Prognose ved utjevningsteknikker. Dette nettstedet er en del av JavaScript E-labs læringsobjekter for beslutningstaking. Andre JavaScript i denne serien er kategorisert under forskjellige anvendelsesområder i MENU-delen på denne siden. En tidsrekkefølge er en sekvens av observasjoner som bestilles i tide Uheldig i samlingen av data tatt over tid er noen form for tilfeldig variasjon. Det eksisterer metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon. Bredt brukte teknikker er utjevning. Disse teknikkene, når de anvendes riktig, tydeliggjør de underliggende trenderne tydeligere..Trykk tidsserien Row-wise i rekkefølge, starter fra venstre øverste hjørne, og parameteren s, og klikk deretter på Calculate-knappen for å skaffe framtidig prognose. Lankbokser er ikke inkludert i beregningene, men nuller er. Ved å skrive inn dataene dine for å flytte fra celle til celle i datamatrixen, bruk Tab-tasten ikke pil eller skriv inn taster. Funksjoner av tidsserier, som kan avsløres av undersøkelsen ng sin graf med de prognostiserte verdiene, og residualens oppførsel, betinget prognostiseringsmodellering. Gjennomsnittlig gjennomsnitt Gjennomsnittlig rangering blant de mest populære teknikkene for forbehandling av tidsserier. De brukes til å filtrere tilfeldig hvit støy fra dataene, for å lage tidsserier jevnere eller til og med å understreke visse informasjonskomponenter som finnes i tidsseriene. Eksponensiell utjevning Dette er et veldig populært system for å produsere en glatt tidsserie. I Moving Averages blir de tidligere observasjonene vektet likt, Eksponensiell utjevning tilordner eksponentielt avtagende vekter som observasjonen blir eldre Med andre ord blir de siste observasjonene gitt relativt mer vekt i prognoser enn de eldre observasjonene. Dobbel eksponensiell utjevning er bedre å håndtere trender. Tre eksponensiell utjevning er bedre for å håndtere paraboltendenser. Et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant a tilsvarer omtrent en enkel glidende gjennomsnitt av lengde dvs. periode n, hvor a og n er relatert av. a 2 n 1 OR n 2 - a a. For eksempel vil et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant som er 0 l tilsvare omtrent et 19 dagers glidende gjennomsnitt Og et 40-dagers enkelt glidende gjennomsnitt ville korrespondere omtrent til et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant som er 0 04878.Holt s Lineær eksponensiell utjevning Anta at tidsseriene ikke er sesongmessige, men viser trend trend Holt s-metoden estimerer både strømmen nivå og den nåværende trenden. Merk at det enkle glidende gjennomsnittet er et spesielt tilfelle av eksponensiell utjevning ved å sette perioden for glidende gjennomsnitt til heltalldelen av 2-Alpha Alpha. For de fleste forretningsdata er en Alpha-parameter mindre enn 0 40 ofte effektive Det kan imidlertid utføres et rutenett for parameterrommet, med 0 1 til 0 9, med trinn på 0 1 Så har den beste alfa den minste Mean Absolute Error MA Error. How å sammenligne flere utjevningsmetoder Selv om det er numeriske indikatorer for å vurdere nøyaktigheten av prognoseteknikken, er det mest benyttede å bruke visuell sammenligning av flere prognoser for å vurdere nøyaktigheten og velge blant de ulike prognosemetoder. I denne tilnærmingen må man plotte ved hjelp av f. eks. Excel på samme graf de opprinnelige verdiene til en tidsserievariabel og de forutsagte verdiene fra flere forskjellige prognosemetoder, og dermed lette en visuell sammenligning. Du kan gjerne bruke Past Forecasts ved utjevningsteknikker JavaScript for å oppnå tidligere prognosverdier basert på utjevningsteknikker som bare bruker en enkelt parameter Holt og Winters metoder bruker henholdsvis to og tre parametere. Det er derfor ikke en lett oppgave å velge den optimale, eller til og med nær optimale verdier ved prøving og feil for parametrene. Enkelt eksponensiell utjevning legger vekt på det kortsiktige perspektivet det setter nivået til siste observasjon og er basert på tilstanden at det ikke er noen trend. Den lineære regressen ion, som passer til en minste firkantlinje til de historiske dataene eller transformerte historiske data, representerer lang rekkevidde som er betinget av den grunnleggende trenden Holt s lineære eksponensielle utjevning fanger opp informasjon om nyere trend Parametrene i Holt s-modellen er nivåparameter som bør reduseres når mengden datavariasjon er stor, og trenderparameteren skal økes dersom den siste trendretningen støttes av årsakssammenhengende faktorer. Korttidsoversikt Merk at alle JavaScript på denne siden gir en engangsforløp prognose For å oppnå en to-trinns prognose bare legg til den prognostiserte verdien til slutten av dine tidsseriedata og klikk deretter på den samme Beregn-knappen. Du kan gjenta denne prosessen for noen få ganger for å oppnå de nødvendige kortsiktige prognosene..Simple Vs Eksponentielle Moving Gjennomsnitt. Gjennomgående gjennomsnitt er mer enn studien av en sekvens av tall i etterfølgende rekkefølge Tidlige utøvere av tidsserier analyse var faktisk mer konkrete kalt med individuelle tidsserier tall enn de som var med interpolering av data Interpolering i form av sannsynlighetsteorier og analyse, kom mye senere, da mønstre ble utviklet og korrelasjoner oppdaget. Når det ble forstått, ble ulike formede kurver og linjer trukket langs tiden serier i et forsøk på å forutsi hvor datapunktene kan gå. Disse er nå betraktet som grunnleggende metoder som for tiden brukes av tekniske analysehandlere. Kartanalyse kan spores tilbake til 18th Century Japan, men hvordan og når flytte gjennomsnitt ble først brukt til markedspriser forblir et mysterium Det er generelt forstått at enkle glidende gjennomsnitt SMA ble brukt lenge før eksponentielle glidende gjennomsnitt EMA, fordi EMAer er bygget på SMA-rammeverk og SMA-kontinuumet ble lettere forstått for plotting og sporing. Ønsker du litt bakgrunnsavlesning Sjekk ut Flytte gjennomsnitt Hva Er de. Enkelte bevegelige gjennomsnittlige SMA Enkle bevegelige gjennomsnitt ble den foretrukne metoden for spore markedspriser fordi de er raske å beregne og lett å forstå Tidlige markedsutøvere opererte uten bruk av de sofistikerte diagrammetene som er i bruk i dag, så de var hovedsakelig avhengige av markedsprisene som deres eneste guider. De kalkulerte markedsprisene for hånd og graftede de Prisene for å betegne trender og markedsretning Denne prosessen var ganske kjedelig, men viste seg å være ganske lønnsom med bekreftelse på videre studier. For å beregne et 10-dagers enkelt glidende gjennomsnitt, legger du bare til sluttkursene de siste 10 dagene og deler med 10 20- Daglig glidende gjennomsnitt beregnes ved å legge sluttkursene over en 20-dagers periode og deles med 20 osv. Denne formelen er ikke bare basert på sluttkurs, men produktet er et middel av priser - en delgruppe Flytende gjennomsnitt kalles flytte fordi gruppen av priser som brukes i beregningen, flyttes i henhold til punktet på diagrammet. Dette betyr at gamle dager blir tapt til fordel for nye sluttkursdager, så en ny beregning er alltid n eeded svarer til tidsrammen for gjennomsnittet ansatt Så, en 10-dagers gjennomsnitt blir omregnet ved å legge til den nye dagen og slippe den tiende dagen, og den niende dagen blir tapt på den andre dagen. For mer om hvordan diagrammer brukes i valutahandel sjekk ut våre kartbaser Walkthrough. Exponential Moving Average EMA Det eksponensielle glidende gjennomsnittet har blitt raffinert og mer vanlig siden 1960-tallet, takket være tidligere utøvere eksperimenterer med datamaskinen. Den nye EMA vil fokusere mer på de siste prisene, heller enn på en lang serie datapunkter, som det enkle glidende gjennomsnittet som er nødvendig. Gjeldende EMA-pris nåværende - tidligere EMA X multiplikator tidligere EMA. Den viktigste faktoren er utjevningskonstanten som 2 1 N hvor N antall dager. En 10-dagers EMA 2 10 1 18 8. Dette betyr en 10-årig EMA vekter den siste prisen 18 8, en 20-dagers EMA 9 52 og 50-dagers EMA 3 92 vekt på den siste dagen EMA fungerer ved å veie forskjellen mellom den nåværende perioden s pris og s fornuftig EMA, og legge til resultatet til den tidligere EMA. Jo kortere perioden, jo mer vekt ble brukt på den nyeste prisen. Fitting Lines Ved disse beregningene er poeng plottet, avslørende en passende linje. Fitting linjer over eller under markedsprisen betyr at Alle glidende gjennomsnitt er forsinkende indikatorer og brukes primært til følgende trender. De fungerer ikke bra med utvalgsmarkeder og perioder med overbelastning fordi de passerende linjer mislykkes i å indikere en trend på grunn av mangel på tydelig høyere høyder eller lavere nedturer. Pluss, tilpassede linjer har en tendens til å forbli konstant uten ledetråd. En stigende monteringslinje under markedet betyr en lang stund, mens en fallende monteringslinje over markedet betyr kort. For en komplett guide, les vår Moving Average Tutorial. Formålet med å bruke et enkelt glidende gjennomsnitt er å spot og måle trender ved å utjevne dataene ved hjelp av flere grupper av priser. En trend er spottet og ekstrapolert til en prognose. Forutsetningen er at tidligere trend bevegelser vil fortsette For det enkle glidende gjennomsnittet, kan en langsiktig trend bli funnet og fulgt mye lettere enn en EMA, med rimelig antagelse om at monteringslinjen vil holde sterkere enn en EMA-linje på grunn av det lengre fokuset på gjennomsnittlige priser. En EMA brukes til å fange kortere trendbevegelser på grunn av fokus på de siste prisene. Med denne metoden skulle en EMA redusere lags i det enkle glidende gjennomsnittet, slik at monteringslinjen vil kramme prisene nærmere enn et enkelt glidende gjennomsnitt. Problemet med EMA er dette sannsynlig for prisbrudd, spesielt i raske markeder og volatilitetsperioder EMA fungerer bra til prisene bryter sammen linje. I høyere volatilitetsmarkeder kan du vurdere å øke lengden på den bevegelige gjennomsnittlige termen. En kan også bytte fra en EMA til en SMA, siden SMA glatter ut dataene mye bedre enn en EMA på grunn av fokus på langsiktige midler. Trend-Følgende indikatorer Som slående indikatorer tjener glidende gjennomsnitt som støtte og motstå ance linjer Hvis prisene går under en 10-dagers montering linje i en oppadgående trend, er det gode muligheter for at den oppadgående trenden kan avta, eller i det minste markedet kan konsolidere Hvis prisene går over et 10-dagers glidende gjennomsnitt i en nedgang, Trenden kan være avtagende eller konsolidere I disse tilfellene bruker du et 10- og 20-dagers glidende gjennomsnitt sammen og venter på 10-dagers linjen å krysse over eller under 20-dagers linjen. Dette bestemmer neste kortsiktige retning for priser . For lengre siktperioder, se 100- og 200-dagers glidende gjennomsnitt for langsiktig retning. For eksempel ved å bruke 100- og 200-dagers glidende gjennomsnitt, hvis 100-dagers glidende gjennomsnitt krysser under 200-dagers gjennomsnittet, er det s kalt dødskrysset og er veldig bearish for pris Et 100-dagers glidende gjennomsnitt som krysser over et 200-dagers glidende gjennomsnitt kalles det gyldne krysset og er veldig bullish for priser Det spiller ingen rolle om en SMA eller en EMA blir brukt, fordi begge er trend-følger indikatorer Det er bare på kort sikt at SMA har små avvik fra motparten, EMA. Conclusion Moving gjennomsnitt er grunnlaget for kart - og tidsserieanalyse Enkle bevegelige gjennomsnitt og mer komplekse eksponentielle glidende gjennomsnitt bidrar til å visualisere trenden ved å utjevne prisbevegelser. Teknisk analyse blir noen ganger referert til som en kunst i stedet for en vitenskap, som begge tar år å mestre Lær mer i vår Tekniske Analyse-veiledning. Det maksimale beløpet av penger USA kan låne Gjeldstaket ble opprettet under Second Liberty Bond Act. Renten der en depotbank institusjon gir midler opprettholdt i føderalbanken til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhets - eller markedsindeks Volatilitet kan enten måles. En handling vedtok den amerikanske kongressen i 1933 som bankloven, som er forbudt kommersielle banker fra å delta i investeringen. Nonfarm lønn refererer til enhver jobb utenfor gårder, private husholdninger en d nonprofit sektor Den amerikanske arbeidsstyrken. Den valuta forkortelse eller valutasymbol for den indiske rupee INR, valutaen til India Rupee består av 1.Exponential utjevning Explained. Copyright Innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for republikasjon. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje at det høres ut som et helvete av utjevning, uansett utjevning. De begynner deretter å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noensinne trenger å gjøre det Realiteten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som gir en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk sett skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning, hjelper det t o begynner med det generelle begrepet utjevning og et par andre vanlige metoder som brukes for å oppnå utjevning. Hva er utjevning. Utmattelse er en svært vanlig statistisk prosess Faktisk støter vi jevnlig på jevne data i ulike former i våre daglige liv Hver gang du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du raskt forstå begrepet utjevning. For eksempel har vi nettopp opplevd den varmeste vinteren på rekord. Hvordan er det vi kan kvantifisere dette Vel, vi begynner med datasett av de daglige høye og lave temperaturene for perioden vi kalder Vinter for hvert år i innspilt historie Men det gir oss en mengde tall som hopper rundt ganske mye, det er ikke som hver dag denne vinteren var varmere enn de tilsvarende dagene fra alle tidligere år Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerne hoppingen rundt i dataene kalles utjevning, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsforespørsel benytter vi utjevning for å fjerne tilfeldig variasjonslyd fra vår historiske etterspørsel. Dette tillater oss å bedre identifisere etterspørselsmønster primært trend og sesong - og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel Støyen i etterspørselen er det samme konseptet som den daglige hoppingen rundt temperaturdataene Ikke overraskende er den vanligste måten folk fjerner støy fra etterspørselshistorien, å bruke et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg når tiden går. For eksempel hvis jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, m bruker gjennomsnittlig etterspørsel som skjedde i januar, februar, mars og april 1. juni vil jeg bruke etterspørselen fra februar, mars, april og mai. veidende glidende gjennomsnitt. når du bruker et gjennomsnitt vi bruker samme vektvekt til hver verdi i datasettet. I 4 måneders glidende gjennomsnitt representerte hver måned 25 av glidende gjennomsnitt. Når bruk av etterspørselshistorie for å fremstille fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjon at du vil at nyere historie har større innvirkning på prognosen din. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til hver periode for å få våre ønskede resultater. Vi uttrykker disse vektene som prosentandel, og summen av alle vekter for alle perioder må legge til opptil 100 Derfor, hvis vi bestemmer oss for å bruke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å dele over de andre 3 periodene For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 for de 4 månedene 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet om å legge vekt på den siste perioden, slik som 3 5 i det forrige eksempelet og sprer den gjenværende vekten beregnet ved å subtrahere den siste tidsvekten på 35 fra 100 til 65, har vi de grunnleggende byggeblokkene for vår eksponentielle utjevningsberegning. Kontrollerende inngang av eksponensiell utjevningsberegning kalles utjevning faktor kalles også utjevningskonstanten. Det representerer i hovedsak vektingen som er brukt på den siste periodens etterspørsel. Så hvor vi brukte 35 som vekten for den siste perioden i den veide glidende gjennomsnittlige beregningen, kunne vi også velge å bruke 35 som utjevning faktor i vår eksponentielle utjevningsberegning for å få en lignende effekt Forskjellen med eksponensiell utjevningsberegning er at i stedet for å måtte finne ut hvor mye vekt som skal gjelde for hver tidligere periode, blir utjevningsfaktoren brukt til å automatisk gjøre det. Så her kommer eksponentiell del Hvis vi bruker 35 som utjevningsfaktor, vil vekten av den siste perioden etterspørselen vær 35 Vektingen av neste siste periode s kreve perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 vekting for den perioden hvis du gjør matematikken. Den neste siste perioden s etterspørsel vil være 65 av 65 av 35, som tilsvarer 14 79 Perioden før den blir vektet som 65 av 65 av 65 av 35, som tilsvarer 9 61 osv. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet. Du antar sannsynligvis at det ser ut som en masse matematikk, men skjønnheten i eksponensiell utjevningsberegning er det heller enn å ha å beregne mot hver tidligere periode hver gang du får en ny periodes etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra forrige periode til å representere alle tidligere periodene. Er du forvirret ennå Dette vil gi mer mening når vi se på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognose. I virkeligheten trenger den ultimate prognosen litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognose. Eksponensiell utjevningsberegning er som følger. Den siste periodens etterspørsel multiplisert med utjevningsfaktor PLUS Den siste perioden s prognosen multiplisert med en minus utjevningsfaktor. D siste periode s etterspørsel S utjevningsfaktoren representert i desimalform så 35 ville bli representert som 0 35 F den siste perioden s anslår utgangen av utjevningsberegningen fra forrige periode. OR antar en utjevningsfaktor på 0 35. Det blir ikke mye enklere enn det. Som du kan se, alle vi trenger datainnganger her er den siste perioden s etterspørsel og den siste perioden s prognose Vi bruker utjevningsfaktoren vekting til den siste perioden s etterspørsel på samme måte som vi ville i vektet glidende gjennomsnittlig beregning Vi bruker deretter den gjenværende vekten 1 minus utjevningsfaktoren til den siste perioden s prognose. Siden den siste perioden s prognose ble opprettet basert på forrige periode s etterspørsel og forrige periode s prognose, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. vel, kan du se hvordan alle tidligere periodens etterspørsel er representert i beregningen uten å faktisk gå tilbake og omberegne noe. Og det er det som kjørte den opprinnelige populariteten til eksponensiell utjevning. Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram Og fordi du ikke behøvde å tenke på hvilken vekting å gi tidligere perioder eller hvor mange tidligere perioder du vil bruke, som du ville i vektet glidende gjennomsnitt og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er noe av disse kan gi respektable resultater, så hvorfor ikke gå med enklere og kjøligere lyding. Eksponentiell utjevning i Excel. Vi ser hvordan dette egentlig ser ut i et regneark med ekte data. Copyright Content på er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. I figur 1A , vi har et Excel-regneark med 11 ukers etterspørsel og en eksponensielt jevn prognose beregnet ut fra den etterspørselen jeg har brukt en utjevningsfaktor på 25 0 25 i celle C1 Den nåværende aktive cellen er Cell M4 som inneholder prognosen for uke 12 Du kan se i formellelinjen, er formelen L3 C1 L4 1- C1 Så de eneste direkte inngangene til denne beregningen er den forrige perioden s etterspørsel Cell L3, den forrige perioden er prognosen Cell L4, og utjevningsfaktoren Celle C1, vist som absolutt cellereferanse C1.Når vi starter en eksponentiell utjevningsberegning, må vi manuelt koble verdien til 1. prognose. Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognosen I Cell C4 har vi vår første eksponensielle utjevningsberegning B3 C1 B4 1- C1 Vi kan da kopiere Cell C4 og lime den inn i Cells D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbelt - klikk på en prognose celle for å se at den er basert på forrige periode s prognose celle og forrige periode s etterspørselscelle. Så hver etterfølgende eksponensiell utjevningsberegning arver utgangen av den forrige eksponensielle utjevningsberegningen. Det er hvordan hver tidligere periode s etterspørsel er representert i den siste periodens beregning, selv om denne beregningen ikke direkte refererer til de foregående periodene Hvis du vil ha lyst, kan du bruke Excel s trace precedents funksjon For å gjøre dette, klikk på Cell M4, Deretter klikker du på verktøylinjen Excel 2007 eller 2010 på Formulas-fanen, og deretter klikker du Sporprecedenter. Det trekker tilkoblingslinjer til det første nivået av precedenter, men hvis du fortsetter å klikke Trace Precedents, vil det trekke kontaktlinjer til alle tidligere perioder for å vise deg det arvelige forholdet. Nå la oss se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram over etterspørselen og prognosen. Du ser hvordan den eksponensielt jevnte prognosen fjerner det meste av ujevnheten som hopper rundt fra den ukentlige etterspørselen, men administrerer fortsatt å følge det som synes å være en oppadgående trend i etterspørselen. Du vil også merke at den glatte prognosen linje har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendlag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en Trenden er til stede, prognosen din vil ligge bak trenden. Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre som gjør en gjøre trendig trend du vil se etterspørselslinjedråpet, og trendlinjen beveger seg over den før du begynner å følge den nedadgående trenden. Det er derfor jeg tidligere nevnte resultatet fra eksponensiell utjevningsberegning som vi kaller en prognose, trenger fortsatt litt mer arbeid der er mye mer å prognose enn bare å utjevne støtene i etterspørsel. Vi må gjøre ytterligere tilpasninger for ting som trendlag, sesongmessighet, kjente hendelser som kan påvirke etterspørselen, osv. Men alt som er utenfor rammen av denne artikkelen. Du vil sannsynligvis Kjører også inn i begreper som dobbel-eksponensiell utjevning og triple-eksponensiell utjevning. Disse termer er litt misvisende siden du ikke re-utjevner etterspørselen flere ganger du kan hvis du vil, men det er ikke poenget her. Disse termer representerer bruk av eksponensiell utjevning På ytterligere elementer i prognosen Så med enkel eksponensiell utjevning, utjevner du basen etterspørsel, men med dobbel eksponensiell utjevning utjevner du basen etterspørsel pluss Trenden, og med triple-eksponensiell utjevning, utjevner du basen etterspørsel pluss trenden pluss sesongmessige forhold. Det andre vanligste spørsmålet om eksponensiell utjevning er hvor får jeg utjevningsfaktoren min? Det er ikke noe magisk svar her, du må teste ulike utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene Det er beregninger som automatisk kan sette og endre utjevningsfaktoren Disse faller under termen adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar og bør du ikke blindt implementere noen beregning uten grundig testing og utvikle en grundig forståelse av hva denne beregningen gjør. Du bør også kjøre hva-hvis scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i etterspørseldataene du bruker til testing. Data-eksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier Th ved spesifikke data eksempel viser en noe konsistent oppadgående trend Mange store selskaper med svært kostbar prognose programvare fikk store problemer i den ikke så fjernt fortiden da deres programvareinnstillinger som var tweaked for en voksende økonomi, reagerte ikke bra da økonomien begynte å stagnere eller krympe Ting som dette skjer når du ikke forstår hva dine beregninger programvare egentlig gjør Hvis de forsto sine prognoser, ville de ha visst at de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i deres virksomhet. Så der du ha det grunnleggende om eksponensiell utjevning forklares Ønsker du å vite mer om bruk av eksponentiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Copyright Innholdet på er beskyttet av copyright og er ikke tilgjengelig for republisering. Dave Piasecki er eieroperatør av Inventory Operations Consulting LLC et konsulentfirma som tilbyr tjenester relatert til lagerstyring, kompis rialhåndtering og lageroperasjoner Han har over 25 års erfaring i driftsledelse og kan nås gjennom hans nettside, der han opprettholder ytterligere relevant informasjon. My virksomhet.
No comments:
Post a Comment