Casting Demand Moving Average Eksempel

OR-Notes er en serie med innledende notater om emner som faller under den brede overskriften i operasjonsforskningsområdet (OR). De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelige for bruk av studenter og lærere som er interessert i ELLER underlagt følgende betingelser. En fullstendig liste over emnene som er tilgjengelige i OR-Notes finner du her. Prognoseeksempler Prognoseeksempel 1996 UG-eksamen Etterspørselen etter et produkt i hver av de siste fem månedene er vist nedenfor. Bruk et to måneders glidende gjennomsnitt for å generere en prognose for etterspørsel i måned 6. Bruk eksponensiell utjevning med en utjevningskonstant på 0,9 for å generere en prognose for etterspørsel etter etterspørsel i måned 6. Hvilken av disse to prognosene foretrekker du og hvorfor De to måneders bevegelse gjennomsnitt for måneder to til fem er gitt av: Forventet for måned seks er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 5 m 5 2350. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,9 får vi: Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386 For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratfeil (MSD). Hvis vi gjør dette, finner vi at for glidende gjennomsnittlig MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi at eksponensiell utjevning ser ut til å gi de beste månedene forutgående prognoser da den har en lavere MSD. Derfor foretrekker vi prognosen for 2386 som er produsert ved eksponensiell utjevning. Prognoseeksempel 1994 UG-eksamen Tabellen nedenfor viser etterspørselen etter en ny ettershave i en butikk for hver av de siste 7 månedene. Beregn et to måneders glidende gjennomsnitt i måneder to til syv. Hva ville være din prognose for etterspørselen i måneden åtte Gjør eksponensiell utjevning med en utjevningskonstant på 0,1 for å utlede en prognose for etterspørselen i måned åtte. Hvilke av de to prognosene for måned åtte foretrekker du, og hvorfor Butikkmannen mener at kunder bytter til denne nye aftershave fra andre merker. Diskuter hvordan du kan modellere denne bytteadferd og indikere dataene du vil trenge for å bekrefte om denne bytte forekommer eller ikke. Den to måneders glidende gjennomsnittet for måneder to til syv er gitt av: Forventningen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 7 m 7 46. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,1 vi få: Som før prognosen for måned åtte er bare gjennomsnittet for måned 7 M 7 31.11 31 (som vi ikke kan ha fraksjonær etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for glidende gjennomsnitt og for eksponensielt glatt gjennomsnitt med en utjevningskonstant på 0,1 Generelt sett ser vi at to måneders glidende gjennomsnitt ser ut til å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som er produsert av to måneders glidende gjennomsnitt. For å undersøke bytte ville vi måtte bruke en Markov-prosessmodell, hvor stater merker og vi ville trenge innledende statsinformasjon og kundeendring sannsynligheter (fra undersøkelser). Vi må kjøre modellen på historiske data for å se om vi har en passform mellom modellen og historisk oppførsel. Forecasting eksempel 1992 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt merke av barberhøvel i en butikk for hver av de ni siste månedene. Beregn et tre måneders glidende gjennomsnitt i måneder tre til ni. Hva ville være din prognose for etterspørselen i måneden ti Bruk eksponensiell utjevning med en utjevningskonstant på 0,3 for å utlede en prognose for etterspørselen i måned ti. Hvilke av de to prognosene for tiende måned foretrekker du og hvorfor Det tre måneders glidende gjennomsnittet for måneder 3 til 9 er gitt av: Forventningen for måned 10 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for 9 måneder 9 20,33. Derfor er prognosen for måned 10 20 år. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,3 får vi: Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18,57 19 (som vi kan ikke ha fraksjonell etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for det glidende gjennomsnittet og for det eksponensielt glatte gjennomsnittet med en utjevningskonstant på 0,3. Totalt ser vi at det tre måneders glidende gjennomsnittet ser ut til å gi de beste månedene fremoverprognoser, da det har en lavere MSD. Derfor foretrekker vi prognosen på 20 som er produsert av tre måneders glidende gjennomsnitt. Forecasting eksempel 1991 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt faksmaskinmerke i et varehus i hver av de siste tolv månedene. Beregn fire måneders glidende gjennomsnitt for måneder 4 til 12. Hva ville være din prognose for etterspørselen i måned 13 Bruk eksponensiell utjevning med en utjevningskonstant på 0,2 for å utlede en prognose for etterspørselen i måned 13. Hvilken av de to prognosene for måneden 13 foretrekker du og hvorfor Hvilke andre faktorer som ikke vurderes i de ovennevnte beregningene, kan påvirke etterspørselen etter faksmaskinen i måned 13 Det fire måneders glidende gjennomsnittet for måneder 4 til 12 er gitt av: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prognosen for måned 13 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 12 m 12 46.25. Derfor er prognosen for måned 13 46. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,2 får vi: Som før prognosen for måned 13 er bare gjennomsnittet for måned 12 M 12 38.618 39 (som vi kan ikke ha fraksjonell etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for glidende gjennomsnitt og for eksponensielt glatt gjennomsnitt med en utjevningskonstant på 0,2. Generelt ser vi at fire måneders glidende gjennomsnitt ser ut til å gi de beste månedene fremoverprognoser, da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som er produsert av fire måneders glidende gjennomsnitt. sesongmessig etterspørsel annonsering prisendringer, både dette merket og andre merker generell økonomisk situasjon ny teknologi Forecasting eksempel 1989 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt merke av mikrobølgeovn i et varehus i hver av de siste tolv månedene. Beregn et seks måneders glidende gjennomsnitt for hver måned. Hva ville være din prognose for etterspørselen i måned 13 Bruk eksponensiell utjevning med en utjevningskonstant på 0,7 for å utlede en prognose for etterspørselen i måned 13. Hvilke av de to prognosene for måned 13 foretrekker du og hvorfor Nå kan vi ikke beregne en seks måned flytte gjennomsnittet til vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover. Derfor har vi: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Prognosen for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måned 12 m 12 38,17. Derfor er prognosen for måned 13 38. Anvendelse av eksponensiell utjevning med en utjevningskonstant på 0,7 får vi: Vektet Moving Gjennomsnittlig Forecasting Metoder: Fordeler og ulemper Hei, ELSKER innlegget ditt. Lurte på om du kunne utdype seg videre. Vi bruker SAP. I det er det et valg du kan velge før du kjører din prognose som kalles initialisering. Hvis du sjekker dette alternativet, får du et prospektresultat, hvis du kjører prognosen igjen, i samme periode, og ikke kontrollerer initialisering, endres resultatet. Jeg kan ikke finne ut hva den initialiseringen gjør. Jeg mener matematisk. Hvilket prognoseresultat er best å lagre og bruke for eksempel. Endringene mellom de to er ikke i prognosen, men i MAD og Error, sikkerhetslager og ROP-mengder. Ikke sikker på om du bruker SAP. hei takk for å forklare så effektivt det er for gd. takk igjen Jaspreet Legg igjen en kommentar Avbryt svar Om Shmula Pete Abilla er grunnleggeren av Shmula og tegnet Kanban Cody. Han har hjulpet selskaper som Amazon, Zappos, eBay, Backcountry, og andre, reduserer kostnader og forbedrer kundeopplevelsen. Han gjør dette gjennom en systematisk metode for å identifisere smertepunkter som påvirker kunden og virksomheten, og oppfordrer bred deltakelse fra selskapets medarbeidere til å forbedre sine egne prosesser. Dette nettstedet er en samling av hans erfaringer han ønsker å dele med deg. Komme i gang med gratis nedlastinger FORECASTING Forecasting innebærer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst. Det er helt avgjørende for kort rekkevidde og langdistanse planlegging. Per definisjon er en prognose basert på tidligere data, i motsetning til en prediksjon, som er mer subjektiv og basert på instinkt, magefølelse eller gjetning. For eksempel gir kveldsnyheten været x0022forecastx0022 ikke været x0022prediction. x0022 Uansett er vilkårene prognose og prediksjon ofte brukt interchangeable. For eksempel definerer definisjoner av regressionx2014a-teknikk som noen ganger brukes i forecastingx2014 generelt at dens formål er å forklare eller x0022predict. x0022 Forecasting er basert på en rekke antagelser: Fortiden vil gjenta seg selv. Med andre ord, hva som har skjedd i fortiden, vil skje igjen i fremtiden. Etter hvert som prognosehorisonten forkortes, øker prognosens nøyaktighet. For eksempel vil en prognose for i morgen være mer nøyaktig enn en prognose for neste måned, en prognose for neste måned vil være mer nøyaktig enn en prognose for neste år, og en prognose for neste år vil være mer nøyaktig enn en prognose i ti år i framtid. Forventning totalt sett er mer nøyaktig enn å forutse enkelte elementer. Dette betyr at et selskap vil kunne prognose total etterspørsel over hele produktspekteret mer nøyaktig enn det vil kunne prognostisere individuelle lagerbeholdningsenheter (SKU). For eksempel kan General Motors mer nøyaktig anslå det totale antallet biler som trengs for neste år enn totalt antall hvite Chevrolet Impalas med en viss opsjonspakke. Prognoser er sjelden nøyaktige. Videre er prognosene nesten aldri helt nøyaktige. Mens noen er veldig nær, er få x0022right på pengene. X0022 Derfor er det lurt å tilby en prognose x0022range. x0022 Hvis man skulle prognose en etterspørsel på 100.000 enheter for neste måned, er det ekstremt lite sannsynlig at etterspørselen vil være 100.000 nøyaktig. En prognose på 90.000 til 110.000 vil imidlertid gi et mye større mål for planlegging. William J. Stevenson lister opp en rekke egenskaper som er felles for en god prognose: Accuratex2014Som grad av nøyaktighet bør bestemmes og oppgis slik at sammenligning kan gjøres til alternative prognoser. Reliablex2014prognosen må konsekvent gi en god prognose hvis brukeren skal etablere en viss grad av selvtillit. Timelyx2014a Det er nødvendig med viss tid for å svare på prognosen, slik at prognoseperioden må tillate tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forståelse av prognosen må være trygg og komfortabel å jobbe med. Kostnadseffektivitet2014kostnadene for å gjøre prognosen bør ikke oppveie fordelene fra prognosen. Forecasting teknikker spenner fra det enkle til det ekstremt komplekse. Disse teknikkene klassifiseres vanligvis som kvalitative eller kvantitative. KVALITATIVE TEKNIKER Kvalitative prognostiseringsteknikker er generelt mer subjektive enn deres kvantitative motparter. Kvalitative teknikker er mer nyttige i de tidligere stadier av produktets livssyklus, når det foreligger mindre fortidsdata for bruk i kvantitative metoder. Kvalitative metoder inkluderer Delphi teknikken, Nominell gruppeteknikk (NGT), salgsstyrke meninger, utøvende meninger og markedsundersøkelser. DELPHI TECHNOLOGY. Delphi-teknikken bruker et panel av eksperter til å produsere en prognose. Hver ekspert blir bedt om å gi en prognose som er spesifikk for behovet ved hånden. Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir da laget av hver ekspert. Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av oppfatningen av de andre. Denne prosessen gjentar seg til hver ekspert nærmer seg enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNOLOGY. Nominell gruppeteknikk ligner på Delphi-teknikken ved at den bruker en gruppe deltakere, vanligvis eksperter. Etter at deltakerne har reagerer på prognosespørsmål, rangerer de deres svar i rekkefølge av opplevd relativ betydning. Deretter samles rangeringene og aggregeres. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. Salgsforståelser. Salgspersonalet er ofte en god kilde til informasjon om fremtidig etterspørsel. Salgsansvarlig kan be om innspilling fra hver salgs person og samle sine svar til en sammensatt prognose for salgsstyrke. Forsiktighet bør utvises ved bruk av denne teknikken, da selgerens medlemmer kanskje ikke kan skille mellom hva kundene sier og hva de egentlig gjør. Også, hvis prognosene vil bli brukt til å etablere salgskvoter, kan salgsstyrken bli fristet til å gi lavere estimater. FØLGENDE OPINIONS. Noen ganger møter lederne på øverste nivå og utvikler prognoser basert på deres kunnskap om deres ansvarsområder. Dette er noen ganger referert til som en jury av utøvende mening. MARKEDSUNDERSØKELSER. I markedsundersøkelser benyttes forbrukerundersøkelser for å etablere potensiell etterspørsel. Slike markedsundersøkelser innebærer vanligvis å bygge et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere personlig informasjon i butikk og kjøpesentre, hvor forbrukerne kan oppleve, føle, lukte og se et spesielt produkt. Forskeren må være forsiktig med at prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER Kvantitative prognoseteknikker er generelt mer objektive enn sine kvalitative motparter. Kvantitative prognoser kan være tidsserier prognoser (dvs. et projeksjon fra fortiden inn i fremtiden) eller prognoser basert på associative modeller (dvs. basert på en eller flere forklarende variabler). Tidsseriedata kan ha underliggende atferd som må identifiseres av prospektoren. I tillegg kan prognosen kanskje identifisere årsakene til atferden. Noen av disse oppføringene kan være mønstre eller bare tilfeldige variasjoner. Blant mønstrene er: Trender, som er langsiktige bevegelser (opp eller ned) i dataene. Seasonality, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden av året, måneden eller til og med en bestemt dag, som vitne til omsetningen til jul eller toppene i bankaktivitet på den første i måneden og på fredager. Sykler, som er wavelike variasjoner som varer mer enn et år som vanligvis er knyttet til økonomiske eller politiske forhold. Uregelmessige variasjoner som ikke gjenspeiler typisk oppførsel, som for eksempel ekstremvær eller en unionstank. Tilfeldige variasjoner, som omfatter alle ikke-typiske atferd som ikke er klassifisert av de andre klassifiseringene. Blant tidsseriemodellene er det enkleste naxEFve-prognosen. En naxEFve-prognose bruker bare den faktiske etterspørselen etter den siste perioden som forventet etterspørsel etter neste periode. Dette gjør selvsagt antakelsen om at fortiden vil gjenta. Det antas også at noen trender, sesongmessige eller sykluser blir enten reflektert i forrige periodes krav eller eksisterer ikke. Et eksempel på naxEFve-prognoser er presentert i tabell 1. Tabell 1 NaxEFve-prognoser En annen enkel teknikk er bruken av middelverdi. For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder med tidligere data ved å summere hver periode og dividere resultatet med antall perioder. Denne teknikken har vist seg å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt er blant annet glidende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar et forhåndsbestemt antall perioder, summerer deres faktiske etterspørsel, og deler etter antall perioder for å nå en prognose. For hver etterfølgende periode faller den eldste dataperioden og den siste perioden legges til. Hvis man antar et tre måneders glidende gjennomsnitt og bruker dataene fra tabell 1, vil man ganske enkelt legge til 45 (januar), 60 (februar) og 72 (mars) og dele med tre for å komme frem til en prognose for april: 45 60 72 177 x00F7 3 59 For å komme frem til en prognose for mai, ville man slippe Januaryx0027s etterspørsel fra ligningen og legge til etterspørselen fra april. Tabell 2 viser et eksempel på en tre måneders glidende gjennomsnittlig prognose. Tabell 2 Tre måneders flytende gjennomsnittlig prognose Faktisk etterspørsel (000x0027s) Et veid gjennomsnitt anvender en forhåndsbestemt vekt til hver måned med tidligere data, summerer de siste dataene fra hver periode og fordeler seg etter totalvekten. Hvis forforskeren justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med den faktiske etterspørselen av hver aktuell periode. Resultatene summeres da for å oppnå en vektet prognose. Generelt, jo nyere dataene er jo høyere vekten, og jo eldre dataene, desto mindre er vekten. Bruk av etterspørselseksemplet, et veid gjennomsnitt med vekt på .4. 3. 2, og .1 ville gi prognosen for juni som: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Forutsetninger kan også bruke en kombinasjon av det veide gjennomsnittet og gjennomsnittlige gjennomsnittlige prognoser . En vektet glidende gjennomsnittlig prognose tilordner vekt til et forhåndsbestemt antall perioder med faktiske data og beregner prognosen på samme måte som beskrevet ovenfor. Som med alle flyttende prognoser, da hver ny periode legges til, blir dataene fra den eldste perioden kassert. Tabell 3 viser en tre måneders vektet glidende gjennomsnittlig prognose ved bruk av vektene .5. 3 og .2. Tabell 3 Threex2013Month Weighted Moving Gjennomsnittlig Forecast Actual Demand (000x0027s) En mer kompleks form av vektet glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt etter hvert som dataene blir eldre. Eksponensiell utjevning tar forrige periodx0027s prognose og justerer den med en forhåndsbestemt utjevningskonstant, x03AC (kalt alfa verdien for alfa er mindre enn en) multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk skjedde i den tidligere estimerte perioden (kalt prognose feil). Eksponensiell utjevning uttrykkes formelt som sådan: Ny prognose forrige prognose alfa (faktisk etterspørsel x2212 forrige prognose) FF x03AC (A x2212 F) Eksponensiell utjevning krever at prospektoren begynner prognosen i en tidligere periode og arbeider frem til perioden hvor en strøm prognose er nødvendig. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode, den faktiske etterspørselen fra en tidligere periode, eller det kan estimeres ved å gjennomsnittlig hele eller deler av de tidligere dataene. Noen heuristikker eksisterer for å beregne en innledende prognose. For eksempel vil den heuristiske N (2 xF7 x03AC) x2212 1 og en alfa på .5 gi en N av 3, som indikerer at brukeren vil gjennomsnittlig de første tre periodene av data for å få en innledende prognose. Imidlertid er nøyaktigheten av den første prognosen ikke kritisk hvis man bruker store mengder data, siden eksponensiell utjevning er x0022selfkorrigerende. x0022 Gitt til nok perioder med tidligere data, vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig start prognose. Ved å bruke dataene som brukes i andre eksempler, beregnes en innledende prognose på 50 og en alfa på .7, en prognose for februar: Ny prognose (februar) 50 .7 (45 x2212 50) 41,5 Neste, prognosen for mars : Ny prognose (mars) 41.5 .7 (60 x2212 41.5) 54.45 Denne prosessen fortsetter til forutsetningen når den ønskede perioden. I tabell 4 vil dette være for juni måned, siden den faktiske etterspørselen etter juni ikke er kjent. Faktisk etterspørsel (000x0027s) En utvidelse av eksponensiell utjevning kan brukes når tidsseriedata viser en lineær trend. Denne metoden er kjent av flere navn: dobbel utjevning trendjustert eksponensiell utjevning prognose inkludert trend (FIT) og Holtx0027s Model. Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis trenden øker, eller høy hvis trenden minker. Med denne modellen er det to utjevningskonstanter, x03AC og x03B2 med x03B2 som representerer trendkomponenten. En utvidelse av Holtx0027s modell, kalt Holt-Winterx0027s Metode, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, med multiplikasjonen som den mest brukte. I additivmodellen er sesongmessighet uttrykt som en mengde som skal legges til eller trekkes fra serienes gjennomsnitt. Den multiplikative modellen uttrykker sesongmessigheten som en prosentandel som kjent sesongfamilier eller sesongbestemte indekser i gjennomsnitt (eller trend). Disse blir deretter multiplisert gangerverdier for å inkludere sesongmessighet. En relativ på 0,8 ville indikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1,10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet. Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndbok lærebøker eller en av flere bøker om prognoser. Associative eller kausal teknikker innebærer identifisering av variabler som kan brukes til å forutsi en annen variabel av interesse. For eksempel kan renten brukes til å prognose etterspørselen etter boligfinansiering. Vanligvis innebærer dette bruk av lineær regresjon, hvor målet er å utvikle en ligning som oppsummerer effektene av prediktor (uavhengige) variablene på den prognostiserte (avhengige) variabelen. Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen (med avvik som er avstanden fra hvert punkt til linjen). Ekvationen vil se ut som: ya bx, hvor y er den forutsette (avhengige) variabelen, x er prediktor (uavhengig) variabel, b er linjens helling, og a er lik linjehøyden på y - avskjære. Når ligningen er bestemt, kan brukeren sette inn nåværende verdier for prediktor (uavhengig) variabel for å komme frem til en prognose (avhengig variabel). Hvis det er mer enn én prediktorvariabel eller hvis forholdet mellom prediktor og prognose ikke er lineært, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, bør flere regresjon brukes, mens ikke-lineære forhold krever bruk av krøllet regresjon. ØKONOMETRISK FORSIKRING Økonometriske metoder, for eksempel autoregressiv integrert bevegelig gjennomsnittsmodell (ARIMA), bruker komplekse matematiske ligninger til å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at det er like pålitelig en representasjon av det siste forholdet som mulig. Når dette er gjort, blir projiserte verdier av påvirkning variablene (inntekt, priser, etc.) satt inn i ligningen for å lage en prognose. EVALUERENDE FORSIKRINGER Forsiktig nøyaktighet kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik (MAD), gjennomsnittlig kvadratfeil (MSE) eller gjennomsnittlig absolutt prosentfeil (MAPE) for prognosen ved å bruke forskjellige verdier for alfa. Bias er summen av prognosefeilene x2211 (FE). For eksponentiell utjevningseksempel ovenfor, ville beregningsforspenningen være: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Hvis man antar at en lav forspenning indikerer en generell lavprognosefeil, kan man beregne bias for en rekke potensielle verdier av alfa og antar at den med lavest bias ville være den mest nøyaktige. Imidlertid må man være oppmerksom på at feilaktig prognoser kan gi lav bias hvis de pleier å være både over prognose og under prognose (negativ og positiv). For eksempel kan et firma i løpet av tre perioder bruke en bestemt verdi av alfa til overprognose med 75 000 enheter (x221275 000), prognostisert av 100 000 enheter (100 000), og deretter over forventet med 25 000 enheter (x221225 000), hvilket gir en bias av null (x221275.000 100.000 x2212 25.000 0). Til sammenligning vil en annen alfa som gir over prognoser på 2000 enheter, 1000 enheter og 3000 enheter resultere i en bias på 5000 enheter. Hvis den normale etterspørselen var 100 000 enheter per periode, ville den første alfa gi prognoser som var av med så mye som 100 prosent, mens den andre alfa ville være ute med maksimalt bare 3 prosent, selv om bias i den første prognosen var null. Et sikrere mål for prognose nøyaktighet er gjennomsnittlig absolutt avvik (MAD). For å beregne MAD summerer forecasteren den absolutte verdien av prognosefeilene og deler deretter med antall prognoser (x2211 FE x00F7 N). Ved å ta absolutt verdien av prognosefeilene, er motsetningen av positive og negative verdier unngått. Dette betyr at både en prognose på 50 og en under prognose på 50 er av med 50. Ved å bruke dataene fra eksponentiell utjevning, kan MAD beregnes som følger: (60 x 2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) x00F7 4 16.35 Derfor er prospektoren av et gjennomsnitt på 16,35 enheter per prognose. Sammenlignet med resultatet av andre alfaer, vil forecasteren vite at alfa med laveste MAD gir den mest nøyaktige prognosen. Mean square error (MSE) kan også utnyttes på samme måte. MSE er summen av prognosefeilene kvadrert delt med N-1 (x2211 (FE)) x00F7 (N-1). Kvadrering av prognosefeil eliminerer muligheten for å kompensere for negative tall, siden ingen av resultatene kan være negative. Ved bruk av de samme dataene som ovenfor, ville MSE være: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383,94 Som med MAD, kan forecasteren sammenligne MSE med prognoser utledet ved hjelp av ulike verdier av alfa og anta at alfa med laveste MSE gir den mest nøyaktige prognosen. Den gjennomsnittlige absolutte prosentfeilen (MAPE) er gjennomsnittlig absolutt prosentfeil. For å komme til MAPE må man ta summen av forholdene mellom prognosefeil og faktiske etterspørselstider 100 (for å få prosentandelen) og dividere med N (x2211 Faktisk etterspørsel x2212 prognose x00F7 Faktisk etterspørsel) xD7 100 x00F7 N. Bruke dataene fra Eksponentiell utjevningseksempel, MAPE kan beregnes som følger: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Som med MAD og MSE, jo lavere er den relative feilen jo mer nøyaktig prognosen. Det skal bemerkes at i noen tilfeller kan prognosenes evne til å endre seg raskt for å svare på endringer i datamønstre anses å være viktigere enn nøyaktighet. Derfor bør onex0027s valg av prognosemetode gjenspeile den relative balansen mellom betydning mellom nøyaktighet og respons, som bestemt av forspilleren. GJØR EN FORSIKTIG William J. Stevenson lister følgende som de grunnleggende trinnene i prognoseprosessen: Bestem prognosen for prox0027. Faktorer som hvordan og når prognosen vil bli brukt, graden av nøyaktighet som trengs, og detaljnivået som ønskes, bestemmer kostnadene (tid, penger, ansatte) som kan dedikeres til prognosen og typen prognosemetode som skal utnyttes . Etablere en tidshorisont. Dette skjer etter at man har bestemt formålet med prognosen. Langsiktig prognoser krever lengre tidshorisonter og omvendt. Nøyaktighet er igjen en vurdering. Velg en prognose teknikk. Teknikken som velges, avhenger av formålet med prognosen, ønsket tidshorisont og den tillatte prisen. Samle og analysere data. Mengden og typen data som trengs styres av forecastx0027s formål, den valgte prognoseknikken, og eventuelle kostnadsoverveielser. Lag prognosen. Overvåk prognosen. Vurder ytelsen til prognosen og modifiser om nødvendig. YTTERLIGERE LESING: Finch, Byron J. Operations Now: Lønnsomhet, prosesser, ytelse. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Econometric Analysis. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022Den nominelle gruppen Technique. x0022 Forskingsprosessen. Tilgjengelig fra x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Les også artikkelen om Forecasting fra Wikipedia