Moving Average. This Beispiel lehrt Sie, wie man den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen Ein gleitender Durchschnitt wird verwendet, um Unregelmäßigkeiten Peaks und Täler zu glätten, um Trends leicht zu erkennen.1 Zuerst lassen Sie uns einen Blick auf unsere Zeitreihe Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis finden Sie die Schaltfläche Datenanalyse Klicken Sie hier, um das Analyse-ToolPak-Add-In zu laden. 3. Wählen Sie Gleitender Durchschnitt und klicken Sie auf OK.4 Klicken Sie in das Feld Eingabebereich und wählen Sie den Bereich B2 M2. 5 Klicken Sie in das Feld Intervall und geben Sie ein. 6.6 Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3.8 Zeichnen Sie einen Graphen dieser Werte. Erläuterung, weil wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der vorherigen 5 Datenpunkte und Der aktuelle Datenpunkt Als Ergebnis werden Spitzen und Täler geglättet. Der Graph zeigt einen zunehmenden Trend Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da es nicht genügend vorherige Datenpunkte gibt.9 Wiederholen Sie die Schritte 2 bis 8 für das Intervall 2 Und Intervall 4.Conclusion Je größer das Intervall ist, desto mehr werden die Gipfel und Täler geglättet Je kleiner das Intervall ist, desto näher sind die gleitenden Mittelwerte zu den tatsächlichen Datenpunkten. Simple Moving Average - SMA. BREAKING DOWN Simple Moving Average - SMA. Ein einfacher gleitender Durchschnitt ist anpassbar, da er für eine andere Anzahl von Zeiträumen berechnet werden kann, einfach durch Hinzufügen des Schlusspreises der Sicherheit für eine Anzahl von Zeitperioden und dann Aufteilung dieser Summe um die Anzahl der Zeiträume, die die Durchschnittlicher Preis der Sicherheit über den Zeitraum Ein einfacher gleitender Durchschnitt glättet die Volatilität und macht es einfacher, den Preisverlauf einer Sicherheit zu sehen Wenn der einfache gleitende Durchschnitt nach oben zeigt, bedeutet dies, dass der Wert der Sicherheit s steigt Wenn es zeigt Unten bedeutet, dass die Sicherheit s Preis sinkt Je länger der Zeitrahmen für den gleitenden Durchschnitt, desto glatter der einfache gleitende Durchschnitt Ein kürzerfristig gleitender Durchschnitt ist volatiler, aber sein Lesen ist näher an den Quelldaten. Analytische Bedeutung. Moving Mittelwerte Sind ein wichtiges analytisches Werkzeug, um die aktuellen Preisentwicklungen und das Potenzial für eine Veränderung in einem etablierten Trend zu identifizieren Die einfachste Form der Verwendung eines einfachen gleitenden Durchschnittes in der Analyse ist es, um schnell zu identifizieren, ob eine Sicherheit in einem Aufwärtstrend oder Abwärtstrend ist Eine weitere beliebte, Wenn auch etwas komplexeres analytisches Werkzeug, ist es, ein Paar einfacher gleitender Mittelwerte zu vergleichen, wobei jeder unterschiedliche Zeitrahmen abdeckt. Wenn ein kurzfristiger einfacher gleitender Durchschnitt über einem längerfristigen Durchschnitt liegt, wird ein Aufwärtstrend erwartet. Auf der anderen Seite wird ein Langzeit - Langfristige Durchschnitt über einem kürzeren Durchschnitt signalisiert eine Abwärtsbewegung im Trend. Popular Trading Patterns. Two beliebte Trading-Muster, die einfache gleitende Durchschnitte verwenden, gehören das Todeskreuz und ein goldenes Kreuz Ein Todeskreuz tritt auf, wenn die 50-Tage-einfache gleitenden Durchschnitt kreuzt Unterhalb des 200-tägigen gleitenden Durchschnittes Dies gilt als bärisches Signal, dass weitere Verluste auf Lager sind Das goldene Kreuz tritt auf, wenn ein kurzfristiger gleitender Durchschnitt über einen langfristigen gleitenden Durchschnitt bricht. Verstärkt durch hohe Handelsvolumina, kann dies weitere Gewinne signalisieren Sind im Speicher. Prognoseberechnungsbeispiele. 1 PrognoseberechnungsmethodenTuchmethoden zur Berechnung von Prognosen sind verfügbar Die meisten dieser Methoden sorgen für eine begrenzte Benutzerkontrolle. Zum Beispiel ist das Gewicht der aktuellen historischen Daten oder der Datumsbereich der verwendeten historischen Daten Die Berechnungen können angegeben werden Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei eine identische historische Daten vorliegen. Die folgenden Beispiele verwenden die gleichen Verkaufs - und Verkaufs - daten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erzielen. Neben der Prognose Berechnung, jedes Beispiel enthält eine simulierte 2005-Prognose für eine dreimonatige Holdout-Periode Verarbeitungsoption 19 3, die dann für Prozent der Genauigkeit verwendet wird und mittlere Absolutabweichung Berechnungen tatsächlichen Umsatz im Vergleich zu simulierten Prognose. A 2 Prognose Performance Evaluation Criteria. Depending auf Ihre Auswahl Der Verarbeitungsoptionen und der Trends und Muster, die in den Verkaufsdaten vorhanden sind, werden einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz ausführen. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass Eine Prognosemethode, die gute Ergebnisse in einem Stadium des Lebenszyklus eines Produkts liefert, wird während des gesamten Lebenszyklus angemessen bleiben. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind die mittlere Absolute Abweichung MAD und der Genauigkeit der Genauigkeit POA Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen vom Benutzer festgelegten Zeitraum Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt PBF Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden an Verwendung bei der nächsten Prognoseprojektion Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden Prognoseleistungsbewertungsmethoden werden in den Seiten nach den Beispielen der zwölf Prognosemethoden gezeigt. 3 Methode 1 - Spezifizierte Prozent über letztes Jahr. Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Benutzer angegebenen Faktor, z. B. 1 10 für eine 10 Zunahme oder 0 97 für eine 3 Abnahme. Erforderliche Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus des Benutzers Spezifizierte Anzahl von Zeitabschnitten für die Bewertung der Prognoseleistungsverarbeitungsoption 19.A 4 1 Prognoseberechnung. Range der Verkaufsgeschichte zur Verwendung bei der Berechnung der Wachstumsfaktor-Verarbeitungsoption 2a 3 in diesem Beispiel. Sum die letzten drei Monate des Jahres 2005 114 119 137 370.Sum Die gleichen drei Monate für das Vorjahr 123 139 133 395.Der berechnete Faktor 370 395 0 9367.Calculate die Prognosen. Januar, 2005 Umsatz 128 0 9367 119 8036 oder etwa 120.Februar, 2005 Umsatz 117 0 9367 109 5939 oder etwa 110.März, 2005 Umsatz 115 0 9367 107 7205 oder etwa 108.A 4 2 Simulierte Prognose Berechnung. Sum die drei Monate des Jahres 2005 vor Holdout Zeitraum Juli, August, September 129 140 131 400.Sum die gleichen drei Monate für die vorherigen Jahr.141 128 118 387. Der berechnete Faktor 400 387 1 033591731.Calculate simulierte Prognose. Oktober, 2004 Umsatz 123 1 033591731 127 13178.November 2004 Umsatz 139 1 033591731 143 66925.December, 2004 Umsatz 133 1 033591731 137 4677.A 4 3 Prozent der Genauigkeitsberechnung. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Mittlere Absolutabweichungsberechnung. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Methode 3 - Letztes Jahr zu diesem Jahr. Dieses Verfahren kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Auswertung festgelegten Zeiträume Prognose der Leistungsverarbeitungsoption 19.A 6 1 Prognoseberechnung. Zahl der Perioden, die in die durchschnittliche Verarbeitungsoption 4a 3 in diesem Beispiel aufgenommen werden sollen. Für jeden Monat der Prognose durchschnittlich die letzten drei Monatsdaten. Januarprognose 114 119 137 370 , 370 3 123 333 oder 123.Februarprognose 119 137 123 379, 379 3 126 333 oder 126.Märzvorhersage 137 123 126 379, 386 3 128 667 oder 129.A 6 2 Simulierte Prognoseberechnung. Oktober 2005 Umsatz 129 140 131 3 133 3333.November 2005 Umsatz 140 131 114 3 128 3333.Dekember 2005 Umsatz 131 114 119 3 121 3333.A 6 3 Prozent der Genauigkeitsberechnung. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Mittleres Absolut Abweichungsberechnung. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Methode 5 - Lineare Approximation. Linear Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsgeschichte Datenpunkte. Diese beiden Punkte definieren eine gerade Trendlinie, die Wird in die Zukunft projiziert Verwenden Sie diese Methode mit Vorsicht, da Langstrecken-Prognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Anforderungsverkäufe Die Anzahl der Perioden, die in die Regressionsverarbeitungsoption 5a, plus 1 plus die Anzahl der Zeiträume für einschließen Auswertung der Prognoseleistungsverarbeitungsoption 19.A 8 1 Prognoseberechnung. Zahl der Perioden, die in der Regressionsverarbeitungsoption 6a 3 in diesem Beispiel enthalten sind. Für jeden Monat der Prognose fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen hinzu Zeitraum von den letzten drei Monaten 114 119 137 3 123 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 114 1 119 2 137 3 763.Differenz zwischen den Werten. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 23 2 11 5.Value2 Durchschnitt - Wert1 Verhältnis 123 3333 - 11 5 2 100 3333.Forecast 1 n Wert1 Wert2 4 11 5 100 3333 146 333 oder 146.Forecast 5 11 5 100 3333 157 8333 oder 158.Forecast 6 11 5 100 3333 169 3333 oder 169.A 8 2 Simulierte Prognoseberechnung. Oktober 2004 sales. Average der letzten drei Monate . 129 140 131 3 133 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 129 1 140 2 131 3 802.Differenz zwischen den Werten. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 2 2 1.Value2 Durchschnitt - Wert1 Verhältnis 133 3333 - 1 2 131 3333.Forecast 1 n Wert1 Wert2 4 1 131 3333 135 3333.November 2004 sales. Average der vergangenen drei Monate. 140 131 114 3 128 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 140 1 131 2 114 3 744.Differenz zwischen den Werten 744 - 128 3333 1 2 3 -25 9999.Value1 Differenzverhältnis -25 9999 2 -12 9999.Value2 Durchschnitt - Wert1 Verhältnis 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Dekember 2004 sales. Average der letzten drei Monate. 131 114 119 3 121 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 131 1 114 2 119 3 716.Differenz zwischen den Werten. 716 - 121 3333 1 2 3 -11 9999.Value1 Differenzverhältnis -11 9999 2 -5 9999.Value2 Durchschnitt - Wert1 Verhältnis 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prozentsatz der Genauigkeitsberechnung. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Mittlere Absolutabweichungsberechnung. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Methode 7 - Zweitens Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich Diese Methode bestimmt jedoch Werte für a, b und c in Die Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsgeschichtsdaten anzupassen Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Wenn beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt wird , Kann der Umsatz Trend beschleunigen Wegen der zweiten Bestellung Begriff kann die Prognose schnell an Unendlichkeit oder fallen auf Null, je nachdem, ob Koeffizient c ist positiv oder negativ Daher ist diese Methode nur in kurzer Zeit nützlich. Forecast Spezifikationen Die Formeln findet eine , B und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3 Daher sind die tatsächlichen Verkaufsdaten für April durch Juni werden in den ersten Punkt zusammengefasst, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen, und Oktober bis Dezember Summe zu Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte 3 n Perioden für die Berechnung Die Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung PBF erforderlich sind. Anzahl der Perioden, die die Verarbeitungsoption 7a 3 in diesem Beispiel enthalten. Verwenden Sie die vorherigen 3 n Monate in Dreimonatsblöcken. Q1 Apr - Jun 125 122 137 384. Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognosemethode Y a bX cX 2 verwendet werden sollen. 1 Q1 a bX cX. Deutsch: www. tab. fzk. de/de/projekt/zusammenf...ng/ab117.htm. Englisch: www. tab. fzk. de/en/projekt/zusammenf...ng/ab117.htm Im nächsten Schritt werden die drei Koeffizienten a, b und c berechnet, 2 wobei X 1 ab c. 2 Q2 a bX cX 2 wobei X 2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 a 3b 9c die drei Gleichungen gleichzeitig analysieren, um b, a und c zu finden. Gleichung Gleichung 1 aus Gleichung 2 zu addieren und für b zu lösen. Diese Gleichung für b in Gleichung 3 einzustellen. 3 Q3 a 3 Q2 - Q1 - 3c c. Schließen Sie diese Gleichungen für a und b in Gleichung 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Die zweite Grad Approximation Methode berechnet A, b und c wie folgt. 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 cX 2 322 85 X -23 X 2.Januar bis März Vorhersage X 4. 322 340 - 368 3 294 3 98 pro Periode. April bis Juni Prognose X 5. 322 425 - 575 3 57 333 oder 57 pro Zeitraum. Juli bis September Prognose X 6. 322 510 - 828 3 1 33 oder 1 pro Zeitraum. Oktober bis Dezember X 7. 322 595 - 1127 3 -70.A 9 2 Simulierte Prognose Berechnung. Oktober, November Und Dezember 2004 Umsatz. Q1 Jan - Mar 360.Q2 Apr - 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 16 3 136.A 9 3 Prozent der Genauigkeitsberechnung. POA 136 136 136 114 119 137 100 110 27.A 9 4 Mittlere Absolutabweichungsberechnung. MAD 136 - 114 136 - 119 136 - 137 3 13 33. 10 Methode 8 - Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne von einem Benutzer spezifizierten Faktor, dann projizieren, dass Ergebnis In die Zukunft In der Percent Over Last Year-Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als denselben Zeitraum des Vorjahres anzugeben, der als Grundlage für die Verwendung verwendet wird Die Berechnungen. Multiplikationsfaktor Geben Sie z. B. 1 15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15.Basis zu erhöhen. Zum Beispiel bedeutet n 3, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert Verkaufsgeschichte Der benutzerdefinierte Anzahl der Perioden zurück zum Basiszeitraum sowie die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. 10 4 Mittlere Absolute Abweichungsberechnung. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Methode 9 - Gewichteter Moving Average Die gewichtete Moving Average WMA Methode ähnelt Methode 4, Moving Average MA Mit dem Weighted Moving Average können Sie den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Umsatzgeschichte Kommen kurzfristig zu einer Projektion. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen im Umsatzniveau reagiert. Allerdings treten prognostizierte Bias und systematische Fehler immer noch auf, wenn die Produktverkaufsgeschichte zeigt Starke Trend - oder Saisonmuster Diese Methode eignet sich besser für kurzfristige Prognosen von reifen Produkten und nicht für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden soll, 3 in der Verarbeitungsoption 9a, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitspanne zu verwenden Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Es führt zu einer stabilen Prognose, wird aber langsam zu erkennen, Verschiebungen In der Ebene des Umsatzes Auf der anderen Seite wird ein kleiner Wert für n wie 3 reagieren schneller auf Verschiebungen in der Ebene des Umsatzes, aber die Prognose kann so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jedem zugeordnet wird Der historischen Datenperioden Die zugewiesene Gewichte müssen auf 1 00 betragen. Wenn z. B. bei n 3 Gewichte von 0 6, 0 3 und 0 1 zugewiesen werden, wobei die letzten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der für die Auswertung der Prognoseleistung benötigten Zeiträume PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Methode 10 - Lineare Glättung. Diese Methode ähnelt Methode 9, Weighted Moving Average WMA , Anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um eine Projektion für die kurzfristige zu erreichen. Es ist wahr Von allen linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierten Vorurteilen und systematischen Fehlern treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten und nicht für Produkte in den Wachstums - oder Obsoleszenzstufen des Lebenszyklus. die Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste zu verwenden Zeitspanne Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n 3, wird das System Gewichte von 0 5, 0 3333 und 0 1 zuordnen, wobei die aktuellsten Daten empfangen werden Das größte Gewicht. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind PBF. A 12 1 Prognoseberechnung. Zahl der Perioden, die in die Glättung der durchschnittlichen Verarbeitungsoption 10a 3 in diesem Beispiel enthalten. Ratio für einen Zeitraum vor 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio für zwei Perioden vor 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio für drei Perioden vorher 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januarprognose 137 0 5 119 1 3 114 1 6 127 16 oder 127.Februarprognose 127 0 5 137 1 3 119 1 6 129.Märzvorhersage 129 0 5 127 1 3 137 1 6 129 666 oder 130. A 12 2 Simulierte Prognoseberechnung. Oktober 2004 Umsatz 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Umsatz 140 1 6 131 2 6 114 3 6 124Dezember 2004 Umsatz 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prozent der Genauigkeitsberechnung. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mittlere Absolutabweichungsberechnung. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Methode 11 - Exponentielle Glättung. Diese Methode ähnelt Methode 10, Lineare Glättung In der linearen Glättung weist das System den historischen Daten, die linear abweichen, Gewichte zu. Bei der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die exponentielle Glättungsvorhersagegleichung ist. Forecast a Vorherige Ist Verkäufe 1 - a vorherige Prognose. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Verkäufe aus der vorherigen Periode und die Prognose aus der vorherigen Periode a ist das Gewicht auf die tatsächlichen Verkäufe für die vorherige Periode 1 - a ist das Gewicht auf die angewendet Prognose für die vorherige Periode Gültige Werte für einen Bereich von 0 bis 1 und fallen gewöhnlich zwischen 0 1 und 0 4 Die Summe der Gewichte beträgt 1 00 a 1 - a 1. Sie sollten einen Wert für die Glättungskonstante, a If Sie vergeben keine Werte für die Glättungskonstante, das System berechnet einen angenommenen Wert auf der Grundlage der Anzahl der in der Verarbeitungsoption 11a angegebenen Perioden des Verkaufsverlaufs. Die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für den allgemeinen Umfang oder Umfang des Umsatzes verwendet wird Gültige Werte für einen Bereich von 0 bis 1.n der Bereich der Verkaufsgeschichte Daten in die Berechnungen enthalten In der Regel ein Jahr der Umsatz Geschichte Daten ist ausreichend, um die allgemeine Umsatzniveau zu schätzen Für dieses Beispiel wurde ein kleiner Wert für nn 3 gewählt Um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt beruht. Minimal erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. A 13 1 Prognoseberechnung. Anzahl der Perioden, die in die Glättung der durchschnittlichen Verarbeitungsoption 11a 3 und der Alpha-Faktor-Verarbeitungsoption 11b in diesem Beispiel enthalten sind. ein Faktor für die ältesten Verkaufsdaten 2 1 1 oder 1, wenn alpha angegeben ist. Ein Faktor für den 2. Älteste Verkaufsdaten 2 1 2 oder alpha, wenn alpha angegeben ist. ein Faktor für die 3. ältesten Verkaufsdaten 2 1 3 oder alpha, wenn alpha angegeben ist. ein Faktor für die letzten Verkaufsdaten 2 1 n oder alpha, wenn alpha ist Angegeben. November Sm Avg a Oktober Tatsächlich 1 - ein Oktober Sm Avg 1 114 0 0 114.December Sm Avg ein November Actual 1 - ein November Sm Avg 2 3 119 1 3 114 117 3333.Januar Prognose ein Dezember Actual 1 - ein Dezember Sm Avg 2 4 137 2 4 117 3333 127 16665 oder 127.Februarprognose Januar Vorhersage 127.March Prognose Januar Vorhersage 127.A 13 2 Simulierte Prognoseberechnung. Juli 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.Oktober, 2004 Umsatz Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.Oktober Sm Avg 2 4 114 2 4 134 124.November 2004 Verkauf Sep Sm Avg 124.September 2004 Sm Avg 2 2 131 131.Oktober Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Dekember 2004 Umsatz Sep Sm Avg 119 3333.A 13 3 Prozent der Genauigkeitsberechnung. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mittlere Absolute Abweichungsberechnung. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Methode 12 - Exponentielle Glättung mit Trend und Seasonality. This Methode ist ähnlich wie Methode 11, Exponential Glättung, dass ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Begriff in der Prognose Gleichung zu berechnen Ein geglätteter Trend Die Prognose besteht aus einer geglätteten gemittelten gemittelten angepassten für einen linearen Trend Wenn in der Verarbeitungsoption spezifiziert, wird die Prognose auch für Saisonalität angepasst. a die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Verkaufs verwendet wird Werte für Alpha-Bereich von 0 bis 1.b die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für den Beta-Bereich von 0 bis 1.Wenn ein saisonaler Index auf die Prognose angewendet wird. a und b sind Unabhängig von einander Sie müssen nicht zu 1 0 hinzufügen. Minimum erforderliche Verkaufsgeschichte zwei Jahre plus die Anzahl der Zeiträume für die Auswertung der Prognose Leistung PBF. Method 12 verwendet zwei exponentielle Glättung Gleichungen und ein einfacher Durchschnitt, um einen geglätteten Durchschnitt zu berechnen , Einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor. 14 1 Prognoseberechnung. Ein exponentiell geglätteter Durchschnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Auswertung der Prognosen. Sie können wählen Prognosemethoden, um so viele wie zwölf Prognosen für jedes Produkt zu generieren Jede Prognosemethode wird wahrscheinlich eine etwas andere Projektion schaffen Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung darüber zu treffen, welche der Prognosen in Ihren Plänen für jeden von ihnen verwendet werden Die Produkte. Das System automatisch wertet die Leistung für jede der Prognose Methoden, die Sie auswählen, und für jede der Produkte prognostiziert Sie können zwischen zwei Leistungskriterien wählen, Mean Absolute Abweichung MAD und Prozent der Genauigkeit POA MAD ist ein Maß für die Prognose Fehler POA Ist ein Maß für die Prognose-Bias Beide dieser Performance-Evaluation Techniken erfordern tatsächliche Umsatz Geschichte Daten für einen Benutzer bestimmten Zeitraum Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten passt PBF. Zur Messung der Leistung einer Prognose Methode verwenden Die Prognoseformeln zur Simulation einer Prognose für die historische Holdout-Periode Es gibt in der Regel Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, tritt dieser Prozess für jede Methode auf. Mehrere Prognosen werden für die Holdout-Periode und verglichen mit der bekannten Verkaufsgeschichte für den gleichen Zeitraum Die Prognosemethode, die die beste Übereinstimmung liefert, die am besten zwischen der Prognose und dem tatsächlichen Umsatz während der Holdout-Periode passt, wird für die Verwendung in Ihren Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch , Und könnte von einer Prognoseerzeugung zur nächsten wechseln. 16 Mittlere Absolute Abweichung MAD. MAD ist der Mittelwert oder Durchschnitt der Absolutwerte oder Größe der Abweichungen oder Fehler zwischen Ist - und Prognosedaten MAD ist ein Maß für die durchschnittliche Größe von Fehler zu erwarten, bei einer Prognosemethode und Datenhistorie Da absolute Werte bei der Berechnung verwendet werden, werden bei positiven Fehlern keine negativen Fehler aufgehoben. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt erwiesen Für diese Holdout-Periode Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error. A 16 1 Prozent der Genauigkeit POA. Percent of Accuracy POA Ist ein Maß für die Prognose-Bias Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Lagerbestände und die Inventurkosten steigen Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 aufgehoben. Error Actual - Forecast. Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose ist unvoreingenommen, eine kleine Menge an Sicherheit Lager kann verwendet werden, um die Fehler zu puffern In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, wie es ist, um unvoreingenommene Prognosen zu generieren. In den Dienstleistungsindustrien würde die obige Situation jedoch als drei Fehler angesehen werden. Der Dienst würde im ersten Fall unterbesetzt sein Periode, dann überstaffed für die nächsten zwei Perioden In Dienstleistungen ist die Größe der Prognosefehler in der Regel wichtiger als die Vorhersage Bias. Die Summation über die Halteperiode ermöglicht positive Fehler, um negative Fehler zu stornieren Wenn die Summe der tatsächlichen Umsatz übersteigt die Summe der Prognose Verkäufe, ist das Verhältnis größer als 100 Natürlich ist es unmöglich, mehr als 100 genau zu sein Wenn eine Prognose ist unvoreingenommen, wird die POA-Verhältnis 100 Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien Wählen Sie die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100.Scripting auf dieser Seite ist, verbessert die Inhaltsnavigation, verändert aber den Inhalt in keiner Weise.
No comments:
Post a Comment