Marcado com o desvio absoluto médio Na semana passada da semana passada, na sexta-feira, discutimos métodos de previsão média móvel, simples e ponderados. Quando uma série de tempo é estacionária, isto é, não exibe tendência discernível ou sazonalidade e está sujeita apenas à aleatoriedade da existência cotidiana, os métodos médios móveis ou mesmo uma média simples de toda a série são úteis para prever os próximos períodos. No entanto, a maioria das séries temporais são tudo menos estacionárias: as vendas no varejo têm elementos tendenciais, sazonais e cíclicos, enquanto as empresas de serviços públicos têm componentes de tendência e sazonal que afetam o uso de eletricidade e calor. Assim, as abordagens de previsão média móvel podem fornecer resultados menos do que desejáveis. Além disso, os números de vendas mais recentes geralmente são mais indicativos de vendas futuras, então muitas vezes é necessário ter um sistema de previsão que dê maior peso às observações mais recentes. Insira o alisamento exponencial. Ao contrário dos modelos médios móveis, que usam um número fixo dos valores mais recentes na série temporal para suavização e previsão, o alisamento exponencial incorpora todos os valores de séries temporais, colocando o peso mais pesado nos dados atuais e pesa sobre observações mais antigas que diminuem exponencialmente Tempo. Devido à ênfase em todos os períodos anteriores no conjunto de dados, o modelo de suavização exponencial é recursivo. Quando uma série de tempo não exibe sazonalidade ou tendência forte ou discernível, pode ser aplicada a forma mais simples de suavização exponencial de suavização exponencial única. A fórmula para o alisamento exponencial único é: Nesta equação, t1 representa o valor de previsão para o período t 1 Y t é o valor real do período atual, t t é o valor de previsão para o período atual, t e é a constante de suavização. Ou alfa, um número entre 0 e 1. Alpha é o peso que você atribui à observação mais recente em sua série temporal. Essencialmente, você baseia sua previsão para o próximo período no valor real desse período, e o valor que você previu para esse período, que por sua vez foi baseado em previsões para períodos anteriores a isso. Let8217s assumem que você está no negócio por 10 semanas e quer prever as vendas para a 11ª semana. As vendas para as primeiras 10 semanas são: da equação acima, você sabe que, para chegar a uma previsão para a semana 11, você precisa de valores previstos para as semanas 10, 9 e todo o caminho até a semana 1. Você também sabe Essa semana 1 não tem nenhum período anterior, portanto não pode ser previsível. E, você precisa determinar a constante de suavização, ou alfa, para usar para suas previsões. Determinando a Previsão Inicial O primeiro passo na construção do seu modelo de suavização exponencial é gerar um valor de previsão para o primeiro período em sua série temporal. A prática mais comum é definir o valor previsto da semana 1 igual ao valor real, 200, o que faremos no nosso exemplo. Outra abordagem seria que, se você tiver dados de vendas anteriores para isso, mas não o estiver usando na construção do modelo, você pode tomar uma média de um par de períodos imediatamente anteriores e usá-lo como a previsão. Como você determina sua previsão inicial é subjetiva. Quão grande deve ser Alpha Este também é uma chamada de julgamento, e encontrar o alfa apropriado está sujeito a tentativa e erro. Geralmente, se sua série de tempo é muito estável, um pequeno é apropriado. A inspeção visual de suas vendas em um gráfico também é útil na tentativa de identificar um alfa para começar. Por que é o tamanho do importante. Porque quanto mais perto for 1, quanto mais peso for atribuído ao valor mais recente na determinação da sua previsão, mais rapidamente sua previsão se ajustará aos padrões em sua série temporal e menor alisamento que ocorrer. Da mesma forma, quanto mais próximo for 0, quanto mais peso for colocado em observações anteriores na determinação da previsão, quanto mais lenta sua previsão se ajuste aos padrões na série temporal, e quanto mais o alisamento ocorrer. Let8217s inspecionam visualmente as 10 semanas de vendas: O Processo de Suavização Exponencial As vendas aparecem um tanto irregulares, oscilando entre 200 e 235. Let8217s começam com um alfa de 0,5. Isso nos dá a seguinte tabela: observe como, mesmo que suas previsões sejam precisas, quando seu valor real para uma semana específica for maior que o que você previu (semanas 2 a 5, por exemplo), suas previsões para cada uma das semanas subseqüentes ( Semanas 3 a 6) ajustar para cima quando seus valores reais são mais baixos do que sua previsão (por exemplo, semanas 6, 8, 9 e 10), suas previsões para a próxima semana se ajustam para baixo. Observe também que, à medida que você muda para períodos posteriores, suas previsões anteriores representam cada vez menos um papel em suas previsões posteriores, pois seu peso diminui exponencialmente. Apenas observando a tabela acima, você sabe que a previsão para a semana 11 será inferior a 220,8, sua previsão para a semana 10: então, com base em nossas vendas alfa e passadas, nosso melhor palpite é que as vendas na semana 11 serão 215.4. Dê uma olhada no gráfico das vendas reais vs. previsões para as semanas 1-10: Observe que as vendas previstas são mais suaves do que as reais, e você pode ver como a linha de vendas prevista se ajusta às espetadas e quedas nas séries reais de vendas. E se tivéssemos utilizado um Alerta maior ou maior, We8217ll demonstre usando um alfa de .30 e um de .70. Isso nos dá a seguinte tabela e gráfico: Usando um alfa de 0,70, acabamos com o menor MAD das três constantes. Tenha em mente que julgar a confiabilidade das previsões não é sempre sobre a minimização de MAD. MAD, afinal, é uma média de desvios. Observe de forma dramática que os desvios absolutos para cada um dos alfa mudam de semana para semana. As previsões podem ser mais confiáveis usando um alfa que produz um MA MAD mais alto, mas tem menor variação entre os desvios individuais. Limites no Suavização Exponencial O suavização exponencial não se destina a previsão de longo prazo. Geralmente, é usado para prever um ou dois, mas raramente mais de três períodos à frente. Além disso, se houver uma mudança súbita e drástica no nível de vendas ou valores, e as séries temporais continuam nesse novo nível, então o algoritmo será lento para acompanhar a mudança súbita. Por isso, haverá um maior erro de previsão. Em situações como essa, seria melhor ignorar os períodos anteriores antes da mudança e começar o processo de suavização exponencial com o novo nível. Finalmente, esta publicação abordou o alisamento exponencial único, que é usado quando não existe uma sazonalidade ou tendência notável nos dados. Quando há uma tendência notável ou padrão sazonal nos dados, o alisamento exponencial único produzirá um erro de previsão significativo. É necessário um suavização exponencial dupla para ajustar esses padrões. Vamos abordar o suavização exponencial dupla no próximo mês de sexta-feira. Uma das técnicas de previsão de séries temporais mais fáceis e simples é a média móvel. Os métodos médios em movimento são úteis se tudo o que você tiver é vários períodos consecutivos da variável (por exemplo, vendas, novas contas de poupança abertas, participantes da oficina, etc.), e nenhuma outra informação para prever o valor do próximo período8217s será. Muitas vezes, usando os últimos meses de vendas para prever o próximo mês, as vendas de 8217 são preferíveis a estimativas sem ajuda. No entanto, os métodos de média móvel podem ter graves erros de previsão se aplicados de forma descuidada. Médias móveis: o método Essencialmente, as médias móveis tentam estimar o valor do próximo período8217s com a média do valor dos últimos períodos imediatamente anteriores. Let8217s dizem que você está no mercado há três meses, de janeiro a março, e queria prever as vendas de April8217s. Suas vendas nos últimos três meses se parecem com isso: a abordagem mais simples seria levar a média de janeiro a março e usar isso para estimar as vendas de abril de 1992: (129 134 122) 3 128.333 Daí, com base nas vendas de janeiro a março, Você prevê que as vendas em abril serão de 128.333. Uma vez que as vendas reais de April8217s chegam, você calcularia a previsão para maio, desta vez usando fevereiro até abril. Você deve ser consistente com o número de períodos que você usa para a previsão média móvel. O número de períodos que você usa em suas previsões de média móvel é arbitrário, você pode usar apenas dois períodos, ou cinco ou seis períodos, o que você deseja gerar suas previsões. A abordagem acima é uma média móvel simples. Às vezes, os meses mais recentes8217 as vendas podem ser influenciadores mais fortes das vendas no final do mês8217s, então você deseja dar aos mais próximos meses mais peso no seu modelo de previsão. Esta é uma média móvel ponderada. E, assim como o número de períodos, os pesos atribuídos são puramente arbitrários. Let8217s dizem que você queria dar às vendas de March8217 50 pesos, peso de February8217s 30 e January8217s 20. Então sua previsão para abril será 127,000 (122,50) (13,30) (129,20) 127. Limitações dos métodos médios em movimento As médias móveis são consideradas como uma técnica de previsão de 8220smoothing8221. Como você está tomando uma média ao longo do tempo, você está suavizando (ou suavizando) os efeitos de ocorrências irregulares dentro dos dados. Como resultado, os efeitos da sazonalidade, ciclos econômicos e outros eventos aleatórios podem aumentar drasticamente o erro de previsão. Dê uma olhada em um valor total de dados do ano de 8217 e compare uma média móvel de 3 períodos e uma média móvel de 5 períodos. Note que, nesta instância, não criei previsões, mas sim centrou as médias móveis. A primeira média móvel de 3 meses é para fevereiro, e a média é de janeiro, fevereiro e março. Eu também fiz similar para a média de 5 meses. Agora dê uma olhada no seguinte quadro: O que você vê Não é a série de média móvel de três meses muito mais lisa do que a série de vendas reais E como a média móvel de cinco meses It8217 é ainda mais suave. Assim, quanto mais períodos você usa em sua média móvel, mais suave será sua série temporal. Assim, para a previsão, uma média móvel simples pode não ser o método mais preciso. Os métodos de mudança de média revelam-se bastante valiosos quando você tenta extrair os componentes sazonais, irregulares e cíclicos de uma série de tempo para métodos de previsão mais avançados, como regressão e ARIMA, e o uso de médias móveis na decomposição de uma série de tempo será abordado mais tarde Na série. Determinando a precisão de um modelo médio móvel Geralmente, você quer um método de previsão que tenha o menor erro entre os resultados reais e previstos. Uma das medidas mais comuns de precisão de previsão é o desvio absoluto médio (MAD). Nesta abordagem, para cada período na série temporal para a qual você gerou uma previsão, você toma o valor absoluto da diferença entre esse período8217s atual e os valores previstos (o desvio). Então você mede esses desvios absolutos e você obtém uma medida de MAD. MAD pode ser útil para decidir o número de períodos que você mede, e ou a quantidade de peso que você coloca em cada período. Geralmente, você escolhe aquele que resulta na MENTE mais baixa. Aqui é um exemplo de como MAD é calculado: MAD é simplesmente a média de 8, 1 e 3. Médias móveis: Recapitulação Ao usar as médias móveis para a previsão, lembre-se: as médias móveis podem ser simples ou ponderadas O número de períodos que você usa para o seu Média e qualquer peso atribuído a cada um é estritamente arbitrário As médias móveis suavizam padrões irregulares em dados de séries temporais, quanto maior o número de períodos usados para cada ponto de dados, maior o efeito de suavização Devido ao alisamento, a previsão nas vendas do mês próximo de 8217 com base no As vendas mais recentes de alguns meses8217 podem resultar em grandes desvios devido a padrões sazonais, cíclicos e irregulares nos dados e as capacidades de suavização de um método de média móvel podem ser úteis na decomposição de uma série de tempo para métodos de previsão mais avançados. Próxima Semana: Suavização Exponencial Na próxima semana8217s Previsão Sexta. Discutiremos métodos de suavização exponencial, e você verá que eles podem ser muito superiores aos métodos de previsão média móvel. Ainda não sei por que nossas publicações de previsão de sexta-feira aparecem na quinta-feira Saiba em: tinyurl26cm6ma Deixe novas postagens vir para você CategoriasA Previsão Cálculo Exemplos A.1 Métodos de cálculo de previsão Doze métodos de cálculo de previsões estão disponíveis. A maioria desses métodos fornece controle limitado de usuários. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas dos dados históricos usados nos cálculos pode ser especificado. Os exemplos a seguir mostram o procedimento de cálculo de cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos a seguir usam os mesmos dados de vendas de 2004 e 2005 para produzir uma previsão de vendas de 2006. Além do cálculo de previsão, cada exemplo inclui uma previsão simulada de 2005 para um período de suspensão de três meses (opção de processamento 19 3), que é usado para porcentagem de precisão e cálculos de desvio absoluto médio (vendas reais em comparação com previsão simulada). A.2 Critérios de avaliação do desempenho da previsão Dependendo da sua seleção de opções de processamento e das tendências e padrões existentes nos dados de vendas, alguns métodos de previsão serão melhores do que outros para um determinado conjunto de dados históricos. Um método de previsão apropriado para um produto pode não ser apropriado para outro produto. Também é improvável que um método de previsão que ofereça bons resultados em um estágio do ciclo de vida de um produto permaneça adequado ao longo de todo o ciclo de vida. Você pode escolher entre dois métodos para avaliar o desempenho atual dos métodos de previsão. Estes são Mean Absolute Deviation (MAD) e Percentagem de Precisão (POA). Ambos os métodos de avaliação de desempenho exigem dados históricos de vendas para um período de tempo especificado pelo usuário. Este período de tempo é chamado de período de espera ou períodos de melhor ajuste (PBF). Os dados neste período são utilizados como base para recomendar qual dos métodos de previsão a serem usados na realização da próxima projeção de previsão. Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. Os dois métodos de avaliação de desempenho de previsão são demonstrados nas páginas seguindo os exemplos dos doze métodos de previsão. A.3 Método 1 - Porcentagem especificada em relação ao ano passado Este método multiplica os dados de vendas do ano anterior por um fator especificado pelo usuário, por exemplo, 1.10 para um aumento de 10, ou 0,97 para uma diminuição de 3. Histórico de vendas obrigatório: um ano para calcular a previsão mais o número de períodos de tempo especificado pelo usuário para avaliar o desempenho da previsão (opção de processamento 19). A.4.1 Cálculo de Previsão Faixa de histórico de vendas para usar no cálculo do fator de crescimento (opção de processamento 2a) 3 neste exemplo. Soma os três meses finais de 2005: 114 119 137 370 Soma os mesmos três meses do ano anterior: 123 139 133 395 O fator calculado 370395 0.9367 Calcule as previsões: vendas de janeiro de 2005 128 0.9367 119.8036 ou cerca de 120 de fevereiro de 2005 vendas 117 0,9367 109,5939 ou cerca de 110 de março de 2005 vendas 115 0,9367 107,7205 ou cerca de 108 A.4.2 Cálculo de Previsão Simulado Sume os três meses de 2005 antes do período de retenção (julho, agosto, setembro): 129 140 131 400 Soma os mesmos três meses para o Ano anterior: 141 128 118 387 O fator calculado 400387 1.033591731 Calcular previsão simulada: outubro de 2004 vendas 123 1.033591731 127.13178 novembro de 2004 vendas 139 1.033591731 143.66925 dezembro de 2004 vendas 133 1.033591731 137.4677 A.4.3 Porcentagem de cálculo de precisão POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Cálculo médio do desvio absoluto MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Método 3 - Ano passado para este ano Este método copia dados de vendas do ano anterior para o próximo ano. Histórico de vendas obrigatório: um ano para calcular a previsão, além do número de períodos de tempo especificados para avaliar o desempenho da previsão (opção de processamento 19). A.6.1 Cálculo de Previsão Número de períodos a serem incluídos na média (opção de processamento 4a) 3 neste exemplo Para cada mês da previsão, média dos dados dos três meses anteriores. Previsão de janeiro: 114 119 137 370, 370 3 123.333 ou previsão de 123 de fevereiro: 119 137 123 379, 379 3 126.333 ou 126 Previsão de março: 137 123 126 379, 386 3 128.667 ou 129 A.6.2 Cálculo de Previsão Simulado Vendas de outubro de 2005 (129 140 131) 3 133.3333 vendas de novembro de 2005 (140 131 114) 3 128.3333 vendas de dezembro de 2005 (131 114 119) 3 121.3333 A.6.3 Porcentagem do cálculo de precisão POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Absoluto médio Cálculo do desvio MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Método 5 - Aproximação linear Aproximação linear calcula uma tendência com base em dois pontos de dados de histórico de vendas. Esses dois pontos definem uma linha de tendência direta que é projetada para o futuro. Use este método com cautela, pois as previsões de longo alcance são alavancadas por pequenas mudanças em apenas dois pontos de dados. Histórico de vendas obrigatório: o número de períodos a serem incluídos na regressão (opção de processamento 5a), mais 1 mais o número de períodos de tempo para avaliar o desempenho da previsão (opção de processamento 19). A.8.1 Cálculo de Previsão Número de períodos a serem incluídos na regressão (opção de processamento 6a) 3 neste exemplo Para cada mês da previsão, adicione o aumento ou diminuição durante os períodos especificados antes do período de retenção no período anterior. Média dos três meses anteriores (114 119 137) 3 123.3333 Resumo dos três meses anteriores com peso considerado (114 1) (119 2) (137 3) 763 Diferença entre os valores 763 - 123.3333 (1 2 3) 23 Razão ( 12 22 32) - 2 3 14 - 12 2 Valor1 DiferençaRatio 232 11,5 Valor2 Rácio valor médio1 123.3333 - 11,5 2 100.3333 Previsão (1 n) valor1 valor2 4 11,5 100.3333 146,333 ou 146 Previsão 5 11,5 100,333 157,8333 ou 158 Previsão 6 11,5 100,333 169,333 Ou 169 A.8.2 Cálculo de Previsão Simulado Vendas de outubro de 2004: Média dos três meses anteriores (129 140 131) 3 133.3333 Resumo dos três meses anteriores com peso considerado (129 1) (140 2) (131 3) 802 Diferença entre o Valores 802 - 133.3333 (1 2 3) 2 Razão (12 22 32) - 2 3 14 - 12 2 Valor1 Diferença Rácio 22 1 Valor2 Rácio médio - valor1 133.3333 - 1 2 131.3333 Previsão (1 n) valor1 valor2 4 1 131.3333 135.3333 Novembro 2004 vendas Média dos três meses anteriores (140 131 114) 3 128.3333 Resumo dos três meses anteriores com peso considerado (140 1) (131 2) (114 3) 744 Diferença entre os valores 744 - 128.3333 (1 2 3) -25.9999 Valor1 DiferençaRatio -25.99992 -12.9999 Valor2 Rácio médio - valor1 128.3333 - (-12.9999) 2 154.3333 Previsão 4 -12.9999 154.3333 102.3333 Vendas de dezembro de 2004 Média dos três meses anteriores (131 114 119) 3 121.3333 Resumo dos três meses anteriores com peso considerado ( 131 1) (114 2) (119 3) 716 Diferença entre os valores 716 - 121.3333 (1 2 3) -11.9999 Valor1 DiferençaRatio -11.99992 -5.9999 Valor2 Rácio média - valor1 121.3333 - (-5.9999) 2 133.3333 Previsão 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Porcentagem do Cálculo de Precisão POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Cálculo do Desvio Absorvente Médio MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Método 7 - Secon D Grau Aproximação Regressão linear determina valores para a e b na fórmula de previsão Y a bX com o objetivo de ajustar uma linha reta aos dados do histórico de vendas. A Aproximação do Segundo Grau é semelhante. No entanto, esse método determina valores para a, b e c na fórmula de previsão Y a bX cX2 com o objetivo de ajustar uma curva aos dados do histórico de vendas. Este método pode ser útil quando um produto está na transição entre os estágios de um ciclo de vida. Por exemplo, quando um novo produto passa da introdução para os estágios de crescimento, a tendência de vendas pode acelerar. Por causa do segundo termo da ordem, a previsão pode rapidamente se aproximar do infinito ou diminuir para zero (dependendo se o coeficiente c é positivo ou negativo). Portanto, esse método é útil apenas no curto prazo. Especificações de previsão: as fórmulas encontram a, b e c para ajustar uma curva para exatamente três pontos. Você especifica n na opção de processamento 7a, o número de períodos de tempo a serem acumulados em cada um dos três pontos. Neste exemplo n 3. Portanto, os dados de vendas reais de abril a junho são combinados no primeiro ponto, Q1. De julho a setembro são adicionados juntos para criar Q2, e outubro a dezembro somam para o terceiro trimestre. A curva será ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas obrigatório: 3 n períodos para calcular a previsão, além do número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). Número de períodos para incluir (opção de processamento 7a) 3 neste exemplo Use os blocos anteriores (3 n) meses em três meses: Q1 (Abr-Jun) 125 122 137 384 Q2 (Jul-Sep) 129 140 131 400 Q3 ( Outubro - Dez) 114 119 137 370 O próximo passo envolve o cálculo dos três coeficientes a, b e c a serem utilizados na fórmula de previsão Y a bX cX2 (1) Q1 a bX cX2 (onde X 1) abc (2) Q2 Um bX cX2 (onde X 2) a 2b 4c (3) Q3 a bX cX2 (onde X 3) a 3b 9c Resolva as três equações simultaneamente para encontrar b, a e c: Subtrair equação (1) da equação (2) E resolva por b (2) - (1) Q2 - Q1 b 3c Substitua esta equação por b na equação (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Finalmente, substitua estas equações por a e b em Equação (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 O método de Aproximação do Segundo Grau calcula a, b e c da seguinte maneira: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Janela até a previsão de março (X4): (322 340 - 368) 3 2943 98 Por período de previsão de abril a junho (X5): (322 425-575) 3 57,3333 ou 57 por período julho a setembro previsão (X6): (322 510 - 828) 3 1,33 ou 1 por período de outubro a dezembro (X7) (322 595 - 11273 -70 A.9.2 Cálculo de Previsão Simulado Outubro, Novembro e Dezembro de 2004 vendas: Q1 (janeiro-março) 360 Q2 (Abr-Jun) 384 Q3 (Jul-Sep) 400 a 400-3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Porcentagem de cálculo de precisão POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Cálculo do desvio absoluto médio MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Método 8 - Método flexível O método flexível (Percentagem sobre n meses prévia) é semelhante ao método 1, Percentagem acima do ano passado. Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado pelo usuário, então, projete esse resultado no futuro. No método Percent Over Over Year, a projeção é baseada em dados do mesmo período do ano anterior. O Método Flexível adiciona a capacidade de especificar um período de tempo diferente do mesmo período do ano passado para usar como base para os cálculos. Fator de multiplicação. Por exemplo, especifique 1.15 na opção de processamento 8b para aumentar os dados anteriores do histórico de vendas em 15. Período base. Por exemplo, n 3 fará com que a primeira previsão baseie-se nos dados de vendas em outubro de 2005. Histórico de vendas mínimo: o usuário especificou o número de períodos de volta ao período base, mais o número de períodos de tempo necessários para avaliar o desempenho previsto ( PBF). A.10.4 Cálculo do desvio absoluto médio MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Método 9 - Média móvel ponderada O método da média móvel ponderada (WMA) é semelhante ao Método 4, Média móvel (MA). No entanto, com a média móvel ponderada, você pode atribuir pesos desiguais aos dados históricos. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Os dados mais recentes geralmente são atribuídos a um peso maior que os dados mais antigos, portanto, isso torna a WMA mais sensível às mudanças no nível de vendas. Contudo, o preconceito de previsão e os erros sistemáticos ainda ocorrem quando o histórico de vendas do produto exibe uma forte tendência ou padrões sazonais. Este método funciona melhor para previsões de curto alcance de produtos maduros, em vez de produtos nos estágios de crescimento ou obsolescência do ciclo de vida. N o número de períodos de histórico de vendas a serem usados no cálculo da previsão. Por exemplo, especifique n 3 na opção de processamento 9a para usar os três períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Isso resulta em uma previsão estável, mas será lento para reconhecer mudanças no nível de vendas. Por outro lado, um pequeno valor para n (como 3) responderá mais rápido a mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. O peso atribuído a cada um dos períodos de dados históricos. Os pesos atribuídos devem totalizar para 1,00. Por exemplo, quando n 3, atribua pesos de 0,6, 0,3 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Método 10 - Suavização linear Este método é semelhante ao Método 9, Média móvel ponderada (WMA). No entanto, em vez de atribuir arbitrariamente pesos aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam para 1,00. O método então calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Tal como é verdade para todas as técnicas de previsão média móvel média, previsão de viés e erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Este método funciona melhor para previsões de curto alcance de produtos maduros, em vez de produtos nos estágios de crescimento ou obsolescência do ciclo de vida. N o número de períodos de histórico de vendas a serem usados no cálculo da previsão. Isto é especificado na opção de processamento 10a. Por exemplo, especifique n 3 na opção de processamento 10b para usar os três períodos mais recentes como base para a projeção no próximo período de tempo. O sistema atribuirá automaticamente os pesos aos dados históricos que recuam linearmente e somam para 1,00. Por exemplo, quando n 3, o sistema atribuirá pesos de 0,5, 0,3333 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). A.12.1 Cálculo da Previsão Número de períodos a serem incluídos na média de suavização (opção de processamento 10a) 3 neste exemplo Relação para um período anterior 3 (n2 n) 2 3 (32 3) 2 36 0.5 Relação para dois períodos anteriores 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Relação por três períodos anteriores 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Previsão de janeiro: 137 0.5 119 13 114 16 127.16 ou 127 Previsão de fevereiro: 127 0.5 137 13 119 16 129 Previsão de março: 129 0,5 127 13 137 16 129,666 ou 130 A.12.2 Cálculo de Previsão Simulado outubro 2004 vendas 129 16 140 26 131 36 133,6666 novembro 2004 vendas 140 16 131 26 114 36 124 dezembro 2004 vendas 131 16 114 26 119 36 119.3333 A.12.3 Porcentagem do Cálculo de Precisão POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Cálculo do Desvio Absorvente Médio MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Método 11 - Suavização exponencial Este método é semelhante ao Método 10, Suavização linear. No Suavização linear, o sistema atribui pesos aos dados históricos que recuam linearmente. Em suavização exponencial, o sistema atribui pesos que se deterioram exponencialmente. A equação de previsão de suavização exponencial é: Previsão a (Vendas reais anteriores) (1 - a) Previsão anterior A previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. A é o peso aplicado às vendas reais para o período anterior. (1 - a) é o peso aplicado à previsão do período anterior. Valores válidos para um intervalo de 0 a 1, e geralmente cai entre 0,1 e 0,4. A soma dos pesos é 1,00. A (1 - a) 1 Você deve atribuir um valor para a constante de suavização, a. Se você não atribuir valores para a constante de suavização, o sistema calcula um valor assumido com base no número de períodos de histórico de vendas especificado na opção de processamento 11a. A constante de suavização utilizada no cálculo da média suavizada para o nível geral ou a magnitude das vendas. Valores válidos para um intervalo de 0 a 1. n o intervalo de dados do histórico de vendas para incluir nos cálculos. Geralmente, um ano de dados do histórico de vendas é suficiente para estimar o nível geral de vendas. Para este exemplo, foi escolhido um pequeno valor para n (n 3) para reduzir os cálculos manuais necessários para verificar os resultados. O alisamento exponencial pode gerar uma previsão baseada em um ponto de dados histórico. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). A.13.1 Cálculo da Previsão Número de períodos para incluir na média de suavização (opção de processamento 11a) 3 e fator alfa (opção de processamento 11b) em branco neste exemplo um fator para os dados de vendas mais antigos 2 (11) ou 1 quando o alfa é especificado Um fator para os 2º dados de vendas mais antigos 2 (12), ou alfa quando o alfa é especificado como um fator para os 3º dados de vendas mais antigos 2 (13), ou alfa quando o alfa é especificado como um fator para os dados de vendas mais recentes 2 (1n) , Ou alfa quando o alfa é especificado no mês de novembro. Avg. A (outubro atual) (1 - a) outubro Sm. Avg. 1 114 0 0 114 Dezembro Sm. Avg. A (Novembro Actual) (1 - a) Novembro Sm. Avg. 23 119 13 114 117.3333 Previsão de janeiro a (dezembro atual) (1 - a) dezembro Sm. Avg. 24 137 24 117.3333 127.16665 ou 127 Fevereiro Previsão Previsão de Janeiro 127 Março Previsão Previsão de Janeiro 127 A.13.2 Cálculo de Previsão Simulado Julho, 2004 Sm. Avg. 22 129 129 agosto Sm. Avg. 23 140 13 129 136.3333 setembro Sm. Avg. 24 131 24 136.3333 133.6666 outubro, 2004 vendas Sep Sm. Avg. 133.6666 agosto, 2004 Sm. Avg. 22 140 140 setembro Sm. Avg. 23 131 13 140 134 outubro Sm. Avg. 24 114 24 134 124 novembro, 2004 vendas Sep Sm. Avg. 124 setembro 2004 Sm. Avg. 22 131 131 outubro Sm. Avg. 23 114 13 131 119.6666 novembro Sm. Avg. 24 119 24 119.6666 119.3333 dezembro 2004 vendas Sep Sm. Avg. 119.3333 A.13.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Method 12 - Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing in that a smoothed average is calculated. However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend. The forecast is composed of a smoothed averaged adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for alpha range from 0 to 1. b the smoothing constant used in calculating the smoothed average for the trend component of the forecast. Valid values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast a and b are independent of each other. They do not have to add to 1.0. Minimum required sales history: two years plus the number of time periods required for evaluating the forecast performance (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Forecast Calculation A) An exponentially smoothed average MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Evaluating the Forecasts You can select forecasting methods to generate as many as twelve forecasts for each product. Each forecasting method will probably create a slightly different projection. When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. You can choose between two performance criteria, Mean Absolute Deviation (MAD) and Percent of Accuracy (POA). MAD is a measure of forecast error. POA is a measure of forecast bias. Both of these performance evaluation techniques require actual sales history data for a user specified period of time. This period of recent history is called a holdout period or periods best fit (PBF). To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period. There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, this same process occurs for each method. Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time. The forecasting method producing the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in your plans. This recommendation is specific to each product, and might change from one forecast generation to the next. A.16 Mean Absolute Deviation (MAD) MAD is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD has shown to be the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error: A.16.1 Percent of Accuracy (POA) Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently two low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high, would be an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual - Forecast When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way. The mean absolute deviation mad for the above The Mean Absolute Deviation (MAD) for the above weighted moving average forecast is 2.31. (Please round it to two decimal points.) Answer Key: 2.322.31 Feedback: Please refer to the Excel worksheet distributed separately for a detailed calculation of this question. Question 7 of 11 5.0 Points Based on your previous calculation, which method do you think is the best A.3-year moving average. B.3-year weighted moving average. Answer Key: B Feedback: The one with the lower MAD is more accurate. Part 3 of 3 - Part 3 35.0 Points Sales of Cool-Man air conditioners have grown steadily during the past 5 years as shown in the attached table. The sales manager had predicted, before the business started, that year 1rsquos sales would be 410 air conditioners. Please use exponential smoothing with a weight of to answer the following questions. Attachments Question 8 of 11 10.0 Points The starting initial forecast for the sales of Cool-Man air conditioners is . (Please round it to an integer and include no units.) A.400 B.410 C.430 D.450 Answer Key: B This preview has intentionally blurred sections. Sign up to view the full version. Feedback: This is a given information. This question is designed to help you to comprehend this problem. Question 9 of 11 5.0 Points The Year 2 forecast for the sales of Cool-Man air conditioners is 422. (Please round it to an integer and include no units.) Answer Key: 422422.0422.00 Feedback: Please refer to the Excel worksheet distributed separately for a detailed calculation of this question. Question 10 of 11 10.0 Points The Year 6 forecast for the sales of Cool-Man air conditioners is 521.83. (Please round it to two decimal points and include no units.) Answer Key: 521.83521.8 Feedback: Please refer to the Excel worksheet distributed separately for a detailed calculation of this question. Question 11 of 11 10.0 Points The Mean Absolute Deviation (MAD) for the above exponential smoothing forecast is 74.56. (Please round it to two decimal points.) Answer Key: 74.5674.5574.54 Feedback: Please refer to the Excel worksheet distributed separately for a detailed calculation of this question.
No comments:
Post a Comment