Tagged mit einfachem gleitendem Durchschnitt In der Woche 6 des Kurses werden wir die Nachfrageverwaltung und die Prognose betrachten, ein Bereich, der erhebliche Aufmerksamkeit erhält, zumal das Interesse an dem Supply Chain Management wächst und wir versuchen, die Supply Chain effektiver zu planen und zu koordinieren ganze. Es wird oft gesagt, dass Prognosen in der Regel falsch sind, etwas spektakulär: Die Lernziele für diese Woche des Kurses sind, dass Sie die Rolle der Prognose als Grundlage für die Supply Chain Planung verstehen sollten. Dass Sie die Unterschiede zwischen unabhängiger und abhängiger Nachfrage vergleichen können. Drittens, dass Sie in der Lage, die grundlegenden Komponenten der unabhängigen Nachfrage, einschließlich der durchschnittlichen, Trend, saisonale und zufällige Variation zu identifizieren. Sie können die üblichen qualitativen Prognosetechniken wie Delphi Method und Collaborative Forecasting beschreiben. Sie verstehen grundlegende quantitative Prognosetechniken und die Verwendung von Zersetzung zu prognostizieren, wenn Trend und Saisonalität vorhanden ist. Das folgende Video unterstreicht die Notwendigkeit von Genauigkeit und Commonsense bei der Prognose: Prognosen können in zwei Arten unterteilt werden, strategisch und taktisch. Strategische Prognosen werden verwendet, um die Schaffung der Strategie zu unterstützen, die bestimmt, wie die Nachfrage erfüllt ist. Taktische Prognosen werden verwendet, um die Entscheidungsfindung auf einer täglichen Basis zu unterstützen. Demand Management wird verwendet, um die Quellen der Produkt - oder Dienstleistungsnachfrage zu beeinflussen, entweder steigende Nachfrage, sinkende Nachfrage oder beibehalten sie auf einem konstanten Niveau. Das folgende Video betrachtet die Faktoren, die die Prognose in der Weinindustrie beeinflussen: Abhängige und unabhängige Nachfrage Es gibt zwei grundlegende Quellen der Nachfrage, abhängig und unabhängig. Abhängige Nachfrage ist die Nachfrage, die aufgrund der Nachfrage nach anderen Produkten oder Dienstleistungen auftritt. Unabhängige Nachfrage ist eine Nachfrage, die nicht auf der Grundlage der Nachfrage nach einem anderen Produkt oder einer Dienstleistung prognostiziert werden kann. Abhängige Nachfrage ist in der Regel sehr schwer zu beeinflussen 8211 ist es Nachfrage, die nicht abhängig von Faktoren, die Sie beeinflussen können und vielmehr ist es Nachfrage, die Sie treffen müssen. Unabhängige Nachfrage kann in der Regel beeinflusst werden und deshalb haben die Organisationen die Wahl, ob sie eine aktive Rolle spielen und sie beeinflussen oder eine passive Rolle spielen und einfach auf die Nachfrage reagieren. Das folgende Video sieht an, wie Motorola mit ihrer Prognose arbeitet: Das Lehrbuch identifiziert vier grundlegende Arten von Prognosen. Die qualitative Prognose basiert auf menschlichem Urteil und einige der Techniken, die bei der qualitativen Prognose verwendet werden, werden im Folgenden erörtert. Zeitreihenanalyse betrachtet Muster von Daten über die Zeit. Kausale Beziehungen betrachten die Beziehungen zwischen Faktoren, die die Nachfrage beeinflussen werden, und die Simulation versucht, die Nachfrage zu modellieren, damit die Interaktion der Nachfragefaktoren besser verstanden werden kann. Das folgende Video untersucht, wie Bedarfsmanagement und Prognose bei Lowes durchgeführt werden: In der Regel wird die Nachfrage nach sechs Komponenten, durchschnittlich, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation gedacht. Diese Elemente der Nachfrage ermöglichen es uns, das Muster der Nachfrage nach einem Produkt zu verstehen, das auf die Vorhersage der zukünftigen Nachfrage angewendet werden könnte. Die durchschnittliche Nachfrage ist die durchschnittliche Nachfrage nach einem Produkt im Laufe der Zeit. Der Trend zeigt, wie sich die Nachfrage im Laufe der Zeit verändert hat und die saisonale Nachfrage saisonale Schwankungen der Nachfrage zeigt. Zyklische Elemente treten über einen längeren Zeitraum als saisonale Elemente auf und sind schwerer zu prognostizieren, z. B. infolge von Konjunkturzyklen. Die zufällige Variation basiert auf zufälligen Ereignissen, die unmöglich vorhersagen können, während die Autokorrelation die Beziehung zwischen der Vergangenheit und der zukünftigen Nachfrage ist, dh dass die zukünftige Nachfrage mit der aktuellen Nachfrage zusammenhängt. Wo es ein hohes Maß an zufälliger Variation gibt, gibt es sehr wenig Beziehung zwischen aktueller Nachfrage und zukünftiger Nachfrage. Wo ein hohes Maß an Autokorrelation besteht, besteht ein starkes Verhältnis zwischen aktueller und zukünftiger Nachfrage. Zeitreihenmodelle Zeitreihenmodelle prognostizieren die Zukunft auf der Basis früherer Modelle. Verschiedene Modelle sind verfügbar und die, die Sie verwenden sollten, hängt vom Zeithorizont ab, den Sie prognostizieren möchten, die Daten, die Sie zur Verfügung haben, die Genauigkeit, die Sie benötigen, die Größe des Prognosebudgets und die Verfügbarkeit von entsprechend qualifizierten Personen Die Analyse. Die folgende Tabelle von Seite 488 des Lehrbuchs ist Design, um bei der Auswahl des entsprechenden Werkzeugs zu helfen: Lineare Regression wird dort verwendet, wo es eine funktionale Beziehung zwischen zwei korrelierten Variablen gibt, die verwendet wird, um eine Variable basierend auf dem anderen vorherzusagen. Es ist sinnvoll, wo Daten relativ stabil sind. Die Zerlegung einer Zeitreihe wird verwendet, um die Zeitreihendaten in ihre verschiedenen Bedarfskomponenten zu identifizieren und zu trennen. Zwei Arten von saisonalen Variation sind identifiziert 8211 additive, wo die saisonale Menge in jeder Jahreszeit konstant und multiplikativ ist, wo die saisonale Variation ein Prozentsatz der Nachfrage nach einem Zeitraum ist. Der einfache gleitende Durchschnitt ist nützlich, wenn die Nachfrage relativ stabil ist, nicht schnell zunimmt oder abnimmt und wo es nur wenige saisonale Eigenschaften gibt. Durchgehende Mittelwerte können um ihren Mittelpunkt zentriert oder als Grundlage für die Vorhersage der Zukunft verwendet werden. Die Verwendung eines längeren Zeitraums führt zu einer besseren Glättung der Variation, während eine kürzere Zeitspanne die statistischen Trends schneller zeigt. Ein gewichteter gleitender Durchschnitt erlaubt Ihnen, bestimmte Zeiträume im Durchschnitt zu erhöhen, um eine größere Genauigkeit zu erreichen. Zum Beispiel kann ein schwereres Gewicht auf neuere Zeiträume gegeben werden, um mehr Wert auf die jüngsten Nachfrageaktivitäten zu legen. Exponentielle Glättung ist die am häufigsten von allen Prognosetechniken und erscheint in allen computerbasierten Prognoseanwendungen. Es wird viel in der Einzelhandels - und Dienstleistungsbranche verwendet. Es ist oft sehr genau, es ist ziemlich einfach zu tun, es ist leicht zu verstehen, erfordert wenig Berechnungen und ist leicht auf Genauigkeit getestet. Das folgende Video beschreibt die Durchführung dieser Prognosetechniken: Die qualitative Prognose beinhaltet die Anwendung menschlicher Urteile, um eine Prognose zu erstellen. In der Regel wird ein strukturierter Ansatz verwendet, im Gegensatz zu diesem: Verschiedene Techniken werden für die qualitative Prognose verwendet, darunter: Historische Analogie. Basierend Prognosen über die Nachfrage Muster für ähnliche Produkte. Marktforschung: Prognosen werden von einem Marktforschungsunternehmen erstellt, vor allem mit Umfragen und Interviews. Panel Konsens: Wo eine Gruppe von Menschen mit Wissen in der Prognose Thema, teilen ihre Gedanken und entwickeln eine Prognose. Delphi-Methode: Eine übersichtliche Technik, die Anonymität in einer Gruppe schafft. Es wird im folgenden Video beschrieben: Kollaborative Planung, Prognose und Nachschub. CPFR ist eine neue Innovation, die das Internet nutzt, damit die Menschen bei der Prognoseerzeugung zusammenarbeiten können: Es gibt zwei Arten von Prognosefehlern. Bias Fehler auftreten, wo es einen konsequenten Fehler gemacht, dass die Prognose durchdringt. Zufällige Fehler sind Fehler, die durch das Prognosemodell 8211 erklärt werden können, sie zufällig und auf einer unvorhersehbaren Basis. Bei den Prognosefehlern handelt es sich um Mean Absolute Deviation (MAD), Mean Absolute Percentage Error (MAPE) und Tracking Signal. Das folgende Video betrachtet Probleme im menschlichen Prognosefehler: Tracking Signal ist ein Maß, das verwendet wird, um die tatsächliche Leistung der Prognose im Laufe der Zeit zu überwachen, um zu sehen, ob es im Einklang mit den Veränderungen in der Nachfrage in der realen Welt ist. Es kann wie ein Qualitätskontrollschema verwendet werden. In dieser Woche haben wir das Nachfragemanagement und die Prognose berücksichtigt, wobei sowohl qualitative als auch quantitative Techniken verwendet werden. Der Schwerpunkt liegt auf der Sicherstellung, dass die Prognosen realistisch sind und bei der Verwendung von Prognosen, die auf vergangener Leistung basieren, eine Vorsicht geboten wurde, sagt es Ihnen, was die Zukunft zu tun hat, aber oft wird Ihnen helfen, sich vorzubereiten. Das folgende Video zeigt die Anwendung der Informationstechnologie auf die Prognose und ist vielleicht eine humorvolle Schlussfolgerung zu dieser Woche8217s Material: In der Praxis wird der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihen liefern, wenn der Mittelwert konstant oder langsam verändert wird. Im Falle eines konstanten Mittels wird der größte Wert von m die besten Schätzungen des zugrunde liegenden Mittels geben. Eine längere Beobachtungsperiode wird die Effekte der Variabilität ausgleichen. Der Zweck der Bereitstellung eines kleineren m ist es, die Prognose auf eine Änderung des zugrunde liegenden Prozesses zu reagieren. Zur Veranschaulichung schlagen wir einen Datensatz vor, der Änderungen des zugrunde liegenden Mittels der Zeitreihen beinhaltet. Die Figur zeigt die Zeitreihen, die für die Illustration verwendet wurden, zusammen mit der mittleren Nachfrage, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als Konstante bei 10. Beginnend um die Zeit 21 erhöht er sich in jeder Periode um eine Einheit, bis er zum Zeitpunkt 30 den Wert von 20 erreicht. Dann wird er wieder konstant. Die Daten werden durch Addition des Mittelwertes, eines zufälligen Rauschens aus einer Normalverteilung mit Nullmittelwert und Standardabweichung simuliert. 3. Die Ergebnisse der Simulation werden auf die nächste ganze Zahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für das Beispiel. Wenn wir den Tisch benutzen, müssen wir uns daran erinnern, dass zu irgendeiner Zeit nur die bisherigen Daten bekannt sind. Die Schätzungen des Modellparameters, für drei verschiedene Werte von m werden zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung dargestellt. Die Figur zeigt die gleitende durchschnittliche Schätzung des Mittelwertes zu jeder Zeit und nicht die Prognose. Die Prognosen würden die gleitenden Durchschnittskurven nach Perioden nach rechts verschieben. Aus der Figur ergibt sich sofort eine Schlussfolgerung. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend zurück, wobei die Verzögerung mit m zunimmt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, wenn der Mittelwert zunimmt. Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und der durch den gleitenden Durchschnitt vorhergesagte Mittelwert. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ. Für ein abnehmendes Mittel ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Vorspannung, die in der Schätzung eingeführt werden, sind Funktionen von m. Je größer der Wert von m. Je größer die Größe der Verzögerung und der Vorspannung ist. Für eine stetig wachsende Serie mit Trend a. Die Werte der Verzögerung und der Vorspannung des Schätzers des Mittels sind in den nachstehenden Gleichungen angegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, weil das Beispielmodell nicht kontinuierlich zunimmt, sondern es beginnt als Konstante, ändert sich zu einem Trend und wird dann wieder konstant. Auch die Beispielkurven sind vom Lärm betroffen. Die gleitende durchschnittliche Prognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Bias steigen proportional an. Die nachfolgenden Gleichungen zeigen die Verzögerung und die Vorspannung einer Prognoseperiode in die Zukunft im Vergleich zu den Modellparametern. Wiederum sind diese Formeln für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten uns über dieses Ergebnis nicht wundern. Der gleitende durchschnittliche Schätzer beruht auf der Annahme eines konstanten Mittels, und das Beispiel hat einen linearen Trend im Mittel während eines Teils des Untersuchungszeitraums. Da Echtzeit-Serien den Annahmen eines Modells nur selten gehorchen, sollten wir auf solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Rauschens die größte Wirkung für kleinere m hat. Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20. Wir haben die widersprüchlichen Wünsche, m zu erhöhen, um den Effekt der Variabilität aufgrund des Rauschens zu reduzieren und m zu reduzieren, um die Prognose besser auf Veränderungen zu reagieren Im gemein Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert. Ist die Zeitreihe wirklich ein konstanter Wert, so ist der erwartete Wert des Fehlers Null und die Varianz des Fehlers besteht aus einem Begriff, der eine Funktion und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes, der mit einer Stichprobe von m Beobachtungen geschätzt wird, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert. Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Eine große m macht die Prognose nicht mehr auf eine Veränderung der zugrunde liegenden Zeitreihen. Um die Prognose auf Veränderungen zu reagieren, wollen wir m so klein wie möglich (1), aber das erhöht die Fehlerabweichung. Die praktische Vorhersage erfordert einen Zwischenwert. Vorhersage mit Excel Das Prognose-Add-In implementiert die gleitenden durchschnittlichen Formeln. Das folgende Beispiel zeigt die Analyse, die durch das Add-In für die Beispieldaten in Spalte B bereitgestellt wird. Die ersten 10 Beobachtungen sind indiziert -9 bis 0. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für die Periode 0 zu berechnen. Die MA (10) - Spalte (C) zeigt die berechneten Bewegungsdurchschnitte. Der gleitende Mittelwert m ist in Zelle C3. Die Fore (1) Spalte (D) zeigt eine Prognose für einen Zeitraum in die Zukunft. Das Prognoseintervall befindet sich in Zelle D3. Wenn das Prognoseintervall auf eine größere Zahl geändert wird, werden die Zahlen in der Spalte Fore nach unten verschoben. Die Err (1) Spalte (E) zeigt den Unterschied zwischen Beobachtung und Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 gleich 6. Der prognostizierte Wert aus dem gleitenden Durchschnitt zum Zeitpunkt 0 beträgt 11,1. Der Fehler ist dann -5.1. Die Standardabweichung und die mittlere mittlere Abweichung (MAD) werden in den Zellen E6 und E7 berechnet. Einfache bewegliche durchschnittliche Operations Management Assignment Hilfe Einfache Verschiebung Durchschnittliche saisonale Merkmale, ein einfacher gleitender Durchschnitt kann sehr nützlich sein, um einen Trend innerhalb der Datenfluktuation zu identifizieren. Zum Beispiel, wenn wir den Verkauf im Juni mit einem Fünf-Monats-Gleitender Durchschnitt prognostizieren wollen, können wir den Durchschnitt der Verkäufe im Januar, Februar, März nehmen. April und Mai. Im Juni passe. Die Prognose für Juli wäre der Durchschnitt von Februar, März, April, Mai und Juni. Die Formel für eine einfache gleitende durchschnittliche Prognose ist Angenommen, wir wollen wöchentliche Nachfrage nach einem Produkt mit einem drei - und einwöchigen gleitenden Durchschnitt prognostizieren. Wie in den Ziffern 9.6 und 9.7 gezeigt. Diese Prognosen werden wie folgt berechnet: Um zu veranschaulichen, ist die dreiwöchige Prognose für die Woche: Verwandte Operations Management Zuweisungen Gewichtete Verschiebung Durchschnittliche Zuverlässigkeit der Datenschlüssel Formeln Zeitreihenanalyse Exponentielle Glättung
Comments
Post a Comment