Viktat glidande medelvärde sap

Definition I den vägda glidande genomsnittsmodellen (prognosstrategi 14) vägs varje historiskt värde med en faktor från viktningsgruppen i den univariata prognosprofilen. Formel för det vägda rörliga genomsnittsvärdet Med den viktade glidande genomsnittsmodellen kan du viktiga historiska data mer än äldre data när du bestämmer genomsnittsvärdet. Det gör du om de senaste uppgifterna är mer representativa för vilken framtida efterfrågan än äldre data. Därför kan systemet reagera snabbare på en nivåförändring. Noggrannheten i denna modell beror till stor del på ditt val av viktningsfaktorer. Om tidsseriemönstret ändras måste du också anpassa viktningsfaktorerna. När du skapar en viktgrupp, anger du viktningsfaktorerna som procentandelar. Summan av viktningsfaktorerna behöver inte vara 100. Ingen prognos i efterhand beräknas med denna prognosstrategi. Introduktion Ett glidande medelvärde är en enkel teknik för utjämning av slumpmässiga data. Oftast hittar vi glidande medelvärden för att analysera aktiens aktiekurs, men vi ser dem också inom andra affärsområden och dataanalys. Det här är den första delen av en serie av två artiklar. I den här artikeln diskuteras vad som rör glidmedel och hur de beräknas. Den andra delen ser sedan på hur man implementerar glidande medelberäkningar i SAP BusinessObjects Web Intelligence. Om du redan förstår glidande medelvärden kan du hoppa över till den andra artikeln om hur du implementerar i Web Intelligence. Vad rör sig om medelvärden Ett rörligt medel analyserar en uppsättning datapunkter genom att beräkna ett medelvärde över en mindre uppsättning av senaste datapunkter. Till exempel vid analys av aktiekurs över ett år kan vi generera ett glidande medelvärde som för en given dag är genomsnittet för de senaste 15 dagarna. Figur 1 nedan är ett exempel på ett enkelt glidande medel genererat med Google Finance. Detta diagram visar Google8217s aktiekurs under det senaste året och den röda linjen är ett glidande medelvärde med en period på 15 dagar. Figur 1. Diagram över Googles aktiekurs med enkelt glidande medelvärde Vi kan se från ovanstående exempel att det rörliga genomsnittet (röda linjen) släpper ut det fluktuerade aktiekursen. En egenskap hos ett glidande medelvärde är att det ligger bakom den ursprungliga kurvan. Detta beror på att vid varje datapunkt det tar i genomsnitt en uppsättning tidigare datapunkter. För en vidare diskussion om hur glidande medelvärden används i finans, se Flytta genomsnitt på StockCharts. Målet att använda ett glidande medelvärde är att minska kortsiktiga fluktuationer och att lyfta fram långsiktiga trender. Det finns flera olika typer av glidande medelvärde och under vi8217ll titta på hur man beräknar de vanligaste exemplen. Därefter tittar vi på hur man implementerar dessa beräkningar i Web Intelligence. Enkelt rörligt medelvärde Ett enkelt rörligt medelvärde (SMA) som it8217s namn antyder är det enklaste rörliga genomsnittet att beräkna. För varje datapunkt beräknar vi genomsnittet över ett fast antal föregående datapunkter. Tabellen nedan illustrerar en sådan beräkning där vi använder en SMA av period 3. Eftersom vår period med vår glidande genomsnittliga dataset är 3, beräknar vi inte de första två datapunkterna. Då beräknar vi för varje datapunkt genomsnittet över de tre senaste datapunkterna, inklusive den aktuella datapunkten. Sedan när vi beräknar vårt medel läggs det senaste värdet i summan och det första värdet faller ut. Vi kan förenkla vår beräkning till, där SMA (föregående) är det resultat som vi tidigare beräknat, N är storleken på den glidande genomsnittsdatasatsen p1 är det första värdet i vår uppsättning och pN är det sista värdet av uppsättningen. En rita på en SMA är att den behandlar alla tidigare datapunkter i det glidande mediesatsen lika och så kan vi upptäcka att äldre datapunkter kan påverka beräkningen negativt. För att ta itu med detta kan vi använda vägda eller exponentiella glidande medelvärden. Viktat rörligt medelvärde Ett viktat glidande medelvärde (WMA) gäller vikter till datapunkterna i den glidande genomsnittliga uppsättningen så att de senaste datapunkterna har större betydelse för det totala resultatet. Det finns flera sätt att vi kan tillämpa vikter och det enklaste är att använda en minskande uppsättning vikter, till exempel om vi har en glidande genomsnittsdatasats med 6 datapunkter är våra vikter 6,5,4,3,2,1 tillämpas från de senaste uppgifterna tidigast. Vår beräkning är lite mer komplex och för en glidande genomsnittsdatasats med storlek 6 är det så här är p6 vårt nuvärde och vi multiplicerar detta med 6, sedan lägger vi till 5 gånger det föregående värdet, 4 gånger värdet före det och så vidare. Vi delar sedan detta med 6 (61) 2. Detta är beräkningen för ett triangulärt tal och Wikipedia har en förklaring av hur det här härletas. Tabellen nedan illustrerar beräkningen av ett WMA i period 3 för samma dataset som vi använde i SMA-exemplet ovan. Exponentiellt rörligt medelvärde Ett exponentiellt rörligt medelvärde (EMA) använder en exponentiellt minskande uppsättning vikter. I WMA ovanför våra vikter minskat linjärt, minskar en exponentiellt minskande uppsättning vikter snabbt först och sedan avsvinner. Om vi ​​producerar ett diagram över dessa vikter ser det ut som i figur 2 nedan. Figur 2 Diagram över minskande exponentiella vikter En EMA ger större vikt än de senaste värdena än ett WMA, och det har också den ytterligare fördelen att man lättare kan beräkna. För att beräkna en EMA tar vi det tidigare EMA-värdet och lägger till skillnaden mellan det aktuella datapunktvärdet och föregående EMA multiplicerat med en konstant 8216alpha8217. Den konstanta alfabetalen representerar vikten av viktningen och är ett värde mellan 0 och 1. Ändra detta värde ändrar mängden övergripande utjämning där värden nära noll gäller en hög grad av utjämning och värden närmare 1 producerar mindre. Figuren nedan använder samma datapunkter men visar en EMA med värdet 0,7 och 0,1. Figur 3 två diagram visar samma källdata med ett exponentiellt rörligt medelvärde med olika värden på alfa I våra beräkningar tillämpar vi endast EMA från den tredje datapunkten framåt för den första datapunkten som är vanligt för att ställa in detta till 0 eller inget värde och För 2: a datapunktet ställer vi in ​​värdet som motsvarar värdet på 2: a datapunkten. Tabellen nedan är beräkningen av EMA för vår exempeldataserie med ett alfavärde på 0,4SAP Consulting Platinum Level SAP-konsulter Med ett genomsnitt på över 10 års SAP-implementering och projektteamupplevelse kommer vårt team av Platinum Level SAP-konsulter att gå med i din projektgrupp och ge bästa rådgivningstjänster i klassen. Medan du drar från sina års erfarenhet och har sett allt, kommer de att hjälpa dig att navigera genom Fortsätt läsa Kampen för att bestämma vilken SAP prognosmetod som ska användas Det komplicerade gissningsspelet avslöjas. Jag har en bekännelse. Jag har undervisat SAP Konsumtionsbaserad planering som en del av min materialhanteringsklass som jag har lärt mig under över ett decennium och när jag kommer till prognosbilden för materialmästaren berättar jag mina elever att de behöver vara statistiker för att verkligen förstå alla fält. Jag har utvecklat en ny klass för en klient under den senaste veckan och jag måste äntligen bita kulan och dyka djupare in i dessa dunkla fält. Nu är jag Industrial and Operations Engineer efter examen och jag passerade statistik på college med en solid A, faktiskt. Men jag har aldrig riktigt tillämpat begreppen i den verkliga världen. Min professor höll vår uppmärksamhet genom att relatera all statistik som används för att förutse metoder för att spela ett unikt förhållningssätt, men det fungerade. Hade jag gått till Las Vegas och tillämpade det jag lärde mig, kanske jag inte skriver den här bloggen, skulle jag noga slappna av på en stranden någonstans. Men nu måste jag tillämpa dessa begrepp på Inventory Forecast. I den här artikelserien ska jag definiera nyckelfälten på prognosbilden för materialmästaren och sedan ge exempel på varje typ av prognosmodell. På materialmasterns prognostiseringsvy finns ett fält som heter Prognosmodell se nedan: Prognosmodellalternativen ses i skärmbilden nedan: Varje dag i veckan lägger jag upp en annan blogg på de olika modellerna med några verkliga världsexemplar om när att använda dem. Innan jag hoppar in i modellerna kan vi först dyka in i den här typen av planeringsprognoser, och när du skulle använda den. Så om du valde att använda VV, kom ihåg att om efterfrågan spikar, kommer det inte att kunna reagera på den spiken det kommer att fortsätta att planera baserat på prognosen. VV ger den mycket föredragna automatiseringen när du tillåter SAP att generera din prognos baserat på historisk konsumtion, men du behöver använda de verktyg som tillhandahålls för att granska hur exakta dina prognoser har varit. Om man tittar på felet totalt i prognosresultaten kommer du att kunna bestämma hur olika prognosen är från historisk konsumtion. Den beräknas genom subtrahering av tidigare prognosvärden från vad som konsumeras. Ett stort fel totalt bör indikera att du kanske inte har valt rätt prognosmodell. Också ses på prognosresultatskärmen är den genomsnittliga absoluta avvikelsen (MAD). Det ger ett mått på hur mycket faktisk konsumtion avviker från prognosen. I bilden ovan kan du se beräkningen av MAD. Ta en minut och överväga utmaningsfrågan. Klar för svaret Ju mindre MAD, ju bättre prognosen var desto mindre var avvikelsen, desto bättre. Förhoppningsvis har du det rätt Nästa fält jag kommer att diskutera är spårningsgränsen som visas i skärmbilden nedan: Spårningssignalen beräknas genom att dividera prognosvärdet (FS) för perioden av MAD. När spårningsgränsen överstiger spårningssignalen utlöses ett undantagsmeddelande. Det är möjligt att systemet automatiskt använder ett nytt modellval när det händer. I de följande bloggartiklarna kommer jag att ge detaljerade exempel på följande prognosmetoder: Konstant modell Konstant med utjämning Modellutvecklingsmodell Säsongsmodell Säsongsmodell Modell Flytta Genomsnittlig Modellviktad Flyttande Genomsnittlig Modell Automatisk Modellval Jag kommer också att skicka en annan artikel om prognoskonfiguration av Följande: Viktningsgrupper för viktat glidande medelvärde Definiera splittring av prognoskrav för MRP Dela det här: Skrivet av Jocelyn Hayes Grundare av Platinum ERP, Jocelyn beskriver kompetensen och erfarenheten hos en Platinum SAP Consultant och Trainer. Under de senaste 15 åren har hon överfört sin stora SAP-kunskap till SAP-kunder genom traditionell utbildning, e-learning, virtuella workshops, talar på konferenser, individuell coaching och konsultation. Jocelyn är också certifierat för att underlätta ERPsim SAP Simulations spelhändelser globalt och känner starkt att spelet ska vara det första steget i alla SAP-användare att lära sig. Jocelyn bestämde sig för att starta Platinum ERP för att övergå och dela sin teknik med andra konsulter på Platinum-nivå och utveckla ett världsklass SAP Knowledge-företag. Jocelyn kan nås på Jocelyn. HayesPlatinumERP. Introduction Den föregående artikeln tittade på vad glidande medelvärden är och hur man beräknar dem. Denna artikel tittar nu på hur man implementerar dessa i Web Intelligence. Formeln som används här är kompatibel med XIr3-versionen av SAP BOE, men vissa formler kan fungera i tidigare versioner om de finns tillgängliga. We8217ll börjar med att titta på hur man beräknar ett enkelt glidande medelvärde innan man tittar på vägda och exponentiella former. Arbetade exempel Exemplen nedan använder alla samma dataset som är av aktiekursdata i en Excel-fil som du kan ladda ner. Den första kolumnen i filen är börskursens datum och sedan kolumner med öppningspris, högsta pris på dagen, lägsta pris, slutkurs, volym och justerad slutkurs. We8217ll använder slutkurs i vår analys nedan med datumobjektet. Enkelt rörligt medelvärde Det finns ett par sätt på vilka vi kan beräkna enkla glidande medelvärden. Ett alternativ är att använda funktionen Föregående för att få värdet av en föregående rad. Till exempel beräknar följande formel ett glidande medelvärde på vårt slutkurspris för en glidande genomsnittsdataset med storlek 3, det här är en ganska enkel formel, men det är uppenbart att det inte är praktiskt när vi har ett stort antal perioder här vi kan göra användning av RunningSum formel och för en dataset av storlek N vi har Slutligen har vi en 3: e teknik, som trots att det är mer komplicerat kan det ha bättre prestanda eftersom det beräknar det nya värdet baserat på tidigare värde istället för två löpande summer över hela data uppsättning. Men denna formel fungerar bara efter Nth-punkten i den övergripande datamängden och eftersom det hänvisar till ett tidigare värde måste vi också ange ett startvärde. Nedan är den fullständiga formeln som används för vår aktiekursanalys där vår glidande genomsnittliga period är 15 dagar. Datumet 1252010 är den 15: e datapunkten i vår dataset och så för denna punkt beräknar vi ett normalt genomsnitt med RunningSum. För alla datum bortom detta värde använder vi vår SMA-formel och vi lämnar tomma alla datum före detta datum. Figur 1 nedan är ett diagram i Web Intelligence som visar våra aktiekursdata med ett enkelt glidande medelvärde. Figur 1. Web Intelligence-dokument som visar en enkel rörlig genomsnittsviktad rörlig genomsnittsvärde En vägd glidande medelformel med en period av 3 är, Som med vår första enkla glidande medelformeln ovan är det bara praktiskt under ett litet antal perioder. Jag har ännu inte kunnat hitta en enkel formel som kan användas för större glidande medelperioder. Matematiskt är det möjligt men begränsningar med Web Intelligence innebär att dessa formler don8217t konverterar. Om någon kan göra det skulle jag gärna höra Figuren nedan är ett WMA i period 6 som implementeras i Web Intelligence. Figur 2. Web Intelligence-dokument av ett Viktat Flyttande Medel Exponentiellt Flytande Medel Ett exponentiellt rörligt medelvärde är ganska rakt framåt för att implementera i Web Intelligence och det är ett lämpligt alternativ till ett vägat rörligt medelvärde. Den grundläggande formeln är här we8217ve hårdkodad 0,3 som vårt värde för alfa. Vi tillämpar bara denna formel för perioder större än vår andra period så vi kan använda ett if-uttalande för att filtrera dessa ut. För vår första och andra perioden kan vi använda det tidigare värdet och så är vår slutliga formel för EMA, Nedan är ett exempel på en EMA tillämpad på våra lagerdata. Figur 3. Web Intelligence-dokument visar en exponentiell rörlig genomsnittlig ingångskontroll Eftersom vår EMA-formel inte bygger på storleken på den glidande medeltiden och vår enda variabel är alfa kan vi använda Input Controls för att tillåta användaren att justera värdet av alfa. För att göra detta skapar du en ny variabel som heter 8216alpha8217 och definierar it8217s formel som, Uppdatera vår EMA-formel till, Skapa en ny ingångskontroll välj vår alfabalva som inputkontrollrapportobjektet Använd en enkel reglage och ställ in följande egenskaper, En gång gjort du ska kunna flytta skjutreglaget och omedelbart se förändringarna till trendlinjen i diagrammet. Slutsats Vi tittade på hur man implementerar tre typer av glidande medelvärde i Web Intelligence och även om allt var möjligt är det Exponentiella rörliga genomsnittet förmodligen det enklaste och mest flexibla . Jag hoppas att du hittade den här artikeln intressant och som alltid är någon feedback väldigt välkommen. Posta navigering Lämna ett svar Avbryt svar Du måste vara inloggad för att skriva en kommentar. Tricket till Weighted Moving Average (WMA) är att du måste skapa en variabel som representerar WMA-täljare (se Wikipedia för referens.) Det ska se ut som följande: Föregående (Själv) (n Stäng) 8211 (Föregående (RunningSum ( Stäng)) 8211 Föregående (RunningSum (Stäng) n1) där n är antalet perioder. Då skulle den faktiska WMA8217s formel vara så här: Numerator (n (n 1) 2) där Numerator är den variabel du skapade tidigare.