Vektet Bevegelse Gjennomsnittet Prognoser Ppt

1 Kapittel 13 Prognosehåndtering Kvalitative prognosemetoder Enkeltvektet Flytte Gjennomsnittlig prognoser Eksponentiell utjevning. Presentasjon på tema: 1 Kapittel 13 Forutsigbar etterspørselsstyring Kvalitative prognosemetoder Enkeltvektet Moving Gjennomsnittlig prognoser Eksponentiell utjevning. Presentasjon transkripsjon: 1 1 Kapittel 13 Forespørsel Etterspørselsstyring Kvalitative prognosemetoder Enkelvektet Flytte Gjennomsnittlig prognoser Eksponensiell utjevning 5 5 Typer av prognoser etter Time Horizon Korttidsvarsel Prognose for middels rekkevidde Langtidsvarsel 6 6 Typer av prognoser etter varsel Prognose Økonomiske prognoser Teknologiske prognoser Etterspørselsprognoser 8 8 Komponentene i etterspørselen Gjennomsnittlig etterspørsel etter en periode Trend Sesongelement Sykliske elementer Tilfeldig variasjon Autokorrelasjon 9 9 Finne komponenter av etterspørsel 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx Årsalg Sesongvariasjon Linjær trend 10 10 Syklisk komponent Gjenta oppover bevegelser På grunn av vekselvirkninger av faktorer som påvirker økonomien Vanligvis 2-10 års varighet Mo. Qtr. Yr. Response Cycle B 11 11 Tilfeldig komponent Uregelmessige, usystematiske, residuelle fluktuasjoner På grunn av tilfeldig variasjon eller uforutsette hendelser Kort varighet uten reperasjon 1984-1994 TMaker Co. 12 12 Kvalitative metoder Grassrøtter Markedsanalyseplan Konsensus Utøvelsesdom Historisk analog Delphi Metode Kvalitative metoder 13 13 Delphi Metode l. Velg eksperter til å delta. 2. Hent prognoser fra alle deltakere gjennom et spørreskjema (eller e-post). 3. Oppsummer resultatene og distribuere dem til deltakerne sammen med aktuelle nye spørsmål. 4. Oppsummer igjen, raffinere prognoser og forhold, og igjen utvikle nye spørsmål. 5. Gjenta trinn 4 om nødvendig. Fordel de endelige resultatene til alle deltakerne. 14 14 Årsaksmodeller Kvantitative prognosemetoder Kvantitative prognoser Tidsseriemodeller Linjær regresjon Eksponensiell utjevning Trendprojeksjon Flytende gjennomsnitt 15 15 Tidsserieanalyse Tidsspesifikke prognosemodeller prøver å forutsi fremtiden basert på tidligere data. Du kan velge modeller basert på: 16 16 Simple Moving Average Formula Den enkle, flytende gjennomsnittsmodellen antar et gjennomsnitt er en god estimator for fremtidig oppførsel. Formelen for det enkle glidende gjennomsnittet er: F t Prognose for den kommende perioden N Antall perioder som skal gjennomsnittes A t-1 Faktisk forekomst i den siste perioden i opptil n perioder 17 17 Enkelt Moving Average Problem (1) Spørsmål: Hva er de 3 ukers og 6 ukers glidende gjennomsnittlige prognosene for etterspørsel. Forutsatt at du bare har 3 uker og 6 uker med faktiske etterspørseldata for de respektive prognosene. 18 F 4 (650678720) 3 682,67 F 7 (650678720 785859920) 6 768.67 Beregning av bevegelsen gjennomsnitt gir oss: The McGraw-Hill Companies, Inc. 2000 18 20 20 Enkelt Moving Average Problem (2) Data Spørsmål: Hva er 3 ukers glidende gjennomsnittlig prognose for denne data Anta at du bare har 3 uker og 5 uker med faktiske etterspørseldata for de respektive prognosene 22 22 Vektet Flytende Gjennomsnittlig Formel Mens den bevegelige gjennomsnittlige formel innebærer at en lik vekt blir plassert på hver verdi som blir gjennomsnittlig, tillater det veide glidende gjennomsnitt en ulik vekting på tidligere tidsperioder. w t vekt gitt til tidsperiode t forekomst. (Vektene må legges til en.) Formelen for glidende gjennomsnitt er: 23 23 Vektet Flytende Gjennomsnittlig Problem (1) Datavekter: t-1.5 t-2.3 t-3.2 Spørsmål: Hva er prognosen og vikten, hva er prognosen for 4. periode eller uke 4 25 25 Vektet Flytende Gjennomsnittlig Problemer (2) Datavekter: t-1.7 t-2.2 t-3.1 Spørsmål: Hva er den veide gjennomsnittlige prognosen for den femte periode eller uke 28 28 Eksponensiell utjevning Problem (1) Data Spørsmål: Hva er de eksponentielle utjevningsprognosene for perioder 2-10 ved bruk av 0,10 og 0,60. Antag F 1 D 1 29 29 Svar: De respektive alfasøyler angir prognoseverdier. Merk at du kun kan prognose en tidsperiode inn i fremtiden. 31 31 Eksponensiell utjevning Problemer (2) Data Spørsmål: Hvilke eksponensielle utjevningsprognoser for perioder 2-5 bruker en 0,5 Anta F 1 D 1 33 33 Linjær trendprojeksjon Brukes til å prognose lineær trendlinje Anta forholdet mellom responsvariabel Y tid X er en lineær funksjon 34 34Y X Linjær regresjonsmodell Observert verdi YabX ii YabX ii Feil Feil Regresjonslinje 35 35 Korrelasjon Svar hvor sterk er det lineære forholdet mellom 2 variabler Korrelasjonskorrelasjon brukt Brukt hovedsakelig for forståelse 36 36 Korrelasjonsverdier1.00 Perfekt Positiv Korrelasjon Økende grad av negativ korrelasjon -.5.5 Perfekt negativ korrelasjon Ingen korrelasjon Økende grad av positiv korrelasjon 37 37 Enkel lineær regresjonsmodell Y ta bx 0 1 2 3 4 5 x (Tid) Y Den enkle lineære regresjonsmodellen søker å passe en linje gjennom ulike data over tid. Er den lineære regresjonsmodellen. en Yt er den regresserte prognoseværdien eller den avhengige variabelen i modellen, a er inngripsverdien til regresjonslinjen, og b er lik hellingen til regresjonslinjen. Men siden det beregnes med variasjonen av dataene i tankene, er formuleringen ikke like rett frem som vår vanlige forestilling om helling. 39 39 Enkelt lineært regresjonsproblem Data Spørsmål: Gitt dataene nedenfor, hva er den enkle lineære regresjonsmodellen som kan brukes til å forutsi salg 41 41 MAD Problemdata MånedSalesForecast 1220na 2250255 3210205 4300320 5325315 Spørsmål: Hva er MAD-verdien gitt prognosverdiene i tabellen under 42 42 MAD Problem Løsning MonthSalesForecastAbs Feil 1220na 22502555 32102055 430032020 532531510 40 Merk at MAD bare lar oss vite den gjennomsnittlige feilen i et sett med prognoser. 43 43 Sporing Signal Formel TS er et mål som angir om prognosen gjennomsnittet holder tritt med eventuelle ekte oppover eller nedover endringer i etterspørselen. Avhengig av antall MADer som er valgt, kan TS brukes som et kvalitetsstyringsdiagram som angir når modellen genererer for mye feil i prognosene. TS-formelen er: 1 Kapittel 13 Forutgående kravstyring Kvalitative prognosemetoder Enkeltvektet Moving Gjennomsnittlig prognoser Eksponentiell utjevning. Presentasjon på tema: 1 Kapittel 13 Forutsigbar etterspørselsstyring Kvalitative prognosemetoder Enkeltvektet Moving Gjennomsnittlig prognoser Eksponentiell utjevning. Presentasjon transkripsjon: 1 1 Kapittel 13 Forespørsel Etterspørselsstyring Kvalitative prognosemetoder Enkelvektet Flytte Gjennomsnittlig prognoser Eksponensiell utjevning 5 5 Typer av prognoser etter Time Horizon Korttidsvarsel Prognose for middels rekkevidde Langtidsvarsel 6 6 Typer av prognoser etter varsel Prognose Økonomiske prognoser Teknologiske prognoser Etterspørselsprognoser 8 8 Komponentene i etterspørselen Gjennomsnittlig etterspørsel etter en periode Trend Sesongelement Sykliske elementer Tilfeldig variasjon Autokorrelasjon 9 9 Finne komponenter av etterspørsel 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx Årsalg Sesongvariasjon Linjær trend 10 10 Syklisk komponent Gjenta oppover bevegelser På grunn av vekselvirkninger av faktorer som påvirker økonomien Vanligvis 2-10 års varighet Mo. Qtr. Yr. Response Cycle B 11 11 Tilfeldig komponent Uregelmessige, usystematiske, residuelle fluktuasjoner På grunn av tilfeldig variasjon eller uforutsette hendelser Kort varighet uten reperasjon 1984-1994 TMaker Co. 12 12 Kvalitative metoder Grassrøtter Markedsanalyseplan Konsensus Utøvelsesdom Historisk analog Delphi Metode Kvalitative metoder 13 13 Delphi Metode l. Velg eksperter til å delta. 2. Hent prognoser fra alle deltakere gjennom et spørreskjema (eller e-post). 3. Oppsummer resultatene og distribuere dem til deltakerne sammen med aktuelle nye spørsmål. 4. Oppsummer igjen, raffinere prognoser og forhold, og igjen utvikle nye spørsmål. 5. Gjenta trinn 4 om nødvendig. Fordel de endelige resultatene til alle deltakerne. 14 14 Årsaksmodeller Kvantitative prognosemetoder Kvantitative prognoser Tidsseriemodeller Linjær regresjon Eksponensiell utjevning Trendprojeksjon Flytende gjennomsnitt 15 15 Tidsserieanalyse Tidsspesifikke prognosemodeller prøver å forutsi fremtiden basert på tidligere data. Du kan velge modeller basert på: 16 16 Simple Moving Average Formula Den enkle, flytende gjennomsnittsmodellen antar et gjennomsnitt er en god estimator for fremtidig oppførsel. Formelen for det enkle glidende gjennomsnittet er: F t Prognose for den kommende perioden N Antall perioder som skal gjennomsnittes A t-1 Faktisk forekomst i den siste perioden i opptil n perioder 17 17 Enkelt Moving Average Problem (1) Spørsmål: Hva er de 3 ukers og 6 ukers glidende gjennomsnittlige prognosene for etterspørsel. Forutsatt at du bare har 3 uker og 6 uker med faktiske etterspørseldata for de respektive prognosene. 18 F 4 (650678720) 3 682,67 F 7 (650678720 785859920) 6 768.67 Beregning av bevegelsen gjennomsnitt gir oss: The McGraw-Hill Companies, Inc. 2000 18 20 20 Enkelt Moving Average Problem (2) Data Spørsmål: Hva er 3 ukers glidende gjennomsnittlig prognose for denne data Anta at du bare har 3 uker og 5 uker med faktiske etterspørseldata for de respektive prognosene 22 22 Vektet Flytende Gjennomsnittlig Formel Mens den bevegelige gjennomsnittlige formel innebærer at en lik vekt blir plassert på hver verdi som blir gjennomsnittlig, tillater det veide glidende gjennomsnitt en ulik vekting på tidligere tidsperioder. w t vekt gitt til tidsperiode t forekomst. (Vektene må legge til en.) Formelen for glidende gjennomsnitt er: 23 23 Vektet Flytende Gjennomsnittlig Problem (1) Datavekter: t-1.5 t-2.3 t-3.2 Spørsmål: Hva er prognosen og vektene i uken, hva er prognosen for 4. periode eller uke 4 25 25 Vektet Flytende Gjennomsnittlig Problemer (2) Datavekter: t-1.7 t-2.2 t-3.1 Spørsmål: Hva er den veide gjennomsnittlige prognosen for den femte periode eller uke 28 28 Eksponensiell utjevning Problem (1) Data Spørsmål: Hva er de eksponentielle utjevningsprognosene for perioder 2-10 ved bruk av 0,10 og 0,60. Antag F 1 D 1 29 29 Svar: De respektive alfasøyler angir prognoseverdier. Merk at du kun kan prognose en tidsperiode inn i fremtiden. 31 31 Eksponensiell utjevningsproblemer (2) Data Spørsmål: Hvilke eksponensielle utjevningsprognoser for perioder 2-5 bruker en 0,5 Anta F 1 D 1 33 33 Linjær trendprojeksjon Brukes til å prognose lineær trendlinje Anta forholdet mellom responsvariabel Y tid X er en lineær funksjon 34 34Y X Linjær regresjonsmodell Observert verdi YabX ii YabX ii Feil Feil Regresjonslinje 35 35 Korrelasjon Svar hvor sterk er det lineære forholdet mellom 2 variabler Korrelasjonskorrelasjon brukt Brukt hovedsakelig for forståelse 36 36 Korrelasjonsverdier1.00 Perfekt Positiv Korrelasjon Økende grad av negativ korrelasjon -.5.5 Perfekt negativ korrelasjon Ingen korrelasjon Økende grad av positiv korrelasjon 37 37 Enkel lineær regresjonsmodell Y ta bx 0 1 2 3 4 5 x (Tid) Y Den enkle lineære regresjonsmodellen søker å passe en linje gjennom ulike data over tid. Er den lineære regresjonsmodellen. en Yt er den regresserte prognoseværdien eller den avhengige variabelen i modellen, a er inngripsverdien til regresjonslinjen, og b er lik hellingen til regresjonslinjen. Men siden det beregnes med variasjonen av dataene i tankene, er formuleringen ikke like rett frem som vår vanlige forestilling om helling. 39 39 Enkelt lineært regresjonsproblem Data Spørsmål: Gitt dataene nedenfor, hva er den enkle lineære regresjonsmodellen som kan brukes til å forutsi salg 41 41 MAD Problemdata MånedSalesForecast 1220na 2250255 3210205 4300320 5325315 Spørsmål: Hva er MAD-verdien gitt prognosverdiene i tabellen under 42 42 MAD Problem Løsning MonthSalesForecastAbs Feil 1220na 22502555 32102055 430032020 532531510 40 Merk at MAD bare lar oss vite den gjennomsnittlige feilen i et sett med prognoser. 43 43 Sporing Signal Formel TS er et mål som angir om prognosen gjennomsnittet holder tritt med eventuelle ekte oppover eller nedover endringer i etterspørselen. Avhengig av antall MADer som er valgt, kan TS brukes som et kvalitetsstyringsdiagram som angir når modellen genererer for mye feil i prognosene. TS-formelen er: 1 Forecasting Forecasting Terminology Enkel Flytende Gjennomsnittvektet Flytende Gjennomsnittlig Eksponentiell Utjevning Enkel Linjær Regresjonsmodell Holts Trend Model. Presentasjon på tema: 1 Forecasting Forecasting Terminology Enkelt Moving Gjennomsnittvektet Flytende Gjennomsnittlig Eksponentiell Utjevning Enkel Linjær Regresjonsmodell Holts Trend Model. Presentasjon transkripsjon: 1 1 Forecasting Prognose Terminologi Enkelt Moving Gjennomsnittlig Vektet Flytende Gjennomsnittlig Eksponensiell Utjevning Enkel Linjær Regresjonsmodell Holts Trend Modell Sesongmodell (Ingen Trend) Vintermodell for Data med Trend og Seasonal Components 2 2 Evaluering av prognoser Visuell gjennomgang Feil Feil Mål MPE og MAPE Sporingssignal 3 3 Historiske data 0 50 100 150 200 250 300 350 400 01020304050 Forecasting Terminologi Initialisering ExPost Forecast Historisk Data 4 4 Vi ser nå på en fremtid herfra, og fremtiden vi så på i februar, inneholder nå noen av våre fortid , og vi kan inkludere fortiden i vår prognose. 1993, den første halvdelen, som nå er fortiden, og var fremtiden da vi utstedte vår første prognose, er nå over Laura DAndrea Tyson, leder for presidentrådets økonomiske rådgivere, sitert i november 1993 i Chicago Tribune, og forklarte hvorfor Administrasjonen reduserte sine prognoser for økonomisk vekst til 2 prosent fra 3,1 prosent den forutslo i februar. Forecasting Terminology 5 5 Prognoseproblemer Anta at ditt brorskapssituasjon hus forbruker følgende antall øltilfeller for de siste 6 helgene: 8, 5, 7, 3, 6, 9 Hvor mange tilfeller tror du at brorskapet ditt vil forbruke i helgen 6 6 0 1 2 3 4 5 6 7 8 9 10 012345678 Uke Saker Forecasting: Enkel Flytende Gjennomsnittlig Metode Ved å bruke et tre-glidende gjennomsnitt, vil vi få følgende prognose: 7 7 0 1 2 3 4 5 6 7 8 9 10 012345678 Uke Tilfeller Prognoser: Enkel Flytende Gjennomsnittlig metode Hva om vi brukte et to-glidende gjennomsnitt 8 8 Antall perioder som brukes i den bevegelige gjennomsnittlige prognosen, påvirker responsen til prognosemetoden: 0 1 2 3 4 5 6 7 8 9 10 012345678 Uke Tilfeller Forecasting : Enkel Flytende Gjennomsnitt Metode 2 Perioder 3 Perioder 1 Period 9 9 Forecasting Terminology Bruk denne terminologien til vårt problem ved å bruke Moving Average prognose: Initialisering ExPost Forecast Model Evaluering 10 10 I motsetning til likevekter kan det være fornuftig å bruke weig hts som favoriserer nyere forbruk verdier. Med vektet flytende gjennomsnitt må vi velge vekter som er individuelt større enn null og mindre enn 1, og som gruppesum til 1: Gyldige vekter: (.5, .3, .2), (.6, .3 , .1), (12, 13, 16) Ugyldige vekter: (.5, .2, .1), (.6, -.1, .5), (.5, .4, .3, .2 ) Prognose: Vektet Flytende Gjennomsnittlig Metode 11 11 Forventning: Vektet Flytende Gjennomsnittlig Metode En Vektet Flytende Gjennomsnittlig prognose med vekt på (16, 13, 12), utføres som følger: Hvordan gjør du Vektet Flytende Gjennomsnittlig prognose mer responsiv 12 12 Eksponentiell Utjevning er utformet for å gi fordelene med vektet flytte gjennomsnittlig prognose uten det besværlige problemet med å spesifisere vekter. Ved eksponensiell utjevning er det bare en parameter (): utjevning av konstant (mellom 0 og 1) Forutsetninger: Eksponensiell utjevning 14 14 tA (t) F (t) 18 256,5 375,9 436,34 565 695,4 7 6,84 8 9 10 6,84 Forventning: Eksponentiell utjevning Bruke 0,4, Initialisering ExPost Forecast 16 16 Forecasting: Eksponensiell utjevning 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1234567 Periode Vekt 0.1 0.3 0.5 0.7 0.9 20 20 Forecasting: Enkel lineær regresjonsmodell Enkel lineær regresjon kan brukes til å prognose data med trender D er den regresserte prognosen eller den avhengige variabelen i modellen, a er intervallverdien til regresjonslinjen, og b er hellingen til regresjonslinjen. a D 0 1 2 3 4 5 I b 21 21 Forutsetninger: Enkel lineær regresjonsmodell Ved lineær regresjon, minimeres de kvadratiske feilene Feil 23 23 0 50 100 150 200 250 0246810121416 Begrensninger i lineær regresjonsmodell Som med den enkle glidende gjennomsnittsmodellen, alle datapunkter teller likt med enkel lineær regresjon. 24 24 Forecasting: Holts Trend Model For å prognose data med trender, kan vi bruke en eksponensiell utjevningsmodell med trend, ofte kjent 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 kunne bruke lineær regresjon for å initialisere modellen 26 26 Holts Trend Model: Oppdatering 52 L (t) A (t) L (t) - L (t-1) (1) T (t) L (5) 0,3 (52) 0,7 (70) 64,6 T -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 Holter Treningsmodell: Oppdatering 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 Regresjon 0 50 100 150 200 250 300 350 05101520 Initialisering ExPost Forecast Forecast Holts Modellresultater 31 (1) S (t) A (t) L (t) (1) S (tp) Sesongmodell Formler p er antall perioder i en sesong Kvartalsdata: p 4 Månedlige data: p 12 F (t1) L (t) S (t1-p) 32 32 Sesongmodell Initia lering S (5) 0,60 S (6) 1,00 S (7) 1,55 S (8) 0,85 L (8) 26,5 Kvartal Gjennomsnitt 16,0 26,5 41,0 22,5 Sesongfaktor S (t) 0,60 1,00 1,55 0,85 Gjennomsnittlig omsetning per kvartal 26,5 A ) 2003Spring16 Summer27 Fall39 Winter22 2004Spring16 Summer26 Fall43 Winter23 33 33 Sesongprognoser 26.711.0325.18 26.621.5541.32 25.180.5916.002005Spring14 Summer29 Fall41 Winter22 26.340.8422.60 2006Spring Sommer Høst Vinter 15.53 27.02 40.69 22.25 A (t) L (t) Sesongfaktor S ( t) F (t) 2004Spring160.60 Summer261.00 Fall431.55 Winter2326.500.85 35 35 Forutsigelser: Vinter Modell for data med trend og sesongkomponenter L (t) A (t) S (tp) (1) L T (1) (1) T (t-1) S (t) A (t) L (t) (1) S (tp) F (t1) L (t) T (t) S (t1-p) 36 36 Sesong-trendmodell Dekomponering For å initialisere Winters Model, bruker vi nedbrytningsprognoser, som i seg selv kan brukes til å lage prognoser. 37 37 Nedbrytningsprognoser Det er to måter å dekomponere prognosedata med trend - og sesongkomponenter: Bruk regresjon for å få trenden, bruk trendlinjen for å få sesongmessige faktorer Bruk gjennomsnitt for å få sesongmessige faktorer, seisongaliser dataene, og bruk regresjon til få trenden. 38 38 Nedbrytningsprognoser Følgende data inneholder trend - og sesongkomponenter: 39 39 Nedbrytningsprognoser Sesongfaktorene er oppnådd med samme metode som brukes til sesongmessig modellprognose: PeriodQuarterSales 1Spring90 2Summer157 3Fall123 4Winter93 5Spring128 6Summer211 7Fall163 8Winter122 Gjennomsnittlig 135,9 Gjennomsnittlig til 1 Qtr. Ave. 109 184 143 107,5 Hav. Faktor 0,80 1,35 1,05 0,79 1,00 40 40 Dekomponering Forutsigelse Med sesongmessige faktorer kan dataene sesongbasert ved å dele dataene med sesongfaktorer: Regresjon på de sesongbaserte dataene vil gi trenden 42 42 Nedbrytning Prognose Regresjon på de - seasonaliserte data gir følgende resultater: Helling (m) 7.71 Avskjæring (b) 101.2 Prognoser kan utføres ved å bruke følgende ligning mx b (sesongfaktor) 44 44 Vintermodell Initialisering Vi kan bruke dekomponeringsprognosen til å definere følgende Winters Model parametere : 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 fra vår tidligere modell har vi 45 45 Winters Modell Eksempel 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 PeriodeQuarterSalesL (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 Vintermodell Eksempel 47 47 Evaluering av prognoser Tillit, men bekreft Ronald W. Reagan Dataprogramvare gir oss den mulighet til å rotere flere data i større skala mer effektivt Selv om programvare som SAP automatisk kan velge modeller og modellparametere for et sett med data, og vanligvis gjør det riktig, når dataene er viktige, bør en person vurdere modellresultatene En av de beste verktøyene er det menneskelige øye 48 48 0 10 20 30 40 50 60 123456789101112131415 Visuell gjennomgang Hvordan ville du evaluere denne prognosen 49 49 0 50 100 150 200 250 300 350 400 01020304050 Prognose Evaluering Initialisering ExPost Forecast Hvor prognose vurderes Ikke inkluder initialisering data i evaluering 50 50 0 100 150 200 250 300 350 400 2025303540 Feil Alle feiltiltak sammenligner prognosemodellen med de faktiske dataene for ExPost Foreca st region 51 51 Feilmål Alle feilmålinger er basert på sammenligning av prognoseverdier til faktiske verdier i ExPost Forecast-regionen, og inkluderer ikke data fra initialisering. 53 53 Bias forteller oss om vi har en tendens til å over - eller under-prognose. Hvis våre prognoser er midt i dataene, må feilene være like positive og negative, og bør summen til 0. MAD (gjennomsnittlig absolutt avvik) er gjennomsnittlig feil, ignorerer om feilen er positiv eller negativ. Feil er dårlige, og jo nærmere null en feil er, desto bedre er prognosen sannsynlig. Feilmålene forteller hvor godt metoden virket i ExPost-prognosområdet. Hvor godt prognosen vil fungere i fremtiden er usikker. Bias og MAD 54 54 Absolut vs. Relative Measures Det ble foretatt prognoser for to sett med data. Hvilken prognose var bedre Datasett 1 Bias 18,72 MAD 43,99 Datasett 2 Bias 182 MAD 912.5 Datasett 1 Datasett 2 55 55 MPE og MAPE Når tallene i et datasett er større i størrelse, er feilmålingene sannsynligvis store også, selv om passformen kanskje ikke er så god. Feilprosent Feil (MPE) og gjennomsnittlig Absolutt Prosentfeil (MAPE) er relative former for henholdsvis Bias og MAD. MPE og MAPE kan brukes til å sammenligne prognoser for ulike datasett. 60 60 0 10 20 30 40 50 60 123456789101112131415 Sporingssignal Hva skjedde i denne situasjonen Hvordan kunne vi oppdage dette i et automatisk prognosemiljø 61 61 Sporingssignal Sporingssignalet kan beregnes etter at hver reell salgsverdi er registrert. Sporingssignalet beregnes som: Sporingssignalet er et relativt mål, som MPE og MAPE, slik at det kan sammenlignes med en innstilt verdi (typisk 4 eller 5) for å identifisere når prognoseparametere og / eller modellene må endres. Definisjon I vektet glidende gjennomsnittlig modell (prognosestrategi 14) blir alle historiske verdier vektet med en faktor fra vektorgruppen i den univariate prognoseprofilen. Formel for vektet flytende gjennomsnitt Den vektede glidende gjennomsnittsmodellen lar deg vekten på nyere historiske data tyngre enn eldre data når du bestemmer gjennomsnittet. Du gjør dette hvis nyere data er mer representativ for hva fremtidig etterspørsel vil være enn eldre data. Derfor er systemet i stand til å reagere raskere på en endring i nivå. Nøyaktigheten av denne modellen avhenger i stor grad av ditt valg av vektningsfaktorer. Hvis tidsseriemønsteret endres, må du også tilpasse vektningsfaktorene. Når du oppretter en vektegruppe, angir du vektningsfaktorene som prosentandel. Summen av vektningsfaktorene må ikke være 100. Ingen prospektprognose beregnes med denne prognosestrategien.