Eksempel Bevegelig Gjennomsnitt Prognose

OR-Notes er en serie innledende notater om emner som faller under den brede overskriften i operasjonsforskningsområdet ELLER De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelige for bruk av noen studenter og lærere som er interessert i ELLER underlagt følgende betingelser. En fullstendig liste over emnene som er tilgjengelige i OR-Notes finner du her. Forespørsel eksempler. Forespørsel eksempel 1996 UG eksamen. Etterspørselen etter et produkt i hvert av de siste fem månedene er vist nedenfor . Bruk et to måneders glidende gjennomsnitt for å generere en prognose for etterspørsel i måned 6.Apply eksponensiell utjevning med en utjevningskonstant på 0 9 for å generere en prognose for etterspørsel etter etterspørsel i måned 6. Hvilket av disse to prognosene foretrekker du og hvorfor. Den to måneders glidende gjennomsnittet for måneder to til fem er gitt av. Forventningen for måned seks er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 5 m 5 2350.Jegfører eksponensiell utjevning med en glatting konstant på 0 9 vi får. Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. MSD 15 - 19 18 - 23 21 - 24 3 16 67.og for det eksponensielt glattede gjennomsnittet med en utjevningskonstant på 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. I det hele tatt se at eksponensiell utjevning ser ut til å gi den beste en måned fremover prognoser som den har en lavere MSD Derfor foretrekker vi prognosen for 2386 som er produsert av eksponensiell utjevning. Forekasting eksempel 1994 UG eksamen. Tabellen under viser etterspørselen etter en ny ettershave i en butikk for hver av de siste 7 månedene. Beregn et to måneders glidende gjennomsnitt i måneder to til syv. Hva ville være din prognose for etterspørselen i 8. måned. Bruk eksponensiell utjevning med en utjevningskonstant på 0 1 for å utlede en prognose for etterspørsel i måned åtte. Hvem av de to prognosene for måned åtte gjør du du foretrekker og hvorfor. Butikkmannen mener at kundene bytter til denne nye etterbehandlingen fra andre merker. Diskuter hvordan du kan modellere denne koblingsadferd og indikere dataene du vil trenge for å bekrefte om denne omstillingen skjer eller ikke. gjennomsnitt for måneder to til syv er gitt av. Prognosen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 7 m 7 46.Ved å bruke eksponensiell utjevning med en utjevningskonstant på 0 1 får vi. før prognosen for måned åtte er bare gjennomsnittet for måned 7 M 7 31 11 31 som vi ikke kan ha fraksjonert etterspørsel. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 1. I det hele tatt ser vi at det to måneders glidende gjennomsnittet ser ut til å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen o f 46 som har blitt produsert av to måneders glidende gjennomsnitt. For å undersøke bytte ville vi måtte bruke en Markov-prosessmodell, hvor stater merker og vi ville trenge innledende statsinformasjon og kundeendringer fra undersøkelser. Vi må kjøre modellen på historiske data for å se om vi har en passform mellom modellen og historisk oppførsel. Forekasting eksempel 1992 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av barberhøvel i en butikk for hver av de siste ni månedene. Beregn en tre måneders bevegelse gjennomsnitt for måneder tre til ni Hva ville være din prognose for etterspørselen i måned ti. Bruk eksponensiell utjevning med en utjevningskonstant på 0 3 for å utlede en prognose for etterspørselen i måned ti. Hvem av de to prognosene for måned ti foretrekker du og hvorfor. Tre måneders glidende gjennomsnitt for månedene 3 til 9 er gitt av. Forventningen for måned 10 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 9 m 9 20 33. Derfor som vi ikke kan ha brøkdel etterspørselen prognosen for måned 10 er 20.Applikasjon av eksponensiell utjevning med en utjevningskonstant på 0 3 vi får. Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18 57 19 som vi ikke kan ha fraksjonelle krav. sammenligne de to prognosene vi beregner gjennomsnittlig kvadrert avvik MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 3. I det hele tatt ser vi at det tre måneders glidende gjennomsnittet ser ut til å gi den beste en måned fremover prognoser som den har en lavere MSD Derfor foretrekker vi prognosen på 20 som har blitt produsert av tre måneders glidende gjennomsnitt. Forekasting eksempel 1991 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av faksmaskin i et varehus i hver av de siste tolv månedene. Beregn fire måneders glidende gjennomsnitt for måneder 4 til 12. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 2 til deri ve en prognose for etterspørselen i måned 13.Vi av de to prognosene for måned 13 foretrekker du og hvorfor. Hvilke andre faktorer som ikke vurderes i de ovennevnte beregningene, kan påvirke etterspørselen etter faksmaskinen i måned 13. De fire måneders flytting gjennomsnitt for måneder 4 til 12 er gitt by. m 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 m 8 33 32 30 27 4 30 5 m 9 37 33 32 30 4 33 m 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måneden 12 m 12 46 25.Hvorfor vi ikke kan ha fraksjonell etterspørsel, er prognosen for måned 13 46. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 2 får vi. Som før prognosen for måned 13 er bare gjennomsnittet for måned 12 M 12 38 618 39, da vi ikke kan ha fraksjonert etterspørsel. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for glidende gjennomsnitt. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 2.Overall så ser vi at fire måneders glidende gjennomsnitt synes å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som har vært produsert av fire måneders glidende average. seasonal demand. price endres, både dette merket og andre merker. Generell økonomisk situasjon. Ny teknologi. Forekasting eksempel 1989 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av mikrobølgeovn i en avdeling lagre i hver av de siste tolv månedene. Beregn et seks måneders glidende gjennomsnitt for hver måned. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 7 for å utlede en prognose for etterspørselen i måned 13 . Hvem av de to prognosene for måned 13 foretrekker du og hvorfor. Nå kan vi ikke beregne et seks måneders glidende gjennomsnitt før vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover Henc e vi har. m 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måneden 12 m 12 38 17.Hva vi ikke kan ha fraksjonell etterspørsel, er prognosen for måned 13 38. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 7 får vi.8 4 Flytte gjennomsnittlige modeller. Rather enn å bruke tidligere verdier av prognosen variabel i en regresjon, bruker en bevegelig gjennomsnittsmodell tidligere prognosefeil i en regresjonslignende modell. yc et theta e theta e dots theta e. where et er hvit støy Vi refererer til dette som en MA q-modell Selvfølgelig observerer vi ikke verdiene til et, så det er egentlig ikke regresjon i vanlig forstand. verdi av yt kan betraktes som et vektet glidende gjennomsnitt av de siste prognosefeilene. Imidlertid bør bevegelige gjennomsnittlige modeller ikke forveksles med flytende gjennomsnittsutjevning som vi diskuterte i Kapittel 6 En glidende gjennomsnittsmodell brukes til å prognostisere fremtidige verdier mens du flytter gjennomsnittsutjevning brukes til å estimere trend-syklusen til tidligere verdier. Figur 8 6 To eksempler på data fra flyttende gjennomsnittlige modeller med forskjellige parametre. Venstre MA 1 med yt 20 og 0 8e t-1 Høyre MA 2 med ytet - e t-1 0 8e t-2 I begge tilfeller er et normalt distribuert hvit støy med middel null og varians en. Figur 8 6 viser noen data fra en MA 1-modell og en MA 2-modell. Endring av parametrene theta1, prikker, thetaq resulterer i forskjellige tidsseriemønstre Som med autoregressive modeller, variansen av feilperioden et vil bare endre omfanget av serien, ikke mønstrene. Det er mulig å skrive en stasjonær AR p-modell som en MA infty-modell. For eksempel, ved hjelp av gjentatt substitusjon, kan vi demonstrere dette for en AR 1-modell. start yt phi1y phi1 phi1y e et phi1 2y phi1 e et phi1 3y phi1 2e phi1 e et text end. Provided -1 phi1 1, vil verdien av phi1 k bli mindre etter hvert som k blir større. Så til slutt får vi. yt og phi1 e phi1 2 e phi1 3 e cdots. an MA infty prosess. Det motsatte resultatet holder seg dersom vi legger noen begrensninger på MA parametrene. Da blir MA-modellen kalt inverterbar. Det vil si at vi kan skrive en omvendt MA q-prosess som en AR infty prosess. Invertible modeller er ikke bare å gjøre oss i stand til å konvertere fra MA modeller til AR modeller. De har også noen matematiske egenskaper som gjør dem enklere å bruke i praksis. Invertibility begrensningene ligner stasjonære begrensninger. For en MA 1 modell -1 theta1 1.For en MA 2-modell -1 theta2 1, theta2 theta1 -1, theta1-theta2 1.Mer kompliserte forhold holder fast for q ge3 Igjen vil R ta vare på disse begrensningene når man estimerer modellene. Forutsetning involverer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst Det er helt avgjørende for kort rekkevidde og langdistanseplanlegging Per definisjon er en prognose basert på tidligere data, i motsetning til en prediksjon, noe som er mer subjektiv og bas utdrevet på instinkt, gut føler eller gjett For eksempel gir kvelden nyhetene værmeldingen, ikke værvarselet. Uansett er betingelsene prognose og prediksjon ofte brukt interchangeable. For eksempel definisjoner av regresjon en teknikk som noen ganger brukes i prognoser generelt at formålet er å forklare eller forutsi. Forutsetninger er basert på en rekke forutsetninger. Fortiden vil gjenta seg. Med andre ord, hva som har skjedd i fortiden, vil skje igjen i fremtiden. Som prognoshorisonten forkortes, øker prognosens nøyaktighet For For eksempel vil en prognose for i morgen være mer nøyaktig enn en prognose for neste måned, en prognose for neste måned vil være mer nøyaktig enn en prognose for neste år, og en prognose for neste år vil være mer nøyaktig enn en prognose for ti år i fremtiden. Forutsetting i aggregatet er mer nøyaktig enn å prognose individuelle poster. Dette betyr at et selskap vil kunne prognose total etterspørsel over hele sitt produktspekter mor e nøyaktig enn det vil være i stand til å prognose individuelle lagerbeholdningsenheter SKUer For eksempel kan General Motors mer nøyaktig anslå det totale antallet biler som trengs for neste år enn det totale antallet hvite Chevrolet Impalas med en viss opsjonspakke. Forsøk er sjelden nøyaktig Dessuten er prognosene nesten aldri helt nøyaktige Mens noen er svært nær, er få rett på pengene Derfor er det lurt å tilby et prognoseområde Hvis man skulle prognose en etterspørsel på 100 000 enheter for neste måned, er det ekstremt usannsynlig at etterspørselen ville være lik 100 000 nøyaktig, men en prognose på 90 000 til 110 000 ville gi et mye større mål for planlegging. Williams J Stevenson lister opp en rekke egenskaper som er felles for en god prognose. Det bør fastslås en viss grad av nøyaktighet og fastslås slik denne sammenligningen kan gjøres til alternative prognoser. Beregningsgrunnlaget bør konsekvent gi en god prognose dersom brukeren skal etablere en viss grad av selvtillit. Tidlig en viss tid er nødvendig for å svare på prognosen, slik at prognoseperioden må tillate tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forstå brukere av prognosen må være trygge og komfortable å jobbe med. effektiv kostnaden for å gjøre prognosen bør ikke oppveie fordelene som er oppnådd fra prognosen. Forekomsten teknikker spenner fra enkle til ekstremt komplekse Disse teknikkene er vanligvis klassifisert som kvalitative eller kvantitative. KVALITATIVE TEKNIKER. Kvalitative prognose teknikker er generelt mer subjektive enn deres Kvantitative motparter Kvalitative teknikker er mer nyttige i de tidligere stadier av produktets livssyklus, når det foreligger mindre fortidsdata for bruk i kvantitative metoder. Kvalitative metoder inkluderer Delphi-teknikken, Nominell gruppeteknikk NGT, salgsstyrke meninger, utøvende meninger og markedsundersøkelser. DELPHI TEKNIKEN. Delphi teknikken bruker et panel av eksperter til prod hver prognose Hver ekspert blir bedt om å gi en prognose som er spesifikk for behovet ved hånden. Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir deretter laget av hver ekspert Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av oppfatningen til de andre. Denne prosessen gjentar seg til hver ekspert nærmer seg enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ligner på Delphi teknikken ved at det utnytter en gruppe deltakere, vanligvis eksperter Etter at deltakerne svarer på prognosespørsmål, rangerer de deres svar i rekkefølge av oppfattet relativ betydning. Da blir rangeringene samlet og aggregert. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. SOMER FORCE OPINIONS. Salgspersonalet er ofte en god kilde til informasjon om fremtidig etterspørsel es-leder kan be om innspilling fra hver salgsperson og aggregere sine svar til en komposittprognose fra salgsforvalter. Forsiktighet bør utøves ved bruk av denne teknikken, da medlemmer av salgsstyrken kanskje ikke kan skille mellom hva kundene sier og hva de egentlig mener gjør også hvis prognosene vil bli brukt til å etablere salgskvoter, kan salgsstyrken være fristet til å gi lavere estimater. EXECUTIVE OPINIONS. Sometimes overordnede ledere møtes og utvikler prognoser basert på deres kunnskaper om deres ansvarsområder Dette er noen ganger referert til som jury av utøvende opinion. MARKET RESEARCH. In markedsundersøkelser brukes forbrukerundersøkelser til å etablere potensiell etterspørsel. Slik markedsundersøkelse involverer vanligvis å bygge et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere slik informasjon Personlig på butikk og kjøpesentre, hvor forbrukeren kan oppleve smak, følelse, lukt og s ee et bestemt produkt Forskeren må være forsiktig med at prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER. Kvantitative prognoseteknikker er generelt mer objektive enn deres kvalitative motsvarigheter. Kvantitative prognoser kan være tidsserier prognoser, dvs. projeksjon av fortiden inn i fremtiden eller prognoser basert på assosiative modeller, dvs. basert på en eller flere forklarende variabler. Tidsseriedata kan ha underliggende atferd som må identifiseres av prospektoren. I tillegg må prognosen kanskje identifisere årsakene til atferden. Noen av disse atferd kan være mønstre eller rett og slett tilfeldige variasjoner. Blant mønstrene er tendenser. Det er langsiktige bevegelser opp eller ned i dataene. Årsak, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden på året, måneden eller til og med en bestemt dag, som vitne til detaljhandel i julen eller toppene i bankaktivitet den første i måneden en d på fredager. Cykler, som er bølgende variasjoner som varer mer enn et år, som vanligvis er knyttet til økonomiske eller politiske forhold. Irregulære variasjoner som ikke gjenspeiler typisk oppførsel, som for eksempel en ekstremværsperiode eller en unionstreik. omfatter alle ikke-typiske atferd som ikke er regnskapsført av de andre klassifikasjonene. I løpet av tidsseriemodellene er det enkleste å se prognosen. A na ve-prognosen bruker bare den faktiske etterspørselen etter den siste perioden som forventet etterspørsel etter neste periode. Dette , selvfølgelig, antar at fortiden vil gjenta. Det antas også at noen trender, sesongmessige eller sykluser enten reflekteres i den forrige perioden, er etterspørsel eller ikke eksisterer. Et eksempel på na prognoser er presentert i tabell 1. Tabel 1 Na ve Forecasting. Another simple technique er bruk av gjennomsnittlig For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder med tidligere data ved å summere hver periode og dele resu I løpet av antall perioder Denne teknikken har vist seg å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt inkluderer glidende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar et forutbestemt antall perioder, summerer deres den faktiske etterspørselen og fordeler seg med antall perioder for å nå en prognose. For hver etterfølgende periode faller den eldste dataperioden og den siste perioden legges til. Forutsatt et tre måneders glidende gjennomsnitt og bruk av dataene fra tabell 1, ville man ganske enkelt legg til 45 januar, 60 februar og 72 mars og divisjon med tre for å komme frem til en prognose for 45 april 45 72 177 3 59. For å komme frem til en prognose for mai, ville man slippe januar s etterspørsel fra ligningen og legge til etterspørselen fra April Tabell 2 presenterer et eksempel på en tre måneders glidende gjennomsnittlig prognose. Tabel 2 Tre måneders flytende gjennomsnittlig Forecast. Actual Demand 000 sA vektet gjennomsnitt bruker en forhåndsbestemt vekt til hver måned med tidligere data, summerer tidligere data fra hver periode og fordeler seg etter totalvekten Hvis forforskeren justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med den faktiske etterspørselen av hver aktuell periode. Resultatene summeres så for å oppnå en vektet prognose Generelt , jo nyere dataene er jo høyere vekten, og jo eldre dataene, desto mindre er vekten. Ved hjelp av etterspørselseksemplet vil et veid gjennomsnitt med vekt på 4 3 2 og 1 gi prognosen for juni som 60 1 72 2 58 3 40 4 53 8.Forecasters kan også bruke en kombinasjon av vektet gjennomsnitt og gjennomsnittlig gjennomsnittlig prognose. En veid gjennomsnittlig gjennomsnittlig prognose gir vekt til et forhåndsbestemt antall perioder med faktiske data og beregner prognosen på samme måte som beskrevet ovenfor. Som med alle flytende prognoser , da hver ny periode legges til, blir dataene fra den eldste perioden kassert. Tabell 3 viser en tre måneders vektet glidende gjennomsnittlig prognose ved bruk av vektene 5 3 og 2.Table 3 Tre måneders vektet bevegelige gjennomsnitt Forecast. Actual Demand 000 sA mer komplisert form av vektet glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt som datasalderen Eksponensiell utjevning tar forrige periode s prognose og justerer den med en forhåndsbestemt glatningskonstant, kalt alfa verdien for alfa er mindre enn en multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk skjedde under den tidligere estimerte perioden, kalt prognosefeil Eksponensiell utjevning uttrykkes formelt som sådan Ny prognose forrige prognose alfa faktisk etterspørsel tidligere prognose FFA F. Eksponensiell utjevning krever prospektoren for å starte prognosen i en tidligere periode og arbeide fram til den perioden som en nåværende prognose er nødvendig for. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode , den faktiske etterspørselen fra en tidligere periode, eller det kan estimeres d ved å beregne all eller en del av de tidligere dataene. Noen heuristikker eksisterer for å beregne en innledende prognose. For eksempel vil den heuristiske N 2 1 og en alfa av 5 gi en N av 3 som indikerer at brukeren vil gjennomsnittlig de første tre periodene med data til få en innledende prognose Imidlertid er nøyaktigheten av den opprinnelige prognosen ikke kritisk hvis man bruker store mengder data, siden eksponensiell utjevning er selvkorrigerende. På grunn av tilstrekkelige perioder med tidligere data vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig startprognose Ved å bruke dataene som brukes i andre eksempler, beregnes en innledende prognose på 50 og en alfa på 7, en prognose for februar. Ny prognose Februar 50 7 45 50 41 5.Neste prognosen for mars Ny prognose mars 41 5 7 60 41 5 54 45 Denne prosessen fortsetter inntil forutsetningen når den ønskede perioden. I tabell 4 vil dette være for juni måned siden den faktiske etterspørselen etter juni ikke er kjent. Aktuell etterspørsel 000 s. En eksten sion av eksponensiell utjevning kan brukes når tidsseriedata utviser en lineær trend Denne metoden er kjent av flere navn, dobbeltsjiktende trendjustert eksponensiell utjevningsprognose, inkludert trend FIT og Holt s Model Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis trenden øker, eller høy hvis trenden er avtagende. Med denne modellen er det to utjevningskonstanter, og med representerer trendkomponenten. En forlengelse av Holt s Model, kalt Holt-Winter s Metode, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, med multiplikasjonen som den mest brukte. I additivmodellen er sesongmessigheten uttrykt som en mengde som skal legges til eller subtraheres fra seriens gjennomsnitt. Den multiplikative modellen uttrykker sesongmessighet som en prosentandel kjent som sesongens slektninger eller sesongindekser av gjennomsnitt eller trend. Disse blir deretter multiplisert gangerverdier i n for å inkludere sesongmessighet En relativ på 0 8 vil indikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1 10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndbok lærebøker eller en av en rekke bøker om prognoser. Sosiativ eller kausal teknikk innebærer identifisering av variabler som kan brukes til å forutsi en annen variabel av interesse. Eksempelvis kan renten brukes til å prognose etterspørselen etter boligfinansiering. Dette innebærer vanligvis bruk av lineær regresjon , hvor målet er å utvikle en ligning som oppsummerer effektene av de forutsigende uavhengige variablene på den prognostiserte avhengige variabelen Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen med avvik er avstanden fra hvert punkt til linjen. Ligningen vil vises som yab x, hvor y er den forutsagte avhengige variabelen, x er uavhengig variabel for prediktor, b er linjens helling, og a er lik høyden på linjen ved y-interceptet. Når ligningen er bestemt, kan brukeren sette inn nåværende verdier for uavhengig variabel for prediktor for å komme frem til en prognosavhengig variabel. Hvis det er mer enn én prediktorvariabel eller hvis forholdet mellom prediktor og prognose ikke er lineært, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, bør multiple regresjoner være ansatt, mens ikke-lineære relasjoner krever bruk av krøllet regresjon. ØKONOMETRISK FORSKRIFT. Økonomiske metoder, for eksempel autoregressiv integrert bevegelig gjennomsnittlig modell ARIMA, bruker komplekse matematiske ligninger for å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at det er like pålitelig en representasjon av det tidligere forhold som pos sible Når dette er gjort, blir projiserte verdier av påvirkning variablene inntekter, priser, osv. satt inn i ligningen for å lage en prognose. EVALUERENDE FORECASTS. Forecast nøyaktighet kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik MAD, mean square error MSE, eller gjennomsnittlig absolutt prosentfeil MAPE for prognosen ved bruk av forskjellige verdier for alfa Bias er summen av prognosefelene FE For eksponensiell utjevning eksempel over, ville den beregnede bias være 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Hvis man antar at en lav bias indikerer en generell lavprognosefeil, kan man beregne bias for en rekke potensielle verdier av alfa og anta at den med lavest bias ville være den mest nøyaktige. Forsiktig må imidlertid observeres i det vildt unøyaktige prognoser kan gi lav bias hvis de pleier å være både over prognose og under prognose negative og positive For eksempel kan over tre perioder et firma bruke en bestemt verdi av alfa til over forventet med 75.000 enheter 75.000, prognostisert av 100.000 enheter 100.000, og deretter over forventet med 25.000 enheter 25.000, noe som gir en bias på null 75.000 100.000 25.000 0 Til sammenligning vil en annen alfa som gir over prognoser på 2000 enheter, 1.000 enheter og 3.000 enheter resultere i en bias på 5000 enheter Hvis den normale etterspørselen var 100.000 enheter per periode, ville den første alfa gi prognoser som var av med så mye som 100 prosent, mens den andre alfa ville være av med maksimalt bare 3 prosent, selv om forspenningen i den første prognosen var null. En sikrere måling av prognose nøyaktighet er gjennomsnittlig absolutt avvik MAD For å beregne MAD, summerer forecasteren absoluttverdien av prognosefeilene og dividerer deretter med antall prognoser FE N Ved å ta absolutt verdien av prognosefeilene , kompensasjon av positive og negative verdier unngås Dette betyr at både en overprognose på 50 og en under prognose på 50 er av med 50 Ved hjelp av dataene fra eksponentiell utjevningseksempel kan MAD være beregnes som følger 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Forudsigeren er derfor i gjennomsnitt 16 35 enheter pr prognose Sammenlignet med resultatet av andre alfaer, vil forecasteren vite at alfa med laveste MAD gir den mest nøyaktige forecast. Mean-kvadratfeil MSE kan også benyttes på samme måte MSE er summen av prognosefelene kvadrert delt med N-1 FE N-1 Squaring prognosefeil eliminerer muligheten for å kompensere for negative tall , siden ingen av resultatene kan være negative Ved bruk av de samme dataene som ovenfor, ville MSE være 18 5 17 55 8 74 20 62 3 383 94 Som med MAD, kan forecasteren sammenligne MSE med prognoser utledet ved å bruke forskjellige verdier av alfa og anta at alfa med laveste MSE gir den mest nøyaktige prognosen. Den gjennomsnittlige absolutte prosentfeil MAPE er gjennomsnittlig absolutt prosentfeil For å komme til MAPE må man ta summen av forholdene mellom prognosefeil og faktiske etterspørselstider 100 for å få tak i per prosentandel og deling etter N Nødvendig prognose Faktisk etterspørsel 100 N Ved bruk av data fra eksponentiell utjevningseksempel kan MAPE beregnes som følger 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Som med MAD og MSE, senk den relative feilen jo mer nøyaktig prognosen. Det skal bemerkes at i noen tilfeller kan prognosenes evne til å endre raskt for å svare på endringer i datamønstre anses å være viktigere enn nøyaktighet. Derfor bør en s valg av prognosemetode gjenspeiler den relative balansen mellom betydning mellom nøyaktighet og respons, som bestemt av forecaster. MAKING A FORECAST. William J Stevenson lister følgende som de grunnleggende trinnene i prognoseprosessen. Bestem prognosens formål Faktorer som hvordan og når prognosen vil brukes, graden av nøyaktighet som trengs, og detaljnivået som er ønsket, bestemmer kostnadstiden, pengene, de ansatte som kan være dedikert til prognosen og typen av prognosemetode som skal utili zed. Establish en tidshorisont Dette skjer etter at man har bestemt formålet med prognosen Langsiktig prognoser krever lengre tidshorisonter og omvendt Nøyaktighet er igjen en vurdering. Velg en prognostiseringsteknikk. Den valgte teknikken avhenger av formålet med prognosen, den ønsket tidshorisont og den tillatte kostnaden. Samle og analysere data Antallet og typen data som trengs, styres av prognosen s, den valgte prognoseknikken og eventuelle kostnadsoverveielser. Gjør prognosen. Overvåk prognosen Evaluer ytelsen til prognose og modifisere, om nødvendig. YTTERLIGERE READING. Finch, Byron J Operations Now Profitability, Processes, Performance 2 ed Boston McGraw-Hill Irwin, 2006. Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe , Dr Marion Den nominelle gruppeteknikk Forskningsprosessen Tilgjengelig fra. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Også lese artikkelen om Foreca sting fra Wikipedia.