Gleitender Durchschnitt Vorhersage Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so vielleicht sollten Sie auf eine über (85 73) 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger feiern Und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Die erste ist nur mit Ihrer jüngsten Punktzahl für Ihre zukünftige Performance prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Nun kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array der historischen Werte verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historische, NumberOfPeriods) As Single Deklarieren und Variablen Dim Artikel As Variant Dim Zähler As Integer Dim Accumulation As Single Dim HistoricalSize Initialisierung As Integer initialisieren Variablen Zähler 1 Accumulation 0 Bestimmung der Größe der historischen Array HistoricalSize Historical. Count für Zähler 1 Um NumberOfPeriods Summieren der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion auf dem Arbeitsblatt platzieren, so dass das Ergebnis der Berechnung dort erscheint, wo es die folgenden haben soll. Weight Moving Average Model Definition Im gewichteten gleitenden Durchschnittsmodell (Prognosestrategie 14) wird jeder historische Wert mit einem Faktor von gewichtet Die Gewichtungsgruppe im univariaten Prognoseprofil. 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 als ältere Daten sein wird. 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. Mit dieser Prognosestrategie wird keine Ex-post-Prognose berechnet. Mit der Forecast-Funktion in Excel (und Open Office Calc) kopieren Sie Copyright. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Lassen Sie mich beginnen, indem Sie sagen, dass Excels Prognose-Funktion ist nicht ein vollständiges Inventar Vorhersage-System. Die Vorhersage in der Bestandsverwaltung umfasst im Allgemeinen das Entfernen von Lärm aus der Nachfrage, dann die Berechnung und Integration von Trends, Saisonalität und Ereignisse. Die Prognose-Funktion wird nicht alle diese Dinge für Sie tun (technisch könnte es, aber es gibt bessere Möglichkeiten, einige davon zu erreichen). Aber es ist eine nette kleine Funktion, die einfach zu bedienen ist, und es kann sicherlich ein Teil Ihres Prognosesystems sein. Laut Microsoft Help zur Prognosefunktion. Die Funktion FORECAST (x, knownys, knownxs) gibt den vorhergesagten Wert der abhängigen Variablen (in den Daten durch bekannte) für den spezifischen Wert x der unabhängigen Variablen (dargestellt in den Daten durch bekanntexx) zurück (Kleinste Quadrate) lineare Regression, um y-Werte aus x-Werten vorherzusagen. Also, was genau bedeutet das Lineare Regression ist eine Form der Regressionsanalyse und kann verwendet werden, um eine mathematische Beziehung zwischen zwei (oder mehr) Sätze von Daten zu berechnen. In der Prognose würden Sie dies verwenden, wenn Sie dachten, dass ein Satz von Daten verwendet werden könnte, um einen anderen Satz von Daten vorherzusagen. Zum Beispiel, wenn Sie Baubedarf verkauft, können Sie feststellen, dass Änderungen der Zinsen verwendet werden können, um den Verkauf Ihrer Produkte vorauszusagen. Dies ist ein klassisches Beispiel für die Verwendung von Regression, um eine Beziehung zwischen einer externen Variablen (Zinssätze) und einer internen Variable (Ihren Verkäufen) zu berechnen. Wie wir später noch sehen werden, können Sie auch Regression verwenden, um eine Beziehung innerhalb desselben Datensatzes zu berechnen. Ein typischer Ansatz zur Regressionsanalyse beinhaltet die Verwendung von Regression, um die mathematische Beziehung zu bestimmen, aber auch, um Ihnen eine Vorstellung davon zu vermitteln, wie gültig diese Beziehung ist (das ist der Analyseteil). Die Forecast-Funktion überspringt die Analyse und berechnet einfach eine Beziehung und wendet sie automatisch auf Ihre Ausgabe an. Das macht die Sache einfacher für den Benutzer, aber es geht davon aus, dass Ihre Beziehung gültig ist. Im Wesentlichen verwendet die Forecast-Funktion eine lineare Regression, um einen Wert basierend auf einer Beziehung zwischen zwei Datensätzen vorherzusagen. Hier einige Beispiele. In Abbildung 1A haben wir eine Kalkulationstabelle, die den durchschnittlichen Zinssatz in den letzten 4 Jahren und den Absatz im gleichen Zeitraum von 4 Jahren umfasst. Wir zeigen auch einen voraussichtlichen Zinssatz für das 5. Jahr. Wir sehen in dem Beispiel, dass unsere Verkaufszahlen steigen, wenn die Zinsen sinken und sinken, wenn die Zinsen steigen. Wenn wir das Beispiel betrachten, können wir vermutlich vermuten, dass unsere Verkäufe für Jahr 5 irgendwo zwischen 5.000 und 6.000 liegen würden, basierend auf der beobachteten Beziehung zwischen Zinssätzen und Verkäufen in den vorherigen Perioden. Wir können die Prognosefunktion verwenden, um diese Beziehung präziser zu quantifizieren und sie auf das 5. Jahr anzuwenden. In Abbildung 1B sehen Sie, wie die Prognosefunktion angewendet wird. In diesem Fall ist die Formel in Zelle F4 FORECAST (F2, B3: E3, B2: E2). Was wir innerhalb der Klammer haben, wird als Argument bezeichnet. Ein Argument ist wirklich nur ein Mittel zur Übergabe von Parametern an die verwendete Funktion (in diesem Fall die Prognosefunktion). Jeder Parameter wird durch ein Komma getrennt. Damit die Forecast-Funktion funktioniert, muss sie wissen, welchen Wert wir verwenden, um unsere Produktion vorherzusagen (unsere Verkäufe des Jahres 5). In unserem Fall ist der Parameter (unser Jahr-5-Zinssatz) in Zelle F2, also ist das erste Element unseres Arguments F2. Als Nächstes muss er wissen, wo er die vorhandenen Werte finden kann, die er verwenden wird, um die Beziehung zu bestimmen, die auf F2 anzuwenden ist. Zuerst müssen wir die Zellen eingeben, die die Werte unserer abhängigen Variablen darstellen. In unserem Fall würde dies unsere Einheiten in den letzten 4 Jahren verkauft werden, daher geben wir B3: E3. Dann müssen wir die Zellen eingeben, die die Werte unserer Prädiktorvariablen repräsentieren. In unserem Fall sind dies die Zinsen der letzten 4 Jahre, daher geben wir B2: E2). Die Prognosefunktion kann nun die in den Jahren 1 bis 4 verkauften Einheiten mit den Zinssätzen der gleichen Jahre vergleichen und dann diese Beziehung zu unserem vorhergesagten Jahr 5-Zinssatz anwenden, um unsere prognostizierten Umsätze für das Jahr 5 von 5.654 Einheiten zu erhalten. Im vorherigen Beispiel können wir die Graphen betrachten, um zu helfen, die Beziehung zu visualisieren. Auf den ersten Blick kann es nicht so offensichtlich aussehen, weil wir eine umgekehrte Beziehung haben (Verkäufe gehen oben, während Zinsen nach unten gehen), aber wenn Sie geistig eine der Diagramme gedreht würden, würden Sie eine sehr klare Beziehung sehen. Das ist eine der coolen Dinge über die Prognose-Funktion (und Regressionsanalyse). Es kann leicht mit einer umgekehrten Beziehung. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Nun sehen wir uns ein anderes Beispiel an. In Abbildung 2A sehen wir einen neuen Datensatz. In diesem Beispiel stiegen die Zinssätze in den vergangenen 4 Jahren nach oben und unten, der Absatz zeigte jedoch einen konstanten Aufwärtstrend. Während es möglich ist, dass die Zinsen in diesem Beispiel einige Auswirkungen auf unsere Umsätze hatten, ist es offensichtlich, dass hier wesentlich mehr Faktoren zu berücksichtigen sind. Durch die Verwendung unserer Prognose-Funktion mit diesen Daten, geben wir eine Prognose von 7.118 Einheiten für das Jahr 5 zurück. Ich denke, die meisten von uns würden auf unsere Umsatzentwicklung zu schauen und zuzustimmen, seine weitaus wahrscheinlicher unsere Verkäufe für Jahr 5 wäre 9.000 Einheiten. Wie ich bereits erwähnt habe, geht die Prognose-Funktion davon aus, dass die Beziehung gültig ist, daher produziert sie eine Ausgabe, die auf der bestmöglichen Größe basiert, die sie aus den Daten ergibt, die sie erhalten. Mit anderen Worten, wenn wir sagen, es gibt eine Beziehung, es glaubt uns und produziert die Ausgabe entsprechend, ohne uns eine Fehlermeldung oder ein Signal, das implizieren würde die Beziehung ist sehr schlecht. Also, seien Sie vorsichtig, was Sie verlangen. Die bisherigen Beispiele deckten die klassische Anwendung der Regression auf die Prognose. Während all dies klingt ziemlich glatt, ist diese klassische Anwendung der Regression nicht so nützlich, wie Sie vielleicht denken (Sie können überprüfen, mein Buch für weitere Informationen über Regression und warum es nicht eine gute Wahl für Ihre Prognose braucht werden). Aber jetzt können Sie mit der Forecast-Funktion einfach zu identifizieren Trend innerhalb eines bestimmten Satz von Daten. Beginnen wir mit der Betrachtung von Fig. 3A. Hier haben wir Nachfrage mit einem sehr offensichtlichen Trend. Die meisten von uns sollten in der Lage, diese Daten betrachten und sich wohl fühlen, vorauszusagen, dass die Nachfrage in Periode 7 wird wahrscheinlich 60 Einheiten sein. Wenn Sie diese Daten jedoch über die für die Bestandsführung verwendeten typischen Prognoserechnungen laufen ließen, können Sie überrascht sein, wie viele dieser Berechnungen für den Trend verantwortlich sind. Da die Prognosefunktion es erfordert, eine abhängige Variable und eine Prädiktorvariable einzugeben, wie gehen wir über die Verwendung der Prognosefunktion aus, wenn wir nur einen Datensatz haben Nun, während es technisch wahr ist, dass wir einen einzigen Datensatz haben (unsere Haben wir tatsächlich eine Beziehung, die innerhalb dieses Datensatzes vor sich geht. In diesem Fall ist unsere Beziehung zeitlich begrenzt. Daher können wir jede Periodenanforderung als Prädiktorvariable für die folgenden Periodennachfragen verwenden. So müssen wir nur sagen, die Prognose-Funktion, um die Nachfrage in den Perioden 1 bis 5 als die vorhandenen Daten für die Prädiktor-Variable verwenden und verwenden Sie Nachfrage in den Perioden 2 bis 6 als die vorhandenen Daten für die abhängige Variable. Dann sagen Sie es, diese Beziehung auf die Nachfrage in Periode 6 anzuwenden, um unsere Prognose für Periode 7 zu berechnen. Sie können in Abbildung 3B sehen, unsere Formel in Zelle I3 ist FORECAST (H2, C2: H2, B2: G2). Und es gibt eine Prognose von 60 Einheiten zurück. Offensichtlich ist dieses Beispiel nicht realistisch, da die Nachfrage viel zu nett ist (kein Rauschen). So sehen wir in Abbildung 3C, wo wir diese gleiche Berechnung auf einige realistische Daten. Ich möchte nur zu wiederholen, dass, während die Forecast-Funktion nützlich ist, ist es nicht ein Prognosesystem. Ich normalerweise lieber ein wenig mehr Kontrolle über genau, wie ich anwenden und erweitern Tendenzen zu meiner Prognose. Darüber hinaus möchten Sie zunächst entfernen Sie alle anderen Elemente Ihrer Nachfrage, die nicht im Zusammenhang mit Ihren Grundbedarf und Trend. Beispielsweise möchten Sie alle Effekte von Saisonalität oder Ereignissen (z. B. Promotions) aus Ihrem Bedarf entfernen, bevor Sie die Forecast-Funktion anwenden. Sie würden dann Ihre Saisonalität Index und alle Event-Indizes auf die Ausgabe der Forecast-Funktion anwenden. Sie können auch mit Ihren Eingaben spielen, um ein bestimmtes gewünschtes Ergebnis zu erhalten. Beispielsweise möchten Sie vielleicht zuerst versuchen, Ihre Bedarfs-Historie (durch einen gleitenden Durchschnitt, einen gewichteten gleitenden Durchschnitt oder eine exponentielle Glättung) zu glätten, und das ist die Vorhersagevariable anstelle der rohen Nachfrage. Weitere Informationen zu Forecasting finden Sie in meinem Buch Inventory Management Explained. Verwenden der Forecast-Funktion in Open Office Calc. Für Benutzer von Openoffice. org Calc. Funktioniert die Forecast-Funktion genauso wie in Excel. Allerdings gibt es einen leichten Unterschied in der Syntax in Calc verwendet. Wo immer Sie ein Komma in einem Argument in einer Excel-Funktion verwenden würden, verwenden Sie stattdessen ein Semikolon in Calc. Also, anstelle der Excel-Formel würden Sie eingeben Zum Artikel-Seite für weitere Artikel von Dave Piasecki. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Dave Piasecki. Ist Eigentümer von Inventory Operations Consulting LLC. Ein Beratungsunternehmen, das Dienstleistungen im Zusammenhang mit Bestandsführung, Materialhandling und Lagerbetrieb anbietet. Er hat über 25 Jahre Erfahrung in der Betriebsführung und kann über seine Website (inventoryops) erreicht werden, wo er zusätzliche relevante Informationen unterhält. Mein Unternehmen Inventory Operations Consulting LLC bietet schnelle, erschwingliche, kompetente Unterstützung mit Bestandsführung und Lagerbetrieb. Meine Bücher
No comments:
Post a Comment