Previsão por técnicas de suavização Este site é uma parte dos objetos de aprendizagem de JavaScript E-laboratórios para tomada de decisão. Outros JavaScript nesta série são classificados em diferentes áreas de aplicações na seção MENU nesta página. Uma série de tempo é uma seqüência de observações que são ordenadas no tempo. Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são suavização. Estas técnicas, quando devidamente aplicadas, revelam mais claramente as tendências subjacentes. Insira a série de tempo em ordem de linha em seqüência, começando pelo canto superior esquerdo e o (s) parâmetro (s) e, em seguida, clique no botão Calcular para obter uma previsão de um período antecipado. As caixas em branco não são incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados use a tecla Tab não seta ou digite chaves. Características de séries temporais, que podem ser reveladas ao examinar seu gráfico. Com os valores previstos, eo comportamento residual, modelagem de previsão de condições. Médias móveis: As médias móveis classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados para filtrar o ruído branco aleatório dos dados, para tornar a série de tempo mais suave ou mesmo para enfatizar certos componentes informativos contidos na série de tempo. Suavização Exponencial: Este é um esquema muito popular para produzir uma Série de Tempo suavizada. Enquanto nas Médias Móveis as observações passadas são ponderadas igualmente, a Suavização Exponencial atribui pesos exponencialmente decrescentes à medida que a observação avança. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Double Exponential Smoothing é melhor para lidar com as tendências. Triple Exponential Smoothing é melhor no manuseio de tendências de parabola. Uma média móvel exponencialmente ponderada com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel exponencialmente ponderada com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel exponencialmente ponderada com uma constante de alisamento igual a 0,04878. Suavização Linear Exponencial de Holts: Suponha que a série de tempo não é sazonal, mas exibe tendência. Holts método estima tanto o nível atual ea tendência atual. Observe que a média móvel simples é caso especial da suavização exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0,40 é freqüentemente efetivo. No entanto, pode-se realizar uma busca de grade do espaço de parâmetro, com 0,1 a 0,9, com incrementos de 0,1. Então o melhor alfa tem o menor erro médio absoluto (erro MA). Como comparar vários métodos de alisamento: Embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais abrangente é o uso de comparação visual de várias previsões para avaliar a sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário plotar (usando, por exemplo, Excel) no mesmo gráfico os valores originais de uma variável de série temporal e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as Previsões Passadas por Técnicas de Suavização JavaScript para obter os valores de previsão anteriores com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ótimos, ou até perto de ótimos, por tentativa e erros para os parâmetros. A suavização exponencial única enfatiza a perspectiva de curto alcance que define o nível para a última observação e é baseada na condição de que não há tendência. A regressão linear, que se ajusta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa a faixa de longo alcance, que está condicionada à tendência básica. Holts linear suavização exponencial captura informações sobre tendência recente. Os parâmetros no modelo de Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande, e as tendências-parâmetro devem ser aumentadas se a tendência de direção recente é suportada pelo causal alguns fatores. Previsão de Curto Prazo: Observe que cada JavaScript nesta página fornece uma previsão de um passo adiante. Para obter uma previsão de duas etapas. Basta adicionar o valor previsto ao final dos dados de séries temporais e, em seguida, clicar no mesmo botão Calcular. Você pode repetir este processo por algumas vezes, a fim de obter as previsões de curto prazo necessárias. Dados suaves remove variação aleatória e mostra tendências e componentes cíclicos Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. Uma técnica freqüentemente usada na indústria é suavizar. Essa técnica, quando corretamente aplicada, revela mais claramente a tendência subjacente, os componentes sazonais e cíclicos. Existem dois grupos distintos de métodos de alisamento Métodos de média Métodos de suavização exponencial Tomar médias é a maneira mais simples de suavizar os dados Vamos primeiro investigar alguns métodos de média, como a média simples de todos os dados passados. Um gerente de um armazém quer saber o quanto um fornecedor típico oferece em unidades de 1000 dólares. Heshe toma uma amostra de 12 fornecedores, aleatoriamente, obtendo os seguintes resultados: A média computada ou média dos dados 10. O gerente decide usar isto como a estimativa para despesa de um fornecedor típico. Esta é uma boa ou má estimativa O erro quadrático médio é uma forma de julgar o quão bom é um modelo Vamos calcular o erro quadrático médio. O valor verdadeiro do erro gasto menos o valor estimado. O erro ao quadrado é o erro acima, ao quadrado. O SSE é a soma dos erros quadrados. O MSE é a média dos erros quadrados. Resultados da MSE por exemplo Os resultados são: Erro e esquadrado Erros A estimativa 10 A pergunta surge: podemos usar a média para prever a renda se suspeitarmos de uma tendência? Um olhar para o gráfico abaixo mostra claramente que não devemos fazer isso. A média pondera todas as observações passadas igualmente Em resumo, afirmamos que A média simples ou média de todas as observações passadas é apenas uma estimativa útil para previsão quando não há tendências. Se houver tendências, use estimativas diferentes que levem em conta a tendência. A média pesa todas as observações passadas igualmente. Por exemplo, a média dos valores 3, 4, 5 é 4. Sabemos, é claro, que uma média é calculada adicionando todos os valores e dividindo a soma pelo número de valores. Outra maneira de calcular a média é adicionando cada valor dividido pelo número de valores, ou 33 43 53 1 1.3333 1.6667 4. O multiplicador 13 é chamado de peso. Em geral: barra fração soma esquerda (fratura direita) x1 esquerda (fratura direita) x2,. ,, Esquerda (frac direito) xn. Compreendendo Níveis e Métodos de Previsão Você pode gerar previsões de detalhe (item único) e previsões resumidas (linha de produtos) que refletem os padrões de demanda do produto. O sistema analisa as vendas anteriores para calcular as previsões usando 12 métodos de previsão. As previsões incluem informações detalhadas no nível do item e informações de nível superior sobre uma filial ou a empresa como um todo. 3.1 Critérios de Avaliação do Desempenho da Previsão Dependendo da seleção das opções de processamento e das tendências e padrões nos dados de vendas, alguns métodos de previsão apresentam melhor desempenho 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. Você pode achar que um método de previsão que fornece bons resultados em uma fase de um ciclo de vida do produto permanece apropriado ao longo de todo o ciclo de vida. Você pode selecionar entre dois métodos para avaliar o desempenho atual dos métodos de previsão: Porcentagem de precisão (POA). Desvio absoluto médio (MAD). Ambos os métodos de avaliação de desempenho exigem dados de vendas históricos para um período que você especificar. Esse período é chamado de período de retenção ou período de melhor ajuste. Os dados nesse período são usados como base para recomendar qual método de previsão usar na realização da projeção de projeção seguinte. Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. 3.1.1 Melhor Ajuste O sistema recomenda a melhor previsão de ajuste aplicando os métodos de previsão selecionados ao histórico de pedidos de vendas anteriores e comparando a simulação de previsão com o histórico real. Quando você gera uma previsão de ajuste melhor, o sistema compara históricos de pedidos de vendas reais com previsões para um período de tempo específico e calcula como exatamente cada método de previsão diferente previu vendas. Em seguida, o sistema recomenda a previsão mais precisa como o melhor ajuste. Este gráfico ilustra as melhores previsões de ajuste: Figura 3-1 Previsão de melhor ajuste O sistema usa esta seqüência de etapas para determinar o melhor ajuste: Use cada método especificado para simular uma previsão para o período de retenção. Compare as vendas reais com as previsões simuladas para o período de retenção. Calcule o POA ou o MAD para determinar qual método de previsão mais se aproxima das vendas reais passadas. O sistema usa POA ou MAD, com base nas opções de processamento selecionadas. Recomenda uma melhor previsão de ajuste pelo POA que é mais próximo de 100 por cento (mais ou menos) ou o MAD que está mais próximo de zero. 3.2 Métodos de previsão O JD Edwards EnterpriseOne Forecast Management usa 12 métodos para previsão quantitativa e indica qual método fornece o melhor ajuste para a situação de previsão. Esta seção discute: Método 1: Percentagem em relação ao ano passado. Método 2: Percentagem calculada sobre o ano passado. Método 3: Ano passado para este ano. Método 4: Média móvel. Método 5: Aproximação linear. Método 6: Regressão de mínimos quadrados. Método 7: Aproximação do Segundo Grau. Método 8: Método Flexível. Método 9: Média Móvel Ponderada. Método 10: Suavização linear. Método 11: Suavização Exponencial. Método 12: suavização exponencial com tendência e sazonalidade. Especifique o método que você deseja usar nas opções de processamento do programa Forecast Generation (R34650). A maioria desses métodos fornece controle limitado. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas de dados históricos que é usado nos cálculos pode ser especificado por você. Os exemplos no guia indicam o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos de métodos no guia usam parte ou todos esses conjuntos de dados, que são dados históricos dos últimos dois anos. A projeção de previsão vai para o próximo ano. Os dados do histórico de vendas são estáveis, com pequenos aumentos sazonais em julho e dezembro. Esse padrão é característico de um produto maduro que pode estar se aproximando de obsolescência. 3.2.1 Método 1: Percentagem em relação ao ano passado Este método utiliza a fórmula Percentagem sobre o Ano Passado para multiplicar cada período de previsão pelo aumento ou diminuição percentual especificado. Para prever a demanda, este método requer o número de períodos para o melhor ajuste mais um ano de histórico de vendas. Este método é útil para prever a demanda por itens sazonais com crescimento ou declínio. 3.2.1.1 Exemplo: Método 1: Percentagem em relação ao ano passado A fórmula Porcentagem sobre o ano passado multiplica os dados de vendas do ano anterior por um fator especificado e, em seguida, projeta os resultados ao longo do próximo ano. Este método pode ser útil na orçamentação para simular o efeito de uma taxa de crescimento especificada ou quando o histórico de vendas tem uma componente sazonal significativa. Especificações de previsão: Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas dos anos anteriores em 10%. Histórico de vendas necessário: Um ano para calcular a previsão, mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste) que você especifica. Esta tabela é a história utilizada no cálculo da previsão: previsão de fevereiro é igual a 117 vezes 1,1 128,7 arredondado para 129. Previsão de março é igual a 115 vezes 1,1 126,5 arredondado para 127. 3.2.2 Método 2: Percentual calculado sobre o ano passado Este método usa a porcentagem calculada mais Fórmula do ano passado para comparar as vendas passadas de períodos especificados às vendas dos mesmos períodos do ano anterior. O sistema determina uma porcentagem de aumento ou diminuição e, em seguida, multiplica cada período pela porcentagem para determinar a previsão. Para prever a demanda, esse método requer o número de períodos do histórico de pedidos de vendas mais um ano de histórico de vendas. Este método é útil para prever a demanda de curto prazo para itens sazonais com crescimento ou declínio. 3.2.2.1 Exemplo: Método 2: Porcentagem calculada sobre o ano passado A fórmula calculada sobre o ano passado multiplica os dados de vendas do ano anterior por um fator que é calculado pelo sistema e, em seguida, projeta esse resultado para o próximo ano. Este método pode ser útil para projetar o efeito de estender a taxa de crescimento recente de um produto para o próximo ano, preservando um padrão sazonal que está presente no histórico de vendas. Especificações de previsão: Faixa de história de vendas para usar no cálculo da taxa de crescimento. Por exemplo, especifique n igual a 4 na opção de processamento para comparar o histórico de vendas dos últimos quatro períodos com esses mesmos quatro períodos do ano anterior. Use a razão calculada para fazer a projeção para o próximo ano. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão, dado n 4: previsão de fevereiro é igual a 117 vezes 0,9766 114,26 arredondado para 114. Previsão de março é igual a 115 vezes 0,9766 112,31 arredondado para 112. 3.2.3 Método 3: Ano passado para este ano Este método usa Vendas nos últimos anos para os próximos anos. Para prever a demanda, este método requer o número de períodos mais adequados mais um ano do histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros com demanda de nível ou demanda sazonal sem uma tendência. 3.2.3.1 Exemplo: Método 3: Ano passado a este ano A fórmula do ano passado para este ano copia os dados de vendas do ano anterior para o ano seguinte. Este método pode ser útil no orçamento para simular vendas no nível atual. O produto é maduro e não tem tendência a longo prazo, mas pode existir um padrão de demanda sazonal significativo. Especificações de previsão: Nenhuma. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história usada no cálculo da previsão: Previsão de janeiro é igual a janeiro do ano passado com um valor de previsão de 128. Previsão de fevereiro é igual a fevereiro do ano passado com um valor de previsão de 117. Previsão de março é igual a março do ano passado com um valor de previsão de 115. 3.2.4 Método 4: Média móvel Este método usa a fórmula Média Móvel para a média do número especificado de períodos para projetar o próximo período. Você deve recalcular-lo muitas vezes (mensal, ou pelo menos trimestral) para refletir a mudança do nível de demanda. Para prever a demanda, este método requer o número de períodos melhor ajustados mais o número de períodos do histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros sem uma tendência. 3.2.4.1 Exemplo: Método 4: Moving Average Moving Average (MA) é um método popular para a média dos resultados do histórico de vendas recente para determinar uma projeção para o curto prazo. O método de previsão MA está atrás das tendências. O viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe tendências fortes ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos que estão em estágios de crescimento ou obsolescência do ciclo de vida. Especificações de previsão: n é igual ao número de períodos do histórico de vendas a ser usado no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro 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 é lento para reconhecer mudanças no nível de vendas. Inversamente, um pequeno valor para n (como 3) é mais rápido para responder a mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. Histórico de vendas necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história usada no cálculo da previsão: Previsão de fevereiro é igual a (114 119 137 125) 4 123.75 arredondado para 124. Previsão de março é igual a (119 137 125 124) 4 126,25 arredondado para 126. 3.2.5 Método 5: Aproximação linear Este método Usa a fórmula de Aproximação Linear para calcular uma tendência a partir do número de períodos do histórico de pedidos de vendas e projetar essa tendência para a previsão. Você deve recalcular a tendência mensalmente para detectar alterações nas tendências. Esse método requer o número de períodos de melhor ajuste mais o número de períodos especificados do histórico de pedidos de vendas. Este método é útil para prever a procura de novos produtos, ou produtos com tendências positivas ou negativas consistentes que não são devidas a flutuações sazonais. 3.2.5.1 Exemplo: Método 5: Aproximação linear A aproximação linear calcula uma tendência que se baseia em dois pontos de dados do histórico de vendas. Esses dois pontos definem uma linha de tendência reta projetada para o futuro. Use este método com cautela porque as previsões de longo alcance são alavancadas por pequenas alterações em apenas dois pontos de dados. Especificações de previsão: n é igual ao ponto de dados no histórico de vendas comparado ao ponto de dados mais recente para identificar uma tendência. Por exemplo, especifique n 4 para usar a diferença entre dezembro (dados mais recentes) e agosto (quatro períodos antes de dezembro) como base para o cálculo da tendência. Histórico de vendas mínimo necessário: n mais 1 mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de janeiro de dezembro do ano passado 1 (Tendência) que é igual a 137 (1 vez 2) 139. Previsão de fevereiro de dezembro do ano passado 1 (Tendência), que é igual a 137 (2 vezes 2) 141. Previsão de março de dezembro do ano passado 1 (Tendência) que é igual a 137 (3 vezes 2) 143. 3.2.6 Método 6: Regressão de mínimos quadrados O método de regressão de mínimos quadrados (LSR) deriva uma equação descrevendo uma relação de linha reta entre os dados históricos de vendas E a passagem do tempo. LSR ajusta uma linha para o intervalo selecionado de dados de modo que a soma dos quadrados das diferenças entre os pontos de dados de vendas reais ea linha de regressão são minimizados. A previsão é uma projeção dessa linha reta para o futuro. Esse método requer o histórico de dados de vendas para o período que é representado pelo número de períodos melhor ajustados mais o número especificado de períodos de dados históricos. O requisito mínimo é dois pontos de dados históricos. Este método é útil para prever a demanda quando uma tendência linear está nos dados. 3.2.6.1 Exemplo: Método 6: regressão linear de regressão de mínimos quadrados ou regressão de mínimos quadrados (LSR), é o método mais popular para identificar uma tendência linear nos dados históricos de vendas. O método calcula os valores de aeb que devem ser usados na fórmula: Esta equação descreve uma reta, onde Y representa vendas e X representa tempo. Regressão linear é lenta para reconhecer pontos de viragem e mudar a função de passo na demanda. Regressão linear encaixa uma linha reta para os dados, mesmo quando os dados são sazonais ou melhor descrito por uma curva. Quando os dados do histórico de vendas seguem uma curva ou têm um forte padrão sazonal, ocorrem erros de previsão e sistemáticos. Especificações de previsão: n é igual aos períodos do histórico de vendas que serão usados no cálculo dos valores de aeb. Por exemplo, especifique n 4 para usar o histórico de setembro a dezembro como base para os cálculos. Quando os dados estiverem disponíveis, um n maior (como n 24) normalmente seria usado. LSR define uma linha para apenas dois pontos de dados. Para este exemplo, um pequeno valor para n (n 4) foi escolhido para reduzir os cálculos manuais que são necessários para verificar os resultados. Histórico de vendas mínimo necessário: n períodos mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de março é igual a 119,5 (7 vezes 2,3) 135,6 arredondado para 136. 3.2.7 Método 7: Aproximação de segundo grau Para projetar a previsão, este método usa a fórmula de Aproximação de Segundo Grau para traçar uma curva Que se baseia no número de períodos do histórico de vendas. Este método requer o número de períodos melhor ajuste mais o número de períodos do histórico de pedidos de vendas vezes três. Esse método não é útil para prever a demanda por um período de longo prazo. 3.2.7.1 Exemplo 7: Aproximação do Segundo Grau A Regressão Linear determina os valores para aeb na fórmula de previsão Y a b X com o objetivo de ajustar uma linha reta aos dados do histórico de vendas. A aproximação de segundo grau é similar, mas este método determina valores para a, b e c na fórmula de previsão: Y a b X c X 2 O objetivo deste método é ajustar uma curva aos dados do histórico de vendas. Este método é útil quando um produto está na transição entre os estágios do ciclo de vida. Por exemplo, quando um novo produto passa da introdução para os estádios de crescimento, a tendência de vendas pode acelerar. Devido ao termo de segunda ordem, a previsão pode aproximar-se rapidamente do infinito ou cair para zero (dependendo se o coeficiente c é positivo ou negativo). Este método é útil apenas no curto prazo. Especificações de previsão: a fórmula encontre a, b e c para ajustar uma curva exatamente a três pontos. Você especifica n, o número de períodos de tempo de dados a serem acumulados em cada um dos três pontos. Neste exemplo, n 3. Os dados reais de vendas de abril a junho são combinados no primeiro ponto, Q1. Julho a setembro são adicionados em conjunto para criar Q2, e de outubro a dezembro somam para Q3. A curva é ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas necessário: 3 vezes n períodos para o cálculo da previsão mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Q0 (Jan) (Fev) (Mar) Q1 (Abr) (Maio) (Jun), que é igual a 125 129 137 384 Q2 (Jul) (Agosto) 131 400 Q3 (Oct) (Nov) (Dec) que é igual a 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 ab X c X 2. Q1, Q2 e Q3 são apresentados no gráfico, onde o tempo é plotado no eixo horizontal. Q1 representa o total de vendas históricas para abril, maio e junho e é plotada em X 1 Q2 corresponde a julho a setembro Q3 corresponde a outubro a dezembro e Q4 representa janeiro a março. Este gráfico ilustra o traçado de Q1, Q2, Q3 e Q4 para a aproximação de segundo grau: Figura 3-2 Plotando Q1, Q2, Q3 e Q4 para aproximação de segundo grau Três equações descrevem os três pontos no gráfico: (1) Q1 A bX cX 2 em que X 1 (Q1 abc) (2) Q2 a bX cX 2 onde X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 onde X 3 (Q3 a 3b 9c) Resolva as três equações simultaneamente Para encontrar b, ae c: Subtrair a equação 1 (1) da equação 2 (2) e resolver para b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substituir esta equação para B na equação (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Finalmente, substitua essas equações por aeb pela equação (1): (1) Q3 ndash O método de Aproximação de Segundo Grau calcula a, b e c da seguinte forma: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda (383 ndash 400) 2 ndash23 Este é um cálculo de aproximação de segundo grau aproximado: Y a bX cX (3x ndash) 2 322 85X (ndash23) (X2) Quando X4, Q4 322 340 ndash 368 294. A previsão é igual a 294 3 98 por período. Quando X5, Q5 322 425 ndash 575 172. A previsão é igual a 172 3 58,33 arredondada para 57 por período. Quando X 6, Q 6 322 510 ndash 828 4. A previsão é igual a 4 3 1,33 arredondado para 1 por período. Esta é a previsão para o ano que vem, no ano passado até este ano: 3.2.8 Método 8: método flexível Este método permite-lhe seleccionar o número de períodos de ordem de vendas que começa n meses antes da data de início prevista e Aplicar um aumento percentual ou diminuir o fator de multiplicação com o qual modificar a previsão. Esse método é semelhante ao método 1, porcentagem sobre o ano passado, exceto que você pode especificar o número de períodos que você usar como a base. Dependendo do que você selecionar como n, esse método requer períodos melhor ajuste mais o número de períodos de dados de vendas que é indicado. Esse método é útil para prever a demanda por uma tendência planejada. 3.2.8.1 Exemplo: Método 8: Método Flexível O Método Flexível (Percentagem ao longo de n Meses Anterior) é semelhante ao Método 1, Percentual em relação ao Ano Passado. Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado por você e projetam esse resultado para o futuro. No método Percent Over Last Year, a projeção é baseada em dados do mesmo período do ano anterior. Você também pode usar o Método Flexível para especificar um período de tempo, diferente do mesmo período no último ano, para usar como base para os cálculos. Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas anteriores em 10%. Período de base. Por exemplo, n 4 faz com que a primeira previsão se baseie em dados de vendas em setembro do ano passado. Histórico de vendas mínimo exigido: o número de períodos de volta ao período base mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: 3.2.9 Método 9: Média Móvel Ponderada A fórmula Média Móvel Ponderada é semelhante ao Método 4, fórmula Média Móvel, porque projeta o histórico de vendas dos meses anteriores para projetar o histórico de vendas dos próximos meses. No entanto, com esta fórmula você pode atribuir pesos para cada um dos períodos anteriores. Esse método requer o número de períodos ponderados selecionados mais o número de períodos melhores dados de ajuste. Semelhante à média móvel, esse método fica atrás das tendências da demanda, portanto este método não é recomendado para produtos com tendências fortes ou sazonalidade. Este método é útil para prever a demanda por produtos maduros com demanda que é relativamente nível. 3.2.9.1 Exemplo: Método 9: Média Móvel Ponderada O método Média Móvel Ponderada (WMA) é semelhante ao Método 4, Média Móvel (MA). No entanto, você pode atribuir ponderações desiguais aos dados históricos ao usar WMA. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Dados mais recentes geralmente é atribuído um peso maior do que os dados mais antigos, de modo WMA é mais sensível às mudanças no nível de vendas. No entanto, o viés de previsão e erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Esse método funciona melhor para as projeções de curto prazo de produtos maduros do que para produtos em estágios de crescimento ou obsolescência do ciclo de vida. O número de períodos do histórico de vendas (n) a ser usado no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção para o próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Tal valor resulta em uma previsão estável, mas é lento para reconhecer mudanças no nível de vendas. Por outro lado, um pequeno valor para n (como 3) responde mais rapidamente a mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. O número total de períodos para a opção de processamento rdquo14 - períodos para includerdquo não deve exceder 12 meses. O peso que é atribuído a cada um dos períodos de dados históricos. Os pesos atribuídos devem totalizar 1,00. Por exemplo, quando n 4, atribua pesos de 0,50, 0,25, 0,15 e 0,10 com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de Janeiro é igual a (128 vezes 0.10) (119 vezes 0,25) (137 vezes 0.50) (0,10 0,15 0,25 0,50) 128,45 arredondado para 128. Previsão de fevereiro é igual a (114 vezes 0,10) (128 vezes 0, 5) (128 vezes 0,15) (128 vezes 0,50) 1 127,5 arredondado para 128. Previsão de março é igual a (119 vezes 0,15) 128. 3.2.10 Método 10: Suavização linear Este método calcula uma média ponderada dos dados de vendas anteriores. No cálculo, esse método usa o número de períodos do histórico de pedidos de vendas (de 1 a 12) que é indicado na opção de processamento. O sistema utiliza uma progressão matemática para pesar os dados na faixa do primeiro (menor peso) ao final (maior peso). Em seguida, o sistema projeta essas informações para cada período da previsão. Esse método requer o melhor ajuste de meses mais o histórico de pedidos de vendas para o número de períodos que são especificados na opção de processamento. 3.2.10.1 Exemplo: Método 10: Suavização linear Este método é semelhante ao Método 9, WMA. No entanto, em vez de atribuir arbitrariamente ponderações aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam a 1,00. O método calcula então uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Como todas as técnicas lineares de média móvel de previsão, o viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe tendências fortes ou padrões sazonais. Esse método funciona melhor para as projeções de curto prazo de produtos maduros do que para produtos em estágios de crescimento ou obsolescência do ciclo de vida. N é igual ao número de períodos do histórico de vendas a ser usado no cálculo da previsão. Por exemplo, especifique n igual a 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção para o próximo período de tempo. O sistema atribui automaticamente os pesos aos dados históricos que diminuem linearmente e somam a 1,00. Por exemplo, quando n é igual a 4, o sistema atribui pesos de 0,4, 0,3, 0,2 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é o histórico utilizado no cálculo da previsão: 3.2.11 Método 11: Suavização exponencial Este método calcula uma média suavizada, que se torna uma estimativa que representa o nível geral de vendas durante os períodos de dados históricos selecionados. Esse método requer o histórico de dados de vendas para o período de tempo que é representado pelo número de períodos melhor ajustados mais o número de períodos de dados históricos especificados. O requisito mínimo é dois períodos de dados históricos. Esse método é útil para prever a demanda quando não há tendência linear nos dados. 3.2.11.1 Exemplo: Método 11: Suavização exponencial Este método é semelhante ao Método 10, Linear Smoothing. No Linear Smoothing, o sistema atribui pesos que diminuem linearmente para os dados históricos. Em Suavização Exponencial, o sistema atribui pesos que decrescem exponencialmente. A previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. Alfa é o peso que é aplicado às vendas reais para o período anterior. (1 ndash alfa) é o peso que é aplicado à previsão para o período anterior. Os valores para alfa variam de 0 a 1 e geralmente caem entre 0,1 e 0,4. A soma dos pesos é 1,00 (alfa (1 ndash alfa) 1). Você deve atribuir um valor para a constante de suavização, alfa. Se você não atribuir um valor para a constante de suavização, o sistema calculará um valor assumido baseado no número de períodos do histórico de vendas especificado na opção de processamento. Alfa é igual à constante de suavização que é usada para calcular a média suavizada para o nível geral ou magnitude das vendas. Os valores para alfa variam de 0 a 1. n é igual ao intervalo de dados do histórico de vendas a ser incluído nos cálculos. Geralmente, um ano de dados do histórico de vendas é suficiente para estimar o nível geral de vendas. Para este exemplo, um pequeno valor para n (n 4) foi escolhido para reduzir os cálculos manuais que são necessários para verificar os resultados. A Suavização Exponencial pode gerar uma previsão baseada em apenas um ponto de dados históricos. Histórico de vendas mínimo necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). 3.2.12 Método 12: Suavização exponencial com tendência e sazonalidade Este método calcula uma tendência, um índice sazonal e uma média exponencialmente suavizada a partir do histórico de pedidos de vendas. O sistema então aplica uma projeção da tendência para a previsão e ajusta para o índice sazonal. Esse método requer o número de períodos melhor ajustados mais dois anos de dados de vendas e é útil para itens que têm tendência e sazonalidade na previsão. Você pode inserir o fator alfa e beta ou fazer com que o sistema os calcule. Os fatores alfa e beta são a constante de suavização que o sistema utiliza para calcular a média suavizada para o nível geral ou magnitude das vendas (alfa) ea componente de tendência da previsão (beta). 3.2.12.1 Exemplo: Método 12: Suavização exponencial com tendência e estacionalidade Este método é semelhante ao Método 11, Suavização Exponencial, na medida em que é calculada uma média suavizada. No entanto, o Método 12 também inclui um termo na equação de previsão para calcular uma tendência suavizada. A previsão é composta por uma média suavizada que é ajustada para uma tendência linear. Quando especificado na opção de processamento, a previsão também é ajustada pela sazonalidade. Alpha é igual à constante de suavização que é usada no cálculo da média suavizada para o nível geral ou magnitude das vendas. Os valores para alfa variam de 0 a 1. Beta é igual à constante de suavização que é usada no cálculo da média suavizada para a componente de tendência da previsão. Valores para beta variam de 0 a 1. Se um índice sazonal é aplicado à previsão. Alfa e beta são independentes uns dos outros. Eles não têm que somar a 1,0. Histórico de vendas mínimo exigido: Um ano mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Quando dois ou mais anos de dados históricos estão disponíveis, o sistema usa dois anos de dados nos cálculos. O método 12 usa duas equações Exponential Smoothing e uma média simples para calcular uma média suavizada, uma tendência suavizada e um índice sazonal médio simples. A previsão é então calculada usando os resultados das três equações: L é o comprimento da sazonalidade (L igual a 12 meses ou 52 semanas). T é o período de tempo atual. M é o número de períodos de tempo no futuro da previsão. S é o fator de ajuste sazonal multiplicativo que é indexado ao período de tempo apropriado. Esta tabela lista o histórico usado no cálculo de previsão: Esta seção fornece uma visão geral das Avaliações de Previsão e discute: Você pode selecionar métodos de previsão para gerar até 12 previsões para cada produto. Cada método de previsão pode criar uma projeção ligeiramente diferente. Quando milhares de produtos são previstos, uma decisão subjetiva é impraticável quanto à previsão de uso nos planos para cada produto. O sistema avalia automaticamente o desempenho para cada método de previsão selecionado e para cada produto que você previu. Você pode selecionar entre dois critérios de desempenho: MAD e POA. MAD é uma medida do erro de previsão. POA é uma medida do viés de previsão. Ambas as técnicas de avaliação de desempenho requerem dados reais do histórico de vendas para um período especificado por você. O período de história recente utilizado para a avaliação é chamado de período de retenção ou período de melhor ajuste. Para medir o desempenho de um método de previsão, o sistema: Usa as fórmulas de previsão para simular uma previsão para o período de retenção histórico. Faz uma comparação entre os dados de vendas reais ea previsão simulada para o período de retenção. Quando você seleciona vários métodos de previsão, esse mesmo processo ocorre para cada método. São calculadas várias previsões para o período de retenção e comparadas com o histórico de vendas conhecido para esse mesmo período. O método de previsão que produz o melhor ajuste (melhor ajuste) entre a previsão e as vendas reais durante o período de retenção é recomendado para uso nos planos. Esta recomendação é específica para cada produto e pode ser alterada sempre que gerar uma previsão. 3.3.1 Desvio Médio Absoluto O Desvio Absoluto Médio (MAD) é a média (ou média) dos valores absolutos (ou magnitude) dos desvios (ou erros) entre os dados reais e os previstos. MAD é uma medida da magnitude média de erros a esperar, dado um método de previsão e histórico de dados. 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 is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Quando as previsões são consistentemente muito altas, os estoques se acumulam e os custos de estoque aumentam. When forecasts are consistently too 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 is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (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, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. Nos serviços, a magnitude dos erros de previsão é geralmente mais importante do que o viés previsto. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. O script nesta página aprimora a navegação de conteúdo, mas não altera o conteúdo de nenhuma forma.
No comments:
Post a Comment