1 Kapitel 13 Prognosförfrågan Kvalitativa prognosmetoder Enkeltviktade Flyttande medelprognoser Exponentiell utjämning. Presentation på temat: 1 Kapitel 13 Prognosfrågor Kvalitativa prognosmetoder Enkeltviktade Flyttande medelprognoser Exponentiell utjämning. Presentation transkript: 1 1 Kapitel 13 Förutspådningsbehovsförvaltning Kvalitativa prognosmetoder Enkeltviktade Flyttande medelprognoser Exponentiell utjämning 5 5 Typer av prognoser av Time Horizon Kortdistansprognos Mediumprognosprognos Långdistansprognos 6 6 Typer prognoser per produkt Prognos Ekonomiska prognoser Tekniska prognoser Efterfrågan på efterfrågan 8 8 Efterfrågekomponenter Genomsnittlig efterfrågan för en tidsperiod Trend Säsongselement Cykliska element Slumpmässig variation Autokorrelation 9 9 Hitta komponenter efterfrågan 1234 xxxxxx xx xxx xxxxxxxxx xxx xxx xxxxxxxxxxxxxxxxxxxx Årsförsäljning Säsongsvariation Linjär trend 10 10 cyklisk komponent Upprepning av rörelser på grund av interaktioner mellan faktorer som påverkar ekonomin Vanligtvis 2-10 års varaktighet Mo. Qtr. Yr. Reaktionscykel B 11 11 Slumpmässig komponent Oregelbundna, osystematiska, återstående fluktuationer På grund av slumpmässig variation eller oförutsedda händelser Kort varaktighet utan repetition 1984-1994 TMaker Co. 12 12 Kvalitativa metoder Grassrötter Marknadsundersökningspanel Konsensus Verkställande dom Historisk analogi Delphi Metod Kvalitativa metoder 13 13 Delphi Metod l. Välj experterna att delta. 2. Hämta prognoser från alla deltagare genom ett frågeformulär (eller e-post). 3. Sammanfatta resultaten och omfördela dem till deltagarna tillsammans med lämpliga nya frågor. 4. Sammanfatta igen, raffinera prognoser och villkor och utveckla igen nya frågor. 5. Upprepa steg 4 om det behövs. Distribuera de slutliga resultaten till alla deltagare. 14 14 Orsaksmodeller Kvantitativa prognosmetoder Kvantitativa prognoser Tidsseriemodeller Linjär regression Exponentiell utjämning Trendprojektion Flyttande medelvärde 15 15 Tidsserieanalys Tidsserieprognosmodeller försöker förutse framtiden utifrån tidigare data. Du kan välja modeller baserade på: 16 16 Simple Moving Average Formula Den enkla glidande medelmodellen förutsätter ett medelvärde är en bra bedömning av framtida beteende. Formeln för det enkla glidande medlet är: F t Prognos för den kommande perioden N Antal perioder som ska genomsnittas A t-1 Faktisk händelse under den senaste perioden i upp till n perioder 17 17 Enkelt rörande medelproblem (1) Fråga: Vad är 3 veckors och 6 veckors glidande medelprognoser för efterfrågan Antag att du bara har 3 veckor och 6 veckor av faktiska efterfrågningsdata för respektive prognos 18 F 4 (650678720) 3 682,67 F 7 (650678720 785859920) 6 768,67 Beräkning av rörelse Medelvärdena ger oss: McGraw-Hill Companies, Inc. 2000 18 20 20 Enkelt rörande medelproblem (2) Datafråga: Vilken 3 veckors glidande medelprognos för dessa data Antag att du bara har 3 veckor och 5 veckor av faktiska efterfrågningsdata för respektive prognos 22 22 Vägt rörlig medelformel Medan den glidande medelformeln innebär att en lika stor vikt placeras på varje värde som är medelvärde tillåter det vägda glidande medlet en ojämn viktning vid tidigare tidsperioder. w t vikt givet till tidsperiod t förekomst. (Vikten måste läggas till ett.) Formeln för glidande medelvärdet är: 23 23 Vägt Flyttande Medelproblem (1) Datavikter: t-1.5 t-2.3 t-3.2 Fråga: Vad är prognosen och vikterna i veckan, vad är prognosen för den 4: e perioden eller veckan 4 25 25 Vägt rörligt medelproblem (2) Datavikter: t-1.7 t-2.2 t-3.1 Fråga: Med tanke på veckovisa efterfrågningsinformation och vikter, vad är den vägda glidande genomsnittliga prognosen för den femte period eller vecka 28 28 Exponentiell utjämningsproblem (1) Data Fråga: Med tanke på de veckovisa efterfrågade data, vilka är exponentiella utjämningsprognoser för perioder 2-10 med 0,10 och 0,60 Antag F 1 D 1 29 29 Svar: De respektive alfaspelarna anger prognosvärden. Observera att du bara kan förutse en tidsperiod i framtiden. 31 31 Exponentiell utjämningsproblem (2) Data Fråga: Vilka är exponentiella utjämningsprognoser för perioder 2-5 med en 0,5 Antag F 1 D 1 33 33 Linjär trendprojektion Används för att prognosera linjär trendlinje Antag förhållandet mellan svarsvariabler Y-tid X är en linjär funktion 34 34Y X Linjär regressionsmodell Observerat värde YabX ii YabX ii Felfel Regressionslinje 35 35 Korrelation Svar hur starkt är det linjära förhållandet mellan 2 variabler Korrelationskorrelation som används Används huvudsakligen för förståelse 36 36 Korrelationsvärden1.00 Perfekt Positiv Korrelation Ökad grad av negativ korrelation -.5.5 Perfekt negativ korrelation Ingen korrelation Ökad grad av positiv korrelation 37 37 Enkel linjär regressionsmodell Y ta bx 0 1 2 3 4 5 x (Tid) Y Den enkla linjära regressionsmodellen syftar till att passa en linje genom olika data över tid. Är den linjära regressionsmodellen. en yt är det regresserade prognosvärdet eller den beroende variabeln i modellen, a är regressionslinjens interceptvärde och b liknar regressionslinjens lutning. Men eftersom det beräknas med variabiliteten av data i åtanke är dess formulering inte lika rakt fram som vår vanliga uppfattning om sluttning. 39 39 Enkelt linjärt regressionsproblem Data Fråga: Vad är den enkla linjära regressionsmodellen som kan användas för att förutsäga försäljningen 41 41 MAD Problem Data MånadSalesForecast 1220na 2250255 3210205 4300320 5325315 Fråga: Vad är MAD-värdet givet prognosvärdena i tabellen nedan 42 42 MAD Problem Lösning MonthSalesForecastAbs Fel 1220na 22502555 32102055 430032020 532531510 40 Observera att MAD endast låter oss veta det genomsnittliga felet i en uppsättning prognoser. 43 43 Spårningssignalformeln TS är ett mått som anger om prognosmedlet överensstämmer med eventuella äkta uppåtgående eller nedåtgående förändringar i efterfrågan. Beroende på antalet MAD valde, kan TS användas som ett kvalitetskontrollschema som indikerar när modellen genererar för mycket fel i prognoserna. TS-formuläret är: 1 Kapitel 13 Prognoser för efterfrågan på hantering av kvalitativa prognoser Enkeltviktade rörliga medelprognoser Exponentiell utjämning. Presentation på temat: 1 Kapitel 13 Prognosfrågor Kvalitativa prognosmetoder Enkeltviktade Flyttande medelprognoser Exponentiell utjämning. Presentation transkript: 1 1 Kapitel 13 Förutspådningsbehovsförvaltning Kvalitativa prognosmetoder Enkeltviktade Flyttande medelprognoser Exponentiell utjämning 5 5 Typer prognoser med Time Horizon Kortdistansprognos Mediumprognosprognos Långdistansprognos 6 6 Typer prognoser per produkt Prognos Ekonomiska prognoser Tekniska prognoser Efterfrågan på efterfrågan 8 8 Efterfrågekomponenter Genomsnittlig efterfrågan för en tidsperiod Trend Säsongselement Cykliska element Slumpmässig variation Autokorrelation 9 9 Hitta komponenter efterfrågan 1234 xxxxxx xx xxx xxxxxxxxx xxx xxx xxxxxxxxxxxxxxxxxxxx Årsförsäljning Säsongsvariation Linjär trend 10 10 cyklisk komponent Upprepning av rörelser på grund av interaktioner mellan faktorer som påverkar ekonomin Vanligtvis 2-10 års varaktighet Mo. Qtr. Yr. Reaktionscykel B 11 11 Slumpmässig komponent Oregelbundna, osystematiska, återstående fluktuationer På grund av slumpmässig variation eller oförutsedda händelser Kort varaktighet utan repetition 1984-1994 TMaker Co. 12 12 Kvalitativa metoder Grassrötter Marknadsundersökningspanel Konsensus Verkställande dom Historisk analogi Delphi Metod Kvalitativa metoder 13 13 Delphi Metod l. Välj experterna att delta. 2. Hämta prognoser från alla deltagare genom ett frågeformulär (eller e-post). 3. Sammanfatta resultaten och omfördela dem till deltagarna tillsammans med lämpliga nya frågor. 4. Sammanfatta igen, raffinera prognoser och villkor och utveckla igen nya frågor. 5. Upprepa steg 4 om det behövs. Distribuera de slutliga resultaten till alla deltagare. 14 14 Orsaksmodeller Kvantitativa prognosmetoder Kvantitativa prognoser Tidsseriemodeller Linjär regression Exponentiell utjämning Trendprojektion Flyttande medelvärde 15 15 Tidsserieanalys Tidsserieprognosmodeller försöker förutse framtiden utifrån tidigare data. Du kan välja modeller baserade på: 16 16 Simple Moving Average Formula Den enkla glidande medelmodellen förutsätter ett medelvärde är en bra bedömning av framtida beteende. Formeln för det enkla glidande medlet är: F t Prognos för den kommande perioden N Antal perioder som ska genomsnittas A t-1 Faktisk händelse under den senaste perioden i upp till n perioder 17 17 Enkelt rörande medelproblem (1) Fråga: Vad är 3 veckors och 6 veckors glidande medelprognoser för efterfrågan Antag att du bara har 3 veckor och 6 veckor av faktiska efterfrågningsdata för respektive prognos 18 F 4 (650678720) 3 682,67 F 7 (650678720 785859920) 6 768,67 Beräkning av rörelse Medelvärdena ger oss: McGraw-Hill Companies, Inc. 2000 18 20 20 Enkelt rörande medelproblem (2) Datafråga: Vilken 3 veckors glidande medelprognos för dessa data Antag att du bara har 3 veckor och 5 veckor av faktiska efterfrågningsdata för respektive prognos 22 22 Vägt rörlig medelformel Medan den glidande medelformeln innebär att en lika stor vikt placeras på varje värde som är medelvärde tillåter det vägda glidande medlet en ojämn viktning vid tidigare tidsperioder. w t vikt givet till tidsperiod t förekomst. (Vikten måste läggas till ett.) Formeln för glidande medelvärdet är: 23 23 Vägt Flyttande Medelproblem (1) Datavikter: t-1.5 t-2.3 t-3.2 Fråga: Vad är prognosen och vikterna i veckan, vad är prognosen för den 4: e perioden eller veckan 4 25 25 Vägt rörligt medelproblem (2) Datavikter: t-1.7 t-2.2 t-3.1 Fråga: Med tanke på veckovisa efterfrågningsinformation och vikter, vad är den vägda glidande genomsnittliga prognosen för den femte period eller vecka 28 28 Exponentiell utjämningsproblem (1) Data Fråga: Med tanke på de veckovisa efterfrågade data, vilka är exponentiella utjämningsprognoser för perioder 2-10 med 0,10 och 0,60 Antag F 1 D 1 29 29 Svar: De respektive alfaspelarna anger prognosvärden. Observera att du bara kan förutse en tidsperiod i framtiden. 31 31 Exponentiell utjämningsproblem (2) Data Fråga: Vilka är exponentiella utjämningsprognoser för perioder 2-5 med en 0,5 Antag F 1 D 1 33 33 Linjär trendprojektion Används för att prognosera linjär trendlinje Antag förhållandet mellan svarsvariabler Y-tid X är en linjär funktion 34 34Y X Linjär regressionsmodell Observerat värde YabX ii YabX ii Felfel Regressionslinje 35 35 Korrelation Svar hur starkt är det linjära förhållandet mellan 2 variabler Korrelationskorrelation som används Används huvudsakligen för förståelse 36 36 Korrelationsvärden1.00 Perfekt Positiv Korrelation Ökad grad av negativ korrelation -.5.5 Perfekt negativ korrelation Ingen korrelation Ökad grad av positiv korrelation 37 37 Enkel linjär regressionsmodell Y ta bx 0 1 2 3 4 5 x (Tid) Y Den enkla linjära regressionsmodellen syftar till att passa en linje genom olika data över tid. Är den linjära regressionsmodellen. en yt är det regresserade prognosvärdet eller den beroende variabeln i modellen, a är regressionslinjens interceptvärde och b liknar regressionslinjens lutning. Men eftersom det beräknas med variabiliteten av data i åtanke är dess formulering inte lika rakt fram som vår vanliga uppfattning om sluttning. 39 39 Enkelt linjärt regressionsproblem Data Fråga: Vad är den enkla linjära regressionsmodellen som kan användas för att förutsäga försäljningen 41 41 MAD Problem Data MånadSalesForecast 1220na 2250255 3210205 4300320 5325315 Fråga: Vad är MAD-värdet givet prognosvärdena i tabellen nedan 42 42 MAD Problem Lösning MonthSalesForecastAbs Fel 1220na 22502555 32102055 430032020 532531510 40 Observera att MAD endast låter oss veta det genomsnittliga felet i en uppsättning prognoser. 43 43 Spårningssignalformeln TS är ett mått som anger om prognosmedlet överensstämmer med eventuella äkta uppåtgående eller nedåtgående förändringar i efterfrågan. Beroende på antalet MAD valde, kan TS användas som ett kvalitetskontrollschema som indikerar när modellen genererar för mycket fel i prognoserna. TS-formeln är: 1 Prognosprognoser Terminologi Enkelt rörlig medelviktsflyttande medelvärde Exponentiell utjämning Enkel linjär regressionsmodell Hålmodell. Presentation på temat: 1 Prognosprognoser Terminologi Enkelt Flyttande Medelviktad Flyttande Medel Exponentiell Utjämning Enkel Linjär Regression Modell Hålmodell. Presentation transkript: 1 1 Prognosprognos Terminologi Enkel Flytta Genomsnittlig Viktad Flyttande Medel Exponentiell Utjämning Enkel Linjär Regression Modell Hål Trend Modell Säsongsmodell (Ingen Trend) Vinter Modell för Data med Trend och Seasonal Components 2 2 Utvärdera prognoser Visuell granskning Fel Fel Mät MPE och MAPE Spårningssignal 3 3 Historiska data 0 50 100 150 200 250 300 350 400 01020304050 Prognoser Terminologi Initialisering ExPost Prognos Historiska data 4 4 Vi tittar nu på en framtid härifrån och framtiden vi tittade på i februari innehåller nu några av våra förflutna , och vi kan införliva det förflutna i vår prognos. 1993, den första hälften, som nu är det förflutna och var framtiden när vi utgav vår första prognos, ligger nu över Laura DAndrea Tyson, chef för presidiets råd för ekonomiska rådgivare, citerad i november 1993 i Chicago Tribune och förklarar varför Förvaltningen minskade sina prognoser för den ekonomiska tillväxten till 2 procent från den 3,1 procent som det förutspådde i februari. Prognoser Terminologi 5 5 Prognosproblem Antag att ditt brödsortiment hus förbrukat följande antal ölfall under de senaste 6 helgerna: 8, 5, 7, 3, 6, 9 Hur många fall tror du att din broderskapsmoroditet kommer att förbrukas i helgen 6 6 0 1 2 3 4 5 6 7 8 9 10 012345678 Veckofrågor Prognos: Enkel rörlig genomsnittsmetod Med hjälp av ett treårs glidande medelvärde får vi följande prognos: 7 7 0 1 2 3 4 5 6 7 8 9 10 012345678 Veckor Fodral Prognos: Enkel rörlig genomsnittlig metod Vad händer om vi använde ett tvåårs glidande medelvärde 8 8 Antalet perioder som används i den glidande genomsnittliga prognosen påverkar prognosmetoden: 0 1 2 3 4 5 6 7 8 9 10 012345678 Veckofrågor Prognoser : Enkelt Flyttande Medel Metod 2 Perioder 3 Perioder 1 Period 9 9 Forecasting Terminology Använda denna terminologi till vårt problem med hjälp av Moving Average-prognosen: Initialisering ExPost Forecast Model Evaluation 10 10 Det kan vara vettigt att använda vikten i stället för lika vikter hts som gynnar nyare konsumtionsvärden. Med det vägda rörliga genomsnittsvärdet måste vi välja vikter som är individuellt större än noll och mindre än 1 och som grupp summa till 1: Giltiga vikter: (.5, .3, .2), (.6, .3 , .1), (12, 13, 16) Ogiltiga vikter: (.5, .2, .1), (.6, -.1, .5), (.5, .4, .3, .2 ) Prognos: Viktad Flyttande Medel Metod 11 11 Prognos: Viktad Flyttande Medel Metod En Vägt Flytta Genomsnittlig prognos med vikter av (16, 13, 12), utförs enligt följande: Hur gör du vägtrafikprognosen mer responsiv 12 12 Exponentiell Utjämning är utformad för att ge fördelarna med den vägda rörliga genomsnittsprognosen utan det besvärliga problemet med att specificera vikter. Vid exponentiell utjämning är det endast en parameter (): utjämningskonstant (mellan 0 och 1) Prognos: Exponentiell utjämning 14 14 tA (t) F (t) 18 256,5 375,9 436,34 565 695,4 7 6,84 8 9 10 6,84 Prognos: Exponentiell utjämning Användning av 0,4 Initialisering ExPost Prognos 16 16 Prognos: Exponentiell utjämning 0 0,1 0,2 0,3 0,5 0,5 0,7 0,7 0,9 0,9 1 1234567 Period Vikt 0,1 0,3 0,5 0,7 0,9 20 20 Prognos: Enkel Linjär Regression Modell Enkel linjär regression kan användas för att prognostisera data med trender D är det regresserade prognosvärdet eller den beroende variabeln i modellen, a är regressionslinjens interceptvärde och b är lutningen på regressionslinjen. a D 0 1 2 3 4 5 I b 21 21 Prognos: Enkel linjär regressionsmodell I linjär regression minimeras de kvadratiska felen Fel 23 23 0 50 100 150 200 250 0246810121416 Begränsningar i linjär regressionsmodell Som med den enkla rörliga genomsnittsmodellen, alla datapunkter räknas lika med enkel linjär regression. 24 24 Prognos: Holts Trend Model För att prognostisera data med trender kan vi använda en exponentiell utjämningsmodell med trend, ofta känd som Holts modell: L (t) A (t) (1) F (t) T (t) L (t) - L (t-1) (1) T (t-1) F (t1) L (t) T (t) Vi kunde använda linjär regression för att initiera modellen 26 26 Hålmodell: Uppdatering 52 L (t) A (t) (1) F (t) L (5) 0,3 (52) 0,7 (70) 64,6 T (t) L (t) - L (t-1) -1) T (5) 0,4 64,6 60,1 0,6 (9,9) 7,74 F (t1) L (t) T (t) F (6) 64,6 7,74 72,34 64,6 7,74 72,346 27 27 Hålmodellmodell: Uppdatering 63 L (6) 0,3 (63) 0,7 (72,34) 69,54 T (6) 0,4 69,54 64,60 0,6 (7,74) 6,62 F (7) 69,54 6,62 76,16 69,54 6,62 76,167 72 29 29 Regression 0 50 100 150 200 250 300 350 05101520 Initialisering ExPost Prognos Prognoshål Modell Resultat 31 (t) L (t) (1) S (tp) Säsongsmodell Formlerna p är antal perioder i en säsong Kvartalsdata: p 4 Månadsdata: p 12 F (t1) L (t) S (t1-p) 32 32 Säsongsmodell Initia lering S (5) 0,60 S (6) 1,00 S (7) 1,55 S (8) 0,85 L (8) 26,5 Kvartal Genomsnitt 16,0 26,5 41,0 22,5 Säsongsfaktor S (t) 0,60 1,00 1,55 0,85 Genomsnittlig försäljning per kvartal 26,5 A ) 2003Spring16 Summer27 Fall39 Winter22 2004Spring16 Summer26 Fall43 Winter23 33 33 Säsongsmodellprognos 26.711.0325.18 26.621.5541.32 25.180.5916.002005Spring14 Summer29 Fall41 Winter22 26.340.8422.60 2006Spring Sommarhöst Vinter 15.53 27.02 40.69 22.25 A (t) L (t) Säsongsfaktor S ( t) F (t) 2004Spring160.60 Summer261.00 Fall431.55 Winter2326.500.85 35 35 Prognos: Winters Modell för data med trend och säsongsmässiga komponenter L (t) A (t) S (tp) (1) L -1 (T-1) (1) T (t-1) S (t) A (t) L (t) S (tp) F (t1) L (t) T (t) S (t1-p) 36 36 Säsongens trendmodell Nedbrytning För att initiera Winters Model använder vi sönderdelningsprognoser, som i sig kan användas för att göra prognoser. 37 37 Nedbrytningsprognos Det finns två sätt att sönderdela prognosdata med trend - och säsongskomponenter: Använd regression för att få trenden, använd trendlinjen för att få säsongsfaktorer Använd medelvärdet för att få säsongsfaktorer, säsongalisera data och använd sedan regression till få trenden. 38 38 Nedbrytningsprognos Följande data innehåller trend - och säsongskomponenter: 39 39 Nedbrytningsprognoser Säsongsfaktorerna erhålls enligt samma metod som används för prognos för säsongsmodell: PeriodQuarterSales 1Spring90 2Summer157 3Fall123 4Winter93 5Spring128 6Summer211 7Fall163 8Winter122 Genomsnitt 135,9 Genomsnitt för 1 Qtr. Ave. 109 184 143 107.5 Hav. Faktor 0,80 1,35 1,05 0,79 1,00 40 40 Nedbrytning Prognos Med säsongsfaktorerna kan data säsongsspecifiseras genom att dividera data med säsongsfaktorer: Regression på de säsongsmässiga data kommer att ge trenden 42 42 Nedbrytning Prognosregression på de - seasonaliserad data ger följande resultat: Slope (m) 7.71 Intercept (b) 101.2 Prognoser kan utföras med följande ekvation mx b (säsongsfaktor) 44 44 Vintermodell Initialisering Vi kan använda nedbrytningsprognosen för att definiera följande Winters Model parametrar : L (n) bm (n) T (n) m S (j) S (jp) L (8) 101,2 8 (7,71) 162,88 T (8) 7,71 S (5) 0,80 S (6) 1,35 S ) 1.05 S (8) 0.79 Så från vår tidigare modell har vi 45 45 Winters Modell Exempel 176.4110.040.81136.47 197.8514.601.39251.71 215.0015.621.06223.07 9Spring152 10Summer303 11Fall232 12Winter171 226.3713.920.78182.19 13Spring 14Summer 15Fall 16Winter 195.19 352.41 283,09 220,87 0,3 0,2 0,2 PeriodQuarterSalesL (t) T (t) S (t) F (t) 1S pring90 2Summer157 3Fall123 4Winter93 5Spring1280.8 6Summer2111.35 7Fall1621.05 8Winter122162.887.710.79 46 46 0 50 100 150 200 250 300 350 400 12345678910111213141516 Vinter Modell Exempel 47 47 Utvärdering av prognoser Lita på, men verifiera Ronald W. Reagan Datorsoftware ger oss den förmåga att röra upp mer data i större skala effektivare Medan programvara som SAP automatiskt kan välja modeller och modellparametrar för en uppsättning data, och vanligtvis gör det så bra, när data är viktiga, bör en människa granska modellresultaten En av de bästa verktygen är det mänskliga ögat 48 48 0 10 20 30 40 50 60 123456789101112131415 Visuell recension Hur skulle du utvärdera denna prognos 49 49 0 50 100 150 200 250 300 350 400 01020304050 Prognos Utvärdering Initialisering ExPostprognos Varprognos utvärderas Inte inkludera initialisering data i utvärdering 50 50 0 100 150 200 250 300 350 400 2025303540 Fel Alla felåtgärder jämför prognosmodellen med de faktiska data för ExPost Foreca st region 51 51 Felmätning Alla felmått är baserade på jämförelse av prognosvärden till faktiska värden i ExPost Forecast-regionen, inklusive data från initialisering. 53 53 Bias berättar om vi har en tendens att över - eller underskatta. Om våra prognoser befinner sig i mitten av data, bör felen vara lika positiva och negativa, och summa till 0. MAD (Medel Absolute Avvikelse) är medelfelet, ignorerar om felet är positivt eller negativt. Fel är dåliga, och ju närmare noll ett fel är desto bättre är prognosen sannolikt att vara. Felåtgärder visar hur bra metoden fungerade i ExPost-prognosregionen. Hur bra prognosen kommer att fungera i framtiden är osäker. Bias och MAD 54 54 Absolut vs. Relative Measures Prognoser gjordes för två uppsättningar data. Vilken prognos var bättre Dataset 1 Bias 18,72 MAD 43,99 Dataset 2 Bias 182 MAD 912.5 Dataset 1 Dataset 2 55 55 MPE och MAPE När siffrorna i en dataset är större i storleksordningen är felmåtten sannolikt stora också, även om passformen kanske inte är lika bra. Medelprocentfel (MPE) och genomsnittligt absolut felprocent (MAPE) är relativa former av Bias och MAD. MPE och MAPE kan användas för att jämföra prognoser för olika datamängder. 60 60 0 10 20 30 40 50 60 123456789101112131415 Spårningssignal Vad hände i denna situation Hur kan vi upptäcka detta i en automatisk prognosmiljö 61 61 Spårningssignal Spårningssignalen kan beräknas efter det att varje verkligt försäljningsvärde registrerats. Spårningssignalen beräknas som: Spårningssignalen är en relativ åtgärd, som MPE och MAPE, så det kan jämföras med ett bestämt värde (typiskt 4 eller 5) för att identifiera när prognosparametrar och / eller modeller behöver ändras. Definition i viktad glidande genomsnittsmodell (prognostrategi 14) viktas 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 enligt prognos beräknas med denna prognosstrategi.
No comments:
Post a Comment