Weighted Moving Average Forecasting Ppt

Gewichtetes gleitendes Durchschnittsmodell Definition Im gewichteten gleitenden Durchschnittsmodell (Prognosestrategie 14) wird jeder historische Wert mit einem Faktor aus der Gewichtungsgruppe im univariaten Prognoseprofil gewichtet. Formel für den gewichteten gleitenden Durchschnitt Das gewichtete gleitende Durchschnittsmodell ermöglicht es Ihnen, aktuelle historische Daten stärker als ältere Daten zu gewichten, wenn Sie den Durchschnitt bestimmen. Sie tun dies, wenn die neueren Daten repräsentativer sind, was zukünftige Nachfrage sein wird als ältere Daten. Daher kann das System schneller auf eine Niveauänderung reagieren. Die Genauigkeit dieses Modells hängt weitgehend von der Wahl der Gewichtungsfaktoren ab. Wenn sich das Zeitreihenmuster ändert, müssen Sie auch die Gewichtungsfaktoren anpassen. Beim Anlegen einer Gewichtungsgruppe tragen Sie die Gewichtungsfaktoren in Prozent ein. Die Summe der Gewichtungsfaktoren muss nicht 100 sein. Es wird keine Ex-post-Prognose mit dieser Prognosestrategie berechnet.1 Kapitel 13 Prognose des Prognosemanagements Qualitative Prognosemethoden Simple Weighted Moving Average Prognosen Exponentielle Glättung. Präsentation zum Thema: 1 Kapitel 13 Prognose der Bedarfsverwaltung Qualitative Prognosemethoden Einfache gewichtete Verschiebung Durchschnittliche Prognosen Exponentielle Glättung. Präsentation Transkript: 1 1 Kapitel 13 Forecasting Demand Management Qualitative Prognosemethoden Einfache gewichteten gleitenden Durchschnitt Prognosen exponentielle Glättung 5 5 Arten von Prognosen Zeithorizont Kurzstreckenprognose Mittelbereich prognostiziert weiträumige Prognose 6 6 Arten von Prognosen Artikel Prognose Wirtschaftsprognosen Technologische Prognosen Nachfrageprognosen 8 8 Komponenten der Nachfrage Durchschnittliche Nachfrage nach einer gewissen Zeit Trend Saison Element Zyklische Elemente Zufallsvariation Autocorrelation 9 9 Finding Komponenten der Nachfrage 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx Jahr Umsatz Saison Variation Linear Trend 10 10 zyklische Komponente Wiederholen von Abwärtsbewegungen Aufgrund von Wechselwirkungen von Einflussfaktoren auf die Wirtschaft In der Regel 2-10 Jahre Dauer Mo. Qtr. Yr. Reaktionszyklus B 11 11 Zufallskomponente Unregelmäßige, unsystematisch, Restschwankungen durch zufällige Variation oder unvorhergesehene Kurzzeitereignisse nicht wiederholende tmaker Co. 12 12 Qualitative Methoden Grass Roots Marktforschungspanel Consensus Vorstand Urteil Historische Analogie Delphi-Methode Qualitative Methods 13 13 Delphi-Methode l. Wählen Sie die Experten zu beteiligen. 2. Durch einen Fragebogen (oder) erhalten Sie Prognosen von allen Teilnehmern. 3. Fassen Sie die Ergebnisse zusammen und verteilen Sie sie zusammen mit entsprechenden neuen Fragen an die Teilnehmer. 4. Fassen Sie noch einmal zusammen, verfeinern Sie Prognosen und Bedingungen und entwickeln Sie wieder neue Fragen. 5. Wiederholen Sie Schritt 4, wenn nötig. Verteilen Sie die endgültigen Ergebnisse an alle Teilnehmer. 14 14 Kausale Modelle Quantitative Prognosemethoden Quantitative Prognose Zeitreihenmodelle Lineare Regression Exponentielle Glättung Trendprojektion Gleitender Durchschnitt 15 15 Zeitreihenanalyse Zeitreihen-Prognosemodelle versuchen, auf der Grundlage vergangener Daten die Zukunft vorherzusagen. Sie können Modelle basierend auf wählen: 16 16 Simple Moving Average Formula Das einfache gleitende durchschnittliche Modell geht davon aus, dass ein Durchschnitt ein guter Schätzer für zukünftiges Verhalten ist. Die Formel für den einfachen gleitenden Durchschnitt ist: F t Prognose für die kommende Periode N Anzahl der zu mittelnden Perioden A t-1 Tatsächliches Auftreten in der letzten Periode für bis zu n Perioden 17 17 Einfache Verschiebung Durchschnittliches Problem (1) Frage: Was Sind die 3-wöchigen und 6-wöchigen gleitenden Durchschnittsprognosen für die Nachfrage Nehmen Sie an, Sie haben nur 3 Wochen und 6 Wochen tatsächlicher Bedarfsdaten für die jeweiligen Prognosen 20 20 Einfache gleitende Durchschnittsproblematik (2) Datenfrage: Was ist der durchschnittliche 3-Wochen-Durchschnitt Prognose für diese Daten Angenommen, Sie haben nur 3 Wochen und 5 Wochen tatsächlicher Bedarfsdaten für die jeweiligen Prognosen 22 22 Gewichtete gleitende Durchschnittsformel Während die gleitende Durchschnittsformel impliziert, dass für jeden gemittelten Wert, der gewogene gleitende Durchschnitt, ein gleiches Gewicht platziert wird Erlaubt eine ungleiche Gewichtung zu vorherigen Zeiträumen. Wt Gewicht, gegeben an Zeitperiode t Auftreten. (Gewichte müssen zu einem addieren.) Die Formel für den gleitenden Durchschnitt ist: 23 23 Gewichtetes gleitendes Durchschnittsproblem (1) Datengewichte: t-1.5 t-2.3 t-3.2 Frage: Angesichts der wöchentlichen Nachfrage und Gewichte, was ist die Prognose Für die vierte Periode oder Woche 4 25 25 Gewichtetes gleitendes Durchschnittsproblem (2) Datengewichte: t-1,7 t-2,2 t-3.1 Frage: Angesichts der wöchentlichen Nachfrageinformationen und - gewichte ist die gewichtete gleitende Durchschnittsprognose des 5 Periode oder Woche 28 28 Exponentielles Glättungsproblem (1) Datenfrage: Was sind die exponentiellen Glättungsvorhersagen für die Perioden 2-10 mit 0.10 und 0.60 Angenommen F 1 D 1 29 29 Antwort: Die jeweiligen Alphaspalten bezeichnen die Prognosewerte. Beachten Sie, dass Sie nur einen Zeitraum in die Zukunft prognostizieren können. 31 31 Exponentielles Glättungsproblem (2) Datenfrage: Was sind die exponentiellen Glättungsvorhersagen für die Perioden 2-5 mit 0,5 Angenommen F 1 D 1 33 33 Linear Trendprojektion Zur Prognose der linearen Trendlinie Setzt die Beziehung zwischen der Ansprechvariablen Y Zeit X ein eine lineare Funktion 34 34Y X lineare Regression Modell beobachteten Wert YabX ii YabX ii Error Error Regressionslinie 35 35 Korrelation Antworten, wie stark ist die lineare Beziehung zwischen zwei Variablen Korrelationskoeffizient verwendet hauptsächlich für das Verständnis 36 36 Korrelationskoeffizient Values1.00 Perfekt Positive Die Korrelation zunehmenden Grad der negative Korrelation Perfekte negative Korrelation keine Korrelation zunehmendem Grad der positive Korrelation 37 37 einfache lineare Regression Modell Y ta bx x (Time) Y Die einfache lineare Regressionsmodell eine Linie durch verschiedene Daten über die Zeit zu passen will. Ist das lineare Regressionsmodell. A Yt ist der zurückgerechnete Prognosewert oder abhängige Variable im Modell, a ist der Intercept-Wert der Regressionsgeraden und b ist ähnlich der Steigung der Regressionsgeraden. Da es jedoch mit der Variabilität der Daten im Kopf berechnet wird, ist seine Formulierung nicht so direkt wie unsere übliche Hangneigung. 39 39 einfache lineare Regression Problem Daten Frage: Die nachstehenden Angaben, was die einfachen linearen Regressionsmodell ist, das verwendet werden kann Umsatz 41 41 MAD Problemdaten MonthSalesForecast 1220na Frage zu prognostizieren: Was ist der MAD-Wert die Prognosewerte in der Tabelle unten angegeben 42 42 MAD Problem Lösung MonthSalesForecastAbs Error 1220n Beachten Sie, dass allein der MAD uns nur den mittleren Fehler in einem Satz von Prognosen kennt. 43 43 Verfolgungssignalformel Das TS ist ein Maß, das angibt, ob das Prognosemittel mit einer echten Aufwärts - oder Abwärtsänderung der Nachfrage Schritt hält. Abhängig von der Anzahl der ausgewählten MADs kann das TS wie ein Qualitätskontrolldiagramm verwendet werden, das anzeigt, wann das Modell zu viel Fehler in seinen Prognosen erzeugt. Die TS-Formel lautet: 1 Prognoseprognose Terminologie Einfache gleitende durchschnittliche gewichtete gleitende mittlere exponentielle Glättung Einfache lineare Regression Modell Holts Trend Modell. Präsentation zum Thema: 1 Vorhersage Vorhersage Terminologie Einfach Umzug Durchschnitt Gewichtet Verschieben Durchschnitt Exponentiell Glättung Einfache Lineare Regression Modell Holts Trend-Modell. Präsentation Transkript: 1 1 Forecasting Forecasting Terminologie Simple Moving Average gewichteten Moving Average exponentielle Glättung einfache lineare Regression Modell Holts Trendmodell Saisonmodell (Kein Trend) Winters Modell für Daten mit Trend und Saisonkomponente 2 2 Bewertung Prognosen Visuelle Bewertung Fehler Fehler messen MPE und MAPE Tracking-Signal 3 3 Historische Daten Prognose Terminologie Initialisierung ExPost Prognose Historische Daten 4 4 Wir sehen nun eine Zukunft von hier aus, und die Zukunft, die wir im Februar sahen, beinhaltet nun auch einige unserer Vergangenheit, und wir können die Vergangenheit in unsere Prognose einfließen lassen . 1993, die erste Hälfte, die jetzt die Vergangenheit ist und die Zukunft war, als wir unsere erste Prognose ausstellten, ist jetzt über Laura DAndrea Tyson, Leiter des Präsidentenrat der Wirtschaftsberater, die im November 1993 in der Chicago Tribune zitiert wurde Verkleinerte die Regierung ihre Projektionen des Wirtschaftswachstums auf 2 Prozent von den 3.1 Prozent, die es im Februar vorausgesagt hatte. Forecasting Terminologie 5 5 Forecasting Problem Ihr fraternitysorority Haus Angenommen, verbraucht die folgende Zahl der Fälle von Bier für die letzten 6 Wochenenden: 8, 5, 7, 3, 6, 9 Wie viele Fälle denken Sie Ihre Brüderlichkeit Sorority an diesem Wochenende 6 Woche verbrauchen Fälle Vorhersage: Einfache gleitende Durchschnittsmethode Mit einem dreifachen gleitenden Durchschnitt würden wir die folgende Prognose erhalten: 7-Wochen-Fallvorhersage: Einfache gleitende Durchschnittsmethode Was passiert, wenn wir einen gleitenden Durchschnitt von zwei Perioden verwenden 8 8 Die Anzahl der im gleitenden Durchschnitt verwendeten Perioden Prognose beeinflusst die Reaktionsfähigkeit der Prognosemethode: Woche Forecasting-Hüllen: Simple Moving Average Methode 2 Perioden 3 Perioden 1 Periode 9 9 Forecasting Terminologie diese Terminologie für unser Problem Anwenden der Moving Average Prognose mit: Initialisierung Ex-post-Prognosemodell Auswertung 10 10 Anstatt gleichen Gewichten , Könnte es sinnvoll sein, Gewichte zu verwenden, die neuere Verbrauchswerte begünstigen. Bei dem gewichteten gleitenden Durchschnitt müssen wir Gewichte auswählen, die einzeln größer als null und kleiner als 1 und als Gruppensumme zu 1 sind: Gültige Gewichte: (.5, .3, .2), (.6, .3 , .1), (12, 13, 16) Ungültige Gewichte: (.5, .2, .1), (.6, -.1, .5), (.5, .4, .3, .2 ) Prognose: Gewichtete gleitende Durchschnittsmethode 11 11 Prognose: Gewichtete gleitende Durchschnittsmethode Eine gewichtete gleitende Durchschnittsprognose mit Gewichten von (16, 13, 12) wird wie folgt durchgeführt: Wie stellen Sie die gewichtete gleitende Durchschnittsprognose stärker auf 12 12 Exponential Glättung ist so konzipiert, dass die Vorteile der Weighted Moving Average Prognose ohne das umständliche Problem der Festlegung von Gewichten zu geben. In exponentielle Glättung, gibt es nur einen Parameter (): Glättungskonstante (zwischen 0 und 1) Prognose: exponentielle Glättung 20 20 Prognose: Einfache lineare Regression Modell Einfache lineare Regression verwendet werden, können die Daten mit den Trends D zu prognostizieren ist die regrediert Prognosewert oder A ist der Intercept-Wert der Regressionsgerade, und b ist die Steilheit der Regressionsgerade. A D I b 21 21 Vorhersage: einfaches lineares Regressionsmodell In der linearen Regression werden die quadratischen Fehler minimiert Fehler 23 Einschränkungen im linearen Regressionsmodell Wie bei dem einfachen gleitenden Durchschnittsmodell zählen alle Datenpunkte gleichermaßen mit einer einfachen linearen Regression. 24 24 Vorhersage: Holts Trendmodell Zur Prognose von Daten mit Trends können wir ein exponentielles Glättungsmodell mit Trend verwenden, das häufig als Holts-Modell bezeichnet wird: L (t) A (t) (1) F (t) T (t) L (T) - L (t-1) L (t) T (t) Wir können lineare Regression verwenden, um das Modell zu initialisieren ) S (t) L (t-1) S (t) L (t) (1) S (tp) Saisonale Modellformeln p ist die Anzahl der Perioden in einer Saison Vierteljährliche Daten: P 4 Monatliche Daten: p 12 F (t1) L (t) S (t1-p) 32 32 Saisonmodell Initialisierung S (5) 0,60 S (6) 1,00 S (7) 1,55 S (8) 0,85 L (8) 26.5 Quartal Durchschnittlicher Saisonfaktor S (t) Durchschnittlicher Umsatz pro Quartal 26.5 A (t) 2003Spring16 Sommer27 Herbst39 Winter Frühjahr16 Sommer26 Herbst43 Winter23 33 33 Saisonvorhersage Frühjahr14 Sommer29 Herbst41 Winter Frühling Sommer Herbst Winter A (t) L (t) Saisonfaktor S (T) F (t) 2004Spring Sommer Herbst Winter 35 35 Prognose: Winters Modell für Daten mit Trend - und Saisonkomponenten L (t) A (t) S (tp) 1) T (t) L (t) - L (t - 1) (1) T (t - 1) L (t) T (t) S (t1-p) 36 36 Saisonal Trend-Modellzerlegung Zur Initialisierung des Winters-Modells verwenden wir die Dekompositionsprognose, die selbst zur Prognose herangezogen werden kann. 37 37 Zerlegungsvorhersage Es gibt zwei Möglichkeiten, Prognosedaten mit Trend - und Saisonkomponenten zu zerlegen: Verwenden Sie die Regression, um den Trend zu erhalten, verwenden Sie die Trendlinie, um saisonale Faktoren zu erhalten. Verwenden Sie Mittelwerte, um saisonale Faktoren zu erhalten, die Daten zu dezentralisieren und dann die Regression zu verwenden Bekommen den Trend. 38 38 Zerlegung die folgenden Daten Prognose enthält Trend und saisonale Komponenten: 39 39 Zerlegung Die saisonalen Faktoren Prognose werden nach dem gleichen Verfahren erhalten für das Saisonmodell Prognose verwendet: PeriodQuarterSales 1Spring90 2Summer157 3Fall123 4Winter93 5Spring128 6Summer211 7Fall163 8Winter122 Durchschnitt 135,9 Durchschnittliche bis 1 Qtr. Ave Meere. Faktor 40 40 Zerlegungsvorhersage Mit den saisonalen Faktoren können die Daten saisonalisiert werden, indem die Daten durch saisonale Faktoren geteilt werden: Regression auf die de-saisonalisierten Daten gibt den Trend 42 42 Zerlegung Prognose Regression auf die saisonalisierten Daten produziert die (B) Prognosen können nach folgender Gleichung durchgeführt werden: mx b (saisonaler Faktor) 44 44 Winters Modellinitialisierung Wir können die Zerlegungsvorhersage verwenden, um die folgenden Winters-Modellparameter zu definieren: L (n) bm (8) (7,71) T (8) 7,71 S (5) 0,80 S (6) 1,35 S (7) 1,05 S (8) 0,79 So von & ndash; Vorgängermodell, haben wir 45 45 Winters Modell Beispiel Spring152 10Summer303 11Fall232 12Winter Frühling 14Summer 15Fall 16Winter 0,3 0,4 0,2 PeriodQuarterSalesL (t) T (t) S (t) F (t) 1Spring90 2Summer157 3Fall123 4Winter93 5Spring Sommer Herbst Winter 47 47 Auswertung von Prognosen Vertrauen, aber verifizieren Ronald W. Reagan Computer-Software gibt uns die Möglichkeit, mehr Daten in einem größeren Maßstab effizienter durchführen Während Software wie SAP automatisch Modelle und Modell-Parameter für eine Reihe von Daten auswählen können, und in der Regel so richtig, wenn die Daten wichtig ist, sollte ein Mensch die Modellergebnisse überprüfen Eines der besten Werkzeuge ist das menschliche Auge 49 Prognose Auswertung Initialisierung ExPost Prognose Wo Prognose ausgewertet wird Keine Initialisierungsdaten in die Auswertung einbeziehen 50 Fehler Alle Fehlermessungen vergleichen das Prognosemodell mit den Istdaten Für die Region ExPost-Vorhersage 51 51 Fehler Maßnahme Alle Fehlermessungen basieren auf dem Vergleich von Prognosewerten zu Istwerten in der ExPost-Prognose-Region. 53 53 Bias sagt uns, ob wir eine Tendenz zur Über - oder Unterprognose haben. Wenn unsere Prognosen in der Mitte der Daten sind, sollten die Fehler gleichermaßen positiv und negativ sein und auf 0 summieren. MAD (Mean Absolute Deviation) ist der durchschnittliche Fehler, wobei ignoriert wird, ob der Fehler positiv oder negativ ist. Fehler sind schlecht, und je näher null ein Fehler ist, desto besser ist die Prognose. Fehlermaße zeigen, wie gut die Methode in der ExPost-Prognose-Region gearbeitet hat. Wie gut die Prognose in Zukunft funktionieren wird, ist ungewiss. Bias und MAD 54 54 Absolute vs. Relative Messungen Für zwei Datensätze wurden Prognosen erstellt. Welche Prognose war besser Datensatz 1 Bias MAD-Datensatz 2 Bias 182 MAD-Datensatz 1 Datensatz 2 55 55 MPE und MAPE Wenn die Zahlen in einem Datensatz größer sind, sind die Fehlermaßnahmen wahrscheinlich auch groß, Obwohl die Passform nicht so gut sein könnte. Mittlerer prozentualer Fehler (MPE) und mittlerer absoluter Prozentsatzfehler (MAPE) sind relative Formen von Bias bzw. MAD. MPE und MAPE können verwendet werden, um Prognosen für verschiedene Datensätze zu vergleichen. 60 Tracking-Signal Was ist in dieser Situation passiert? Wie könnten wir das in einer automatischen Prognose-Umgebung erkennen? 61 61 Tracking-Signal Das Tracking-Signal kann nach jedem Erfassen der tatsächlichen Verkaufswerte berechnet werden. Das Verfolgungssignal wird berechnet als: Das Verfolgungssignal ist ein relatives Maß wie MPE und MAPE, so dass es mit einem Sollwert (typischerweise 4 oder 5) verglichen werden kann, um zu identifizieren, wann die Prognoseparameter und - modelle geändert werden müssen.