Moyenne mobile Prévision Introduction. Comme vous pouvez le deviner, nous examinons certaines des approches les plus primitives en matière de prévision. Mais nous espérons que ce sont au moins une introduction utile à certains des problèmes informatiques liés à la mise en œuvre des prévisions dans les tableurs. Dans cette veine, nous allons continuer en commençant par le début et commencer à travailler avec les prévisions Moyenne mobile. Prévisions moyennes mobiles. Tout le monde est familier avec les prévisions de moyenne mobile, peu importe s'ils croient qu'ils sont. Tous les étudiants les font tout le temps. Pensez à vos résultats d'examen dans un cours où vous allez avoir quatre tests au cours du semestre. Supposons que vous avez obtenu un 85 sur votre premier test. Que penseriez-vous que votre professeur pourrait prédire pour votre score de test suivant Que pensez-vous que vos amis pourraient prédire pour votre score de test suivant Que pensez-vous que vos parents pourraient prédire pour votre score de test suivant Indépendamment de Tous les blabbing que vous pourriez faire à vos amis et parents, ils et votre professeur sont très susceptibles de vous attendre à obtenir quelque chose dans le domaine des 85 que vous venez de recevoir. Eh bien, maintenant laisse supposer que, en dépit de votre auto-promotion à vos amis, vous surestimer vous-même et la figure que vous pouvez étudier moins pour le deuxième test et ainsi vous obtenez un 73. Maintenant, qu'est-ce que tous les intéressés et indifférents va Anticiper que vous obtiendrez sur votre troisième test Il ya deux approches très probables pour eux de développer une estimation indépendamment du fait qu'ils le partageront avec vous. Ils peuvent se dire, ce type est toujours souffler de la fumée sur son smarts. Hes va obtenir un autre 73 si hes chance. Peut-être que les parents vont essayer d'être plus solidaires et dire: «Bien, jusqu'à présent, vous avez obtenu un 85 et un 73, donc vous devriez peut-être figure sur obtenir un (85 73) 2 79. Je ne sais pas, peut-être si vous avez moins de fête Et werent remuant la belette tout autour de la place et si vous avez commencé à faire beaucoup plus étudier vous pourriez obtenir un meilleur score. quot Ces deux estimations sont en fait des prévisions moyennes mobiles. Le premier est d'utiliser uniquement votre score le plus récent pour prévoir vos performances futures. C'est ce que l'on appelle une moyenne mobile en utilisant une période de données. La seconde est également une prévision moyenne mobile, mais en utilisant deux périodes de données. Supposons que toutes ces personnes se brisant sur votre grand esprit ont sorte de pissé vous off et vous décidez de bien faire sur le troisième test pour vos propres raisons et de mettre un score plus élevé en face de vos quotalliesquot. Vous prenez le test et votre score est en fait un 89 Tout le monde, y compris vous-même, est impressionné. Donc, maintenant, vous avez le test final du semestre à venir et, comme d'habitude, vous vous sentez le besoin d'inciter tout le monde à faire leurs prédictions sur la façon dont vous allez faire sur le dernier test. Eh bien, j'espère que vous voyez le modèle. Maintenant, j'espère que vous pouvez voir le modèle. Qui pensez-vous est le sifflet le plus précis alors que nous travaillons. Maintenant, nous revenons à notre nouvelle entreprise de nettoyage a commencé par votre demi-soeur sœur appelé Whistle While We Work. Vous avez des données de ventes passées représentées par la section suivante dans une feuille de calcul. Nous présentons d'abord les données pour une moyenne mobile de trois périodes prévisionnelles. L'entrée pour la cellule C6 doit être maintenant Vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C7 à C11. Remarquez comment la moyenne se déplace sur les données historiques les plus récentes, mais utilise exactement les trois périodes les plus récentes disponibles pour chaque prédiction. Vous devriez également remarquer que nous n'avons pas vraiment besoin de faire les prédictions pour les périodes passées afin de développer notre prédiction la plus récente. Ceci est certainement différent du modèle de lissage exponentiel. Ive inclus les prévisions quotpastquot parce que nous les utiliserons dans la prochaine page Web pour mesurer la validité de prédiction. Maintenant, je veux présenter les résultats analogues pour une prévision moyenne mobile à deux périodes. L'entrée pour la cellule C5 doit être Maintenant, vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C6 à C11. Remarquez que maintenant, seules les deux plus récentes données historiques sont utilisées pour chaque prédiction. Ici encore, j'ai inclus les prévisions quotpast à des fins d'illustration et pour une utilisation ultérieure dans la validation des prévisions. Quelques autres choses qui sont d'importance à remarquer. Pour une prévision moyenne mobile de la période m, seules les m valeurs de données les plus récentes sont utilisées pour faire la prédiction. Rien d'autre n'est nécessaire. Pour une prévision moyenne mobile de la période m, lorsque vous faites des prédictions quotpast, notez que la première prédiction se produit dans la période m 1. Ces deux questions seront très importantes lorsque nous développerons notre code. Développement de la fonction Moyenne mobile. Maintenant, nous devons développer le code de la moyenne mobile qui peut être utilisé avec plus de souplesse. Le code suit. Notez que les entrées sont pour le nombre de périodes que vous souhaitez utiliser dans la prévision et le tableau des valeurs historiques. Vous pouvez le stocker dans le classeur que vous voulez. Fonction DéplacementAvant (Historique, NumberOfPeriods) En tant que Déclaration unique et initialisation de variables Dim Item Comme Variante Dim Compteur Comme Entier Dim Accumulation Comme Simple Dim HistoricalSize As Integer Initialisation des variables Counter 1 Accumulation 0 Détermination de la taille de Historique HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Accumuler le nombre approprié des valeurs les plus récentes observées antérieurement Accumulation Accumulation Historique (Historique - Taille - NombreOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Le code sera expliqué en classe. Vous voulez positionner la fonction sur la feuille de calcul afin que le résultat du calcul apparaisse où il devrait aimer ce qui suit. Chapitre 11 - Prévision d'amplification de la gestion de la demande 1. Une prévision parfaite est virtuellement impossible 2. Plutôt que de chercher la prévision parfaite, Beaucoup plus important d'établir la pratique de l'examen continu des prévisions et d'apprendre à vivre avec des prévisions inexactes 3. Lors de la prévision, une bonne stratégie consiste à utiliser 2 ou 3 méthodes et les regarder pour la vue de bon sens. 2. sources de base de la demande 1. Demande dépendante - demande de produits ou de services causée par la demande pour d'autres produits ou services. Pas beaucoup de l'entreprise peut faire, il doit être satisfait. 2. Demande indépendante - demande qui ne peut pas être directement dérivée de la demande pour d'autres produits. L'entreprise peut: a) jouer un rôle actif pour influencer la demande; - exercer une pression sur votre force de vente; b) prendre un rôle passif pour influencer la demande; si une entreprise fonctionne à pleine capacité, elle ne voudra peut-être rien à la demande. D'autres raisons sont concurrentielles, légales, environnementales, éthiques et morales. Essayez de prédire l'avenir sur la base d'une donnée antérieure. 1. Court terme - moins de 3 mois - décisions tactiques comme le réapprovisionnement ou l'ordonnancement des EE à court terme 2. Moyen terme - 3 M-2Y - saisir les effets saisonniers comme les clients répondent à un nouveau produit 3. Long terme - plus de 2 ans. Identifier les principaux points de retournement et détecter les tendances générales. La régression linéaire est un type particulier de régression où les relations entre les variables forment une droite Y abX. Y - variable dépendante a - Interception Y b - pente X - variable indépendante Elle est utilisée pour la prévision à long terme des événements majeurs et la planification globale. Il est utilisé à la fois pour la prévision des séries chronologiques et pour la prévision des relations occasionnelles. Est la technique de prévision la plus utilisée. Les occurrences les plus récentes sont plus indicatives de l'avenir (la plus haute valeur prévisible) que celles dans le passé plus lointain. Nous devrions donner plus de poids au minerai des périodes récentes de prévision. Chaque incrément dans le passé est diminué de (1- alpha). Plus l'alpha est élevé, plus la prévision suit la réalité. La plus récente pondération alpha (1-alpha) na 0 Données une période plus ancienne alpha (1-alpha) na 1 Données deux périodes plus anciennes alpha (1-alpha) na 2 Laquelle des méthodes de prévision suivantes est très dépendante de la sélection de la Les individus de droite qui seront judicieusement utilisés pour produire réellement la valeur de prévision doivent être compris entre 0 et 1 1. 2 ou plus de valeurs prédéterminées d'Alpha - en fonction du degré d'erreur, des valeurs différentes d'Alpha sont utilisées. Si l'erreur est grande, Alpha est 0.8, si l'erreur est petite, Alpha est 0.2 2. Valeurs calculées de Alpha - erreur lissée exponentiellement lissée par l'erreur absolue exponentiellement étouffée. Techniques qualitatives dans la prévision Connaissance des experts et exigent beaucoup de jugement (nouveaux produits ou régions) 1. Recherche de marché - recherche de nouveaux produits et idées, aime et n'aime pas les produits existants. Principalement ENQUÊTES et INTERVIEWS 2. Consensus de groupe - l'idée que 2 têtes valent mieux qu'un. Un groupe de personnes de divers postes peut élaborer une prévision plus fiable qu'un groupe plus restreint. Le problème est que les niveaux plus faibles d'EE sont intimidés par des niveaux plus élevés de gestion. Le jugement exécutif est utilisé (un niveau de gestion plus élevé est impliqué). 3. Analogie historique - une entreprise qui produit déjà des grille-pain et veut produire des pots de café pourrait utiliser l'histoire de grille-pain comme un modèle de croissance probable. 4. Méthode Delphi - très dépendant de la sélection des bonnes personnes qui seront judicieusement utilisé pour produire réellement la prévision. Chacun a le même poids (plus juste). Des résultats satisfaisants sont habituellement obtenus en 3 rounds. OBJECTIF - Planification, prévision et réapprovisionnement collaboratifs (CPFR) Pour échanger des informations internes sélectionnées sur un serveur Web partagé afin de fournir des vues fiables à plus long terme de la demande dans la chaîne d'approvisionnement.
No comments:
Post a Comment