättung Trend-angepasst exponentielle Glättung Prognose einschließlich Trend (FIT) und Holtx0027s Modell. Ohne Anpassung werden einfache, exponentielle Glättungsergebnisse dem Trend folgen, das heißt, die Prognose wird immer niedrig sein, wenn der Trend steigt oder hoch, wenn der Trend abnimmt. Bei diesem Modell gibt es zwei Glättungskonstanten, x03AC und x03B2 mit x03B2, die die Trendkomponente darstellen. Eine Erweiterung des Holtx0027s Modells, genannt Holt-Winterx0027s Methode, berücksichtigt sowohl Trend als auch Saisonalität. Es gibt zwei Versionen, multiplikativ und additiv, wobei das Multiplikativ das am weitesten verbreitete ist. Im additiven Modell wird die Saisonalität als eine Menge ausgedrückt, die dem Seriendurchschnitt hinzugefügt oder subtrahiert werden soll. Das multiplikative Modell drückt Saisonalität als Prozentsatz aus, der als saisonale Verwandten oder saisonale Indexesx2014 des Durchschnitts (oder des Tendenz) bekannt ist. Diese werden dann mal multipliziert, um Saisonalität zu berücksichtigen. Ein Verwandter von 0,8 würde auf eine Nachfrage hinweisen, die 80 Prozent des Durchschnitts beträgt, während 1,10 die Nachfrage anzeigt, die 10 Prozent über dem Durchschnitt liegt. Detaillierte Informationen zu dieser Methode finden Sie in den meisten Operations Management Lehrbücher oder einer von einer Reihe von Büchern über die Vorhersage. Assoziative oder kausale Techniken beinhalten die Identifizierung von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorherzusagen. Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu prognostizieren. Typischerweise beinhaltet dies die Verwendung einer linearen Regression, wobei das Ziel darin besteht, eine Gleichung zu entwickeln, die die Effekte der Prädiktor (unabhängigen) Variablen auf die prognostizierte (abhängige) Variable zusammenfasst. Wenn die Prädiktorvariable aufgetragen wäre, wäre das Objekt, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert (wobei die Abweichung der Abstand von jedem Punkt zur Linie ist). Die Gleichung würde als: ya bx erscheinen, wobei y die vorhergesagte (abhängige) Variable ist, x die Prädiktor (unabhängige) Variable ist, b die Steigung der Linie ist und a gleich der Höhe der Linie an der y - abfangen. Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die Prädiktor (unabhängige) Variable einfügen, um zu einer Prognose (abhängige Variable) zu gelangen. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, ist eine einfache lineare Regression unzureichend. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nicht-lineare Beziehungen die Verwendung einer krummlinigen Regression fordern. WIRTSCHAFTLICHE VORSCHRIFTEN Ökonometrische Methoden wie das autoregressive integrierte Moving-Average-Modell (ARIMA) verwenden komplexe mathematische Gleichungen, um vergangene Beziehungen zwischen Nachfrage und Variablen, die die Nachfrage beeinflussen, zu zeigen. Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es eine möglichst zuverlässige Darstellung der bisherigen Beziehung ist. Sobald dies geschehen ist, werden die projizierten Werte der beeinflussenden Variablen (Einkommen, Preise usw.) in die Gleichung eingefügt, um eine Prognose zu machen. EVALUIERENDE PROGNOSE Die Genauigkeit der Prognose kann durch Berechnung der Vorspannung, der mittleren Absolutabweichung (MAD), des mittleren quadratischen Fehlers (MSE) oder des mittleren absoluten Prozentfehlers (MAPE) für die Prognose unter Verwendung unterschiedlicher Werte für alpha bestimmt werden. Bias ist die Summe der Prognosefehler x2211 (FE). Für das oben erwähnte exponentielle Glättungsbeispiel wäre die berechnete Vorspannung: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Wenn man annimmt, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, könnte man Berechnen Sie die Vorspannung für eine Anzahl von potentiellen Werten von alpha und nehmen Sie an, dass die mit der niedrigsten Vorspannung am genauesten wäre. Allerdings ist darauf zu achten, dass wild ungenaue Prognosen eine niedrige Vorspannung ergeben können, wenn sie sowohl über die Prognose als auch unter Prognose (negativ und positiv) neigen. Zum Beispiel kann ein Unternehmen über drei Perioden einen bestimmten Wert von Alpha bis zu einer Prognose von 75.000 Einheiten (x221275.000), unter Prognose von 100.000 Einheiten (100.000) und dann über Prognose von 25.000 Einheiten (x221225.000), nachgeben Eine Vorspannung von null (x221275.000 100.000 x2212 25.000 0). Im Vergleich dazu würde ein weiteres Alpha, das sich über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten ergibt, zu einer Vorspannung von 5.000 Einheiten führen. Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Vorspannung in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist die mittlere absolute Abweichung (MAD). Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann durch die Anzahl der Prognosen (x2211 FE x00F7 N). Mit dem Absolutwert der Prognosefehler wird die Verrechnung von positiven und negativen Werten vermieden. Dies bedeutet, dass sowohl eine Überprognose von 50 als auch eine Unterprognose von 50 um 50 ausgeschaltet ist. Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden: (60 x 2212 41,5 72 x 2212 54,45 58 x 2212 66,74 40 x 2212 60,62) X00F7 4 16.35 Daher ist der Prognostiker im Durchschnitt 16,35 Einheiten pro Prognose ausgeschaltet. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Mittlerer Quadratfehler (MSE) kann auch in der gleichen Weise verwendet werden. MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 (x2211 (FE)) x00F7 (N-1). Wenn man die Prognosefehler quittiert, entfällt die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben, wäre die MSE: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die mit verschiedenen Werten von alpha und Nehmen Sie an, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert. Der mittlere absolute Prozentfehler (MAPE) ist der durchschnittliche absolute Prozentfehler. Um die MAPE zu erreichen, muss man die Summe der Verhältnisse zwischen Prognosefehler und tatsächlichen Bedarfszeiten 100 (um den Prozentsatz zu erhalten) und dividieren durch N (x2211 Tatsächliche Nachfrage x2212 Prognose x00F7 Tatsächliche Nachfrage) xD7 100 x00F7 N. Mit den Daten aus Das exponentielle Glättungsbeispiel, MAPE kann wie folgt berechnet werden: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Wie bei MAD und MSE desto niedriger der relative Fehler, desto genauer ist die Prognose. Es ist anzumerken, dass in einigen Fällen die Fähigkeit der Prognose, sich schnell zu ändern, um auf Änderungen in Datenmustern zu reagieren, als wichtiger als Genauigkeit angesehen wird. Daher sollte eine Auswahl von Prognosemethoden die relative Wahrscheinlichkeit der Bedeutung zwischen Genauigkeit und Reaktionsfähigkeit, wie vom Prognostiker bestimmt, widerspiegeln. HERSTELLUNG EINES PROGNOSES William J. Stevenson listet als grundlegende Schritte im Prognoseverfahren folgendes auf: Bestimmen Sie den Vorhersagevoraussetzungen. Faktoren wie, wie und wann die Prognose verwendet wird, der Grad der Genauigkeit benötigt, und die Höhe der Details bestimmen die Kosten (Zeit, Geld, Mitarbeiter), die auf die Prognose gewidmet werden können und die Art der Prognose Methode verwendet werden . Stellen Sie einen Zeithorizont ein. Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat. Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt. Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik aus. Die gewählte Technik hängt vom Zweck der Prognose, dem gewünschten Zeithorizont und den zulässigen Kosten ab. Daten erfassen und analysieren Die Menge und Art der benötigten Daten unterliegt dem Vorhersagevoraussetzungen, der gewählten Prognosetechnik und allen Kostenüberlegungen. Machen Sie die Prognose. Überwachen Sie die Prognose. Bewerten Sie die Leistung der Prognose und ändern Sie, falls erforderlich. WEITERES LESEN: Finch, Byron J. Operations Now: Profitabilität, Prozesse, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006. Grün, William H. Ökonometrische Analyse. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022Die Nominal Group Technique. x0022 Der Forschungsprozess. Erhältlich bei x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lesen Sie auch Artikel über Forecasting aus WikipediaWeighted Moving Average Vorhersage Methoden: Vor-und Nachteile Hallo, LIEBE Ihre Post. Frage mich, ob du weiter rechnen könntest. Wir verwenden SAP. In ihm gibt es eine Auswahl, die du wählen kannst, bevor du deine Prognose namens Initialisierung ausführt. Wenn Sie diese Option überprüfen, erhalten Sie ein Prognoseergebnis, wenn Sie im selben Zeitraum die Prognose ausführen und die Initialisierung nicht bestätigen. Ich kann nicht herausfinden, was die Initialisierung macht. Ich meine, mathmatisch. Welches Prognoseergebnis ist am besten zu speichern und zu verwenden. Die Änderungen zwischen den beiden sind nicht in der prognostizierten Menge, sondern in der MAD und Error, Sicherheitsbestand und ROP-Mengen. Nicht sicher, ob Sie SAP verwenden. Hallo danke für die so genaue Weise zu gn. Danke Jaspreet Hinterlasse eine Antwort Antworten abbrechen Über Shmula Pete Abilla ist der Gründer von Shmula und der Charakter, Kanban Cody. Er hat Unternehmen wie Amazon, Zappos, eBay, Backcountry geholfen und andere reduzieren Kosten und verbessern die Kundenerfahrung. Er tut dies durch eine systematische Methode zur Erkennung von Schmerzpunkten, die den Kunden und das Geschäft beeinflussen, und ermutigt eine breite Beteiligung der Firmenpartner, ihre eigenen Prozesse zu verbessern. Diese Website ist eine Sammlung seiner Erfahrungen, die er mit Ihnen teilen möchte. Beginnen Sie mit kostenlosen Downloads
No comments:
Post a Comment