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 gequatscht Sie an Ihre Freunde und Eltern tun können, sie und Ihre Lehrer sind sehr wahrscheinlich, dass Sie bekommen etwas in den Bereich der 85 Sie ist jetzt noch zu erwarten. 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 versuchen, die Eltern stärker unterstützen und sagen, quotWell zu sein, so weit youve ein 85 und ein 73, bekommen so vielleicht sollten Sie heraus auf immer über eine (85 73) / 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger haben Party und waren nicht das Wiesel überall wedeln und wenn man viel mehr tun, begann zu studieren Sie könnte eine höhere score. quot Beide Schätzungen tatsächlich gleitenden Durchschnitt Prognosen erhalten. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Performance zu 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 letzte Prüfung des Semesters kommen und wie immer Sie das Gefühl der Notwendigkeit, alle stacheln in ihre Prognosen über zu machen, wie youll auf dem letzten Test zu 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 predictionsquot Bilder dienen der Veranschaulichung und für die spätere Verwendung in Prognose Validierung. 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 einen m-Zeitraum durchschnittliche Prognose bewegen, wenn quotpast predictionsquot machen, feststellen, dass die erste Vorhersage in Periode m 1. Beide Probleme auftritt, wird sehr bedeutend sein, wenn wir unseren Code zu 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 Eingänge für die Anzahl der Perioden sind Sie in der Prognose und dem Array von historischen Werten 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 thesaurierend die entsprechende Anzahl von jüngsten zuvor beobachteten Werte Accumulation Accumulation Historisch (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation / NumberOfPeriods der Code wird in der Klasse erklärt. Sie möchten die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung angezeigt, in dem sie die following.9 Forecasting Einführung in das Operations und Supply Chain Management möchte sollte, Third Edition Cecil C. Bozarth, Robert B. Handfield Verlag: PH Professional Business ISBN-13: 978-0-13-274732-5 ISBN-10: 0-13-274732-4 Veröffentlicht am: 12/30/2011 Urheberrecht Kopie 2013 () Entwicklung einer zwei-Perioden-gewichteten gleitenden Durchschnitt Vorder Besetzung für März 2012 bis 2013 berechnen Januar die MFE, MAD und MAPE Werte für April bis Dezember 2012 () Entwicklung eines drei-Zeitraum Januar durchschnittliche Prognose für April 2012 bis zum Jahr 2013 290 TEIL IV Planung und Controlling Operations und Supply Chains für Probleme bewegen 4 bis 6, verwenden Sie die folgende Zeitreihendaten: MONAT DEMANDJanuary 2012 119February 72March 113April 82May 82June 131July 111August 116September 89October 95November 90 88December 4. 5. 6 und 0. verwenden Sie Gewichte von 0. Angenommen, Ihre Prognose für Januar 2012 war 100. berechnen Sie die MFE, MAD und MAPE Werte für März bis Dezember. 4, wobei die jüngste Beobachtung höher gewichtet wurde. 6. () Entwickeln Sie eine exponentielle Glättung Prognose (a 0. Berechnen Sie die MFE, MAD und MAPE Werte für Februar bis Dezember 2013 3) für Februar 2012 bis Januar 2013 () Entwicklung einer letzten Periode Prognose für Perioden 2 bis 11. Berechnen Sie die MFE, MAD und MAPE Werte für Perioden 2 bis 10. Bei Problemen 7 bis 9, verwenden Sie die folgende Zeitreihendaten: PERIODE DEMAND 1 221 2 247 3 228 4 233 5 240 6 152 7 163 8 155 9 167 10 158 7. Ist dies ein gutes Modell Warum 8. () Entwickeln Sie eine dreifach gewichtete gleitende durchschnittliche Prognose für die Zeiträume 4 bis 11. 4, 0. Verwenden Sie Gewichte von 0. () Entwickeln Sie zwei exponentielle Glättungsprognosen für die Perioden 2 bis 11 3, wobei die jüngste Beobachtung die höchste ist. Wie vergleichen Sie Ihre Ergebnisse mit denen für Problem 7 9. Verwenden Sie für die erste Prognose eine 0. 2. 35 und 0. Berechnen Sie die MFE-, MAD - und MAPE-Werte für die Perioden 4 bis 10. () Vorbereiten Sie Prognosen für Juni bis September, indem ein exponentielles Glättungsmodell mit einer 0 verwendet wird. () Bereiten Sie Prognosen für Juni bis September vor, indem Sie ein dreistufiges gleitendes Durchschnittsmodell verwenden. 7. Für die zweite, verwenden Sie eine 0. Nehmen wir an, dass Ihre Prognose für Periode 1 250 war. Plotten Sie die Ergebnisse. B. Welches Modell scheint besser zu funktionieren Warum 10. 5. Nehmen Sie an, dass die Prognose für Mai 2000 war. Die Idee hat sich eingefangen, wie die folgenden Verkaufszahlen zeigen: MONTH DEMANDMarch 220April 2,240Mai 1.790Juni 4.270Juli 3.530August 4.990a. C. Nach dem Hochschulabschluss beginnen Sie und Ihre Freunde, Vogelhäuser aus recyceltem Kunststoff zu verkaufen. () Vorbereiten Prognosen für Juni bis September durch eine angepasste Modell der exponentiellen Glättung mit einer 0 mit fragte er hat Sie ihm zu sagen, welche Prognosemodell ldquobestrdquo ist und warum. 11. () Ihr Manager hat mit den folgenden Daten zu Ihnen kommen, den tatsächlichen Bedarf für fünf Perioden und Prognoseergebnisse für zwei verschiedene Modelle zeigen. 3. 5 und b 0. Mit MFE, MAD und MAPE, sagen Sie ihm, welches Modell am besten und warum. Angenommen, dass die unbereinigten Prognose (Ft) für den Monat Mai war 2000 und der Trendfaktor 1Tt2 für Mai war 700. () die folgenden Prognoseergebnisse. ZEIT IST DEMANDFORECAST MODEL 1FORECAST MODEL 2 8 248 364 486 9 357 280 341 10 423 349 295 11 286 416 364 12 444 354 380 12 berechnen MFE, MAD und MAPE, die Daten für die Monate Januar bis Juni mit. Eine Ihrer Aufgaben ist es, prognostiziert monatlichen Nachfrage für Golfbälle. Ist das Prognosemodell Unter - oder overforecastMONTH tatsächliche Nachfrage FORECASTJanuary 1.040 1,055February 990 1,052March 980 900April 1.060 1,025May 1.080 1,100June 1000 1050 13. Nach dem Studium Sie eine Position im Top-Scheibe nehmen, ein bekannter Hersteller von Golfbällen. Mit dem Folge ing Daten eines Regressionsmodells entwickelt, die für den Monat monatlichen Umsatz als Funktion der durchschnittlichen Temperatur zum Ausdruck bringt: Mittlere absolute Abweichung (MAD), mittlere absolute Fehler (MAE) Sowohl die mittlere absolute Abweichung (MAD) und die mittlere Absoluter Fehler (MAE) beziehen sich auf die gleiche Methode zum Messen des Prognosefehlers. MAD ist am nützlichsten, wenn er mit Einnahmen, APS, COGS oder einem anderen unabhängigen Wertmaß verbunden ist. MAD kann zeigen, welche hohen Prognosen höhere Fehlerraten verursachen. MAD nimmt den Absolutwert von Prognosefehlern an und überträgt sie über die Gesamtheit der Prognosezeiträume. Wenn man einen absoluten Wert einer Zahl annimmt, wird davon abgesehen, ob die Zahl negativ oder positiv ist und vermeidet in diesem Fall, dass Positive und Negative sich gegenseitig aufheben. MAD wird unter Verwendung der folgenden Formel erhalten: Die Vanguard Difference Vanguard Business-Prognose-Anwendungen berechnen MAD und können sie mit Umsatz, APS, COGS und mehr 8212 automatisch verknüpfen. Sie können dann problematische Prognosen nach ihrem Wert für Ihr Unternehmen überprüfen.
No comments:
Post a Comment