Ennustaminen Liikkuvan Keskiarvon Kausiluontoisuutta

Kausivaihtelu ennusteessa Kausivaihtelu viittaa kysynnän muutoksiin, jotka tapahtuvat ympäri vuoden säännöllisen vuosijakson aikana. Se johtuu useista tekijöistä, joihin voi kuulua säännölliset säämallit, uskonnolliset tapahtumat, perinteiset käyttäytymismallit ja koulujen vapaapäivät. Kun kysyntäkuvassa on merkitty tai äärimmäinen kausivaihtelu, vaikuttavuus sen käsittelyssä vaikuttaa eniten ennusteiden tarkkuuteen. Yhtälön toinen puoli on se, että on tärkeää, ettei kausivaihtelua lasketa ennusteeseen, jos sitä ei todellisuudessa ole olemassa, koska se vaikuttaisi haitallisesti ennusteiden tarkkuuteen. Niinpä niissä tiedoissa, joissa kausivaihtelujen olemassaolo on epäselvä, on tärkeää tehdä paras mahdollinen päätös siitä, käytetäänkö ennusteprosessissa kausivaihtelua vai ei. Eri tilastolliset testit voivat auttaa tässä. Kausivaihtelujen laskentamenetelmät Ehkä yksinkertaisin tapa ottaa kausiluonteisuus huomioon on tehdä ennuste samalla tasolla kuin viime vuonna. Tämä ei yleensä ole hyvä tapa edetä, koska viime vuosina myynti voi olla epänormaalia useista mahdollisista syistä. Suositeltuja lähestymistapoja ovat prosentuaalinen vuosittainen lähestymistapa tai lisättyjen kausittaisten tekijöiden tai kausittaisten indeksien luominen. Laskettaessa kausiluonteisia indeksejä on useita erilaisia ​​menetelmiä. Yksinkertaiset lähestymistavat sisältävät kausittaisen keskiarvon ja suhteen keskitettyyn liikkuvan keskiarvomenetelmän. Muita menetelmiä ovat Fourier-analyysi, jossa eri sini - ja kosini-aallot yhdistetään kausittaisen kuvion esittämiseksi. Kausittainen keskitaso Tämä on todella yksinkertainen menetelmä. Ensinnäkin keskimääräinen myynti lasketaan kullekin kaudelle esim. kuukausi. Tämä antaa keskiarvon tammikuulle, helmikuun keskiarvolle jne. Suurimman keskiarvon keskiarvo lasketaan sitten keskimääräisten keskiarvojen keskiarvona. Kausiluonteiset indeksit syntyvät myös jakamalla jokaisen kausittaisen keskiarvon suurella keskiarvolla. Indeksit ovat keskimäärin 1,00. Tämä helppokäyttöinen menetelmä on hyvä, kun myyntihistoria on kohtuullisen vakaa, ts. Ei aiheudu suuria muutoksia kysynnän perustana olevaan ajan mittaan. Vähiten stabiileille tiedoille, jäljempänä kuvattu suhde keskitettyyn liikkuvan keskiarvomenetelmään voi olla parempi. Suhdetta keskitetysti liikkuvaan keskimääräiseen menetelmään Suhdetta keskitetyn liukuvan keskiarvon laskentatavan kausittaisten indeksien laskentamenetelmään on yksinkertainen laskelma, joka voidaan helposti määrittää Excelissä tai muissa ohjelmissa. Seuraava esimerkki kuukausittaisista tiedoista: Luo sarja keskitetylle vuotuiselle liikkuvalle keskiarvolle (CMA) esim. aloita laskemalla kuukausittainen keskiarvo vuodelle 2009 kesäkuuhun 2009 jne. Laske toinen sarja myynnin suhdeluvuksi tiettynä kuukaudena CMA: lle tuona kuukaudessa eli suhdeluvun myynti CMA: ssa. Laske kausittaiset indeksit keskimäärin suhdeluvut kausikuuhun, esim. kausiluonteinen indeksi maaliskuun keskiarvo on maalis-09, maalis-10, maalis-11, maaliskuu-12, maaliskuu-13 ja maalis-14. Säädä indeksejä tarvittaessa, jotta kausittaiset indeksit lisätään 12.00: een. Koska 12 kuukauden kalenterin keskus ei ole kesä - tai heinäkuussa, mutta keskellä kahta, perinteinen menetelmä vaiheeseen 1. liittyi luomaan kaksi sarjaa CMA: lle. Niinpä yhdellä sarjalla, joka asettaa vuotuisen keskiarvon kesäkuuhun verrattuna, toisella heinäkuussa. Sitten kaksi CMA-sarjaa laskettiin keskimäärin luomaan jotain, jonka voidaan sanoa olevan aidosti keskitetty. Käytännössä tämä ei ole kovin erilainen useimpien kaupallisten tietojen kanssa. Tämän menetelmän ainoa haittapuoli on se, että se tarvitsee jonkin verran aiempaa enemmän historiallista tietoa kuin kausittainen keskiarvo. Vähintään kolme vuotta on tarpeen. Tietojen puhdistus ja tietojen volatiliteetti Tietojen puhdistus vaikuttaa kausittaisuuden laskemiseen siinä mielessä, että epänormaalit tiedot olisi jätettävä kausittaisen laskelman ulkopuolelle. Luonnollista kausivaihtelua ei selvästikään pidä tulkita epänormaaliksi, joten tietojen puhdistus ja kausittainen laskenta liittyvät läheisesti toisiinsa. Kausivaihtelujen laskennassa olisi annettava vähintään kaksi vuotta historiallisia tietoja. Koska tietyt tiedot voivat olla tarpeen, jos se on epänormaalia, on yleensä suositeltavaa sisällyttää vähintään kolme tai neljä vuotta tietoa. Liiketoimintaennusteiden ongelma on, että on usein suhteellisen lyhyt aika johdonmukaista historiaa. Tämä tekee kausittaisesta analyysistä usein jotakin taidetta pikemminkin kuin täsmällistä tiedettä. Erilaisia ​​menetelmiä voidaan käyttää vähentämään haihtuvien tietojen vaikutusta kausivaihteluiden laskemiseen ennakointiin ja siten parantamaan ennustettavuutta. Näitä ovat: kausiluonteiset indeksit (aggregoitujen indeksien laskeminen) kausittainen yksinkertaistaminen (esim. Viikoittaisten tietojen kuukausittaiset indeksit) kausittainen kutistuminen (tunnetaan myös kausittaisena vaimennuksena) kausittainen tasoittaminen (esim. Viikoittainen ja päivittäinen ennustaminen Pienestä historiasta ja haihtuvista tiedoista johtuvat ongelmat muuttuvat kuukausittaisen kausittaisuuden laskennasta viikoittaisen kausittaisuuden laskemiseen. Vähemmän todennäköisyyttä, että vuosittaiset tapahtumat tapahtuvat samassa kalenterivuodessa, saattaa olla tarpeen puhdistaa kyseiset tapaukset myyntihistoriasta ja lisätä tulevia tapauksia ennusteeseen suunnitelluilla tapahtumilla. Joskus on viikoittainen ylimääräinen sykli kuukaudessa käsitellä. Viikoittaisella kausivaihtelulla havaitaan usein paljon jäljelle jäävää volatiliteettia kausittaisen laskelman tuloksista siinä määrin, että raaka-indeksiä ei voida luottaa. Siksi on tarpeen muuttaa indeksejä käyttämällä kausiluonteisia indeksejä, kausittaista yksinkertaistamista tai kausittaista tasoittamista. Jos päivittäinen ennuste on tarpeellinen, on yleensä parasta ensin laskea kausivaihtelu viikoittaisten tietojen avulla, ja sitten lähestyä tehtävän loppua käyttämällä päivätyön profiileja jakamalla viikkoja päiviin. Kaavion säätämisen ja eksponentiaalisen tasauksen toteuttaminen Spektrian avulla helppo suorittaa kausittaista säätöä ja sovittaa eksponentiaaliset tasoitusmallit Excelin avulla. Alla olevat ruudun kuvat ja kaaviot on otettu laskentataulukosta, joka on laadittu havainnollistamaan kertojajaksoaikaista sopeutumista ja lineaarista eksponentiaalista tasoitusta seuraavilla Outboard Marine - tuotaneljännesvuositietoilla: Voit saada kopion itse laskentataulukkotiedostosta napsauttamalla tätä. Lineaarisen eksponenttien tasoituksen versio, jota käytetään tässä esittelyn tarkoituksessa, on Brown8217s-versio, vain siksi, että se voidaan toteuttaa yhdellä kaavojen sarakkeella ja optimoida vain yksi tasoitusvakio. Yleensä on parempi käyttää Holt8217s-versiota, jolla on erilliset tasausvakiot tasolle ja suuntaukselle. Ennusteprosessi etenee seuraavasti: i) ensin tiedot on kausitasoitettu (ii) kausitasoitettuihin tietoihin saadaan ennusteita lineaarisen eksponenttien tasauksen avulla ja (iii) lopuksi kausitasoitetut ennusteet lasketaan alkuperäisen sarjan ennusteiden saamiseksi . Kausivaihteluprosessi suoritetaan sarakkeissa D - G. Kausitasoituksen ensimmäinen vaihe on laskea keskitetty liukuva keskiarvo (tämä tehdään sarakkeessa D). Tämä voidaan tehdä ottamalla keskimäärin kaksi yhden vuoden mittaista keskiarvoa, jotka on korvattu yhdellä aikavälillä suhteessa toisiinsa. (Yhdistelmä kahdesta offset-keskiarvosta pikemminkin kuin yhdestä keskiarvosta tarvitaan keskittämistarkoituksiin, kun kausien lukumäärä on tasainen.) Seuraava vaihe on laskea suhde liikkuvaan keskiarvoon - e. e. alkuperäiset tiedot jakautuvat kultakin ajanjaksolta liikkuvasta keskiarvosta - joka suoritetaan tässä sarakkeessa E. (Tätä kutsutaan myös mallin quottrend-cyclequot - komponentiksi, sikäli kuin trendin ja liiketoiminta-ajan vaikutukset voidaan katsoa kaiken kaikkiaan Jäljellä on keskimäärin yli vuoden mittainen tietomäärä. Tietenkin kuukausittain muutoksia, jotka eivät johdu kausivaihtelusta, voidaan määrittää monilla muilla tekijöillä, mutta 12 kuukauden keskiarvo heikentää niitä suuressa määrin. arvioitu kausittainen indeksi kullekin kaudelle lasketaan laskemalla keskimääräisesti kaikki kyseisen kauden suhteet, jotka tehdään soluissa G3-G6 käyttämällä AVERAGEIF-kaavaa. Keskimääräiset suhteet lasketaan uudelleen siten, että ne summaavat täsmälleen 100 kertaa kausien kausien lukumäärän, tai tässä tapauksessa 400, jotka tehdään soluissa H3-H6. Alla olevasta sarakkeesta F VLOOKUP-kaavoja käytetään sopivan kausittaisen indeksin arvon lisäämiseen datataulukon jokaiselle riville sen edellisen vuosineljänneksen mukaan. Keskitetty liukuva keskiarvo ja kausitasoitettu data näyttävät näin: Huomaa, että liukuva keskiarvo näyttää tyypillisesti kausitasoitetun sarjan pehmeämmän version ja se on lyhyempi molemmissa päissä. Samassa Excel-tiedostossa oleva toinen laskentataulukko näyttää lineaarisen eksponenttien tasoitusmallin soveltamisen kausitasoitettuun tietoon, joka alkaa sarakkeesta G. Tasoitusvakion (alfa) arvo syötetään ennustetun sarakkeen yläpuolelle (tässä solussa H9) ja sopivuuteen on määritetty alueen nimi quoteAlpha. quot (Nimi on määritetty käyttämällä quotInsertNameCreatequot - komentoa.) LES-malli alustetaan asettamalla kaksi ensimmäistä ennustetta, jotka vastaavat kausitasoitetun sarjan ensimmäistä todellista arvoa. LES-ennusteessa käytetty kaava on Brown8217s-mallin yhden ainoan yhtälön rekursiivinen muoto: Tämä kaava syötetään kolmanteen vaiheeseen (tässä solu H15) vastaavan solun sisään ja kopioidaan sieltä. Huomaa, että kuluvan kauden LES-ennuste viittaa kahteen edelliseen havaintoon ja kahteen edeltävään ennustevirheeseen sekä alfa-arvoon. Näin ollen rivillä 15 oleva ennuste kaava koskee vain tietoja, jotka olivat käytettävissä rivillä 14 ja aikaisemmin. (Tietenkin, jos halusimme käyttää yksinkertaisia ​​lineaarisen eksponenttien tasoittamisen asemesta, voimme korvata sen sijaan SES-kaavan. Voisimme myös käyttää Holt8217: aa Brown8217s LES-mallin sijaan, mikä vaatisi kahta muuta saraketta kaavojen laskemiseksi tasosta ja trendistä joita käytetään ennusteessa.) Virheet lasketaan seuraavassa sarakkeessa (tässä sarakkeessa J) vähentämällä ennusteet todellisista arvoista. Todellisen keskiarvon neliövirhe lasketaan virheiden varianssin neliöjuurena ja keskiarvon neliöksi. (Tämä johtuu matemaattisesta identiteetistä: MSE VARIANCE (virheet) (AVERAGE (virheet)) 2. Kun lasketaan tämän kaavan virheiden keskiarvo ja varianssi, kaksi ensimmäistä jaksoa ei oteta huomioon, koska malli ei tosiasiallisesti alkota ennusteita kolmas jakso (rivi 15 laskentataulukossa). Alfa-arvon optimaalinen arvo löytyy joko manuaalisesti alfa-arvon muutoksesta, kunnes vähimmäis-RMSE-arvo löytyy, tai voit käyttää quotSolverquot - säätöä tarkan minimisoinnin suorittamiseksi. Solverin löydetyn alfa-arvon on esitetty tässä (alpha0.471). On yleensä hyvä piirtää mallin virheet (transformoiduissa yksiköissä) ja myös laskea autokorrelaatioitaan ja piirtää ne yhteen kauteen asti. Tässä on (kausitasoitettujen) virheiden aikasarja: Virheautokorrelaatiot lasketaan CORREL () - funktiolla laskemalla virheiden korrelaatiot niiden kanssa viivästettynä yhdellä tai useammilla jaksoilla - tiedot esitetään taulukkolaskelmassa . Tässä on virheen autokorrelaatioita koskeva kaavio ensimmäisillä viidellä viiveellä: Autokorrelaatiot viiveissä 1-3 ovat hyvin lähellä nollaa, mutta viive 4 (jonka arvo on 0,35) on hieman hankalaa - se viittaa siihen, että kausivaihteluprosessi ei ole täysin onnistunut. Se on kuitenkin vain marginaalisesti merkittävää. 95 merkitsevyyskaistat sen testaamiseksi, ovatko autokorrelaatiot merkittävästi erilaiset kuin nolla, ovat karkeasti plus-tai-miinus 2SQRT (n-k), missä n on näytteen koko ja k on viive. Tässä n on 38 ja k vaihtelee välillä 1-5, joten neliöjuuri-n-miinus-k on kaikkiaan n. 6, joten rajat nollan poikkeamien tilastollisen merkityksen testaamiseksi ovat karkeasti plus - tai-miinus 26 tai 0,33. Jos muutat alfa-arvoa käsin tämän Excel-mallin avulla, voit tarkkailla virheiden aikasarjojen ja autokorrelaatiotilojen vaikutusta sekä ala-keskiarvon virheitä, joita kuvataan jäljempänä. Laskentataulukon alareunassa ennustekaava lasketaan mukaan tulevaisuuteen pelkällä korvaamalla todellisia arvoja koskevat ennusteet siinä vaiheessa, kun todellinen tieto loppuu - ts. jossa quotthe futurequot alkaa. (Toisin sanoen kussakin solussa, jossa tuleva data-arvo tulee esiin, sijoitetaan soluviite, joka osoittaa kyseisen ajanjakson ennusteesta.) Kaikki muut kaavat yksinkertaisesti kopioidaan alhaalta ylöspäin: Huomaa, että virheiden ennusteet tulevaisuus lasketaan nollaksi. Tämä ei tarkoita sitä, että todelliset virheet ovat nolla, vaan pikemminkin se heijastaa sitä, että ennakoimista varten oletamme, että tulevat tiedot vastaavat ennusteita keskimäärin. Tuloksena oleva LES-ennuste, jonka mukaan kausitasoitetut tiedot näyttävät tästä: Tämän alfa-arvon, joka on optimaalinen yhden jakson ennusteiden osalta, ennustettu kehitys on hieman ylöspäin, mikä heijastaa paikallista suuntausta, joka havaittiin viimeisten kahden vuoden aikana tai niin. Muiden alfa-arvojen osalta voidaan saada hyvin erilaista trendisuhdetta. Yleensä kannattaa nähdä, mitä tapahtuu pitkän aikavälin trendisuunnittelussa, kun alfaa vaihdellaan, koska lyhyen aikavälin ennusteiden paras arvo ei ole välttämättä paras mahdollinen tulevaisuuden ennustamiseen. Esimerkiksi tässä on tulos, joka saadaan, jos alfa-arvon manuaalisesti asetetaan arvoon 0,25: Suunniteltu pitkän aikavälin trendi on nyt negatiivinen eikä positiivinen Pienemmällä alfa-arvolla mallissa painotetaan vanhempia tietoja enemmän sen ennuste nykyisestä tasosta ja suuntauksesta ja sen pitkän aikavälin ennusteet heijastavat laskusuuntausta viimeisten viiden vuoden aikana sen sijaan, että viimeaikainen noususuuntaus. Tämä kaavio havainnollistaa myös selvästi, kuinka malli, jolla on pienempi alfa-arvo, on hitaampi vastaamaan datan viitearvoihin, ja siksi pyrkii tekemään saman merkin virheen monille peräkkäisille jaksoille. Sen yhden askeleen ennakkoilmoitusvirheet ovat keskimäärin suuremmat kuin aikaisemmin saadut (RMSE 34,4 pikemminkin kuin 27,4) ja voimakkaasti positiivisesti autokorreloidut. 0.56: n lag-1 - autokorrelaatio ylittää huomattavasti edellä lasketun 0,33: n arvon tilastollisesti merkitsevälle poikkeamiselle nollasta. Vaihtoehtona alfa-arvon alentamiseksi, jotta konservatismi saadaan paremmin pitkäaikaisiksi ennusteiksi, malliin lisätään joskus kvotrendin vaimentava tekijä, jotta ennustettu kehitys lakkautettaisiin muutaman jakson jälkeen. Lopullinen askel ennustamismallin rakentamisessa on LES-ennusteiden korottaminen korottamalla niitä asianmukaisilla kausittaisilla indekseillä. Näin ollen sarakkeessa I esitetyt reseasonalisoidut ennusteet ovat yksinkertaisesti sarakkeessa F kausittaisten indeksejä ja kausitasoitettuja LES-ennusteita sarakkeessa H. On suhteellisen helppoa laskea luottamusvälit tämän mallin yhden askeleen ennusteen perusteella: ensin laske RMSE (root-mean-squared - virhe, joka on vain MSE: n neliöjuuri) ja laske sitten luottamusväli kausitasoitettuun ennusteeseen lisäämällä ja vähentämällä RMSE: n kaksi kertaa. (Yleensä 95: n luottamusvälin ennustevuoden ennustettavuus on suunnilleen yhtä suuri kuin arvioitujen virheiden arvioitu keskihajonta plus-tai-miinus kaksi kertaa olettaen, että virheen jakautuminen on normaalisti normaalia ja näytteen koko on riittävän suuri, toisin sanoen 20 tai enemmän. Tässä virheiden sijasta RMSE eikä näytteen keskihajonta on paras arvio tulevien ennustevirheiden keskihajonnasta, koska siinä otetaan huomioon myös satunnaiset vaihtelut.) Luottamusrajat kausitasoitettu ennuste on sitten reseasonalized. samoin kuin ennuste, kertomalla ne asianmukaisilla kausittaisilla indekseillä. Tässä tapauksessa RMSE on 27,4 ja kausitasoitettu ennuste ensimmäiselle tulevalle jaksolle (joulukuu 93) on 273,2. joten kausitasoitettu 95 luottamusväli on 273,2-227,4 218,4 - 273,2227,4 328,0. Kertoo nämä rajat Decembers-kauden indeksillä 68,61. saamme alhaisemman ja ylemmän luottamusrajan 149,8 ja 225,0 noin joulukuun 93 pisteen ennuste 187,4. Ennusteiden luottamusrajat ylittävät ennustevuoron, koska epävarmuus tasosta ja kehityksestä sekä kausittaiset tekijät lisääntyvät, mutta niitä on vaikea laskea analyyttisin menetelmin yleensä. (LES-ennusteiden luotettavuusrajat lasketaan sopivalla tavalla käyttämällä ARIMA-teoriaa, mutta kausittaisten indekseiden epävarmuus on toinen asia.) Jos haluat realistisen luottamusvälin ennusteelle useamman kuin yhden ajanjakson ajan, kaikkien lähteiden sinun on parasta käyttää empiirisiä menetelmiä: esimerkiksi luottamusvälin saamiseksi kahden vaiheen ennusteelle, voit luoda toisen sarakkeen laskentataulukkoon laskemalla kaksivaiheisen ennusteen jokaiselle kaudelle ( käynnistämällä yksiportainen ennuste). Laske sitten kahden askeleen ennakkoilmoitusvirheen RMSE ja käytä tätä kahden vaiheen luottamusvälin perustana. Käytännössä liikkuva keskiarvo antaa hyvän arvion aikasarjojen keskiarvosta, jos keskiarvo on muuttuu jatkuvasti tai hitaasti. Vakaan keskiarvon tapauksessa m: n suurin arvo antaa parhaan estimaatin keskiarvosta. Pitempi havaintojakso keskittää vaihtelun vaikutukset keskimäärin. Pienemmän m: n tarjoamisen tarkoituksena on antaa ennuste reagoida taustalla olevan prosessin muutokseen. Havainnollistamiseksi ehdotamme tietojoukkoa, joka sisältää muutoksia aikasarjojen keskiarvoon. Kuviossa on esitetty havainnollistettu aikasarja yhdessä keskimääräisen kysynnän kanssa, josta sarja on syntynyt. Keskimäärä alkaa vakiona 10 ° C: ssa. Alkamisajankohdasta 21 alkaen se kasvaa yhdellä yksiköllä kussakin jaksossa, kunnes se saavuttaa arvon 20 20 ° C: ssa. Sitten se muuttuu vakiona uudelleen. Tiedot simuloidaan lisäämällä keskimääräinen satunnaismelu Normal-jakaumasta nolla keskiarvolla ja keskihajonnalla 3. Simulointitulokset pyöristetään lähimpään kokonaislukuun. Taulukko esittää esimerkille käytettyjä simuloituja havaintoja. Kun käytämme taulukkoa, meidän on muistettava, että tietyssä ajassa tiedetään vain aiemmat tiedot. Malliparametrin estimaatit kolmen eri m: n arvona esitetään yhdessä alla olevan kuvasarjan keskiarvon kanssa. Kuvassa näkyy keskimääräisen keskimääräisen keskiarvon kullakin hetkellä eikä ennuste. Ennusteet siirtäisivät liukuvien keskiarvojen käyrät oikealle kausittain. Yksi johtopäätös on heti kuvasta. Kaikissa kolmessa arviossa liukuva keskiarvo on lineaarisen kehityksen taakse, ja viive kasvaa m: lla. Viive on mallin ja aikamittarin estimaatin välinen etäisyys. Viiveen vuoksi liukuva keskiarvo aliarvioi havaintoja, kun keskiarvo kasvaa. Estimaattorin esijännitys on erilainen aika mallin keskiarvossa ja liukuvan keskiarvon ennalta määräytyvä keskimääräinen arvo. Polariteetti, kun keskiarvo kasvaa, on negatiivinen. Vähemmän keskiarvon kohdalla esijännitys on positiivinen. Aikaviive ja arvioon esittämä bias ovat m: n funktioita. Mitä suurempi m. sitä suurempi on viiveen ja esijännitteen suuruus. Jatkuvasti kasvava sarja trendillä a. keskiarvon estimaattorin viive ja bias arvot annetaan alla olevissa yhtälöissä. Esimerkkikäyrät eivät vastaa näitä yhtälöitä, koska esimerkkimalli ei ole jatkuvasti kasvussa, vaan se alkaa vakiona, muuttaa trendiä ja muuttuu taas vakiona. Myös melua aiheuttavat esimerkkikäyrät. Kausien liukuvaa keskimääräistä ennustetta tulevaisuuteen edustaa siirtämällä käyrät oikealle. Viive ja esijännitys lisääntyvät suhteellisesti. Alla olevat yhtälöt viittaavat ennustejaksojen myöhästymiseen ja ennakointiin tulevaisuuteen verrattuna malliparametreihin. Jälleen nämä kaavat ovat aikasarjalle, jolla on jatkuva lineaarinen suuntaus. Meidän ei pidä yllättää tämän tuloksen. Liikkuva keskimääräinen estimaattori perustuu vakion keskiarvon olettamukseen, ja esimerkissä on lineaarinen kehitys keskimäärin tutkimusjakson osan aikana. Koska reaaliaikasarjat noudattavat harvoin tarkasti kaikkia mallin oletuksia, meidän pitäisi olla valmis tällaisiin tuloksiin. Voidaan myös päätellä, että melun vaihtelulla on suurin vaikutus pienempiin m. Arvio on huomattavasti epävakaampi liikkuvan keskiarvon ollessa viisi kuin 20: n liukuva keskiarvo. Meillä on ristiriitaiset toiveet kasvattaa m vähentää melun aiheuttaman vaihtelun vaikutusta ja pienentää m, jotta ennuste paremmin vastaisi muutoksia keskimäärin. Virhe on todellisten tietojen ja ennustetun arvon välinen ero. Jos aikasarja on todella vakioarvo, virheen odotettu arvo on nolla ja virheen varianssi koostuu termistä, joka on funktio ja toinen termi, joka on melun varianssi,. Ensimmäinen termi on keskiarvon varianssi, joka on arvioitu otoksella m havaintoja, olettaen, että tiedot ovat peräisin väestöstä, jolla on vakio keskiarvo. Tämä termi minimoidaan tekemällä m niin suurelta kuin mahdollista. Suuri m tekee ennusteesta vastattavaksi muutoksen taustalla olevaan aikasarjaan. Jotta ennuste reagoisi muutoksiin, haluamme m mahdollisimman pienenä (1), mutta tämä lisää virhevirheitä. Käytännön ennuste vaatii väliarvon. Ennustaminen Excelin avulla Ennustamisen lisäosa toteuttaa liikkuvien keskimääräisten kaavojen. Alla oleva esimerkki näyttää analyysin, jonka lisäys antaa sarakkeen B näytteille. Ensimmäiset 10 havaintoa indeksoidaan -9 - 0. Verrattuna edellä olevaan taulukkoon ajanjaksoja siirretään -10: lla. Ensimmäiset kymmenen havaintoa antavat arvion aloitusarvot ja lasketaan liukuvasta keskiarvosta kaudelle 0. MA (10) sarakkeessa (C) on lasketut liukuvat keskiarvot. Liikkuva keskiarvo m on solussa C3. Fore (1) sarake (D) näyttää ennustuksen yhdeksi jaksoksi tulevaisuuteen. Ennustettu aikaväli on solussa D3. Kun ennustevälit muuttuvat suuremmiksi, Fore-sarakkeen numerot siirtyvät alaspäin. Err (1) - pylväs (E) esittää havainnon ja ennusteen välisen eron. Esimerkiksi havainto ajanhetkellä 1 on 6. Oletusarvo liikkuvasta keskiarvosta aikaan 0 on 11,1. Virhe on -5.1. Keskimääräinen poikkeama ja keskimääräinen poikkeama (MAD) lasketaan soluissa E6 ja E7. Kausivaihtelujen määrittäminen - Inventoinnin optimointiohjelmiston kausivaihtelu määritelmä Home raquo Knowledgebase raquo Here Joanns Vermorel, viimeisin tarkistettu syyskuu 2011 Tilastoissa kysyntä - tai myynti - Tietyllä tuotteella sanotaan olevan kausivaihtelu, kun perustana oleva aikasarja siirtyy ennustettavasta syklisestä vaihtelusta riippuen vuoden ajasta. Kausivaihtelu on yksi useimmiten käytetyistä tilastollisista malleista, joilla parannetaan kysynnän ennusteiden tarkkuutta. Esimerkki: suurin osa länsimaisista jälleenmyyjistä on huippusuorituksia joulun aikaan. Kausikellosarjan kuva Kaaviossa on neljä kausittaista aikasarjaa (klikkaa suuremmaksi). Aikasarjat aggregoituvat viikoittaisella tasolla 159 viikon aikana (noin 3 vuotta). Tiedot edustavat viikoittaisia ​​lähetyksiä 4 erilliselle tuotteelle suuren eurooppalaisen jälleenmyyjän varastosta. Vuoden ensimmäinen päivä (1. tammikuuta) on merkitty harmaalla pystysuoralla merkillä. Historialliset tiedot näkyvät punaisina, kun Lokad-ennuste näkyy violetissa. Kausivaihtelua voidaan havainnoida visuaalisesti samankaltaisina kuvioina vuodesta toiseen seuraavaan käyttöön harmaita merkkiaineita viitteinä. Kausittaisen hajoamisen perusmalli Olkoon Y (t) kysynnän aikaan t. Hajautetaan kysyntä Y (t) kahteen osaan: S (t) tiukasti syklinen funktio ja Z (t) ei-kausittainen komplementti. S (t) Jos S (t) voidaan arvioida, ennusteprosessi kulkee tyypillisesti kolmessa vaiheessa: Lasketaan deseasonalisoidut aikasarjat Z (t) Y (t) S (t). Tuo ennuste aikasarjan Z (t) yli. mahdollisesti liikkuvan keskiarvon kautta. Käytä kausivaihteluindeksejä uudelleen ennusteeseen myöhemmin. Palaa alkuongelmaan kausittaisten indeksien S (t) arvioimiseksi. (t-1) Y (t-1) MA (t-1) Y (t-2) MA (t-2) Y (t-3) MA (t-3). Y (t-1) on Y: n (t - 1 vuosi) ja MA (t): n 1 vuoden liikkuva keskiarvo Y (t): n pikavalinta. Tässä osiossa esitetty lähestymistapa on naurettava. mutta se voidaan helposti toteuttaa Excelissä. Kirjallisuudessa on monia tilastollisia malleja kausivaihteluiden käsittelemiseksi monimutkaisemmilla menetelmillä. Esimerkiksi Box-Jenkins, ARMA, ARIMA, Holt-Winters. Haasteet kausivaihteluindeksin arvioimisessa Edellä kuvattu kausivaihtomalli on melko naivainen lähestymistapa, joka toimii pitkien sileiden kausittaisten aikasarjojen osalta. Silti kausiluonteisuutta arvioitaessa on useita käytännön vaikeuksia: Aikasarjat ovat lyhyitä. Useimpien kulutustavaroiden käyttöikä on korkeintaan 3 tai 4 vuotta. Tämän seurauksena tietyn tuotteen myyntihistoria tarjoaa keskimäärin hyvin vähän pisteitä aiemmin arvioimaan kausittaista indeksiä (eli S (t): n arvoa vuoden aikana, katso edellinen jakso) . Aikasarjat ovat meluisia. Satunnaiset markkinavaihtelut vaikuttavat myyntiin ja vaikeuttavat kausivaihtelua. Useita kausittaisuuksia on mukana. Kun tarkastellaan myyntiä myymälätasolla, tuotteen kausivaihtelu on tyypillisesti sekoittunut kaikkeen kausiluonteisuuteen. Muut mallit, kuten trendi tai tuotteen elinkaari, vaikuttavat myös aikasarjoihin. erilaisten ennakointien esiin tuominen. Yksinkertainen - vaikkakin työvoimavaltainen - menetelmä näiden kysymysten käsittelemiseksi koostuu käsin luomasta kausittaisuusprofiileja sellaisten tuotteiden aggregaateista, joiden tiedetään olevan samat kausittaiset käyttäytymiset. Tuotevalikoiman elinikä on tyypillisesti paljon pidempi kuin yksittäisten tuotteiden elinkaari, mikä lieventää näitä arviointikysymyksiä. Useimmiten kausivaihtelu Useita kuvioita esiintyy kerran vuodessa, mutta eivät aina samana ajankohtana. Lokadissa kutsumme näitä kaavoja kausiluonteisesti. Esimerkiksi äitien päivä (joka vaihtelee eri päivinä riippuen vuodesta ja vaihtelee myös maiden välillä) ja muut lomamatkat, kuten Ramadan, pääsiäinen ja Hanukka (jotka vaihtelevat eri päivinä riippuen vuodesta) ovat lähes kausiluonteisia. Nämä lähes kausittaiset tapahtumat jäävät laajemmalle kuin klassiset sykliset ennustamismallit, jotka olettavat, että syklin jakso on ehdottomasti vakio. Näiden kausittaisten tapahtumien käsittelemiseksi tarvitaan monimutkaisempaa lähes syklistä logiikkaa. Lokads gotcha Kokemuksemme mukaan kausivaihtelu vaikuttaa valtaosa ihmisen toimintaan. Erityisesti kulutustavaroiden (elintarvikkeiden ja muiden kuin elintarvikkeiden) myynnistä vastaavilla aikasarjoilla kausittainen tekijä on lähes aina läsnä. Usein kuitenkin käy usein ilmi, että kausittaisten indeksien arvioinnin laatu on melko alhainen markkinoiden melun vuoksi, jotta se olisi käytännöllistä käyttöä ennusteiden tarkentamiseksi. Lokadin ennustustekniikka käsittelee luonnostaan ​​sekä kausiluonteisuutta että kausivaihtelua, joten sinun ei tarvitse kertoa Lokadille niistä, jotka on jo hoidettu. Jotta voitaisiin ratkaista kysymykset, joita rajoitettu historiallinen syvyys on useimmille aikasarjoille käytettävissä vähittäiskaupassa tai valmistuksessa, Lokad käyttää useita aikasarjan analyysejä ja kausivaihtelua ei arvioida yhdellä tuotteella vaan monien tuotteiden tarkastelussa. Tällä tavoin vähennämme melua arvioidessamme kausivaihtelua, mutta myös kausiluonteisuutta ennusteisiin, vaikka tuotteet olisi myyty alle vuoden ajan. Hanki optimoidut myyntiennusteet inventaarion ennustusteknologian avulla. Lokad on erikoistunut varastojen optimointiin kysynnän ennustamisen avulla. Kausivaihteluiden hallinta - ja paljon muuta - ovat ennustamomme moottoreita. Toimitusketjun aiheet Ennustaminen aiheista