الانتقال من المتوسط - طريقة لتوقعات البيع ،

متحرك متوسط ​​التنبؤ التنبؤ. كما قد تخمن أننا نبحث في بعض من أكثر الأساليب بدائية للتنبؤ. ولكن نأمل أن تكون هذه مقدمة مفيدة على الأقل لبعض قضايا الحوسبة المتعلقة بتنفيذ التنبؤات في جداول البيانات. في هذا السياق سوف نستمر من خلال البدء في البداية والبدء في العمل مع توقعات المتوسط ​​المتحرك. نقل متوسط ​​التوقعات. الجميع على دراية بتحرك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم. جميع طلاب الجامعات القيام بها في كل وقت. فكر في درجاتك االختبارية في الدورة التي ستحصل فيها على أربعة اختبارات خالل الفصل الدراسي. لنفترض أنك حصلت على 85 في الاختبار الأول. ما الذي يمكن أن تتنبأ به لنتيجة الاختبار الثانية ما رأيك بأن معلمك سوف يتنبأ بنتيجة الاختبار التالية ما رأيك في أن أصدقائك قد يتنبأون بنتيجة الاختبار التالية ما رأيك في توقع والديك لنتيجة الاختبار التالية بغض النظر عن كل بلابينغ كنت قد تفعل لأصدقائك وأولياء الأمور، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت للتو. حسنا، الآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73. الآن ما هي جميع المعنيين وغير مدرك الذهاب إلى توقع أن تحصل على الاختبار الثالث هناك اثنين من المرجح جدا النهج بالنسبة لهم لوضع تقدير بغض النظر عما إذا كانوا سوف تقاسمها معك. قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه. هيس الذهاب للحصول على آخر 73 إذا هيس محظوظا. ربما كان الوالدان يحاولان أن يكونا أكثر داعما ويقولان: كوتيل، حتى الآن حصلت على 85 و 73، لذلك ربما يجب أن تحصل على حوالي (85 73) 2 79. أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرنت يهتز في كل مكان في العالم، وإذا كنت بدأت تفعل الكثير من الدراسة يمكن أن تحصل على أعلى score. quot كل من هذه التقديرات تتحرك في الواقع متوسط ​​التوقعات. الأول يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي. وهذا ما يطلق عليه توقعات المتوسط ​​المتحرك باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. دعونا نفترض أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل بشكل جيد على الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام كوتاليسكوت الخاص بك. كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. حتى الآن لديك الاختبار النهائي للفصل الدراسي القادمة وكالمعتاد كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف ستفعل على الاختبار الأخير. حسنا، نأمل أن ترى هذا النمط. الآن، ونأمل أن تتمكن من رؤية هذا النمط. ما الذي تعتقده هو صافرة الأكثر دقة بينما نعمل. الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نعمل. لديك بعض بيانات المبيعات السابقة التي يمثلها القسم التالي من جدول بيانات. نعرض البيانات لأول مرة لتوقعات المتوسط ​​المتحرك لمدة ثلاث سنوات. يجب أن يكون إدخال الخلية C6 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C7 إلى C11. لاحظ كيف يتحرك المتوسط ​​على أحدث البيانات التاريخية ولكنه يستخدم بالضبط ثلاث فترات أحدث متاحة لكل تنبؤ. يجب أن تلاحظ أيضا أننا لسنا بحاجة حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا. وهذا يختلف بالتأكيد عن نموذج التجانس الأسي. وشملت إيف التنبؤات كوتاباستكوت لأننا سوف استخدامها في صفحة الويب التالية لقياس صحة التنبؤ. الآن أريد أن أعرض النتائج المماثلة لمتوسطين توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C5 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C6 إلى C11. لاحظ كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ. مرة أخرى لقد قمت بتضمين التنبؤات اقتباسا لأغراض التوضيح واستخدامها لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. وبالنسبة للمتوسط ​​المتحرك للمتوسط ​​m، لا يتوقع إلا أن تستخدم معظم قيم البيانات الأخيرة في التنبؤ. لا شيء آخر ضروري. وبالنسبة للتنبؤ المتوسط ​​المتحرك للمتوسط ​​m، عند التنبؤ بالتنبؤات، لاحظ أن التنبؤ الأول يحدث في الفترة m 1. وستكون هاتان المسألتان مهمتين جدا عند تطوير الشفرة. تطوير المتوسط ​​المتحرك المتحرك. الآن نحن بحاجة إلى تطوير رمز لتوقعات المتوسط ​​المتحرك التي يمكن استخدامها أكثر مرونة. تتبع التعليمات البرمجية. لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية. يمكنك تخزينه في أي المصنف الذي تريده. وظيفة موفينغافيراج (تاريخي، نومبروفريودس) كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادي ديم تاريخي الحجم كما عدد صحيح تهيئة المتغيرات عداد 1 تراكم 0 تحديد حجم الصفيف التاريخي تاريخ سيز التاريخية. الكونت كونتر 1 إلى نومبروفريودس تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا تراكم تراكم تاريخي (تاريخي - عدد نومبريوفريودس عداد) موفينغافيراج تراكوم نومبروفريودس سيتم شرح التعليمات البرمجية في الصف. تريد وضع الوظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ترغب في اتباع التالي. أبسط النهج هو أن تأخذ متوسط ​​يناير حتى مارس واستخدام ذلك لتقدير المبيعات أبريل 8217s: (129 134 122) 3 128.333 وبالتالي، استنادا إلى المبيعات من يناير حتى مارس، تتوقع أن المبيعات في أبريل سيكون 128،333. مرة واحدة أبريل 8217s المبيعات الفعلية تأتي في، وكنت ثم حساب توقعات لشهر مايو، وهذه المرة باستخدام فبراير حتى أبريل. يجب أن تكون متسقة مع عدد الفترات التي تستخدمها لنقل متوسط ​​التنبؤ. عدد الفترات التي تستخدمها في توقعات المتوسط ​​المتحرك الخاص بك تعسفي قد تستخدم فقط فترتين، أو خمس أو ست فترات ما تريده لتوليد توقعاتك. النهج أعلاه هو متوسط ​​متحرك بسيط. في بعض الأحيان، قد تكون الأشهر الأخيرة 8217 المبيعات المؤثرين أقوى من المبيعات شهر 8217s القادمة، لذلك كنت تريد أن تعطي تلك الأشهر أقرب إلى مزيد من الوزن في نموذج التوقعات الخاصة بك. هذا هو المتوسط ​​المتحرك المرجح. ومثل عدد الفترات، فإن الأوزان التي تعينها تعسفية بحتة. Let8217s يقول كنت تريد أن تعطي المبيعات مارس 8217s 50 الوزن، فبراير 8217s 30 الوزن، و يناير 8217s 20. ثم توقعاتك لشهر أبريل سيكون 127،000 (122.50) (134.30) (129.20) 127. حدود متوسطات الحركة المتحركة تعتبر المتوسطات المتحركة 8220 سمعة 8221 تقنية التنبؤ. لأنك 8217re أخذ المتوسط ​​مع مرور الوقت، كنت تليين (أو تمهيد) آثار حدوثات غير منتظمة داخل البيانات. ونتيجة لذلك، فإن آثار الموسمية، ودورات الأعمال، وغيرها من الأحداث العشوائية يمكن أن تزيد بشكل كبير من الخطأ التنبؤ. ألق نظرة على قيمة بيانات 8217 ثانية كاملة، وقارن متوسط ​​متحرك لمدة 3 أيام ومتوسط ​​متحرك لخمسة فترات: لاحظ أنه في هذه الحالة لم أتمكن من إنشاء توقعات، بل ركزت على المتوسطات المتحركة. المتوسط ​​المتحرك الأول لمدة 3 أشهر هو لشهر فبراير، و 8217 ثانية متوسط ​​يناير وفبراير ومارس. كما فعلت مماثلة لمتوسط ​​5 أشهر. الآن نلقي نظرة على الرسم البياني التالي: ماذا ترى ليس سلسلة المتوسط ​​المتحرك لمدة ثلاثة أشهر أكثر سلاسة بكثير من سلسلة المبيعات الفعلية وكيف حول المتوسط ​​المتحرك لمدة خمسة أشهر IT8217s حتى أكثر سلاسة. وبالتالي، والمزيد من الفترات التي تستخدمها في المتوسط ​​المتحرك الخاص بك، وسلاسة سلسلة الوقت الخاص بك. وبالتالي، للتنبؤ، قد لا يكون المتوسط ​​المتحرك البسيط أكثر الطرق دقة. إن أساليب المتوسط ​​المتحرك تثبت قيمة كبيرة عندما تحاول 8217 محاولة استخراج المكونات الموسمية وغير المنتظمة والدورية من السلاسل الزمنية لطرق التنبؤ المتقدمة مثل الانحدار و أريما، وسيتم استخدام المتوسطات المتحركة في تحليل سلسلة زمنية في وقت لاحق في السلسلة. تحديد دقة نموذج المتوسط ​​المتحرك بشكل عام، تريد طريقة التنبؤ التي تحتوي على أقل خطأ بين النتائج الفعلية والمتوقعة. ومن أكثر المقاييس شيوعا لدقة التنبؤ هو الانحراف المطلق المتوسط ​​(د. م). في هذا النهج، لكل فترة في السلسلة الزمنية التي قمت بإنشاء توقعات، كنت تأخذ القيمة المطلقة للفرق بين تلك الفترة 8217s القيم الفعلية والمتوقعة (الانحراف). ثم يمكنك متوسط ​​هذه الانحرافات المطلقة وتحصل على مقياس من درهم. ماد يمكن أن يكون مفيدا في اتخاذ قرار بشأن عدد الفترات التي متوسط، و أن كمية الوزن الذي تضعه على كل فترة. عموما، يمكنك اختيار واحد أن يؤدي إلى أدنى درهم. هنا 8217s مثال على كيفية احتساب ماد: درهم هو ببساطة المتوسط ​​8، 1، 3. المتوسطات المتحركة: خلاصة عند استخدام المتوسطات المتحركة للتنبؤ، تذكر: المتوسطات المتحركة يمكن أن تكون بسيطة أو مرجحة عدد الفترات التي تستخدمها ل متوسط، وأي الأوزان التي تعين لكل منها التعسفي التعسفي المتوسطات المتحركة على نحو سلس خارج أنماط غير منتظمة في البيانات سلسلة زمنية أكبر عدد الفترات المستخدمة لكل نقطة البيانات، وزيادة تأثير تمهيد بسبب تجانس، والتنبؤ الشهر المقبل مبيعات 8217s على أساس فإن معظم المبيعات الأخيرة في الشهر 8217s يمكن أن تؤدي إلى انحرافات كبيرة بسبب الأنماط الموسمية والدورية وغير المنتظمة في البيانات، وقدرات التمهيد لطريقة المتوسط ​​المتحرك يمكن أن تكون مفيدة في تحلل سلسلة زمنية لطرق التنبؤ أكثر تقدما. الأسبوع المقبل: تجانس الأسي في الأسبوع القادم 8217s توقعات الجمعة. سوف نناقش أساليب التمهيد الأسي، وسترى أنها يمكن أن تكون أعلى بكثير من المتوسط ​​المتحرك أساليب التنبؤ. لا يزال دون 8217t تعرف لماذا لدينا توقعات الجمعة المشاركات تظهر يوم الخميس معرفة في: tinyurl26cm6ma مثل هذا: التنقل بوست ترك الرد إلغاء الرد كان لي 2 أسئلة: 1) يمكنك استخدام نهج ما تركزت للتنبؤ أو لمجرد إزالة الموسمية 2) عندما (t-1t-2t-k) k ما للتنبؤ بفترة زمنية واحدة، هل من الممكن التنبؤ بأكثر من 1 فترة قبل أن أعتقد أن توقعاتك ستكون واحدة من النقاط التي تغذيها في المرة القادمة. شكر. أحب المعلومات وتفسيراتك I8217m سعيد تريد بلوق I8217m متأكد من أن العديد من المحللين استخدمت نهج ما تركزت للتنبؤ، ولكن أنا شخصيا لن، لأن هذا النهج يؤدي إلى فقدان الملاحظات في كلا الطرفين. هذا في الواقع ثم العلاقات في السؤال الثاني الخاص بك. عموما، يستخدم ما بسيط للتنبؤ فترة واحدة فقط المقبلة، ولكن العديد من المحللين 8211 وأنا أيضا في بعض الأحيان 8211 سوف تستخدم بلدي فترة واحدة قبل التوقعات باعتبارها واحدة من المدخلات للفترة الثانية المقبلة. It8217s المهم أن نتذكر أن المزيد من المستقبل في محاولة للتنبؤ، وزيادة خطر الخاص بك من الخطأ المتوقع. هذا هو السبب في أنني لا أوصي تركز ما للتنبؤ 8211 فقدان الملاحظات في نهاية المطاف يعني الاضطرار إلى الاعتماد على التنبؤات الملاحظات المفقودة، فضلا عن الفترة (ق) المقبلة، لذلك هناك فرصة أكبر للخطأ التنبؤ. القراء: you8217re دعا إلى وزن في هذا. هل لديك أي أفكار أو اقتراحات حول هذا بريان، شكرا لتعليقكم وتقديراتكم على بلوق مبادرة لطيفة وتفسير جميل. It8217s مفيدة حقا. أتوقع مخصص لوحات الدوائر المطبوعة للعميل الذي لا يعطي أي توقعات. لقد استخدمت المتوسط ​​المتحرك، ومع ذلك فإنه ليس دقيقا جدا حيث يمكن للصناعة صعودا وهبوطا. ونحن نرى نحو منتصف الصيف حتى نهاية العام أن الشحن pcb8217s هو ما يصل. ثم نرى في بداية العام يبطئ الطريق. كيف يمكنني أن أكون أكثر دقة مع بياناتي كاترينا، من ما قلت لي، يبدو لديك المطبوعة مبيعات لوحة الدوائر لديها عنصر موسمي. أتعامل مع الموسمية في بعض المشاركات الأخرى المتوقعة يوم الجمعة. وهناك طريقة أخرى يمكنك استخدامها، وهي سهلة جدا، وهي خوارزمية هولت-وينترز، والتي تأخذ في الاعتبار الموسمية. يمكنك العثور على تفسير جيد من هنا. تأكد من تحديد ما إذا كانت أنماطك الموسمية متعددة أو مضافة، لأن الخوارزمية مختلفة قليلا لكل منها. إذا كنت مؤامرة البيانات الشهرية الخاصة بك من بضع سنوات، ونرى أن التغيرات الموسمية في نفس الأوقات من السنوات ويبدو أن تكون ثابتة سنة بعد سنة، ثم الموسمية هو المضافة إذا كانت التغيرات الموسمية مع مرور الوقت يبدو أن تتزايد، ثم الموسمية هو المضاعف. معظم السلاسل الزمنية الموسمية ستكون مضاعفة. إذا كنت في شك، تفترض مضاعفة. حظا سعيدا مرحبا هناك، بين تلك الطريقة:. ناف التنبؤ. تحديث المتوسط. المتوسط ​​المتحرك للطول k. إما المتوسط ​​المتحرك المرجح لطول k أو التمدد الأسي أي واحد من تلك النماذج المحدثة تنصحني باستخدامها للتنبؤ بالبيانات بالنسبة لي، أفكر في المتوسط ​​المتحرك. ولكن أنا don8217t تعرف كيفية جعلها واضحة ومنظم ذلك حقا يعتمد على كمية ونوعية البيانات لديك وأفق التنبؤ الخاص بك (على المدى الطويل، على المدى المتوسط، أو على المدى القصير) 2.4: الاتجاه والموسمية مكونات ل 133.an المدى القديم من التحذير تحمل تهديد الضرر في أسوأ الأحوال، وعدم اليقين في أحسن الأحوال، لأولئك في نطاق المحتملة. يلقي 133 تخدم ما يصل قذيفة إلى الغيب وعادة ما تكون غير معروفة تحت سطح خادعة توقعات. . تحذيرا لأولئك الذين يستخدمونه. اعتراف بعدم اليقين (أو الخداع) من قبل أولئك الذين يخلقونه. تهديد من ضرر لأولئك في طريقها من توم براون في الحصول على معظم التنبؤ 2.1: مقدمة للتنبؤ على الرغم من أن الأساليب الكمية من الأعمال يمكن دراستها وحدات مستقلة، وأعتقد أنه من المناسب أن النص يضع المواد التنبؤ مباشرة بعد تحليل القرار. تذكر في مشاكل تحليل القرار لدينا، فإن دول الطبيعة تشير عموما إلى مستويات مختلفة من الطلب أو بعض متغير غير معروف آخر في المستقبل. توقع، مع قدر من الدقة أو الموثوقية، ما هي تلك المستويات من الطلب سيكون هو موضوعنا المقبل. التوقعات هي أكثر من مجرد استقراء بسيط للبيانات السابقة في المستقبل باستخدام الصيغ الرياضية، أو جمع الاتجاهات من الخبراء 133. التوقعات هي آليات للوصول إلى تدابير للتخطيط للمستقبل. عندما يتم ذلك بشكل صحيح، فإنها توفر مسار التدقيق وقياس مدى دقتها. عندما لا تفعل بشكل صحيح، فإنها تذكرنا توم براونز انهيار ذكي للمصطلح المتكررة في افتتاح هذه الملاحظات. ليس فقط التنبؤات تساعدنا على التخطيط، وأنها تساعدنا على توفير المال وأنا على علم من إحدى الشركات التي خفضت استثماراتها في المخزون من 28 مليون إلى 22 مليون دولار من خلال اعتماد طريقة التنبؤ الرسمية التي خفضت خطأ التنبؤ بنسبة 10. هذا مثال للتنبؤات مما يساعد شركات المنتجات استبدال المخزون مع المعلومات، والتي لا توفر المال فقط ولكن يحسن استجابة العملاء والخدمة. عندما نستخدم مصطلح التنبؤ في دورة طرق كمية، ونحن نشير عموما إلى أساليب التنبؤ سلسلة الوقت الكمي. وتكون هذه النماذج مناسبة عندما: 1 (تتوفر معلومات سابقة حول المتغير الذي يتم التنبؤ به، 2 (يمكن تحديد المعلومات كميا، و 3 (من المفترض أن األنماط في البيانات التاريخية ستستمر في المستقبل. إذا كانت البيانات التاريخية تقتصر على القيم السابقة لمتغير استجابة الفائدة، فإن إجراء التنبؤ يسمى طريقة سلسلة زمنية. على سبيل المثال، تعتمد العديد من توقعات المبيعات على أساليب السلاسل الزمنية الكلاسيكية التي سنغطيها في هذه الوحدة. عندما تستند التوقعات على المبيعات الماضية، لدينا توقعات سلسلة زمنية. ملاحظة جانبية: على الرغم من قلت المبيعات أعلاه، كلما كان ذلك ممكنا، ونحن نحاول التنبؤ المبيعات على أساس الطلب الماضي بدلا من sales133 لماذا لنفترض أنك تملك متجر تي شيرت على الشاطئ. كنت الأسهم 100 الربيع كسر 2000 تي شيرت الاستعداد لقضاء عطلة الربيع. وعلاوة على ذلك نفترض أن 110 كسارات الربيع دخول متجرك لشراء الربيع كسر 2000 تي شيرت. ما هي مبيعاتك صحيح، 100. ولكن ما هو الطلب الخاص بك الحق مرة أخرى، 110. كنت ترغب في استخدام الرقم الطلب، بدلا من الرقم المبيعات، في التحضير للعام المقبل حيث أرقام المبيعات لا التقاط مخزون الأسهم الخاصة بك. فلماذا تفعل العديد من الشركات توقعات المبيعات على أساس المبيعات الماضية وليس الطلب السبب الرئيسي هو التكلفة - يتم القبض على المبيعات بسهولة في محطة الخروج، ولكن تحتاج بعض ميزة إضافية على نظام المعلومات الإدارية الخاصة بك لالتقاط الطلب. العودة إلى المقدمة. والفئة الرئيسية الأخرى من أساليب التنبؤ التي تعتمد على البيانات السابقة هي نماذج الانحدار. وغالبا ما يشار إلى النماذج السببية كما هو الحال في نصنا. وتحدد هذه النماذج توقعاتها للقيم المستقبلية لمتغير الاستجابة، والمبيعات على سبيل المثال، والمتغيرات ذات الصلة مثل الدخل الشخصي المتاح، والجنس، وربما عمر المستهلك. لقد درست نماذج الانحدار في دورة الإحصاءات، ولذا فإننا لن تغطيها في هذه الدورة. ومع ذلك، أود أن أقول أننا يجب أن نستخدم مصطلح سبال بحذر، حيث أن العمر أو الجنس أو الدخل الشخصي القابل للتصرف قد تكون ذات صلة كبيرة بالمبيعات، ولكن العمر أو الجنس أو الدخل الشخصي القابل للتصرف قد لا يسبب المبيعات. لا يمكننا إثبات السببية إلا في التجربة. وتشمل الفئة الرئيسية النهائية لنماذج التنبؤ أساليب نوعية تنطوي عموما على استخدام حكم الخبراء لوضع التنبؤات. هذه الطرق مفيدة عندما لا يكون لدينا بيانات تاريخية، مثل الحالة عندما نطلق خط إنتاج جديد دون خبرة سابقة. هذه الأساليب مفيدة أيضا عندما نقوم بوضع التوقعات في المستقبل البعيد. سنقوم بتغطیة أحد النماذج النوعیة في ھذه المقدمة. أولا، يتيح دراسة نظام تصنيف بسيط للمبادئ التوجيهية العامة في اختيار طريقة التنبؤ، ومن ثم تغطية بعض المبادئ الأساسية للتنبؤ. اختيار طريقة التنبؤ يوضح الجدول التالي المبادئ التوجيهية العامة لاختيار طريقة التنبؤ استنادا إلى معايير الفترة الزمنية والغرض. تريند بروجكتيون موفينغ أفيراج أسيونثنتيال سموثينغ يرجى فهم أن هذه هي المبادئ التوجيهية العامة. قد تجد شركة باستخدام إسقاط الاتجاه لجعل توقعات موثوقة لمبيعات المنتجات 3 سنوات في المستقبل. وتجدر الإشارة أيضا إلى أنه نظرا لأن الشركات تستخدم برامج التنبؤ بالسلاسل الزمنية للبرامج الحاسوبية بدلا من الحسابات اليدوية، فإنها قد تحاول عدة تقنيات مختلفة وتختار التقنية التي لديها أفضل مقياس للدقة (أدنى خطأ). ونحن نناقش مختلف التقنيات، وخصائصها، والافتراضات والقيود، وآمل أن تكسب أنت حسنات لتقدير مخطط أعلاه. مخططات تصنيف المبادئ التنبؤية مثل تلك المذكورة أعلاه مفيدة في المساعدة على تحديد أساليب التنبؤ المناسبة للفترة الزمنية والغرض في متناول اليد. وهناك أيضا بعض المبادئ العامة التي ينبغي مراعاتها عند إعداد التنبؤات واستخدامها، ولا سيما تلك التي تستند إلى أساليب السلاسل الزمنية. أوليفر دبليو وايت في مراقبة الإنتاج والمخزون في عصر الحاسوب. وتوماس H. فولر في الحواسيب الصغيرة في إدارة الإنتاج والمخزون وضعت مجموعة من المبادئ لمجتمع مراقبة الإنتاج والمخزون في حين مرة أخرى أن أعتقد أن يكون التطبيق الشامل. 1. ما لم تكن الطريقة دقيقة 100، يجب أن تكون بسيطة بما فيه الكفاية حتى الناس الذين يستخدمونه يعرفون كيفية استخدامه بذكاء (فهمه، وشرح ذلك، وتكرار ذلك). 2 - ينبغي أن يقترن كل توقع بتقدير للخطأ (مقياس دقته). 3 - ينبغي للتنبؤات الطويلة الأجل أن تغطي أكبر مجموعة ممكنة من البنود التي تقيد التنبؤات الفردية للبند على المدى القصير. 4. العنصر الأكثر أهمية في أي مخطط التنبؤ هو أن الشيء بين لوحة المفاتيح والكرسي. المبدأ الأول يشير إلى أنه يمكنك الحصول عليها من خلال معالجة طريقة التنبؤ كمربع أسود، طالما أنها 100 دقيقة. وهذا يعني أنه إذا قام المحلل بتغذية البيانات التاريخية في الكمبيوتر، ويقبل وينفذ مخرجات التنبؤ دون أي فكرة عن كيفية إجراء الحسابات، فإن هذا المحلل يعالج طريقة التنبؤ كمربع أسود. هذا على ما يرام طالما خطأ التنبؤ (الملاحظة الفعلية - مراقبة التوقعات) هو صفر. إذا كانت التوقعات غير موثوق بها (خطأ عال)، يجب أن يكون المحلل، على الأقل، محرجا جدا لعدم القدرة على تفسير ما حدث من خطأ. قد تكون هناك تداعيات أسوأ بكثير من الإحراج إذا كانت الميزانيات وأحداث التخطيط الأخرى تعتمد بشكل كبير على التوقعات الخاطئة. المبدأ الثاني مهم حقا. في القسم 2.2 سوف نقدم طريقة بسيطة لقياس الخطأ التنبؤ، والفرق بين ما يحدث فعلا وما كان متوقعا أن تحدث لكل فترة زمنية التنبؤ. هنا هي الفكرة. لنفترض أن شركة السيارات تتوقع مبيعات 30 سيارة الشهر المقبل باستخدام طريقة A. طريقة B كما يأتي مع التنبؤ من 30 سيارة. دون معرفة مقياس دقة الطريقتين، فإننا سوف يكون غير مبال فيما يتعلق باختيارهم. ومع ذلك، إذا علمنا أن الخطأ المركب للطريقة A هو - 2 سيارات على مدى أفق زمني مناسب والخطأ المركب للطريقة B هو - 10 سيارات، ونحن بالتأكيد اختيار الأسلوب A على الطريقة B. لماذا طريقة واحدة لديها الكثير خطأ مقارنة مع آخر سيكون واحدا من أهداف التعلم لدينا في هذه الوحدة. قد يكون ذلك لأننا استخدمنا طريقة التجانس بدلا من الطريقة التي تتضمن إسقاط الاتجاه عندما لا ينبغي أن يكون لدينا - مثل عندما تظهر البيانات اتجاها نحو النمو. أساليب التمهيد مثل التمهيد الأسي، دائما تأخر الاتجاهات التي تؤدي إلى خطأ التنبؤ. وقد يكون المثال الثالث أفضل مثال على ذلك. لنفترض أنك مدير العمليات في المستشفى، وكنت مسؤولا عن التنبؤ الطلب على أسرة المريض. إذا كانت توقعاتك ستكون لتخطيط القدرات بعد ثلاث سنوات من الآن، قد ترغب في توقع إجمالي أسرة المرضى لعام 2003. من ناحية أخرى، إذا كنت تريد التنبؤ بالطلب على أسرة المرضى لشهر نيسان (أبريل) 2000، ، فإنك سوف تحتاج إلى إجراء تنبؤات منفصلة لأسرة المريض غرفة الطوارئ، أسرة الجراحة استرداد المريض، أسرة المريض أوب، وهكذا دواليك. عندما يكون مطلوبا الكثير من التفاصيل، التمسك أفق توقعات على المدى القصير تجميع لينستيب المنتج الخاص بك من باتريسيتك. عند اتخاذ توقعات طويلة الأجل. وهذا يقلل عموما من خطأ التنبؤ في كلتا الحالتين. وينبغي أن نطبق المبدأ الأخير على أي طريقة كمية. هناك دائما مجال لإجراء تعديلات قضائية على توقعاتنا الكمية. أنا أحب هذا الاقتباس من ألفريد نورث وايتهيد في مقدمة للرياضيات. 1911: 91T93here ليس هناك خطأ أكثر شيوعا من أن نفترض أنه نظرا لإجراء حسابات رياضية طويلة ودقيقة، وتطبيق النتيجة على بعض حقيقة الطبيعة هو بالتأكيد على الاطلاق. وبطبيعة الحال، يمكن أن يكون الحكم خارج أيضا. ماذا عن هذه التوقعات التي قدمها في عام 1943 رئيس شركة آي بي إم توماس واتسون: أعتقد أن ثيريس سوق عالمية لحوالي خمسة أجهزة كمبيوتر. كيف يمكننا تحسين تطبيق الحكم هذا هو موضوعنا المقبل. طريقة دلفي للتنبؤ طريقة دلفي للتنبؤ هي تقنية نوعية جعلت شعبية من قبل شركة راند. أنه ينتمي إلى عائلة من التقنيات التي تشمل أساليب مثل جذور العشب، لوحة أبحاث السوق، القياس التاريخي، حكم الخبراء، وقوة المبيعات المركب. والشيء المشترك مع هذه النهج هو استخدام آراء الخبراء، بدلا من البيانات التاريخية، لجعل التنبؤات والتنبؤات. وعادة ما تكون موضوعات هذه التنبؤات التنبؤ بالتطورات السياسية والاجتماعية والاقتصادية والتكنولوجية التي قد تقترح برامج أو منتجات أو ردود جديدة من المنظمة الراعية لدراسة دلفي. كانت تجربتي الأولى مع تقنيات خبير التنبؤ الحكم في مهمتي الأخيرة خلال مسيرتي الماضية في سلاح الجو الأمريكي. في تلك المهمة، كنت مدير برامج النقل في البنتاغون. مرة واحدة في السنة، رئيس بلدي، مدير النقل، وجمع القيادات العليا (وموظفي العمل) في مؤتمر لصياغة خطط وبرامج النقل للسنوات الخمس المقبلة. ثم أصبحت هذه البرامج أساس الميزنة والمشتريات وما إلى ذلك. واحدة من التمارين التي قمنا بها هي طريقة دلفي للتنبؤ بالتطورات التي من شأنها أن يكون لها تأثير كبير على برامج النقل الجوي للقوات الجوية. وأذكر أن أحد التطورات التي توقعناها في مؤتمر عقد في مطلع الثمانينيات هو التحرك المتسارع من نظم النقل الاستراتيجية المركزية إلى المركزية إلى الجيش. ونتيجة لذلك، بدأنا في وضع القوات الجوية لقيادة النقل الموحد عدة سنوات قبل أن يصبح حقيقة واقعة. الخطوة 1. تبدأ طريقة دلفي للتنبؤ، مثل تقنيات الحكم الأخرى، باختيار الخبراء. وبطبيعة الحال، هذا هو المكان الذي يمكن أن تفشل هذه التقنيات - عندما الخبراء ليست حقا الخبراء على الإطلاق. ربما يتم تضمين رئيسه كخبير لدراسة دلفي، ولكن في حين أن مدرب عظيم في إدارة الموارد، وقال انه أو انها قد تكون رهيبة في قراءة البيئة والتنبؤ بالتطورات. الخطوة 2. الخطوة الرسمية الأولى هي الحصول على توقعات مجهولة المصدر حول موضوع الاهتمام. وهذا ما يسمى الجولة 1. وهنا سيطلب من الخبراء تقديم تطورات سياسية أو اقتصادية أو اجتماعية أو تكنولوجية تهم المنظمة الراعية لطريقة دلفي. ويمكن جمع التوقعات المجهولة من خلال موقع على شبكة الإنترنت، عن طريق البريد الإلكتروني أو عن طريق الاستبيان. ويمكن أيضا أن تجمع في إعداد مجموعة حية ولكن تأثير هالة قد خنق التدفق الحر للتنبؤات. فعلى سبيل المثال، سيكون من الشائع أن يجتمع فريق الخبراء في البنتاغون ليضم الموظفين العامين. وكان العديد من الجنرالات قادة عظيمين في هذا المجال، ولكن ليس كبار البصيرة عندما يتعلق الأمر التطورات اللوجستية. ومن ناحية أخرى، كان ضباط العمل المقدمون لهم هم مفكرون جيدون جدا وكانوا يعرفون كثيرا ما هو في الأفق بالنسبة لأنظمة النقل والإمداد والنقل. ومع ذلك، وبسبب الاحترام الكلاسيكي للرتبة، فإن الضباط الأصغر سنا قد لا يكونوا مقبولين إذا لم نستخدم طريقة مجهولة للحصول على الجولة الأولى من التوقعات. الخطوة الثالثة: تتضمن الخطوة الثالثة في طريقة دلفي ميسر المجموعة الذي يلخص ويعيد توزيع نتائج توقعات الجولة الأولى. هذا هو عادة قائمة الغسيل من التطورات. ثم يطلب من الخبراء للرد على قائمة الغسيل الجولة الأولى من خلال الإشارة إلى السنة التي كانوا يعتقدون أن التنمية قد تحدث أو القول أن هذا التطور لن يحدث أبدا. وهذا ما يسمى الجولة 2. الخطوة الرابعة: الخطوة الرابعة، الجولة 3. ينطوي على ميسر المجموعة يلخص ويعيد توزيع نتائج الجولة الثانية. ويشمل ذلك عرضا إحصائيا بسيطا، عادة النطاق الوسيط والقطاعي، للبيانات (سنوات من التطور سيحدث) من الجولة 2. ويتضمن الموجز أيضا النسبة المئوية للخبراء الذين لا يبلغون أبدا عن تطور معين. وفي هذه الجولة، يطلب من الخبراء تعديل توقعاتهم إذا رغبوا في ذلك. كما تتاح للخبراء الفرصة لتقديم الحجج التي تحدي أو تدعم عدم حدوث تنبؤات بشأن تطور معين، والتحدي أو دعم السنوات خارج النطاق الرباعي. الخطوة الخامسة: الخطوة الخامسة، الجولة 4. يكرر الجولة 3 - يتلقى الخبراء عرضا إحصائيا جديدا بالحجج - ويطلب منهم تقديم تنبؤات جديدة وعارضات مضادة. الخطوة 6 - تتكرر الجولة 4 حتى يتم التوصل إلى توافق في الآراء، أو على الأقل، انتشار ضيق نسبيا للآراء. وتجربتي هي أنه من خلال الجولة 4، كانت لدينا فكرة جيدة عن التطورات التي ينبغي أن نركز عليها. إذا كان الهدف الأصلي من طريقة دلفي هو إنتاج عدد بدلا من اتجاه التنمية، ثم الجولة 1 ببساطة يسأل الخبراء عن التنبؤ الأول بهم. قد يكون هذا التنبؤ الطلب على المنتج لخط إنتاج جديد لشركة منتجات استهلاكية أو للتنبؤ دجيا سنة واحدة خارج لشركة صناديق الاستثمار المشترك إدارة صندوق مؤشر رقاقة. يتيح القيام به للمتعة (ليس متدرج ومتطوع بحتة) ممارسة دلفي. لنفترض أنك خبير السوق وترغب في الانضمام إلى الخبراء الآخرين في صفنا في التنبؤ ما سوف يكون دجيا في 16 أبريل 2001 (أقرب إلى تاريخ استحقاق الضرائب ممكن). وسأقوم بنشر موضوع المؤتمر تسمى توقعات دجيا على مجلس الويب بالطبع، ضمن مؤتمر الوحدة 2. يرجى الرد على هذا الموضوع المؤتمر ببساطة عن طريق ذكر ما تعتقد أن دجيا ستغلق في يوم 16 أبريل 2001. يرجى الرد بحلول 27 يناير 2001، حتى أتمكن من نشر إحصائيات ملخص قبل أن نترك المواد التنبؤ في 3 فبراير. وسوف نبدأ الآن مناقشتنا لطرائق التنبؤ بالسلاسل الزمنية الكمية. 2.2: طرق التمهيد في هذا القسم نود أن نغطي مكونات السلسلة الزمنية الساذجة والمتوسط ​​المتحرك وأساليب التمهيد الأسي للتنبؤ وقياس دقة التنبؤ لكل من الأساليب المقدمة. الإيقاف المؤقت والعكس تذكر أن هناك ثلاث فئات عامة من نماذج التنبؤ أو التنبؤ. الأساليب النوعية، بما في ذلك دلفي، تعتمد على حكم الخبراء والرأي، وليس البيانات التاريخية. نماذج الانحدار تعتمد على المعلومات التاريخية حول كل من متغيرات التنبؤ ومتغير الاستجابة من الفائدة. تعتمد طرق التنبؤ بالسلاسل الزمنية الكمية على المعلومات العددية التاريخية حول متغير الفائدة وتفترض أن الأنماط في الماضي ستستمر في المستقبل. يبدأ هذا القسم دراستنا لنماذج السلاسل الزمنية، بدءا من أنماط أو مكونات السلاسل الزمنية. مكونات سلسلة زمنية تتضمن الأنماط التي قد نجدها في سلسلة زمنية من البيانات التاريخية المكونات المتوسطة، والاتجاهات، والموسمية، والدورية، وغير المنتظمة. والمتوسط ​​هو ببساطة متوسط ​​البيانات التاريخية. ويصف الاتجاه النمو الحقيقي أو الانخفاض في متوسط ​​الطلب أو متغير الفائدة الآخر، ويمثل تحولا في المتوسط. ويعكس العنصر الموسمية نمطا يكرر ضمن الإطار الزمني الكلي الذي يهمه الاهتمام. على سبيل المثال، قبل 15 عاما في جنوب غرب ولاية فلوريدا، كانت حركة الطيران أعلى بكثير في كانون الثاني / يناير - نيسان / أبريل، وبلغت ذروتها في آذار / مارس. وكان شهر أكتوبر منخفضا. وتكرر هذا النمط الموسمي خلال عام 1988. وبين عامي 1988 و 1992، واصل كانون الثاني / يناير - نيسان / أبريل تكرار كل سنة بأشهر عالية، ولكن القمم لم تكن عالية كما كانت من قبل، ولا الوديان في غير موسمها منخفضة كما كان من قبل، وصناعة الفنادق والسياحة. وتتمثل النقطة في أن القمم الموسمية تكرر ضمن إطار زمني محدد - عادة مواسم شهرية أو فصلية في غضون عام، على الرغم من أن هناك موسمية يومية في سوق الأسهم (يوم الاثنين والجمعة يظهران معدلات إغلاق أعلى من أيام الثلاثاء والخميس) كمثال على ذلك. ويبين العنصر الدوري القيم المتكررة لمتغير الفائدة فوق أو أسفل المتوسط ​​أو خط الاتجاه الطويل الأجل على مدى أفق تخطيط متعدد السنوات. طول الدورات ليست ثابتة، كما هو الحال مع طول القمم الموسمية والوديان، مما يجعل الدورات الاقتصادية أكثر صرامة بكثير للتنبؤ. وبما أن الأنماط ليست ثابتة، فإن نماذج متغيرة متعددة مثل نماذج الاقتصاد القياسي ونماذج الانحدار المتعددة هي أكثر ملاءمة للتنبؤ بنقاط تحول دورية من نماذج السلاسل الزمنية. المكون الأخير هو ما تبقى اليسار المكون غير النظامي هو الاختلاف العشوائي في الطلب الذي لم يتم تفسيره من قبل المكونات المتوسطة، والاتجاه، والموسمية الدورية و أنور من سلسلة زمنية. كما هو الحال في نماذج الانحدار، ونحن نحاول جعل الاختلاف عشوائي منخفضة قدر الإمكان. وقد صممت النماذج الكمية لمعالجة مختلف المكونات المذكورة أعلاه. ومن الواضح أن تقنية الإسقاط الاتجاه سوف تعمل بشكل أفضل مع السلاسل الزمنية التي تظهر نمط الاتجاه التاريخي. انحلال السلاسل الزمنية، الذي يتحلل الاتجاه والمكونات الموسمية لسلاسل زمنية، يعمل بشكل أفضل مع سلسلة زمنية لها اتجاهات وأنماط موسمية. حيث أن ذلك يترك لدينا مجموعة الأولى من التقنيات، وأساليب التجانس في الواقع، وأساليب التمهيد تعمل بشكل جيد في وجود مكونات متوسطة وغير منتظمة. نبدأ معهم المقبل. قبل أن نبدأ، يتيح الحصول على بعض البيانات. تتكون هذه السلسلة الزمنية من الطلب الفصلي على المنتج. البيانات التاريخية متاحة لمدة 12 ربع سنة، أو ثلاث سنوات. ويقدم الجدول 2-2-1 التاريخ. ويعرض الشكل 1.2.2 رسم بياني للسلاسل الزمنية. تم إعداد هذا الرسم البياني في إكسيل باستخدام مساعد مخطط مخطط مخطط المخطط. ليس من المهم ما هو البرنامج المستخدم في رسم بياني لسلاسل زمنية تاريخية - ولكن من المهم أن ننظر إلى البيانات. حتى جعل رسم القلم والورق هو مفيد للحصول على يشعر للبيانات، ومعرفة ما إذا كان قد يكون هناك اتجاه أندور المكونات الموسمية في السلاسل الزمنية. طريقة المتوسط ​​المتحرك أسلوب بسيط يعمل بشكل جيد مع البيانات التي ليس لها اتجاه، موسمية أو مكونات دورية هي طريقة المتوسط ​​المتحرك. ومن المسلم به أن مجموعة بيانات المثال هذه لها اتجاه (لاحظ معدل النمو الإجمالي من 1 إلى 12) والموسمية (لاحظ أن كل ربع سنة يعكس انخفاضا في الطلب التاريخي). ولكن يتيح تطبيق تقنية المتوسط ​​المتحرك على هذه البيانات حتى يكون لدينا أساس للمقارنة مع أساليب أخرى في وقت لاحق. والتنبؤ المتوسط ​​المتحرك لثلاث فترات هو الأسلوب الذي يستغرق ثلاث فترات من البيانات ويخلق متوسطا. وهذا المتوسط ​​هو توقعات الفترة المقبلة. بالنسبة إلى مجموعة البيانات هذه، فإن أول توقعات يمكننا حسابها هي الفترة 4، باستخدام البيانات التاريخية الفعلية من الفترات 1 و 2 و 3 (منذ المتوسط ​​المتحرك لمدة ثلاث فترات). وبعد ذلك، بعد حدوث الفترة 4، يمكننا أن نجعل التنبؤات للفترة 5، باستخدام البيانات التاريخية من الفترات 2 و 3 و 4. لاحظ أن الفترة 1 انخفضت، وبالتالي مصطلح المتوسط ​​المتحرك. ثم تفترض هذه التقنية أن البيانات التاريخية الفعلية في الماضي البعيد البعيد، ليست مفيدة كبيانات تاريخية أكثر حداثة عند وضع التنبؤات. قبل عرض الصيغ وتوضيح هذا المثال، اسمحوا لي أن أعرض بعض الرموز. في هذه الوحدة، سوف أكون باستخدام الرمز F t لتمثيل توقعات للفترة t. وهكذا، سيظهر التنبؤ بالفترة 4 على أنه F 4. سأستخدم الرمز y t لتمثل القيمة التاريخية الفعلية لمتغير الفائدة، مثل الطلب، في الفترة t. وبالتالي، فإن الطلب الفعلي على الفترة 1 سيظهر بوصفه Y 1. الآن للمضي قدما الحسابات لحساب متوسط ​​متحرك لمدة ثلاث سنوات. توقعات الفترة الأربعة هي: لتوليد التوقعات للفترة الخامسة: نحن نواصل من خلال البيانات التاريخية حتى نصل إلى نهاية الفترة 12 وجعل توقعاتنا للفترة 13 على أساس الطلب الفعلي من الفترات 10 و 11 و 12. منذ الفترة 12 هي الفترة الأخيرة التي لدينا بيانات، وهذا ينتهي الحسابات لدينا. إذا كان أحدهم مهتما بوضع توقعات للفترات 14 و 15 و 16، وكذلك الفترة 13، فإن أفضل ما يمكن عمله مع طريقة المتوسط ​​المتحرك هو جعل توقعات فترة الخروج هي نفس التوقعات الحالية. وهذا صحيح لأن أساليب المتوسط ​​المتحرك لا يمكن أن تنمو أو تستجيب للاتجاه. هذا هو السبب الرئيسي لهذه الأنواع من الطرق تقتصر على التطبيقات على المدى القصير، مثل ما هو الطلب على الفترة المقبلة. ويرد في الجدول 2-2-2 ملخص للحسابات المتوقعة. وبما أننا مهتمون بقياس حجم الخطأ لتحديد دقة التنبؤ، نلاحظ أنني أضع الخطأ لإزالة علامات الجمع والناقص. ثم، نحن بسيط متوسط ​​أخطاء مربع. لحساب متوسط ​​أو متوسط، أول s e رورز e رورس (سس). ثم يقسم عدد الأخطاء للحصول على m إين s كواريد e رور (مس). ثم تأخذ الجذر التربيعي للخطأ للحصول على روت M إين S كوار E رور (رمز). سس (235.1 608.4 625.0 455.1) 9061.78 مس 9061.78 9 1006.86 رمز الجذر التربيعي (1006.86) 31.73 من دورة الإحصاءات الخاصة بك، سوف تعترف رمز ببساطة الانحراف المعياري لأخطاء التنبؤ و مس هو ببساطة التباين بين أخطاء التنبؤ. وكما هو الحال مع الانحراف المعياري، كلما كان رمز (رمز) أكثر دقة في التنبؤ. وهكذا، يمكن أن تكون رمز مفيدة جدا في اختيار بين نماذج التنبؤ. يمكننا أيضا استخدام رمز للقيام ببعض تحليل الاحتمالات. وبما أن رمز هو الانحراف المعياري لخطأ التنبؤ، يمكننا معالجة التنبؤ كمتوسط ​​للتوزيع، وتطبيق القاعدة التجريبية الهامة. بافتراض أن أخطاء التنبؤ توزع عادة. سوف أراهن أن بعضكم يتذكرون هذه القاعدة: 68 من الملاحظات في توزيع متماثل على شكل جرس تقع داخل المنطقة: يعني - 1 الانحراف المعياري 95 من الملاحظات تقع في: يعني - 2 الانحرافات المعيارية 99.7 (تقريبا كل من (3) الانحرافات المعيارية نظرا لأن المتوسط ​​هو التنبؤ، والانحراف المعياري هو رمز، يمكن أن نعبر عن القاعدة التجريبية على النحو التالي: يتوقع أن تقع 68 قيمة فعلية ضمن: التنبؤ - 1 رمز 454.3 - ومن المتوقع أن يندرج ضمن القيم الفعلية 31.73 423 إلى 486 95: التوقعات - 2 رمز 454.3 - (231.73) 391 إلى 518 99.7 من القيم الفعلية من المتوقع أن تقع ضمن: التوقعات - 3 رمز 454.3 - (331.73) 359 إلى 549 كما هو الحال في دراسة المتوسط ​​والانحراف المعياري في الإحصاء الوصفي، وهذا مهم جدا ولها تطبيقات مماثلة. شيء واحد يمكننا القيام به هو استخدام قيم 3 رمز لتحديد ما إذا كان لدينا أي القيم المتطرفة في البيانات التي تحتاج إلى استبداله. أي توقعات أكثر من 3 رمزس من الرقم الفعلي (أو يكون خطأ أكبر من القيمة المطلقة 3 31.73 أو 95 هو أوتلير، وينبغي إزالة هذه القيمة لأنها تضخيم رمز. أبسط طريقة لإزالة أوتلير في فإن السلسلة الزمنية هي استبدالها بمتوسط ​​القيمة قبل أوتلير وفقط بعد أوتلير. الاستخدام اليدوي جدا ل رمز هو في وضع مخزونات السلامة في حالات المخزون. ليست استخلاص المنطقة 2 رمز من القاعدة التجريبية لهذا التنبؤ: 2.5 95 2.5 359. 391. 454. 518. 549 منذ منتصف منتصف الملاحظات 95 بين 391 و 518، 5 من الملاحظات أقل من 391 وأعلى 518. على افتراض التوزيع على شكل جرس، 2.5 من الملاحظات أقل من 391 و 2.5 فوق 518. وهناك طريقة أخرى لتوضيح ذلك هو أن 97.5 من الملاحظات تقع تحت 518 (عند القياس وصولا الى اللانهاية السلبية، على الرغم من أن البيانات الفعلية يجب أن تتوقف عند 359. خلاصة القول إذا كانت الشركة تتوقع الطلب الفعلي ليصبح 518 (2 رمزس فوق التوقعات)، ثم من خلال تخزين جرد من 518 أنها سوف تغطي 97.5 من المطالب الفعلية التي يمكن نظريا أن تحدث. وهذا هو، تعمل على مستوى 97.5 خدمة العملاء. في 2.5 فقط من حالات الطلب إذا توقعوا مخزون. ثاتس حقا بقعة، أليس كذلك. وباتباع نفس المنهجية، إذا كانت الشركة تخزن 549 عنصرا، أو 3 رمس أعلى من التوقعات، فإنهم يكادون عمليا أنهم لن يكون لديهم مخزون ما لم يحدث شيء غير عادي حقا (نطلق على ذلك أن الخارج هو إحصاءات). وأخيرا، إذا كانت الشركة تخزن 486 فقرة (2 رمس أعلى من التوقعات)، سيكون لديهم مخزون في 16 من الحالات، أو تغطية 84 من المطالب التي ينبغي أن تحدث (100-16). في هذه الحالة، تعمل على مستوى خدمة العملاء 84. 16 68 16 359. 423. 454. 486. 549 يمكننا حساب الاحتمالات الأخرى المرتبطة بمجالات أخرى تحت المنحنى من خلال إيجاد الاحتمال التراكمي لعشرات z، (الملاحظة - التنبؤ) رمز (هل تتذكر أنه من الدورة الدراسية ( الصورة)). لأغراضنا هنا، فمن المهم فقط لتوضيح التطبيق من دورة الإحصاءات. باستخدام حزمة برنامج إدارة العلماء وسوف نستخدم "وحدة إدارة توقعات العلماء" للقيام بالتنبؤات الفعلية وحسابات رمز. لتوضيح الحزمة للمثال الأول، انقر فوق ويندوز ستارتبروغرامز عالم الإدارةالعلامة الإدارية إيكونكونتينيسليكت حدد الوحدة 11 فوريكاستينغوكفيلنو وكنت على استعداد لتحميل مشكلة المثال. شاشة الحوار التالية يطلب منك إدخال عدد من الفترات الزمنية - وهذا هو عدد الملاحظات لديك - 12 في هذه الحالة. انقر فوق موافق . والبدء في إدخال البيانات الخاصة بك (الأرقام والنقاط العشرية فقط - لن تسمح شاشة الحوار أحرف ألفا أو الفواصل). بعد ذلك، انقر فوق سولوتيونسولفيموفينغ متوسط ​​وأدخل 3 حيث يطلب عدد الفترات المتحركة. يجب أن تحصل على الحل التالي: التنبؤ مع التحرك يتراوح متوسط ​​الاستخدامات 3 فترات الوقت الوقت الوقت الوقت سلسلة قيمة التنبؤ فوريكاست خطأ في مربع الخطأ إرور 1،006.86 فوريكاست فور بيريود 13 454.33 يرجى ملاحظة أن البرنامج بإرجاع الخطأ مين سكوار. والحصول على أكثر فائدة الجذر يعني مربع خطأ. تحتاج إلى اتخاذ الجذر التربيعي لمربع خطأ مربع، 1006.83 في هذه الحالة. لاحظ أيضا أن البرنامج يوفر قيمة توقعات واحدة فقط، مع إدراك الحد من أساليب المتوسط ​​المتحرك التي تحد من الإسقاط إلى فترة زمنية واحدة. أخيرا لاحظ أن أضع البيانات في جدول هتمل فقط حتى تتمكن من قراءتها بشكل أفضل - وهذا هو ضروري فقط في الانتقال من ملف أوت إلى هتمل، وليس إلى إدراج البريد الإلكتروني من ملف أوت أو نسخ ملف أوت إلى وثيقة كلمة. كما هو الحال مع حلول نموذج تحليل القرار، يمكنك ثم حدد سولوتيونبرينت الحل وإما حدد الطابعة للطباعة أو ملف نصي لحفظ لإدراجها في رسالة بريد إلكتروني لي أو في مستند ورد. قبل أن نفعل مثال متوسط ​​متحرك واحد، نلقي نظرة على عمود الخطأ المتوقع. لاحظ أن معظم الأخطاء إيجابية. وبما أن الخطأ يساوي القيمة الفعلية للسلسلة الزمنية مطروحا منها القيم المتوقعة، فإن الأخطاء الإيجابية تعني أن الطلب الفعلي أكبر عموما من الطلب المتوقع - ونحن تحت التنبؤ. في هذه الحالة، نحن في عداد المفقودين اتجاه النمو في البيانات. وكما أشير سابقا، فإن تقنيات المتوسط ​​المتحرك لا تعمل بشكل جيد مع بيانات السلاسل الزمنية التي تظهر اتجاهات. ويوضح الشكل 2.2.2 الفارق الزمني الذي يحدث عند استخدام تقنية المتوسط ​​المتحرك مع سلسلة زمنية تظهر اتجاها. خمس فترات متحرك متوسط ​​التوقعات هنا هو حل ماناجيمنت سسينتيست لاستخدام 5 فترات لبناء توقعات المتوسط ​​المتحرك. التنبؤ مع التحرك يتراوح متوسط ​​الاستخدامات 5 فترات زمنية الوقت الوقت الوقت سلسلة التنبؤات المتوقعة التنبؤ خطأ مربع الخطأ 1،349.37 التوقعات للفترة 13 453.60 مؤشر رمز للمتوسط ​​المتحرك لخمس فترات هو 36.7، وهو حوالي 16 أسوأ من خطأ في نموذج الفترة الثلاثية. والسبب في ذلك هو وجود اتجاه نمو في هذه البيانات. ومع زيادة عدد الفترات في حساب المتوسط ​​المتحرك، يبدأ المتوسط ​​في تأخر اتجاه النمو بمبالغ أكبر. وينطبق الشيء نفسه إذا أظهرت البيانات التاريخية اتجاها نزوليا. وسيتخلف المتوسط ​​المتحرك عن هذا الاتجاه ويوفر التوقعات التي ستكون فوق المستوى الفعلي. وقفة وانعكاس طريقة التنبؤ المتوسط ​​المتحرك هي سهلة الاستخدام والفهم، وأنها تعمل بشكل جيد مع السلاسل الزمنية التي ليس لديها مكونات الاتجاه، الموسمية أو الدورية. هذه التقنية تتطلب القليل من البيانات، فقط ما يكفي من الملاحظات الماضية لتتناسب مع عدد من الفترات الزمنية في المتوسط ​​المتحرك. وعادة ما تكون التوقعات محدودة بفترة زمنية واحدة. هذه التقنية لا تعمل بشكل جيد مع البيانات التي ليست ثابتة - البيانات التي تظهر الاتجاه، الموسمية، وأنماط دوري أندور. المتوسط ​​المتحرك لمرة واحدة للتنبؤ أو التنبؤ الساذج التنبؤ الساذج هو واحد حيث يكون عدد الفترات في المتوسط ​​المتحرك مساويا لعدد الفترات. أي أن التوقعات التالية تساوي الطلب الفعلي الأخير. لا تضحك هذه التقنية قد تكون مفيدة في حالة اتجاه النمو السريع فإن التوقعات فقط تأخر الفعلية بمقدار ربع أو شهر واحد، أيا كانت الفترة الزمنية من الفائدة. وبطبيعة الحال، سيكون من الأفضل بكثير استخدام نموذج يمكن أن يجعل إسقاط الاتجاه إذا كان الاتجاه يمثل خطوة حقيقية من نمط ثابت السابق - سوف نصل الى ذلك قليلا في وقت لاحق. في ما يلي نتيجة "نتائج الإدارة الإدارية" لمتوسط ​​التنبؤ المتحرك لمرة واحدة. التنبؤ مع التحرك يتراوح متوسط ​​الاستخدامات 1 فترة الوقت الوقت الوقت الوقت سلسلة القيمة التنبؤ فوريكاست خطأ في مربع الخطأ خطأ 969.91 التوقعات للفترة 13 473.00 تعكس هذه المطبوعة أقل قليلا رمز من المتوسط ​​المتحرك لفترة الثلاثة. That concludes our introduction to smoothing techniques by examining the class of smoothing methods called moving averages. The last smoothing method we will examine is called exponential smoothing , which is a form of a weighted moving average method. Exponential Smoothing This smoothing model became very popular with the production and inventory control community in the early days of computer applications because it did not need much memory, and allowed the manager some judgment input capability. That is, exponential smoothing includes a smoothing parameter that is used to weight either past forecasts (places emphasis on the average component) or the last observation (places emphasis on a rapid growth or decline trend component). The exponential smoothing model is: F t1 forecast of the time series for period t 1 Y t actual value of the time series in period t F t forecast of the time series for period t a smoothing constant or parameter (0 lt a lt 1) The smoothing constant or parameter, a . is shown as the Greek symbol alpha in the text - I am limited to alpha characters. In any case, if the smoothing constant is set at 1, the formula becomes the naive model we already studied: If the smoothing constant is set at 0, the formula becomes a weighted average model which gives most weight to the most recent forecast, with diminishing weight the farther back in the time series. Setting a can be done by trial and error, perhaps trying 0.1, 0.5 and 0.9, recording the RMSE for each run, then choosing the value of a that gives forecasts with the lowest RMSE. Some guidelines are, set a relatively high when there is a trend and you want the model to be responsive set a relatively low when there is just the irregular component so the model will not be responding to random movements. Lets do some exponential smoothing forecasts with a set at 0.6, relatively high. To get the model started, we begin by making a forecast for Period 2 simply based on the actual demand for Period 1 (first shown in Table 2.2.1, but often repeated with each demonstration). Then the first exponential smoothing forecast is actually made for Period 3, using information from Period 2. Thus t 2, t1 3, and F t1 F 21 F 3 . For this forecast, we need the actual demand for Period 2 (Y t Y 2 395), the forecast for Period 2 (F 2 398. The result is: The next forecast is for Period 4: This continues through the data until we get to the end of Period 12 and are ready to make our last forecast for Period 13. Note that all we have to maintain in historical data is the last forecast, the last actual demand and the value of the smoothing parameter - that is why the technique was so popular since it did not take much data. However, I do not subscribe to throwing away data files today - they should be archived for audit trail purposes. Anyway, the forecast for Period 13: Thankfully today, we have software like The Management Scientist to do the computations. To use The Management Scientist . select the Forecasting Module and load the data as previously described in the Three Period Moving Average demonstration. Next, click SolutionSolveExponential Smoothing and enter 0.6 where it asks for the value of the smoothin g constant. Printout 2.2.4 illustrates the computer output with a smoothing constant of 0.6. FORECASTING WITH EXPONENTIAL SMOOTHING THE SMOOTHING CONSTANT IS 0.6 TIME PERIOD TIME SERIES VALUE FORECAST FORECAST ERROR THE MEAN SQUARE ERROR 871.52 THE FORECAST FOR PERIOD 13 459.74 This model provides a single forecast since, like the moving average techniques, it does not have the capability to address the trend component. The Root Mean Square Error is 29.52, (square root of the mean square error), or slightly better than the best results of the moving average and naive techniques. However, since the time series shows trend, we should be able to do much better with the trend projection model that is demonstrated next. Pause and Reflect The exponential smoothing technique is a simple technique that requires only five to ten historical observations to set the value of the smoothing parameter, then only the most recent actual observation and forecasting values. Forecasts are usually limited to one period ahead. The technique works best for time series that are stationary, that is, do not exhibit trend, seasonality andor cyclic components. While historical data is generally used to fit the model - that is set the value of a . analysts may adjust that value in light of information reflecting changes to time series patterns. 2.3: Trend Projections When a time series reflects a shift from a stationary pattern to real growth or decline in the time series variable of interest (e. g. product demand or student enrollment at the university), that time series is demonstrating the trend component. The trend projection method of time series forecasting is based on the simple linear regression model. However, we generally do not require the rigid assumptions of linear regression (normal distribution of the error component, constant variance of the error component, and so forth), only that the past linear trend pattern will continue into the future. Note that is the trend pattern reflects a curve, we would have to rely on the more sophisticated features of multiple regression. The trend projection model is: T t Trend value for variable of interest in Period t b 0 Intercept of the trend projection line b 1 Slope, or rate of change, for the trend projection line While the text illustrates the computational formulas for the trend projection model, we will use The Management Scientist . To use The Management Scientist . select the Forecasting Module and load the data as previously described in the Three Period Moving Average demonstration. Next, click SolutionSolveTrend Projection and enter 4 where it asks for Number of Periods to Forecast. Note, this is the first method that we have covered that the software asks this question, as it is assumed that all of the smoothing methods covered in this course are limited to forecasting just one period ahead. Printout 2.3.1 illustrates the trend projection printout from The Management Scientist . FORECASTING WITH LINEAR TREND THE LINEAR TREND EQUATION: T 367.121 7.776 t where T trend value of the time series in period t TIME PERIOD TIME SERIES VALUE FORECAST FORECAST ERROR THE MEAN SQUARE ERROR 449.96 THE FORECAST FOR PERIOD 13 468.21 THE FORECAST FOR PERIOD 14 475.99 THE FORECAST FOR PERIOD 15 483.76 THE FORECAST FOR PERIOD 16 491.54 Now we are getting somewhere with a forecast Note the mean square error is down to 449.96, giving a root mean square error of 21.2. Compared to the three period moving average RMSE of 31.7, we have a 33 improvement in the accuracy of the forecast over the relevant period. Now, if this were products such as automobiles, to achieve a customer service level of 97.5, we would create a safety stock of 2 times the RMSE above the forecast. So, for Period 13, the forecast plus 2 times the RMSE is 468.21 (2 21.2) or 511 cars. With the three period moving average method, the same customer service level inventory position would be: 454.3 (2 31.7) or 518. The safety stocks are 2 times 21 (42 for the trend projection) compared to 2 times 31.7 (63 for the three period moving average). This is a difference of 21 cars which could represent significant inventory carrying cost that could be avoided with the better forecasting method. Note that the software provides the trend equation, showing the intercept of 367.121 and the slope of 7.776. The slope is interpreted as in simple linear regression, demand goes up 7.776 per unit increase in time. This means that over the course of the time series, demand is increasing about 8 units a quarter. The intercept is only of interest in placing the trend projection line on a time series graph. I used the Chart Wizard in Excel to produce such a graph for the trend projection model: Note in this figure that demand falls below the trend projection line in Periods 3, 7 and 11. This is confirmed by looking at The Management Scientist computer Printout 2.3.1, where the errors are negative in the same periods. That is a pattern Since our data is quarterly, we would suspect that there is a seasonal pattern that results in a valley in the time series in every third quarter. To capture that pattern, we need the time series decomposition model that breaks down, analyzes and forecasts the seasonal as well as the trend components. We do that in the last section of this notes modules. Pause and Reflect The trend projection model is appropriate when the time series exhibits a linear trend component that is assumed to continue into the future. وفي حين أن القواعد الإجرائية تقترح 20 ملاحظة لحساب وتحليل معلمات نماذج الانحدار الخطي، يمكن إنشاء نموذج إسقاط الاتجاه البسيط بأقل 10 ملاحظات. The trend projection model is generally used to make multiple period forecasts for the short range, although some firms use it for the intermediate range as well. 2.4: Trend and Seasonal Components The last time series forecasting method that we examine is very powerful in that it can be used to make forecasts with time series that exhibit trend and seasonal components. The method is most often referred to as Time Series Decomposition, since the technique involves breaking down and analyzing a time series to identify the seasonal component in what are called seasonal indexes . The seasonal indexes are used to deseasonalize the time series. The deseasonalized time series is then used to identify the trend projection line used to make a deseasonalized projection. Lastly, seasonal indexes are used to seasonalize the trend projection. Lets illustrate how this works. As usual, we will use The Management Scientist to do our work after the illustration. The Seasonal Component The seasonal component may be found by using the centered moving average approach as presented in the text, or by using the season average to grand average approach described here. The latter is a simpler technique to understand, and comes very close to the centered moving average approach for most time series. The first step is to gather observations from the same quarter and find their average. I will repeat Table 2.2.1 as Table 2.4.1, so we can easily find the data: To compute the average demand for Quarter 1, we gather all observations for Quarter 1 and find their average, then repeat for Quarters 2, 3 and 4: Quarter 1 Average (398 410 465) 3 424.3 Quarter 2 Average (395 402 460) 3 419 Quarter 3 Average (361 378 430) 3 389.7 Quarter 4 Average (400 440 473) 3 437.7 The next step is to find the seasonal indexes for each quarter. This is done by dividing the quarterly average from above, by the grand average of all observations. Grand Average (398395361400410402378 440465460430473) 12 417.7 Seasonal Index, Quarter 1 424.3 417.7 1.016 Seasonal Index, Quarter 2 419 417.7 1.003 Seasonal Index, Quarter 3 389.7 417.7 0.933 Seasonal Index, Quarter 4 437.7 417.7 1.048 These indexes are interpreted as follows. The overall demand for Quarter 4 is 4.5 percent above the average demand, thus making Quarter 4 a peak quarter. The overall demand for Quarter 3 is 6.7 percent below the average demand, thus making Quarter 3 an off peak quarter. This confirms our suspicion that demand is seasonal, and we have quantified the nature of the seasonality for planning purposes. Please note The Management Scientist software Printout 2.4.1 provides indexes of 1.046, 1.009, 0.920, and 1.025. The peaks and off peaks are similar to the above computations, although the specific values are a bit different. The centered moving average approach used by the software requires more data for computations - at least 4 or 5 repeats of the seasons, we only have 3 repeats (12 quarters gives 3 years of data). We will let the computer program do the next steps, but I will illustrate with a couple of examples. The next task is to deseasonalize the data. We do this by dividing each actual observation by the appropriate seasonal index. So for the first observation, where actual demand was 398, we note that it is a first quarter observation. The deseasonalized value for 398 is: Deseasonalized Y 1 398 1.016 391.7 Actual demand would have been 391.7 if there was no seasonal effects. Lets do four more: Deseasonalized Y 2 395 1.003 393.8 Deseasonalized Y 3 361 0.933 386.9 Deseasonalized Y 4 400 1.048 381.7 Deseasonalized Y 5 410 1.016 403.6 I am sure you have seen deseasonalized numbers in articles in the Wall Street Journal or other popular business press and journals. This is how those are computed. The next step is to find the trend line projection based on the deseasonalized observations. This trend line is a bit more accurate than the trend line projection based on the actual observations since than line contains seasonal variation. The Management Scientist gives the following trend line for this data: This trend line a close to the line we computed in Section 2.3, when the line was fit to the actual, rather than the seasonal data: T t 367 7.8 t. Once we have the trend line, making a forecast is easy. Lets say we want to make a forecast for time period 2. Of course, The Management Scientist does all this for us. To use The Management Scientist . select the Forecasting Module and load the data as previously described in the Three Period Moving Average demonstration. Next, click SolutionSolveTrend and Seasonal . then enter 4 where it asks for number of seasons, and 4 where it asks for number of periods to forecast. - click OK to get the solution. Note that number of seasons is 4 for quarterly data, 12 for monthly data, and so forth. Here is the printout. Printout 2.4.1 FORECASTING WITH TREND AND SEASONAL COMPONENTS SEASON SEASONAL INDEX THE MEAN SQUARE ERROR 87.25 THE FORECAST FOR PERIOD 13 494.43 THE FORECAST FOR PERIOD 14 485.44 THE FORECAST FOR PERIOD 15 450.64 THE FORECAST FOR PERIOD 16 510.40 The Mean Square Error of 87.25, gives a root mean square error of 9.3, a spectacular improvement over the other techniques. A sketch of the actual and forecast data shows how well the trend and seasonal model can do at responding to the trend and the seasonal turn points. Note how the four period out forecast continues the response to both components. Pause and Reflect The trend and seasonal components method is appropriate when the time series exhibits a linear trend and seasonality. This model, compared to the others, does require significantly more historical data. It is suggested that you should have enough data to see at least four or five repetitions of the seasonal peaks and off peaks (with quarterly data, there should be 16 to 20 observations with monthly data, there should be 48 to 60 observations). Well, thats it to the introduction to times series forecasting material. Texts devoted entirely to this subject go into much more detail, of course. For example, there are exponential smoothing models that incorporate trend and time series decomposition models that incorporate the cyclic component. A good reference for these is Wilson and Keating, Business Forecasting . 2nd إد. Irwin (1994). Two parting thoughts. In each of the Pause and Reflect paragraphs, I gave suggestions for number of observations in the historical data base. There is always some judgment required here. While we need a lot of data to fit the trend and trend and seasonal models, a lot of data may mean going far into the past. When we go far into the past, the patterns in the data may be different, and the time series forecasting models assume that any patterns in the past will continue into the future (not the values of the past observations, but the patterns such as slope and seasonal indexes). When worded on forecasts for airport traffic, we would love to go back 10 years, but tourist and permanent resident business travel is different today than 10 years ago so we must balance the need for a lot of data with the assumption of forecasting. The second thought is to always remember to measure the accuracy of your models. We ended with a model that had a root mean square error that was a 75 improvement over the 5-period moving average. I know one company that always used a 5-period moving average for their sales forecasts - scary, isnt it You should be ready to tackle the assignment for Module 2, Forecasting Lost Sales, in the text, pp. 210-212. The case answers via e-mail and The Management Scientist computer output files are due February 10, 2001. If you want free review of your draft responsesoutput, please forward as a draft by Tuesday, February 6, 2001. Module ScheduleWhat is Moving average forecasting Tiny but dangerous, the mosquito has a sting and a drone powerful enough to drive even the strongest indoors. قتال مع العلاج البعوض الاستراتيجي للفناء الخاص بك. بواسطة هيليب التالية الخطوات أدناه، يمكنك القضاء على الانزعاج من البعوض من البيئة الخاصة بك. (مور) نظرة وصوت المياه المتدفقة جذابة في أي المناظر الطبيعية. يمكنك بناء شلال الفناء الخلفي الخاص بك في عطلة نهاية الأسبوع. اختيار من نمط المتتالية التي هبطت المياه أوف هيليب ص سرير من الصخور أو أسلوب الحافة البسيطة التي تسقط الماء إلى بركة أدناه. (MORE) When implemented digitally, exponential smoothing is easier to implement and more efficient to compute, as it does not require maintaining a history of previous input data val hellip ues. Furthermore, there are no sudden effects in the output as occurs with a moving average when an outlying data point passes out of the interval over which you are averaging. With exponential smoothing, the effect of the unusual data fades uniformly. (It still has a big impact when it first appears.) (MORE) 6 people found this useful This is the process of predicting what you think is going to happen in the future. It is a method of understanding the results of things that will happen later in life. 12 people found this useful