Previsão demanda usando simples móvel média

Capítulo 11 - Previsão de Amostragem de Gerenciamento de Demanda 1. Previsão perfeita é praticamente impossível 2. Ao invés de procurar a previsão perfeita, é muito mais importante estabelecer a prática de revisão contínua da previsão e aprender a conviver com previsão imprecisa 3. Quando a previsão , Uma boa estratégia é usar 2 ou 3 métodos e olhar para eles para a visão de senso comum. 2. Fontes básicas da procura 1. Demanda dependente - procura de produtos ou serviços causada pela procura de outros produtos ou serviços. Não muito a empresa pode fazer, ele deve ser atendida. 2. Demanda independente - demanda que não pode ser derivada diretamente da demanda por outros produtos. A empresa pode: a) Desempenhar um papel ativo para influenciar a demanda - aplicar pressão sobre sua força de vendas b) assumir um papel passivo para influenciar a demanda - se uma empresa está funcionando em uma capacidade total, pode não querer fazer nada sobre a demanda. Outras razões são competitivas, legais, ambientais, éticas e morais. Tente prever o futuro com base em dados passados. 1. Curto prazo - menos de 3 meses - decisões tácticas como reabastecimento de inventário ou programação de EEs a curto prazo 2. Médio prazo - 3 M-2Y - captura de efeitos sazonais, tais como clientes respondem a um novo produto 3. Longo prazo - mais de 2 anos. Identificar pontos de viragem importantes e detectar tendências gerais. A regressão linear é um tipo especial de regressão onde as relações entre as variáveis ​​formam uma reta Y abX. Variável dependente de Y a - interceptação de Y b - inclinação X - variável independente É usada para a previsão a longo prazo de ocorrências principais e planejamento agregado. Ele é usado tanto para previsão de séries temporais quanto para previsão de relacionamento casual. É a técnica de previsão mais utilizada. As ocorrências mais recentes são mais indicativas do futuro (valor mais previsível) do que as do passado mais distante. Devemos dar mais peso ao minério períodos de tempo recentes na previsão. Cada incremento no passado é diminuído por (1-alfa). Quanto maior o alfa, mais próxima a previsão segue o real. Mais recente ponderação alfa (1-alfa) na 0 Dados um período de tempo mais velho alfa (1-alfa) na 1 Dados dois período de tempo mais velho alfa (1-alfa) na 2 Qual dos seguintes métodos de previsão é muito dependente da seleção do Os indivíduos certos que serão julgadamente utilizados para realmente gerar o valor de previsão deve ser entre 0 e 1 1. 2 ou mais valores predeterminados de Alpha - dependendo do grau de erro, diferentes valores de Alpha são usados. Se o erro for grande, Alpha é 0,8, se o erro for pequeno, Alpha é 0,2. 2. Valores calculados de Alpha - o erro real suavizado exponencialmente dividido pelo erro absoluto sufocado exponencialmente. Técnicas Qualitativas na Previsão Conhecimento de especialistas e exigem muito julgamento (novos produtos ou regiões) 1. Pesquisa de Mercado - à procura de novos produtos e idéias, gostos e aversões sobre os produtos existentes. Principalmente SURVEYS amp ENTREVISTAS 2. Painel Consenso - a idéia de que 2 cabeças são melhores do que um. Painel de pessoas de uma variedade de posições pode desenvolver uma previsão mais confiável do que um grupo mais estreito. O problema é que os níveis mais baixos de EE são intimidados por níveis mais elevados de gestão. O julgamento executivo é usado (um nível mais alto de administração está envolvido). 3. Analogia histórica - uma empresa que já produz torradeiras e quer produzir panelas de café poderia usar a história torradeira como um modelo de crescimento provável. 4. Método Delphi - muito dependente da seleção dos indivíduos certos que serão julgadamente utilizados para realmente gerar a previsão. Todo mundo tem o mesmo peso (mais justo). Resultados satisfatórios são geralmente alcançados em 3 rodadas. OBJETIVO - Planejamento, Previsão e Reabastecimento Colaborativo (CPFR) Para trocar informações internas selecionadas em um servidor Web compartilhado, a fim de fornecer visões confiáveis ​​e de longo prazo da demanda na cadeia de suprimentos. Métodos de Previsão Médio Movente Ponderados: Prós e Contras Oi, adore o seu post. Estava me perguntando se você poderia elaborar mais. Usamos SAP. Nele há uma seleção que você pode escolher antes de executar sua previsão chamada inicialização. Se você marcar essa opção, você obterá um resultado de previsão, se você executar a previsão novamente, no mesmo período e não verificar a inicialização, o resultado será alterado. Eu não consigo descobrir o que a inicialização está fazendo. Quero dizer, matemática. Qual o resultado da previsão é melhor para salvar e usar, por exemplo. As mudanças entre os dois não estão na quantidade prevista, mas no MAD e erro, estoque de segurança e quantidades ROP. Não tenho certeza se você usa o SAP. Oi obrigado por explicar tão eficientemente seu gd demais. Obrigado novamente Jaspreet Deixe uma resposta Cancelar resposta Sobre Shmula Pete Abilla é o fundador da Shmula e do personagem, Kanban Cody. Ele ajudou empresas como a Amazon, Zappos, eBay, Backcountry e outros a reduzir custos e melhorar a experiência do cliente. Ele faz isso através de um método sistemático para identificar pontos de dor que afetam o cliente eo negócio, e incentiva a ampla participação dos associados da empresa para melhorar seus próprios processos. Este site é uma coleção de suas experiências que ele quer compartilhar com você. Comece com downloads gratuitos FORECASTING Seasonal Factor - o percentual da demanda média trimestral que ocorre em cada trimestre. Previsão anual para o ano 4 é de 400 unidades. A previsão média por trimestre é de 4004 100 unidades. Previsão Trimestral Previsão do fator sazonal. MÉTODOS DE PREVIDÊNCIA CAUSAL métodos de previsão causal são baseados em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos 1. regressão: equação matemática relaciona uma variável dependente com uma ou mais variáveis ​​independentes que se acredita que influenciam a variável dependente 3. modelos econométricos: sistema de equações de regressão interdependentes que descrevem algum setor da atividade econômica. 3. modelos de insumo-produto: descreve os fluxos de um setor da economia para outro, e assim prevê os insumos necessários para produzir resultados em outro setor. Modelagem de simulação MEDIÇÃO DE ERROS DE PREVISÃO Há dois aspectos dos erros de previsão a se preocupar - Bias e precisão Bias - Uma previsão é tendenciosa se errar mais em uma direção do que na outra - O método tende a sub-previsões ou sobre-previsões. Precisão - Previsão de precisão refere-se à distância das previsões de demanda real ignorar a direção desse erro. Exemplo: Para seis períodos, as projeções ea demanda real foram monitoradas. A tabela a seguir apresenta a demanda real Dt ea demanda prevista Ft para seis períodos: soma cumulativa de erros de previsão (CFE) -20 desvio absoluto médio (MAD) 170 6 28,33 média quadrada Erro (MPE) 5150 6 858,33 desvio padrão dos erros de previsão 5150 6 29,30 erro médio absoluto de porcentagem (MAPE) 83,4 6 13,9 Que informação cada previsão tem tendência a superestimar o erro médio de demanda por previsão foi de 28,33 unidades, ou 13,9 de A distribuição de amostragem de demanda real dos erros de previsão tem desvio padrão de 29,3 unidades. CRITÉRIOS PARA A SELECÇÃO DE UM MÉTODO DE PREVISÃO Objectivos: 1. Maximizar a Precisão e 2. Minimizar as Regras Potenciais de Bias para seleccionar um método de previsão de séries temporais. Selecione o método que dá o menor viés, medido pelo erro de previsão cumulativo (CFE) ou dá o menor desvio absoluto médio (MAD) ou dá o menor sinal de rastreamento ou suporta gerências crenças sobre o padrão subjacente da demanda ou outros. Parece óbvio que alguma medida de exatidão e viés deve ser usada em conjunto. Como e quanto ao número de períodos a serem amostrados se a demanda for inerentemente estável, sugere-se valores baixos de e e valores mais elevados de N se a demanda for inerentemente instável, valores altos e menores de N são sugeridos PRÉVIA DE FOCO quotfocus forecastingquot refere-se a Uma abordagem para a previsão que desenvolve as previsões por várias técnicas, em seguida, escolhe a previsão que foi produzido pelo quotbestquot destas técnicas, onde quotbestquot é determinado por alguma medida de erro de previsão. FOCO DE PREVISÃO: EXEMPLO Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. Um varejista usa um sistema de previsão de foco baseado em duas técnicas de previsão: uma média móvel de dois períodos e um modelo de suavização exponencial ajustado à tendência com 0,1 e 0,1. Com o modelo exponencial, a previsão para janeiro foi de 15 ea média de tendência no final de dezembro foi de 1. O varejista usa o desvio absoluto médio (MAD) nos últimos três meses como critério para escolher qual modelo será usado para prever Para o próximo mês. uma. Qual será a previsão para julho e qual modelo será usado b. Você responderia à Parte a. Ser diferente se a demanda por maio tivesse sido 14 em vez de 19 Métodos da série temporal Os métodos da série temporal são técnicas estatísticas que fazem uso de dados históricos acumulados ao longo de um período de tempo. Os métodos da série temporal assumem que o que ocorreu no passado continuará a ocorrer no futuro. Como sugere a série temporal de nomes, esses métodos relacionam a previsão a apenas um fator - tempo. Eles incluem a média móvel, suavização exponencial e linha de tendência linear e estão entre os métodos mais populares para a previsão de curto prazo entre as empresas de serviços e de fabricação. Esses métodos pressupõem que padrões históricos identificáveis ​​ou tendências para a demanda ao longo do tempo se repetirão. Média móvel Uma previsão de séries de tempo pode ser tão simples como usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda é de 100 unidades esta semana, a previsão para as próximas semanas demanda é de 100 unidades, se a demanda acaba por ser 90 unidades, em seguida, as semanas seguintes demanda é de 90 unidades, e assim por diante. Esse tipo de método de previsão não leva em conta o comportamento histórico da demanda, que se baseia apenas na demanda no período corrente. Ele reage diretamente aos movimentos normais, aleatórios na demanda. O método de média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar, ou suavizar, os aumentos aleatórios e diminuições de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe qualquer comportamento de demanda pronunciado, como uma tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o meteorologista deseja suavizar os dados da demanda. Quanto mais longo for o período de média móvel, mais suave será. A fórmula para computar a média móvel simples é computar uma média movente simples A empresa instantânea da fonte do escritório do grampo do papel vende e entrega materiais de escritório às companhias, às escolas, e às agências dentro de um raio de 50 milhas de seu armazém. O negócio de suprimentos de escritório é competitivo, ea capacidade de entregar ordens prontamente é um fator para obter novos clientes e manter os antigos. (Os escritórios geralmente não exigem quando eles correm baixos suprimentos, mas quando eles acabam completamente fora. Como resultado, eles precisam de suas ordens imediatamente.) O gerente da empresa quer ser determinados drivers e veículos estão disponíveis para entregar ordens prontamente e Eles têm estoque adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de pedidos que ocorrerão durante o próximo mês (ou seja, para prever a demanda por entregas). A partir de registros de ordens de entrega, a gerência acumulou os seguintes dados para os últimos 10 meses, a partir do qual pretende calcular média móvel de 3 e 5 meses. Vamos supor que é o fim de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por ordens para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos dados de demanda de 5 meses anteriores como segue: A média móvel de 3 e 5 meses As projeções de média móvel para todos os meses de demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão para novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para meses anteriores nos permitem comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, quão bem ele faz. Médias de três e cinco meses As previsões de média móvel na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Este efeito de alisamento pode ser observado na seguinte figura em que as médias de 3 meses e 5 meses foram sobrepostas em um gráfico dos dados originais: A média móvel de 5 meses na figura anterior suaviza as flutuações em maior extensão do que A média móvel de 3 meses. No entanto, a média de 3 meses reflete mais de perto os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões usando a média móvel de longo prazo são mais lentas para reagir às mudanças recentes na demanda do que aquelas feitas usando médias móveis de período mais curto. Os períodos extras de dados atenuam a velocidade com a qual a previsão responde. Estabelecer o número apropriado de períodos para usar em uma média móvel de previsão muitas vezes requer alguma quantidade de experimentação de tentativa e erro. A desvantagem do método da média móvel é que não reage a variações que ocorrem por uma razão, tais como ciclos e efeitos sazonais. Os fatores que causam mudanças são geralmente ignorados. É basicamente um método mecânico, que reflete dados históricos de forma consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, este método pode fornecer uma boa previsão para o curto prazo, mas não deve ser empurrado demasiado longe no futuro. Média Móvel Ponderada O método da média móvel pode ser ajustado para refletir mais de perto flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados de demanda para PM Computer Services (mostrados na tabela para o Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que as previsões de suavização exponencial e de suavização exponencial ajustadas desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos dos mínimos quadrados são os seguintes: Usando esses valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação da linha de tendência linear é: Para calcular uma previsão para o período 13, Linha de tendência: O gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - isto é, ser um bom ajuste - e seria assim um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não vai se ajustar a uma mudança na tendência, como os métodos de previsão de suavização exponencial, ou seja, é assumido que todas as previsões futuras seguirá uma linha reta. Isso limita o uso deste método para um período de tempo mais curto em que você pode ser relativamente certo de que a tendência não vai mudar. Ajustes Sazonais Um padrão sazonal é um aumento repetitivo e diminuição da demanda. Muitos itens de demanda apresentam comportamento sazonal. As vendas de vestuário seguem os padrões sazonais anuais, com a demanda de roupas quentes aumentando no outono e inverno e declinando na primavera e no verão como a demanda por roupas mais frias aumenta. A demanda por muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, vestuário, aparelhos eletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias. A demanda do cartão aumenta em conjunção com dias especiais como Dia dos Namorados e Dia das Mães. Padrões sazonais também podem ocorrer em uma base mensal, semanal ou mesmo diária. Alguns restaurantes têm demanda mais elevada na noite do que no almoço ou nos fins de semana ao contrário dos dias úteis. Tráfego - daí as vendas - em shopping centers pega na sexta-feira e sábado. Existem vários métodos para refletir padrões sazonais em uma previsão de séries temporais. Vamos descrever um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda para cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, de fato, a parcela da demanda anual total atribuída a Cada estação. Esses fatores sazonais são multiplicados pela demanda anual prevista para produzir previsões ajustadas para cada estação. Calculando uma Previsão com Ajustes Sazonais A Wishbone Farms cria perus para vender a uma empresa de processamento de carne ao longo do ano. No entanto, sua alta temporada é obviamente durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos, conforme mostrado na tabela a seguir: Como temos três anos de dados de demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total pelos três anos pela demanda total nos três anos : Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para conseguir isso, precisamos de uma previsão de demanda para 2000. Nesse caso, uma vez que os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter uma Estimativa de previsão: Assim, a previsão para 2000 é 58.17, ou 58.170 perus. Usando esta previsão anual de demanda, as previsões ajustadas sazonalmente, SF i, para 2000 são comparando essas previsões trimestrais com os valores de demanda reais na tabela, eles pareceriam ser estimativas de previsão relativamente boas, refletindo tanto as variações sazonais nos dados e Tendência ascendente geral. 10-12. Como o método da média móvel é semelhante ao alisamento exponencial 10-13. O efeito no modelo de suavização exponencial aumentará a constante de suavização 10-14. Como a suavização exponencial ajustada difere da suavização exponencial 10-15. O que determina a escolha da constante de suavização para a tendência em um modelo de suavização exponencial ajustado 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial foi sempre assumida como sendo a mesma da demanda real no primeiro período. Sugira outras maneiras de que a previsão inicial possa ser derivada no uso real. 10-17. Como o modelo de previsão da linha de tendência linear difere de um modelo de regressão linear para previsão 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel ea média móvel ponderada, a suavização exponencial ea suavização exponencial ajustada, ea linha de tendência linear, qual você considera o melhor Por que 10-19. Quais as vantagens que a suavização exponencial ajustada tem sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência 4 K. B. Kahn e J. T. Mentzer, Forecasting in Consumer and Industrial Markets, The Journal of Business Forecasting 14, no. 2 (Verão 1995): 21-28.