Moving Average Forecasting Introdução. Como você pode imaginar, estamos olhando para algumas das abordagens mais primitivas para a previsão. Mas espero que estas sejam pelo menos uma introdução que vale a pena para algumas das questões de computação relacionadas com a implementação de previsões em planilhas. Neste sentido, vamos continuar a partir do início e começar a trabalhar com previsões de média móvel. Previsões médias móveis. Todo mundo está familiarizado com as previsões de média móvel, independentemente de eles acreditam que são. Todos os estudantes universitários fazê-los o tempo todo. Pense nos seus resultados de teste em um curso onde você vai ter quatro testes durante o semestre. Vamos supor que você tem um 85 em seu primeiro teste. O que você poderia prever para sua pontuação do segundo teste O que você acha que seu professor iria prever para a sua próxima pontuação de teste O que você acha que seus amigos podem prever para a sua próxima pontuação de teste O que você acha que seus pais podem prever para a sua próxima pontuação de teste Todo o blabbing você pôde fazer a seus amigos e pais, eles e seu professor são muito prováveis esperar que você comece algo na área dos 85 você apenas começ. Bem, agora vamos supor que, apesar de sua auto-promoção para seus amigos, você superestimar-se e figura que você pode estudar menos para o segundo teste e assim você começa um 73. Agora o que são todos os interessados e despreocupado vai Antecipar você vai chegar em seu terceiro teste Existem duas abordagens muito provável para eles desenvolver uma estimativa, independentemente de se eles vão compartilhar com você. Eles podem dizer a si mesmos: "Esse cara está sempre soprando fumaça sobre sua inteligência. Hes que vai obter outro 73 se hes afortunado. Talvez os pais tentem ser mais solidários e dizer: "Bem, até agora você conseguiu um 85 e um 73, então talvez você deva imaginar sobre como obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festas E werent abanando a doninhas em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. Ambos estas estimativas são, na verdade, a média móvel previsões. O primeiro é usar apenas sua pontuação mais recente para prever o seu desempenho futuro. Isso é chamado de média móvel usando um período de dados. O segundo é também uma previsão média móvel, mas usando dois períodos de dados. Vamos supor que todas essas pessoas rebentando em sua grande mente têm tipo de puto você fora e você decidir fazer bem no terceiro teste para suas próprias razões e colocar uma pontuação mais alta na frente de seus quotalliesquot. Você toma o teste e sua pontuação é realmente um 89 Todos, incluindo você mesmo, está impressionado. Então agora você tem o teste final do semestre chegando e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você vai fazer no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. Qual você acha que é o apito mais preciso enquanto trabalhamos. Agora vamos voltar para a nossa nova empresa de limpeza iniciada por sua meia irmã distante chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados pela seção a seguir de uma planilha. Primeiro, apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C7 a C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados, a fim de desenvolver a nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Ive incluído o quotpast previsões, porque vamos usá-los na próxima página da web para medir a validade de previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C6 a C11. Observe como agora apenas as duas mais recentes peças de dados históricos são usados para cada previsão. Mais uma vez eu incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são de importância notar. Para uma previsão média móvel de m-período, apenas os m valores de dados mais recentes são usados para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel do período m, ao fazer previsões quotpast, observe que a primeira predição ocorre no período m 1. Ambas as questões serão muito significativas quando desenvolvemos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão da média móvel que pode ser usado de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que você deseja usar na previsão ea matriz de valores históricos. Você pode armazená-lo em qualquer pasta de trabalho que você deseja. Função MovingAverage (Histórico, NumberOfPeriods) Como Único Declarar e inicializar variáveis Dim Item Como Variante Dim Counter Como Inteiro Dim Acumulação como Único Dim HistoricalSize As Inteiro Inicializando variáveis Counter 1 Acumulação 0 Determinando o tamanho da Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulação NumberOfPeriods O código será explicado na classe. Você deseja posicionar a função na planilha de modo que o resultado da computação seja exibido onde ele deve gostar do seguinte. FORECIMENTO Fator Sazonal - a porcentagem da demanda média trimestral que ocorre em cada trimestre. Previsão anual para o ano 4 é de 400 unidades. A previsão média por trimestre é de 4004 100 unidades. Previsão Trimestral Previsão do fator sazonal. MÉTODOS DE PREVIDÊNCIA CAUSAL métodos de previsão causal são baseados em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos 1. regressão: equação matemática relaciona uma variável dependente com uma ou mais variáveis independentes que se acredita que influenciam a variável dependente 3. modelos econométricos: sistema de equações de regressão interdependentes que descrevem algum setor da atividade econômica. 3. modelos de insumo-produto: descreve os fluxos de um setor da economia para outro, e assim prevê os insumos necessários para produzir resultados em outro setor. Modelagem de simulação MEDIÇÃO DE ERROS DE PREVISÃO Há dois aspectos dos erros de previsão a se preocupar - Bias e precisão Bias - Uma previsão é tendenciosa se errar mais em uma direção do que na outra - O método tende a sub-previsões ou sobre-previsões. Precisão - Previsão de precisão refere-se à distância das previsões de demanda real ignorar a direção desse erro. Exemplo: Para seis períodos, as projeções ea demanda real foram monitoradas. A tabela a seguir apresenta a demanda real Dt ea demanda prevista Ft para seis períodos: soma cumulativa de erros de previsão (CFE) -20 desvio absoluto médio (MAD) 170 6 28,33 média quadrada Erro (MPE) 5150 6 858,33 desvio padrão dos erros de previsão 5150 6 29,30 erro médio absoluto de porcentagem (MAPE) 83,4 6 13,9 Que informação cada previsão tem tendência a superestimar o erro médio de demanda por previsão foi de 28,33 unidades, ou 13,9 de A distribuição de amostragem de demanda real dos erros de previsão tem desvio padrão de 29,3 unidades. CRITÉRIOS PARA A SELECÇÃO DE UM MÉTODO DE PREVISÃO Objectivos: 1. Maximizar a Precisão e 2. Minimizar as Regras Potenciais de Bias para seleccionar um método de previsão de séries temporais. Selecione o método que dá o menor viés, medido pelo erro de previsão cumulativo (CFE) ou dá o menor desvio absoluto médio (MAD) ou dá o menor sinal de rastreamento ou suporta gerências crenças sobre o padrão subjacente da demanda ou outros. Parece óbvio que alguma medida de exatidão e viés deve ser usada em conjunto. Como e quanto ao número de períodos a serem amostrados se a demanda for inerentemente estável, sugere-se valores baixos de e e valores mais elevados de N se a demanda for inerentemente instável, valores altos e menores de N são sugeridos PRÉVIA DE FOCO quotfocus forecastingquot refere-se a Uma abordagem para a previsão que desenvolve as previsões por várias técnicas, em seguida, escolhe a previsão que foi produzido pelo quotbestquot destas técnicas, onde quotbestquot é determinado por alguma medida de erro de previsão. FOCO DE PREVISÃO: EXEMPLO Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. Um varejista usa um sistema de previsão de foco baseado em duas técnicas de previsão: uma média móvel de dois períodos e um modelo de suavização exponencial ajustado à tendência com 0,1 e 0,1. Com o modelo exponencial, a previsão para janeiro foi de 15 ea média de tendência no final de dezembro foi de 1. O varejista usa o desvio absoluto médio (MAD) nos últimos três meses como critério para escolher qual modelo será usado para prever Para o próximo mês. uma. Qual será a previsão para julho e qual modelo será usado b. Você responderia à Parte a. Ser diferente se a demanda para maio tivesse sido 14 em vez de 19Usando a função PREVISÃO no Excel (e Open Office Calc) cópia Copyright. O conteúdo do InventoryOps é protegido por direitos de autor e não está disponível para republicação. Deixe-me começar dizendo que Excels Forecast Function não é um sistema completo de previsão de inventário. A previsão na gestão de estoques geralmente envolve remover o ruído da demanda, calculando e incorporando as tendências, a sazonalidade e os eventos. A função de previsão não vai fazer todas essas coisas para você (tecnicamente poderia, mas há maneiras melhores de realizar alguns destes). Mas é uma pequena função simples que é fácil de usar, e certamente pode ser uma parte do seu sistema de previsão. De acordo com a ajuda da Microsoft sobre a função de previsão. A função FORECAST (x, knownys, knownxs) retorna o valor predito da variável dependente (representada nos dados por knownys) para o valor específico, x, da variável independente (representada nos dados por knownxs) usando um melhor ajuste (Mínimos quadrados) para predizer valores de y de valores de x. Então o que exatamente isso significa regressão linear é uma forma de análise de regressão e pode ser usado para calcular uma relação matemática entre dois (ou mais) conjuntos de dados. Na previsão, você usaria isso se pensasse que um conjunto de dados poderia ser usado para prever outro conjunto de dados. Por exemplo, se você vende suprimentos de construção, você pode achar que as mudanças nas taxas de juros podem ser usadas para prever as vendas de seus produtos. Este é um exemplo clássico de usar regressão para calcular uma relação entre uma variável externa (taxas de juros) e uma variável interna (suas vendas). No entanto, como veremos mais adiante, você também pode usar a regressão para calcular uma relação dentro do mesmo conjunto de dados. Uma abordagem típica para análise de regressão envolve o uso de regressão para determinar a relação matemática, mas também para ajudar a dar uma idéia de como essa relação é válida (essa é a parte da análise). A função de previsão ignora a análise e apenas calcula um relacionamento e aplica-a automaticamente à sua saída. Isso torna as coisas mais fáceis para o usuário, mas assume que seu relacionamento é válido. Assim, essencialmente, a função Forecast usa regressão linear para prever um valor com base em uma relação entre dois conjuntos de dados. Vamos ver alguns exemplos. Na Figura 1A, temos uma planilha que inclui a taxa média de juros nos últimos 4 anos e as vendas unitárias durante esse mesmo período de 4 anos. Também mostramos uma taxa de juros prevista para o 5º ano. Podemos ver no exemplo que nossas vendas de unidade sobe como taxas de juros descem, e ir para baixo como as taxas de juros sobem. Basta olhar para o exemplo, podemos provavelmente acho que nossas vendas para o ano 5 seria em algum lugar entre 5.000 e 6.000 com base na relação observada entre as taxas de juros e as vendas durante os períodos anteriores. Podemos usar a Função de Previsão para quantificar mais precisamente esta relação e aplicá-la ao 5º ano. Na Figura 1B, você pode ver a função de previsão que está sendo aplicada. Neste caso, a fórmula na célula F4 é FORECAST (F2, B3: E3, B2: E2). O que temos entre parênteses é conhecido como um argumento. Um argumento é realmente apenas um meio de passar parâmetros para a função que está sendo usada (neste caso, a função Forecast). Cada parâmetro é separado por uma vírgula. Para que a Função de Previsão funcione, ela precisa saber o valor que estamos usando para prever nossa saída (nossas vendas do ano 5). No nosso caso, o parâmetro (nossa taxa de juros do ano 5) está na célula F2, então o primeiro elemento do nosso argumento é F2. Em seguida, ele precisa saber onde ele pode encontrar os valores existentes que irá usar para determinar a relação a aplicar a F2. Primeiro precisamos digitar as células que representam os valores de nossa variável dependente. No nosso caso, este seria o nosso unidades vendidas durante os 4 anos anteriores, por isso entra B3: E3. Então, precisamos digitar as células que representam os valores de nossa variável preditora. No nosso caso, esta seria a taxa de juros durante os 4 anos anteriores, por isso entramos B2: E2). A função Forecast agora pode comparar as unidades vendidas durante os anos 1 a 4 com as taxas de juros nesses mesmos anos e, em seguida, aplicar essa relação com nossa taxa de juros prevista para o ano 5 para obter nossas vendas previstas para o ano 5 de 5.654 unidades. No exemplo anterior, podemos olhar para os gráficos para ajudar a tentar visualizar o relacionamento. À primeira vista, pode não parecer tão óbvio porque temos uma relação inversa (as vendas vão para cima como as taxas de juros vão para baixo), mas se você mentalmente virou um dos gráficos, você veria um relacionamento muito claro. Essa é uma das coisas legais sobre a função de previsão (e análise de regressão). Pode facilmente lidar com uma relação inversa. Cópia Copyright. O conteúdo do InventoryOps é protegido por direitos de autor e não está disponível para republicação. Agora vamos olhar para outro exemplo. Na Figura 2A, vemos um novo conjunto de dados. Neste exemplo, nossas taxas de juros subiram e desceram nos últimos 4 anos, contudo nossas vendas unitárias mostraram uma tendência ascendente consistente. Embora seja possível que as taxas de juros tivessem algum impacto sobre nossas vendas neste exemplo, é óbvio que há fatores muito mais importantes em jogo aqui. Usando nossa função de previsão com esses dados, retornamos uma previsão de 7.118 unidades para o Ano 5. Acho que a maioria de nós olharia para nossa tendência de vendas e concordaria que é muito mais provável que nossas vendas para o Ano 5 fossem 9.000 unidades. Como eu mencionei anteriormente, a Função de Previsão assume que o relacionamento é válido, portanto, produz saída com base no melhor ajuste que pode fazer dos dados dados a ele. Em outras palavras, se dissermos que existe uma relação, ela acredita em nós e produz a saída de acordo sem nos dar uma mensagem de erro ou qualquer sinal que implique que a relação é muito pobre. Então, tenha cuidado com o que você pede. Os exemplos anteriores cobriam a aplicação clássica da regressão à previsão. Enquanto tudo isso soa muito liso, esta aplicação clássica de regressão não é tão útil como você poderia pensar (você pode verificar o meu livro para obter mais informações sobre regressão e por que não pode ser uma boa escolha para suas necessidades de previsão). Mas agora vamos usar a função de previsão para simplesmente identificar a tendência dentro de um dado conjunto de dados. Vamos começar observando a Figura 3A. Aqui temos demanda com uma tendência muito óbvia. A maioria de nós deve ser capaz de olhar para esses dados e se sentir confortável para prever que a demanda no período 7 será provavelmente 60 unidades. No entanto, se você executou esses dados através dos cálculos de previsão típicos usados no gerenciamento de inventário, você pode se surpreender com o quão pobre muitos desses cálculos estão na contabilização da tendência. Como a Função de Previsão nos obriga a inserir uma variável dependente e uma variável preditora, como vamos usar a Função de Previsão se tivermos apenas um conjunto de dados Bem, embora seja tecnicamente verdade que temos um único conjunto de dados (nosso Demanda história), nós realmente temos um relacionamento acontecendo dentro deste conjunto de dados. Nesse caso, nosso relacionamento é baseado no tempo. Portanto, podemos usar cada demanda de períodos como uma variável preditora para os seguintes períodos de demanda. Portanto, apenas precisamos informar a função de previsão para usar a demanda nos Períodos 1 a 5 como os dados existentes para a variável preditora e usar a demanda nos Períodos 2 a 6 como os dados existentes para a variável dependente. Em seguida, diga-lhe para aplicar essa relação com a demanda no Período 6 para calcular a nossa previsão para o Período 7. Você pode ver na Figura 3B, a nossa fórmula na célula I3 é PREVISÃO (H2, C2: H2, B2: G2). E ele retorna uma previsão de 60 unidades. Obviamente, este exemplo não é realista, uma vez que a procura é muito limpo (sem ruído). Então vamos olhar para a Figura 3C onde aplicamos esse mesmo cálculo a alguns dados mais realistas. Eu só quero reafirmar, que enquanto a função de previsão é útil, não é um sistema de previsão. Eu normalmente prefiro ter um pouco mais de controle sobre exatamente como eu aplicar e estender tendências para a minha previsão. Além disso, você deseja primeiro remover quaisquer outros elementos da sua demanda que não estejam relacionados à sua demanda e tendência base. Por exemplo, você deseja remover todos os efeitos de sazonalidade ou eventos (como promoções) de sua demanda antes de aplicar a função de previsão. Em seguida, você aplicaria o índice de sazonalidade e os índices de eventos à saída da função de previsão. Você também pode brincar com suas entradas para obter um resultado desejado específico. Por exemplo, você pode tentar primeiro suavizar seu histórico de demanda (através de uma média móvel, média móvel ponderada ou suavização exponencial) e usar essa é a variável preditora em vez da demanda bruta. Para obter mais informações de Previsão, confira meu livro Gerenciamento de estoques explicado. Usando a função de previsão no Open Office Calc. Para usuários de Openoffice. org Calc. A função de Previsão funciona praticamente da mesma forma que no Excel. No entanto, existe uma ligeira diferença na sintaxe utilizada no Calc. Onde quer que você usaria uma vírgula em um argumento em uma função do Excel, você usaria um ponto-e-vírgula em Calc. Assim, em vez da fórmula de Excel você entraria vá à página dos artigos para mais artigos por Dave Piasecki. Cópia Copyright. O conteúdo do InventoryOps é protegido por direitos de autor e não está disponível para republicação. Dave Piasecki. É owneroperator de Inventário Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de inventário, manuseio de materiais e operações de armazém. Possui mais de 25 anos de experiência em gestão de operações e pode ser alcançado através de seu website (inventoryops), onde mantém informações adicionais relevantes. O My Business Inventory Operations Consulting LLC fornece assistência rápida, acessível e especializada com gerenciamento de estoque e operações de depósito. Meus livros
No comments:
Post a Comment