A Företags Vill Till Prognos Demand Hjälp The Viktade Glidande Medelvärde

Tidsseriemetoder Tidsseriemetoder är statistiska tekniker som utnyttjar historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namnetidsserierna föreslår, beräknar dessa metoder prognosen till endast en faktor - tid. De innefattar bland annat glidande medelvärde, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för prognoser för kortdistans mellan service - och tillverkningsföretag. Dessa metoder antar att identifierbara historiska mönster eller trender för efterfrågan över tiden kommer att upprepa sig. Flyttande medelvärde En prognos för tidsserier kan vara så enkel som att använda efterfrågan under den aktuella perioden för att förutsäga efterfrågan under nästa period. Detta kallas ibland en naiv eller intuitiv prognos. 4 Till exempel, om efterfrågan är 100 enheter i veckan, är prognosen för nästa veckors efterfrågan 100 enheter om efterfrågan visar sig vara 90 enheter i stället, då efterfrågan på följande veckor är 90 enheter, och så vidare. Denna typ av prognostiseringsmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Den enkla glidande metoden använder flera efterfrågningsvärden under det senaste förflutet för att utveckla en prognos. Detta tenderar att dämpa eller släta ut de slumpmässiga ökningarna och minskningarna av en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och visar inte något uttalat efterfrågan beteende, såsom en trend eller ett säsongsmönster. Flyttande medelvärden beräknas för specifika perioder, till exempel tre månader eller fem månader, beroende på hur mycket prognosen önskar släta efterfrågningsdata. Ju längre den rörliga genomsnittliga perioden, desto smidigare blir det. Formeln för att beräkna det enkla glidande medlet är Computing a Simple Moving Average. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor och byråer inom en 50-mils radie av sitt lager. Kontorsleveransverksamheten är konkurrenskraftig, och förmågan att leverera order snabbt är en faktor för att få nya kunder och hålla gamla. (Kontor beställer vanligtvis inte när de är låga på leveranser, men när de slutar helt. Därför behöver de sina beställningar omedelbart.) Företagets chef vill vara säker nog förare och fordon är tillgängliga för att snabbt kunna leverera order och De har tillräcklig inventering i lager. Därför vill chefen kunna förutse antalet order som kommer att inträffa under nästa månad (dvs. att förutse efterfrågan på leveranser). Från register över leveransorder har ledningen ackumulerat följande data under de senaste 10 månaderna, från vilken man vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober. Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt för nästa månad i sekvensen, vilket i det här fallet är november. Det rörliga genomsnittet beräknas från efterfrågan på order under de tre föregående 3 månaderna i sekvensen enligt följande formel: 5-månaders glidande medelvärde beräknas från de föregående 5 månaderna av efterfrågningsdata enligt följande: 3- och 5-månaders Flyttande genomsnittliga prognoser för alla månader av efterfrågadata visas i följande tabell. Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen. De tidigare prognoserna för tidigare månader tillåter oss dock att jämföra prognosen med den faktiska efterfrågan för att se hur exakt prognosmetoden är - det vill säga hur bra det gör. Tre - och femmånadersgenomsnitt Båda glidande genomsnittliga prognoser i tabellen ovan tenderar att släta ut variabiliteten i de faktiska data. Denna utjämningseffekt kan observeras i följande figur där 3-månaders - och 5-månadersgenomsnittet har överlagts på en graf av de ursprungliga data: 5-månaders glidande medelvärde i föregående figur släpper ut fluktuationer i större utsträckning än 3 månaders glidande medelvärde. Det 3-månadersgenomsnittet återspeglar dock de senaste uppgifterna som finns tillgängliga för kontorsleverantören. I allmänhet är prognoser som använder det längre glidande genomsnittet långsammare att reagera på de senaste förändringarna i efterfrågan än de som gjordes med hjälp av kortare glidande medelvärden. De extra dataperioderna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i en glidande medelprognos kräver ofta en viss mängd försök och felprov. Nackdelen med den glidande genomsnittliga metoden är att den inte reagerar på variationer som uppstår av en orsak, såsom cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras generellt. Det är i princip en mekanisk metod som speglar historiska data på ett konsekvent sätt. Emellertid har den glidande genomsnittsmetoden fördelen att det är lätt att använda, snabbt och relativt billigt. I allmänhet kan denna metod ge en bra prognos på kort sikt, men det bör inte skjutas för långt in i framtiden. Viktat rörligt medelvärde Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande genomsnittsmetoden tilldelas vikter till de senaste data enligt följande formel: Efterfrågadata för PM Computer Services (visad i tabellen för Exempel 10.3) verkar följa en ökande linjär trend. Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiell utjämning och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10.3 och 10.4. De värden som krävs för minsta kvadratberäkningarna är följande: Med dessa värden beräknas parametrarna för linjär trendlinje enligt följande: Därför är linjär trendlinjekvation Att beräkna en prognos för period 13, låt x 13 i linjär Trendlinje: Nedanstående diagram visar linjär trendlinje jämfört med aktuella data. Trendslinjen verkar tydligt reflektera de faktiska dataen - det vill säga vara en bra passform - och skulle därmed vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är emellertid att den inte kommer att anpassas till en förändring i trenden, eftersom exponentiella utjämningsprognosmetoder kommer att det antas att alla framtida prognoser kommer att följa en rak linje. Detta begränsar användningen av denna metod till en kortare tidsram där du kan vara relativt säker på att trenden inte kommer att förändras. Säsongsjusteringar Ett säsongsmönster är en repetitiv ökning och minskning av efterfrågan. Många efterfrågan förekommer med säsongsbeteende. Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern och sjunker under våren och sommaren då efterfrågan på svalare kläder ökar. Efterfrågan på många detaljhandeln, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinka, kalkoner, vin och frukt, ökar under semesterperioden. Efterfrågan på hälsokort ökar i samband med speciella dagar som Alla hjärtans dag och mors dag. Säsongsmönster kan också ske varje månad, veckovis eller till och med dagligen. Vissa restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar. Trafik - därmed försäljning - på köpcentra hämtar på fredag ​​och lördag. Det finns flera metoder för att reflektera säsongsmönster i en prognos för tidsserier. Vi beskriver en av de enklare metoderna med en säsongsfaktor. En säsongsfaktor är ett numeriskt värde som multipliceras med den normala prognosen för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsmässiga faktorer är att dela efterfrågan på varje säsongsperiod efter total årlig efterfrågan enligt följande formel: De resulterande säsongsfaktorerna mellan 0 och 1,0 är i själva verket den del av den totala årliga efterfrågan som tilldelas Varje säsong. Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge anpassade prognoser för varje säsong. Beräkna ett prognos med säsongsjusteringar Wishbone Farms växer kalkoner för att sälja till ett köttbearbetningsbolag under hela året. Men högsäsong är uppenbarligen under fjärde kvartalet, från oktober till december. Wishbone Farms har upplevt efterfrågan på kalkoner under de senaste tre åren som visas i följande tabell: Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år : Sedan vill vi multiplicera den prognostiserade efterfrågan på nästa år, 2000, genom varje säsongsfaktor för att få den prognostiserade efterfrågan för varje kvartal. För att uppnå detta behöver vi en efterfråganprognos för 2000. I det här fallet, eftersom efterfrågadata i tabellen tycks uppvisa en generellt ökande trend, beräknar vi en linjär trendlinje för de tre års data i tabellen för att få en grov Prognosestimat: Prognosen för 2000 är således 58,17 eller 58,170 kalkoner. Med hjälp av denna årliga prognosen för efterfrågan jämförs de säsongrensade prognoserna, SF i, för år 2000 med jämförelse av dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognosberäkningar som återspeglar både säsongsvariationerna i data och Den allmänna uppåtgående trenden. 10-12. Hur är den glidande medelmetoden som liknar exponentiell utjämning 10-13. Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har 10-14. Hur skiljer sig justerad exponentiell utjämning från exponentiell utjämning 10-15. Vad bestämmer valet av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell 10-16. I kapitelexemplen för tidsseriemetoder antogs startprognosen alltid vara densamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan härledas vid faktisk användning. 10-17. Hur skiljer den linjära trendlinjeprognosmodellen från en linjär regressionsmodell för prognoser 10-18. Av de tidsseriemodeller som presenteras i det här kapitlet, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Varför 10-19. Vilka fördelar har justerad exponentiell utjämning över en linjär trendlinje för prognostiserad efterfrågan som uppvisar en trend 4 K. B. Kahn och J. T. Mentzer, prognoser inom konsument - och industrimarknaderna, Journal of Business Forecast 14, nr. 2 (sommaren 1995): 21-28.Kapitel 11 - Efterfrågan Management amp Prognoser 1. Perfekt prognos är praktiskt taget omöjligt 2. I stället för att söka efter den perfekta prognosen är det mycket viktigare att fastställa praxis med kontinuerlig översyn av prognos och till Lära sig att leva med felaktig prognos 3. Vid prognoser är en bra strategi att använda 2 eller 3 metoder och titta på dem för kommonsens syn. 2. Grundkällor för efterfrågan 1. Beroende efterfrågan - Efterfrågan på produkter eller tjänster som orsakas av efterfrågan på andra produkter eller tjänster. Inte mycket företaget kan göra, det måste uppfyllas. 2. Oberoende efterfrågan - efterfrågan som inte direkt kan härledas från efterfrågan på andra produkter. Fast kan: a) Ta en aktiv roll för att påverka efterfrågan - tillämpa påtryckningar på din försäljningskraft b) Ta en passiv roll för att påverka efterfrågan - om ett företag kör på full kapacitet, kanske det inte vill göra något för efterfrågan. Andra skäl är konkurrenskraftiga, juridiska, miljömässiga, etiska och moraliska. Försök att förutse framtiden utifrån en tidigare data. 1. Kort sikt - Under 3 månader - Taktiska beslut som att fylla i inventarier eller planera EEs inom kort. 2. Medellång sikt - 3 M-2Y - Fånga säsongseffekter som kunder svarar på en ny produkt 3. Lång sikt - mer än 2 år. Att identifiera stora vändpunkter och upptäcka allmänna trender. Linjär regression är en speciell typ av regression där relationerna mellan variabel bildar en rak linje Y abX. Y - beroende variabel a - Y avlyssning b - sluttning X - oberoende variabel Det används för långsiktig prognos av större händelser och aggregerad planering. Den används för både prognoser för tidsserier och prognoser för tillfälliga förhållanden. Är den mest använda prognostekniken. De senaste händelserna är mer vägledande för framtiden (högst förutsägbart värde) än de i det avlägsna förflutna. Vi bör ge mer vikt åt malmens senaste tidsperioder när vi prognoserar. Varje inkrement i det förflutna minskar med (1 alfa). Ju högre alfa, desto närmare följer prognosen. Senaste viktning alfa (1-alfa) na 0 Data en tidsperiod äldre alfa (1-alfa) na 1 Data två tidsperiod äldre alfa (1-alfa) na 2 Vilken av följande prognosmetoder är mycket beroende av val av Rätt personer som diktigt kommer att användas för att faktiskt generera prognosvärdet måste vara mellan 0 och 1 1. 2 eller flera förutbestämda värden för Alpha - beroende på graden av fel används olika värden för Alpha. Om felet är stort, är Alpha 0,8, om felet är litet, Alpha är 0,2. 2. Beräknade värden för Alpha - exponentiellt jämnade faktiska fel dividerat med det exponentiellt kvävda absoluta felet. Kvalitativa tekniker i prognoser Kunskap om experter och kräver stor bedömning (nya produkter eller regioner) 1. Marknadsundersökning - letar efter nya produkter och idéer, gillar och ogillar om befintliga produkter. Primärt tittar på förstärkare 2. Panel Consensus - tanken att 2 huvuden är bättre än en. Panel av personer från olika positioner kan utveckla en mer tillförlitlig prognos än en smalare grupp. Problemet är att lägre EE-nivåer hotas av högre nivåer av förvaltning. Verkställande dom används (högre ledningsnivå är inblandad). 3. Historisk Analogi - ett företag som redan tillverkar brödrostar och vill producera kaffekrukor skulle kunna använda brödrosthistoriken som en sannolik tillväxtmodell. 4. Delphi Metod - mycket beroende av urval av rätt personer som diktigt kommer att användas för att faktiskt generera prognosen. Alla har samma vikt (mer rättvis). Tillfredsställande resultat uppnås vanligtvis i 3 rundor. MÅL - Samarbetsplanering, prognos och komplettering (CPFR) Att utbyta utvald intern information på en gemensam webbserver för att tillhandahålla tillförlitliga och långsiktiga framtida synpunkter på efterfrågan i försörjningskedjan. P 498 ett företag vill förutse efterfrågan med hjälp av (S. 498) Ett företag vill förutse efterfrågan med hjälp av det enkla glidande medlet. Om företaget använder tre tidigare årliga försäljningsvärden (dvs. år 2009 130, år 2010 110 och år 2011 160), vilket av följande är det enkla glidande genomsnittliga prognosen för år 2012 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Använda ekvation 15.5 (sidan 498) Prognos för 2012 (130 110 160) 3 4004 133,3 AACSB: Analytisk Blomsters Taxonomi: Analysera Svårighetsgrad: Medel Jacobs - Kapitel 15 66 Lärandemål: 15-05 Visa hur man gör en prognos för tidsserier Med hjälp av regressionsglidande medelvärden och exponentiell utjämning Ämnesområde: Tidsserieanalys 67. (s. 500) Ett företag vill förutse efterfrågan med hjälp av det vägda glidande medlet. Om företaget använder två tidigare årliga försäljningsvärden (dvs. år 2011 110 och år 2012 130), och vi vill vikt år 2011 10 och 2012 2012 till 90, vilket av följande är den vägda glidande genomsnittliga prognosen för år 2013 A. 120 B. 128 C. 133 D. 138 E. 142 Använda ekvation 15.6 (sidan 500) Prognos för 2013 (110x0.1) (130x0.9) 11 117 128 AACSB: Analytiska blomningar Taxonomi: Analysera Svårighetsgrad: Medel Jacobs - Kapitel 15 67 Lärandemål: 15-05 Visa hur man gör en prognos för tidsserier med hjälp av regressionsrörelser och exponentiell utjämning. Topic Area: Time Series Analysis Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se hela versionen. 68. (s. 500) Ett företag vill förutse efterfrågan med hjälp av det vägda glidande medeltalet. Om företaget använder tre tidigare årliga försäljningsvärden (dvs. år 2010 160, år 2011 140 och år 2012 170), och vi vill väga år 2010 30, år 2011 på 30 och 2012 på 40, vilket av följande är Vägd glidande genomsnittlig prognos för år 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Använda ekvation 15.6 (sidan 500) Prognos för 2013 (160x0,3) (140x0,3) (170x0,4) 158 AACSB: Analytisk Blooms Taxonomy: Analysera Svårighetsgrad: Medium Jacobs - Kapitel 15 68 Lärandemål: 15-05 Visa hur man gör en prognos för tidsserier med hjälp av regressionsrörelser och exponentiell utjämning Ämnesområde: Tidsserieanalys 69. (s. 501) Vilka två av Följande är bland de främsta orsakerna till att exponentiell utjämning har blivit väl accepterad som en prognosteknik A. Noggrannhet B. Sofistikering av analys C. Predikerar vändpunkter D. Enkel användning E. Förmåga att prognostisera låga datatrender Exponentiella utjämningstekniker har blivit bra Accepterad av sex huvudorsaker: 1. Exponentiell mod Els är överraskande noggranna. 2. Formulering av en exponentiell modell är relativt lätt. 3. Användaren kan förstå hur modellen fungerar. 4. Liten beräkning krävs för att använda modellen. 5. Krav på datalagring är små på grund av begränsad användning av historiska data. 6. Test för noggrannhet om hur väl modellen utför är lätt att beräkna. AACSB: Analytisk Detta är slutet på förhandsvisningen. Registrera dig för att få tillgång till resten av dokumentet. Denna anteckning laddades upp på 11092012 för kursen MBAA 500 undervisad av professor Multiple under våren 03912 sikt på Embry-Riddle FLAZ. TERM Vår 03912 PROFESSOR flera Klicka för att redigera dokumentdetalj10 Ett företag vill prognostisera efterfrågan med 10. Ett företag vill förutse efterfrågan med hjälp av det enkla rörliga genomsnittet. Om företaget använder fyra tidigare årliga försäljningsvärden (dvs. år 2010 100, år 2011 120, år 2012 140 och år 2013 210), vilket av följande är det enkla glidande genomsnittliga prognosen för år 2014 A. 100,5 B. 140,0 C. 142,5 D. 145,5 E. 155,0. C Prognos för 2014 (100 120 140 210) 4 5704 142.5. 11. Ett företag vill förutse efterfrågan med hjälp av det enkla rörliga genomsnittet. Om företaget använder tre tidigare årliga försäljningsvärden (dvs. år 2011 130, år 2012 110 och år 2013 160), vilket av följande är det enkla glidande genomsnittliga prognosen för år 2014 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3. C Prognos för 2014 (130 110 160) 3 4004 133,3. 12. Ett företag vill prognostisera efterfrågan med hjälp av det vägda glidande genomsnittet. Om företaget använder tre tidigare årliga försäljningsvärden (dvs. år 2011 160, år 2012 140 och år 2013 170), och vi vill vikta år 2011 till 30 procent, år 2012 till 30 procent och år 2013 på 40 procent vilket Av följande är den vägda rörliga genomsnittliga prognosen för år 2014 A. 170 B. 168 C. 158 D. 152 E. 146. C Prognos för 2014 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158. 13 . Ett företag vill förutse efterfrågan med hjälp av det vägda glidande medeltalet. Om företaget använder två tidigare årliga försäljningsvärden (dvs. år 2012 110 och år 2013 130), och vi vill viktiga år 2012 till 10 procent och år 2013 på 90 procent, vilket av följande är den vägda glidande genomsnittliga prognosen för år 2014 A. 120 B. 128 C. 133 D. 138 E. 142. B Prognos för 2014 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158. 14. Ett företag vill skapa en prognos för enhetens efterfrågan på År 2014 med exponentiell utjämning. Den faktiska efterfrågan under år 2013 var 120. Prognosbehovet år 2013 var 110. Med hjälp av dessa data och en utjämningskonstant alfa av 0,1, vilket av följande är det resulterande året 2014 prognosvärde A. 100 B. 110 C. 111 D . 114 E. 120. C 15. Kontinuerlig granskning och uppdatering mot bakgrund av nya data är en prognosteknik som kallas andra gissningar. T Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se hela versionen. 16. Cykliska influenser på efterfrågan uttrycks ofta grafiskt som en linjär funktion som antingen är uppåt eller nedåt sluttande. F 17. Cykliska influenser på efterfrågan kan komma från händelser som politiska val, krig eller ekonomiska förhållanden. T 18. Nedbrytning av en tidsserie betyder att man identifierar och separerar tidsseriedata i sina komponenter. T 19. I ekvationen för exponentiell utjämning anges att den nya prognosen är lika med den gamla prognosen plus felet i den gamla prognosen. F 20. Erfarenhet och försök och fel är de enklaste sätten att välja vikter för den vägda rörliga genomsnittsprognosmodellen. T 21. Exponentiella utjämningsprognoser ligger alltid bakom det faktiska förekomsten men kan korrigeras något med en trendjustering. T 22. Exponentiell utjämning är alltid den bästa och mest exakta av alla prognosmodeller. F 23. Den exponentiella utjämningsmetoden kräver vilken av följande data som ska förutse framtiden. A 24. För varje prognosproblem finns det en bästa prognosteknik. F 25. Detta är slutet på förhandsvisningen. Registrera dig för att få tillgång till resten av dokumentet. Detta testprep laddades upp på 05222016 för kursen OPER 3400 undervisad av professor A. cemsaydam under våren 03914-termen vid UNC Charlotte. TERM Vår 03914 PROFESSOR A. CemSaydam Klicka för att redigera dokumentets detaljer