Tagged con media mobile semplice In settimana 6 del corso vedremo la gestione della domanda e previsione, un settore che sta ricevendo notevole attenzione, soprattutto come interesse per la gestione della supply chain cresce e cerchiamo di pianificare e coordinare la supply chain come un modo più efficace totale. Si dice spesso che le previsioni sono di solito sbagliate, alcuni in modo spettacolare: Gli obiettivi di apprendimento per questa settimana del corso sono che è necessario comprendere il ruolo della previsione come base per la pianificazione della supply chain. Che si sarà in grado di confrontare le differenze tra domanda indipendente e dipendente. In terzo luogo, che si sarà in grado di identificare i componenti di base di una domanda indipendente, tra cui media, tendenza, stagionali e variazione casuale. Sarete in grado di descrivere le tecniche di previsione qualitativi comuni come Delphi Metodo e Forecasting Collaborativo. Capirai tecniche di previsione quantitativa di base e l'uso della decomposizione di prevedere quando è presente tendenza e stagionalità. Il video che segue sottolinea la necessità di accuratezza e buon senso nelle previsioni: previsioni possono essere suddivisi in due tipi, strategiche e tattiche. Le previsioni strategiche sono utilizzate per assistere alla creazione della strategia che determinerà come la domanda è soddisfatta. Le previsioni tattiche sono utilizzate per assistere il processo decisionale in un giorno per giorno. La gestione della domanda è usato per influenzare le fonti di prodotto o di domanda di servizi, sia la crescente domanda, il calo della domanda o mantenere ad un livello costante. Il video che segue analizza i fattori che influenzano previsione nel settore del vino: Domanda dipendenti e indipendenti Ci sono due fonti fondamentali di domanda, dipendenti e indipendenti. domanda dipendente è la richiesta che si verifica come risultato della domanda di altri prodotti o servizi. domanda indipendente è la domanda che non può essere previsto in base alla domanda di un altro prodotto o servizio. domanda dipendente è di solito molto difficile da influenzare 8211 è la domanda che non dipende da fattori che si possono influenzare e piuttosto è la domanda che hai bisogno. domanda indipendente di solito può essere influenzato e quindi le organizzazioni hanno una scelta circa se assumono un ruolo attivo e influenzino o assumere un ruolo passivo e semplicemente rispondere alla domanda che esiste. Il seguente video esamina come lavoro di Motorola con la loro previsione: Il libro di testo individua quattro tipi di base di previsioni. previsione qualitativa si basa sulla valutazione umana e alcune delle tecniche utilizzate nella previsione qualitativa sarà discusso più avanti. analisi di serie temporali esamina i modelli di dati nel tempo. I rapporti causali esamina le relazioni tra i fattori che influenzeranno domanda e simulazione cerca di modellare la domanda in modo che l'inter-relazione tra fattori di domanda può essere meglio compresa. Il seguente video esamina come la gestione e previsione della domanda sono effettuate a Lowes: Di solito la domanda è pensato come avere sei componenti, media, di tendenza, elementi stagionali, elementi ciclici, di variazione casuale e autocorrelazione. Questi elementi della domanda ci permettono di capire il modello di domanda di un prodotto che potrebbe essere applicato alla previsione della domanda futura. la domanda media è la domanda media per un prodotto nel tempo. La tendenza mostra come la domanda è cambiata nel corso del tempo e domanda stagionale mostra variazioni stagionali della domanda. Elementi cicliche avvengono in un periodo più lungo di elementi stagionali e sono più difficili da prevedere, che si verificano, ad esempio, a seguito di cicli economici. variazione casuale si basa su eventi casuali che sono impossibili da prevedere, mentre autocorrelazione è la relazione tra passato e la domanda futura, cioè, che la domanda futura è legata alla domanda attuale. Quando vi è un elevato grado di variazione casuale c'è poca relazione tra la domanda attuale e futura domanda. Quando vi è un elevato grado di autocorrelazione vi è una forte relazione tra la domanda attuale e futura. I modelli della serie modelli delle serie storiche prevedere il futuro sulla base di modelli del passato. I vari modelli sono disponibili e quello che si dovrebbe usare dipende l'orizzonte temporale che si desidera prevedere, i dati che si hanno a disposizione, l'accuratezza che si richiedono, la dimensione del bilancio di previsione e la disponibilità di persone adeguatamente qualificato per intraprendere le analisi. La seguente tabella da pagina 488 del libro di testo è disegno per assistere selezionando l'apposito attrezzo: regressione lineare è usato dove esiste una relazione funzionale tra due variabile correlata, utilizzato per predire una variabile basata sull'altro. È utile dove i dati è relativamente stabile. Scomposizione di una serie storica viene utilizzato per identificare e separare i dati di serie temporali nelle sue varie componenti della domanda. Due tipi di variazione stagionale sono identificati 8211 additivo, dove la quantità stagionale in ogni stagione è costante e moltiplicativa dove la variazione stagionale è una percentuale della domanda per un periodo di tempo. La media mobile semplice è utile quando la domanda è relativamente stabile, non aumentando o diminuendo rapidamente e dove ci sono alcune caratteristiche stagionali. Le medie mobili possono essere centrati attorno al loro punto medio, o utilizzati come base per predire il futuro. Utilizzo di un periodo di tempo più lungo si tradurrà in più lisciatura di variazione durante l'utilizzo di un periodo di tempo più breve rivelerà tendenze statistiche in modo più rapido. Una media mobile ponderata consente di particolare peso periodi di tempo all'interno della media per ottenere una maggiore precisione. Ad esempio, il peso più pesante può essere dato per periodi di tempo più recente in modo da mettere maggiormente l'accento sulla recente attività richiesta. livellamento esponenziale è il più usato di tutte le tecniche di previsione e appare in tutte le applicazioni di previsione basati su computer. E 'utilizzato alot nelle industrie di vendita al dettaglio e dei servizi. Spesso è molto preciso, è abbastanza facile da fare, è facilmente comprensibile, richiede poco calcolo e può essere facilmente testato per la precisione. Dettagli Il video che segue lo svolgimento di queste tecniche di previsione: la previsione qualitativa comporta l'applicazione di giudizio umano per creare una previsione. Di solito un approccio strutturato viene utilizzato, a differenza di questo: Varie tecniche sono utilizzate per la previsione qualitativa, tra cui: analogia storica. Basando le previsioni sul modello domanda di prodotti simili. Ricerca del mercato: Le previsioni sono creati da una società di ricerche di mercato, utilizzando principalmente indagini e interviste. Pannello Consensus: Quando un gruppo di persone con conoscenze nel settore soggetto alle previsioni, condividere i loro pensieri e sviluppare una previsione. Delphi Metodo: Una tecnica basata sondaggio che crea l'anonimato in un gruppo. E 'descritto nel seguente video: Collaborative Planning, Forecasting e Replenishment. CPFR è un'innovazione recente che utilizza Internet per permettere alle persone di collaborare alla creazione del tempo: Ci sono due tipi di errori di previsione. errori sistematici si verificano quando c'è un errore consistente fatto che permea la previsione fatta. Gli errori casuali sono errori che can8217t essere spiegata dal modello di previsione 8211 si verificano in modo casuale e su base imprevedibile. Le misure di errore di previsione includono Media deviazione assoluta (MAD), errore assoluto medio percentuale (MAPE) e del segnale di monitoraggio. Il video che segue considera le questioni in errore di previsione umana: monitoraggio del segnale è una misura che viene utilizzato per monitorare le prestazioni effettive della previsione nel corso del tempo per vedere se è in linea con le variazioni della domanda nel mondo reale. Può essere utilizzato come un grafico di controllo della qualità. Questa settimana abbiamo considerato la gestione e previsione della domanda, utilizzando tecniche sia qualitative e quantitative. L'accento è stato posto sulla necessità di garantire che le previsioni siano realistiche e l'attenzione siano stati informati sull'uso delle previsioni sulla base di precedenti prestazioni 8211 è doesn8217t solito dire che cosa il futuro farà ma spesso vi aiuterà a preparare. Il video che segue presenta l'applicazione delle tecnologie dell'informazione per la previsione ed è forse una conclusione divertente a questo week8217s materiale: In pratica la media mobile fornirà una buona stima della media della serie storica se la media è costante o lentamente cambiando. Nel caso di una media costante, il più grande valore di m darà la migliore stima del mezzo sottostante. Un periodo di osservazione più lungo sarà mediare gli effetti della variabilità. Lo scopo di fornire una più piccola m è quello di permettere la previsione di rispondere ad un cambiamento nel processo sottostante. Per illustrare, proponiamo un insieme di dati che incorpora i cambiamenti nel mezzo di base della serie storica. La figura mostra la serie storica utilizzata per l'illustrazione insieme con la domanda media da cui è stata generata la serie. La media inizia come una costante a 10. Partendo tempo 21, aumenta di una unità in ciascun periodo fino a raggiungere il valore di 20 al momento 30. Allora diventa di nuovo costante. I dati vengono simulato aggiungendo alla media, un rumore casuale da una distribuzione normale con media nulla e deviazione standard 3. I risultati della simulazione sono arrotondati all'intero più vicino. La tabella mostra le osservazioni simulate utilizzati per l'esempio. Quando usiamo la tabella, dobbiamo ricordare che in un dato momento, solo i dati del passato sono noti. Le stime del parametro del modello, per tre diversi valori di m sono mostrati insieme con la media della serie storiche nella figura sottostante. La figura mostra la stima media mobile della media in ogni momento e senza la previsione. Le previsioni dovrebbero spostare le curve di media mobile a destra da punti. Una conclusione è immediatamente evidente dalla figura. Per tutte e tre le stime della media mobile è in ritardo rispetto l'andamento lineare, con il ritardo aumenta con m. Il ritardo è la distanza tra il modello e la stima della dimensione temporale. A causa del ritardo, la media mobile sottovaluta le osservazioni come la media è in aumento. La polarizzazione dello stimatore è la differenza in un momento specifico nel valore medio del modello e il valore medio previsto dalla media mobile. La polarizzazione quando aumenta la media è negativo. Per una media decrescente, la polarizzazione è positivo. Il ritardo nel tempo e la distorsione introdotta nella stima sono funzioni di m. Maggiore è il valore di m. maggiore è la grandezza di lag e polarizzazione. Per una serie sempre crescente con andamento a. i valori di ritardo e distorsione dello stimatore della media è data nelle equazioni seguenti. Le curve di esempio non corrispondono queste equazioni, perché il modello di esempio, non è in continuo aumento, piuttosto che inizia come una costante, modifiche a una tendenza e poi diventa di nuovo costante. Anche le curve di esempio sono influenzate dal rumore. La previsione media mobile di periodi nel futuro è rappresentato spostando le curve a destra. Il ritardo e pregiudizi aumentano proporzionalmente. Le equazioni di sotto indicano il ritardo e la polarizzazione di un periodi di previsione nel futuro rispetto ai parametri del modello. Di nuovo, queste formule sono per una serie temporale con un andamento lineare costante. Non dovremmo essere sorpresi di questo risultato. Lo stimatore media mobile è basata sull'ipotesi di una media costante, e l'esempio ha un andamento lineare nel mezzo durante una parte del periodo di studio. Poiché serie tempo reale raramente esattamente obbedire alle ipotesi di qualsiasi modello, dobbiamo essere preparati per tali risultati. Possiamo anche concludere dalla figura che la variabilità del rumore ha il più grande effetto per piccole m. La stima è molto più volatile per la media mobile 5 rispetto alla media mobile di 20. Abbiamo i desideri contrastanti per aumentare m per ridurre l'effetto della variabilità dovuta al rumore, e di diminuire m per rendere la previsione più sensibile alle variazioni in media. L'errore è la differenza tra i dati effettivi e il valore previsto. Se la serie temporale è veramente un valore costante il valore atteso dell'errore è zero e la varianza dell'errore è costituito da un termine che è una funzione di e un secondo termine che è la varianza del rumore,. Il primo termine è la varianza della media stimata con un campione di m osservazioni, assumendo i dati provengono da una popolazione con una media costante. Questo termine viene minimizzato rendendo m più grande possibile. Una grande m rende la previsione risponde ad un cambiamento nelle serie temporali sottostante. Per rendere la previsione sensibile ai cambiamenti, vogliamo M più piccolo possibile (1), ma questo aumenta la varianza dell'errore. previsione pratica richiede un valore intermedio. Previsione con Excel Il componente aggiuntivo Forecasting implementa le formule media mobile. L'esempio seguente mostra l'analisi fornita dal componente aggiuntivo per i dati di esempio nella colonna B. I primi 10 osservazioni sono indicizzati -9 attraverso 0. Rispetto alla tabella di cui sopra, gli indici di periodo sono spostati da -10. I primi dieci osservazioni forniscono i valori di avvio per la stima e vengono utilizzati per calcolare la media mobile per il periodo 0. Il MA (10) della colonna (C) mostra le medie mobili calcolate. La media mobile parametro m è nella cella C3. La parte anteriore (1) colonna (D) mostra una previsione per un periodo nel futuro. L'intervallo di previsione è in cella D3. Quando l'intervallo di tempo viene modificato in un numero maggiore i numeri nella colonna Fore sono spostati verso il basso. La colonna Err (1) (E) mostra la differenza tra l'osservazione e la previsione. Ad esempio, l'osservazione al tempo 1 è 6. Il valore previsto fatta dalla media mobile al tempo 0 è 11.1. L'errore quindi è -5.1. La deviazione standard e media deviazione media (MAD) sono calcolati in celle E6 e E7 respectively. Simple media mobile Operations Management Assegnazione Aiuto media mobile semplice tutte le caratteristiche di stagione, una media mobile semplice può essere molto utile per identificare una tendenza all'interno della fluttuazione dei dati. Ad esempio, se vogliamo prevedere le vendite nel mese di giugno con una media mobile di cinque mesi, siamo in grado di prendere la media delle vendite nel mese di gennaio, febbraio, marzo. Aprile e maggio. Quando giugno passe. la previsione per luglio sarebbe la media del mese di febbraio, marzo, aprile, maggio e giugno. La formula per un semplice spostamento previsione media è Supponiamo di voler prevedere la domanda settimanale per un prodotto utilizzando sia un tre settimane e una media mobile di nove settimane. come indicato negli Allegati 9.6 e 9.7. Queste previsioni sono calcolate come segue: Per illustrare, tre settimane previsioni per la settimana è: le operazioni correlate e Gestione delle assegnazioni mobile ponderata Affidabilità media della Chiave dati Formule di serie temporali Analisi esponenziale
No comments:
Post a Comment