Exponential Smoothing Explained. Copyright O conteúdo é protegido por direitos autorais e não está disponível para republication. When pessoas primeiro encontrar o termo suavização exponencial eles podem pensar que soa como um inferno de um lote de alisamento qualquer suavização é Eles então começam a imaginar uma matemática complicada Cálculo que provavelmente requer um grau em matemática para entender, e espero que haja uma função embutida Excel disponível se eles nunca precisam fazê-lo A realidade de suavização exponencial é muito menos dramática e muito menos traumático. A verdade é, suavização exponencial é Um cálculo muito simples que realiza uma tarefa bastante simples Ele só tem um nome complicado porque o que tecnicamente acontece como resultado deste simples cálculo é realmente um pouco complicado. Para entender a suavização exponencial, ajuda a começar com o conceito geral de suavização e um Um par de outros métodos comuns usados para conseguir o alisamento. O que é alisamento. A suavização é uma estatística muito comum p Na verdade, nós encontramos regularmente dados alisados em várias formas em nossas vidas diárias. Toda vez que você usa uma média para descrever algo, você está usando um número suavizado. Se você pensar sobre o porquê de usar uma média para descrever algo, você Vai entender rapidamente o conceito de suavização Por exemplo, acabamos de experimentar o inverno mais quente no registro Como somos capazes de quantificar isso Bem, começamos com datasets das temperaturas altas e baixas diárias para o período que chamamos de Inverno para cada ano na história registrada Mas Que nos deixa com um monte de números que saltam em torno de um pouco não é como todos os dias este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores Precisamos de um número que remove tudo isso saltando em torno dos dados para que possamos mais facilmente Comparar um inverno para o próximo Remoção do salto em torno dos dados é chamado de suavização, e neste caso, podemos apenas usar uma média simples para realizar o alisamento. Na previsão da demanda, usamos suavização para remover E variação aleatória de ruído de nossa demanda histórica Isso nos permite identificar melhor os padrões de demanda principalmente tendência e sazonalidade e os níveis de demanda que podem ser usados para estimar a demanda futura O ruído na demanda é o mesmo conceito como o saltar diariamente dos dados de temperatura Não surpreendentemente , A maneira mais comum de remover o ruído do histórico de demanda é usar uma média simples ou mais especificamente, uma média móvel Uma média móvel usa apenas um número predefinido de períodos para calcular a média e esses períodos se movem com o passar do tempo Por exemplo, se Estou usando uma média móvel de 4 meses, e hoje é 1º de maio, estou usando uma média de demanda que ocorreu em janeiro, fevereiro, março e abril. Em 1º de junho, vou usar a demanda de fevereiro, março, abril, E maio. Média móvel ponderada. Ao usar uma média, estamos aplicando o mesmo peso importância para cada valor no conjunto de dados Na média móvel de 4 meses, cada mês representou 25 da média móvel Ao usar a demanda h Istory para projetar a demanda futura e especialmente a tendência futura, é lógico chegar à conclusão que você gostaria que a história mais recente tenha um impacto maior em sua previsão Podemos adaptar nosso cálculo de média móvel para aplicar vários pesos a cada período para obter Nossos resultados desejados Nós expressamos esses pesos como porcentagens eo total de todos os pesos para todos os períodos deve somar 100 Por isso, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, Podemos subtrair 35 de 100 para achar que temos 65 restantes para dividir sobre os outros 3 períodos Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35 respectivamente para os 4 meses 15 20 30 35 100.Exponencial Se voltar para o conceito de aplicar um peso ao período mais recente como 35 no exemplo anterior e espalhar o peso restante calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65, temos o básico construir Para o nosso cálculo de suavização exponencial A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização também chamado de constante de alisamento Ele representa essencialmente a ponderação aplicada à demanda do período mais recente Assim, onde usamos 35 como a ponderação para o Mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como o fator de suavização em nosso cálculo de suavização exponencial para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que, ao invés de termos de descobrir o quanto Peso para aplicar a cada período anterior, o fator de suavização é usado para fazer automaticamente isso. Então aqui vem a parte exponencial Se usarmos 35 como o fator de suavização, a ponderação da demanda do período mais recente será 35 A ponderação do próximo Período mais recente s demanda o período antes do mais recente será 65 de 35 65 vem de subtrair 35 de 100 Isso equivale a 22 75 ponderação para esse período, se você fizer a matemática. A próxima demanda do período mais recente será de 65 de 65 de 35, o que equivale a 14 79 O período anterior que será ponderado como 65 de 65 de 65 de 35, o que equivale a 9 61 e assim por diante E isso vai de volta através de todos os seus períodos anteriores todo o caminho de volta para o início do tempo ou o ponto em que você começou a usar suavização exponencial para esse item em particular. Você provavelmente está pensando que s olhando como um todo Lote de matemática Mas a beleza do cálculo de suavização exponencial é que ao invés de ter que recalcular contra cada período anterior cada vez que você recebe um novo período s demanda, você simplesmente usar a saída do cálculo exponencial suavização do período anterior para representar todos os anteriores Você está confuso ainda? Isso fará mais sentido quando olharmos para o cálculo real. Tipicamente, nós nos referimos à saída do cálculo de suavização exponencial como o próximo período previsto. Na realidade, a previsão final Precisa de um pouco mais de trabalho, mas para os propósitos deste cálculo específico, iremos referir-se a ele como a previsão. O cálculo de suavização exponencial é o seguinte. A demanda do período mais recente multiplicada pelo fator de suavização PLUS A previsão do período mais recente Multiplicado por um menos o fator de suavização. Demanda do período mais recente S o fator de suavização representado em forma decimal para que 35 seja representado como 0 35 F o período mais recente s preveja a saída do cálculo de suavização do período anterior. OR assumindo Um fator de suavização de 0 35.Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para entradas de dados aqui são a demanda do período mais recente e a previsão do período mais recente Nós aplicamos a ponderação do factor de suavização à Os períodos mais recentes s exigem da mesma maneira que faria no cálculo da média móvel ponderada. Em seguida, aplicamos a ponderação restante 1 menos o fator de suavização à previsão do período mais recente. A previsão do período foi criada com base na demanda do período anterior e na previsão do período anterior, que se baseou na demanda do período anterior e na previsão do período anterior, baseada na demanda do período anterior E a previsão para o período antes disso, que foi baseado no período antes that. well, você pode ver como todos os períodos anteriores s demanda são representados no cálculo sem realmente voltar e recalcular nada. E isso é o que levou a popularidade inicial De suavização exponencial Não foi porque ele fez um trabalho melhor de suavização do que a média móvel ponderada, foi porque era mais fácil de calcular em um programa de computador E, porque você não precisa pensar sobre o que a ponderação para dar períodos anteriores ou quantos Períodos anteriores para usar, como você faria na média móvel ponderada E, porque ele soou mais frio do que a média móvel ponderada. Na verdade, poderia ser argumentado que a média móvel ponderada fornece gr Eater flexibilidade desde que você tem mais controle sobre a ponderação de períodos anteriores A realidade é qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com soar mais fácil e mais fresco. Suavização exponencial no Excel. Vamos ver como isso realmente iria olhar em uma planilha Com dados reais. Copyright conteúdo é protegido por direitos autorais e não está disponível para republicação. Na Figura 1A, temos uma planilha Excel com 11 semanas de demanda, e uma previsão exponencial suavizada calculada a partir dessa demanda eu usei um fator de suavização de 25 0 25 na célula C1 A célula ativa atual é a célula M4 que contém a previsão para a semana 12 Você pode ver na fórmula barra, a fórmula é L3 C1 L4 1- C1 Portanto, as únicas entradas diretas para este cálculo são a demanda do período anterior s A célula L3, o período anterior preenchem a célula L4 e o factor de suavização Cell C1, mostrado como referência de célula absoluta C1.Quando começamos um cálculo de suavização exponencial, precisamos de ligar manualmente o valor para o 1s T Assim, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda do mesmo período que a previsão Na Célula C4 temos o nosso primeiro cálculo de suavização exponencial B3 C1 B4 1- C1 Podemos então copiar a Célula C4 e colá-la Nas Células D4 até M4 para preencher o resto de nossas células de previsão. Agora você pode clicar duas vezes em qualquer célula de previsão para ver se é baseado na célula de previsão do período anterior e na célula de demanda do período anterior Então cada subseqüente cálculo de suavização exponencial herda A saída do cálculo de suavização exponencial anterior É assim que a demanda de cada período anterior é representada no cálculo do período mais recente, mesmo que esse cálculo não faça referência direta a esses períodos anteriores Se você quiser obter fantasia, Para fazer isso, clique em Célula M4 e, em seguida, na barra de ferramentas da faixa de opções Excel 2007 ou 2010 clique no separador Fórmulas e, em seguida, clique em Rastreio Precedentes Será desenhar linhas de conector para o primeiro nível de precedentes, mas se Você continuará clicando em Trace Precedents, desenhará linhas de conector para todos os períodos anteriores para mostrar os relacionamentos herdados. Agora vamos ver o que o suavização exponencial fez por nós. A Figura 1B mostra um gráfico de linha de nossa demanda e previsão. Você verá como o liso exponencial Previsão remove a maior parte do jaggedness o salto em torno da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda Você também vai notar que a linha de previsão suavizada tende a ser inferior à linha de demanda Isso é conhecido como tendência Lag e é um efeito colateral do processo de suavização Toda vez que você usar alisamento quando uma tendência está presente sua previsão ficará atrás da tendência Isso é verdade para qualquer técnica de suavização De fato, se continuássemos esta planilha e começar a inserir números de demanda mais baixos Fazendo uma tendência descendente que você veria a queda da linha de demanda, ea linha de tendência se mover acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente o ou Tput do cálculo de suavização exponencial que chamamos de uma previsão, ainda precisa de mais trabalho Há muito mais a previsão do que apenas alisar as colisões na demanda Precisamos fazer ajustes adicionais para coisas como defasagem de tendência, sazonalidade, eventos conhecidos que podem Efeito, etc Mas tudo o que está além do escopo deste artigo. Você provavelmente também correr em termos como dupla exponencial alisamento e triple-exponencial alisamento Estes termos são um pouco enganador desde que você não está re-suavização a demanda várias vezes você Poderia, se você quiser, mas isso não é o ponto aqui Estes termos representam usando alisamento exponencial em elementos adicionais da previsão Assim, com suavização exponencial simples, você está suavizando a demanda base, mas com dupla exponencial suavização você está suavizando a demanda base plus A tendência e com suavização triplo-exponencial você está suavizando a demanda base mais a tendência mais a sazonalidade. A outra pergunta mais comumente feita sobre exp O alisamento onencial é onde eu recebo o meu fator de suavização Não há nenhuma resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que você recebe os melhores resultados Existem cálculos que podem definir automaticamente e alterar o fator de suavização Estes Sob o termo alisamento adaptativo, mas você precisa ter cuidado com eles Não há simplesmente nenhuma resposta perfeita e você não deve cegamente implementar qualquer cálculo sem testes minuciosos e desenvolver uma compreensão completa do que esse cálculo faz Você também deve executar cenários de hipóteses para Veja como esses cálculos reagem às mudanças de demanda que talvez não existam atualmente nos dados de demanda que você está usando para testes. O exemplo de dados que eu usei anteriormente é um exemplo muito bom de uma situação em que você realmente precisa testar alguns outros cenários. Mostra uma tendência ascendente um tanto consistente Muitas empresas grandes com software de previsão muito caro começam no problema grande no não-assim-dist Quando suas configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher Coisas como esta acontecem quando você não entende o que seu software de cálculos está realmente fazendo Se eles entendessem seu sistema de previsão, eles teriam Sabido eles precisaram pular dentro e mudar algo quando havia mudanças dramáticas súbitas a seu negócio. Assim lá você o tem o básico do suavização exponencial explicado Querer saber mais sobre usar o alisamento exponencial em uma previsão real, verific para fora meu livro Gestão Inventária Explicada. Copyright O conteúdo é protegido por direitos autorais e não está disponível para republication. Dave Piasecki é operador proprietário de Inventário Operations Consulting LLC uma empresa de consultoria que presta serviços relacionados com a gestão de inventário, manuseio de materiais e operações de armazém Ele tem mais de 25 anos de experiência em gestão de operações E pode ser alcançado através de seu site, onde ele mantém O fator anual - o percentual da demanda média trimestral que ocorre em cada trimestre. Previsão anual para o ano 4 é previsto para 400 unidades. Previsão média por trimestre é de 400 4 100 unidades. Previsão Quartas Previsão do fator sazonal. MÉTODOS DE PREVISÃO CAUSAL. Os métodos de previsão precoce baseiam-se em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos.1 a equação matemática de regressão relaciona uma variável dependente com uma ou mais variáveis independentes que se acredita influenciar a variável dependente .2 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.4 modelagem de simulação. MASSEIRO ERROS DE PREVISÃO. Há dois aspectos dos erros de previsão a se preocupar - Bias um D Precisão. Prejuízo - A previsão é tendenciosa se ele errar mais em uma direção do que na outra. - O método tende a sub-previsões ou sobre-previsões. Precisão - Precisão de previsão refere-se à distância das previsões de demanda real ignorar a Para esse período de erro. Exemplo Para seis períodos, as previsões e a procura real foram seguidas A tabela seguinte apresenta a procura real D t ea procura prevista F t para seis períodos. Soma cumulativa dos erros de previsão CFE -20. Desvio absoluto MAD 170 6 28 33.mean squared error MSE 5150 6 858 33.desvio padrão de erros de previsão 5150 6 29 30.mean erro percentual absoluto MAPE 83 4 6 13 9.Qual informação cada fonte tem. a tendência a superestimar a demanda. A previsão foi de 28 33 unidades, ou 13 9 da demanda real. A distribuição de amostragem dos erros de previsão tem desvio padrão de 29 3 unidades. CRITÉRIOS PARA A SELECÇÃO DE UM MÉTODO DE PREVISÃO. Objetivos 1 Maximizar Precisão e 2 Minimizar Bias. Potencial Regras para selecionar um tempo ser Método de previsão da inflação Selecione o método que gera o menor viés, medido pelo erro de previsão cumulativo CFE ou. Gera o menor desvio absoluto médio MAD ou. transporta o menor sinal de rastreamento ou. sutiva as crenças da gerência sobre o padrão subjacente da demanda. Outros Parece óbvio que alguma medida de precisão e viés deve ser usada em conjunto How. What sobre o número de períodos a ser amostrados. se a demanda é inerentemente estável, valores baixos de ee mais altos valores de N são sugeridos. Se a demanda é inerentemente Instável, altos valores de e e valores mais baixos de N são sugeridos. Previsão de foco. Previsão de foco refere-se a uma abordagem de previsão que desenvolve previsões por várias técnicas, em seguida, escolhe a previsão que foi produzido pelo melhor destas técnicas, onde melhor é determinado Por alguma medida de erro de previsão. EXEMPLO DE PREVISÃO DE FOCO. Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. R 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 era de 15 ea média de tendência no final De dezembro foi de 1.O varejista utiliza o desvio absoluto médio MAD para os últimos três meses como critério para escolher qual modelo será usado para prever para o próximo mês. a Qual será a previsão para julho e qual modelo será usado. B Você responderia para a Parte a ser diferente se a demanda por maio tivesse sido 14 em vez de 19. Dados suavizados remove variação aleatória e mostra tendências e componentes cíclicos. Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória Existe Métodos para reduzir o efeito de cancelamento devido a variação aleatória Uma técnica frequentemente utilizada na indústria é suavizar Esta técnica, quando devidamente aplicada, revela mais claramente a tendência subjacente, os componentes sazonais e cíclicos. Existem dois grupos distintos de métodos de alisamento. Métodos de valorização. Métodos de suavização exponencial. Taking médias é a maneira mais simples de suavizar os dados. Nós vamos primeiro investigar alguns métodos de média, como a média simples de todos os dados anteriores. Um gerente de um armazém quer Para saber o quanto um fornecedor típico oferece em unidades de 1000 dólares Ele pega uma amostra de 12 fornecedores, aleatoriamente, obtendo os seguintes resultados. A média computada ou média dos dados 10 O gerente decide usar isto como a estimativa para despesa de Um fornecedor típico. É isto um bom ou mau estimation. Mean erro quadrado é uma maneira de julgar como um bom modelo é. Vamos calcular o erro quadrático médio. O erro montante verdadeiro gasto menos a quantidade estimada. O erro ao quadrado é o erro Acima, ao quadrado. O SSE é a soma dos erros quadrados. O MSE é a média dos resultados quadrados de errors. MSE por exemplo. Os resultados são Erro e Erros Quadrados. A estimativa 10.A questão surge é que podemos usar a média para Previsão em Venha se suspeitarmos de uma tendência Um olhar para o gráfico abaixo mostra claramente que não devemos fazer isso. A média pesa todas as observações passadas igualmente. Em resumo, afirmamos que. A média simples ou média de todas as observações passadas é apenas uma estimativa útil para Previsão quando não há tendências Se houver tendências, use estimativas diferentes que levam em conta a tendência. A média pesa todas as observações passadas igualmente Por exemplo, a média dos valores 3, 4, 5 é 4 Nós sabemos, é claro, que Uma média é calculada adicionando todos os valores e dividindo a soma pelo número de valores. Outra maneira de calcular a média é adicionando cada valor dividido pelo número de valores, ou.3 3 4 3 5 3 1 1 3333 1 6667 4 . O multiplicador 1 3 é chamado o peso Em geral. Direita, direita, direita, direita, direita, esquerda, direita, direita, direita, direita, direita, direita, direita, direita, esquerda, esquerda,
No comments:
Post a Comment