Ein Unternehmen Will Die Nachfrage Mit Dem Gewichteten Gleitenden Durchschnitt Prognostizieren

Zeitreihenmethoden Zeitreihenmethoden sind statistische Verfahren, die historische Daten nutzen, die über einen bestimmten Zeitraum akkumuliert wurden. Zeitreihen-Methoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft vorkommt. Wie der Name der Zeitreihe andeutet, beziehen diese Methoden die Prognose nur auf einen Faktor - Zeitpunkt. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie, und sie gehören zu den beliebtesten Methoden für die kurzfristige Prognose von Service - und Produktionsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Wenn die Nachfrage zum Beispiel 100 Einheiten in dieser Woche beträgt, beträgt die Prognose für die nächste Wochen-Nachfrage 100 Einheiten, wenn die Nachfrage zu 90 Einheiten stattdessen ausfällt, dann sind die folgenden Wochen die Nachfrage 90 Einheiten und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, sondern nur die Nachfrage in der aktuellen Periode. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der jüngsten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Zunahmen und Abnahmen einer Prognose, die nur eine Periode verwendet, zu dämpfen oder zu glätten. Die einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägte Nachfrage Verhalten, wie ein Trend-oder saisonale Muster. Bewegungsdurchschnitte werden für bestimmte Zeiträume, wie drei Monate oder fünf Monate, abhängig davon berechnet, wie viel der Prognostiker wünscht, die Bedarfsdaten zu glätten. Je länger der gleitende Durchschnitt, desto glatter ist er. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist Computing ein einfaches Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Büro-Supply-Geschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge zeitnah zu liefern, ist ein Faktor, neue Kunden zu gewinnen und alte zu halten. (Büros in der Regel nicht, wenn sie auf niedrige Lieferungen laufen, aber wenn sie völlig ausgehen, so dass sie ihre Aufträge sofort benötigen.) Der Manager des Unternehmens will sicher sein, genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern und Sie haben ausreichende Bestände auf Lager. Daher möchte der Manager in der Lage sein, die Anzahl der Aufträge, die während des nächsten Monats auftreten werden, zu prognostizieren (d. h. die Nachfrage nach Lieferungen vorauszusagen). Aus den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate akkumuliert, aus denen er 3- und 5-Monats-Bewegungsdurchschnitte berechnen möchte. Nehmen wir an, daß es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, liegt typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorangegangenen 3 Monate in der Sequenz gemäß folgender Formel berechnet: Der gleitende 5-Monatsdurchschnitt wird aus den vorherigen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und der 5-Monats-Zeitraum Gleitende Durchschnittsprognosen für alle Monate der Nachfragedaten sind in der folgenden Tabelle dargestellt. Eigentlich würde nur die Prognose für November, die auf der letzten monatlichen Nachfrage basiert, vom Manager verwendet werden. Allerdings erlauben es die früheren Prognosen für die Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das heißt, wie gut es funktioniert. Drei - und Fünfmonatsdurchschnitte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität, die in den tatsächlichen Daten auftritt, zu glätten. Dieser Glättungseffekt kann in der folgenden Abbildung beobachtet werden, in der die 3-Monats - und die 5-Monats-Durchschnittswerte einem Diagramm der ursprünglichen Daten überlagert wurden: Der gleitende 5-Monatsdurchschnitt in der vorherigen Abbildung glättet Schwankungen in einem grßeren Ausmaß als Der gleitende 3-Monatsdurchschnitt. Der 3-Monats-Durchschnitt spiegelt jedoch die jüngsten Daten, die dem Büromaterial-Manager zur Verfügung stehen, stärker wider. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen in der Nachfrage zu reagieren als diejenigen, die unter Verwendung kürzerer Periodenbewegungsdurchschnitte durchgeführt wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose antwortet. Die Festlegung der geeigneten Anzahl von Perioden, die in einer gleitenden Durchschnittsprognose verwendet werden müssen, erfordert oft ein gewisses Maß an Versuchs - und Fehlerversuchen. Der Nachteil der gleitenden Durchschnittsmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich grundsätzlich um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Die gleitende Durchschnittsmethode hat jedoch den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. In der Regel kann diese Methode eine gute Prognose für die kurze Laufzeit, aber es sollte nicht zu weit in die Zukunft geschoben werden. Gewichteter gleitender Durchschnitt Die gleitende Durchschnittsmethode kann so angepasst werden, dass sie stärkere Fluktuationen in den Daten widerspiegelt. Bei der gewichteten gleitenden Durchschnittsmethode werden die Gewichte den letzten Daten entsprechend der folgenden Formel zugewiesen: Die Bedarfsdaten für PM Computer Services (gezeigt in der Tabelle für Beispiel 10.3) scheinen einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättungs - und angepassten exponentiellen Glättungsvorhersagen ist. Die für die Berechnung der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher wird die lineare Trendliniengleichung berechnet, um eine Prognose für die Periode 13 zu berechnen, wobei x & sub3; Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den Istdaten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - also gut zu passen - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie besteht jedoch darin, dass sie sich nicht an eine Trendänderung anpasst, da die exponentiellen Glättungsprognosemethoden voraussetzen, dass alle zukünftigen Prognosen einer Geraden folgen werden. Dies beschränkt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine repetitive Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen Jahreszeitmustern, mit der Nachfrage nach warmer Kleidung, die im Fall und im Winter und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelteilen, einschließlich Spielwaren, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Obst, während der Ferienzeit erhöhen. Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkäufe - an den Einkaufszentren nimmt Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein numerischer Wert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage pro Saison nach der folgenden Formel aufzuteilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind tatsächlich der Anteil der Gesamtjahresnachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um prognostizierte Prognosen für jede Saison zu erzielen. Berechnung einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne zu einem Fleisch-Verarbeitung Unternehmen das ganze Jahr verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis Dezember. Wishbone Farms hat in den folgenden drei Jahren die Nachfrage nach Truthühnern erlebt: Weil wir drei Jahre Nachfragedaten haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage in allen drei Jahren dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr, 2000, mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Nachfrageprognose für 2000. Da in diesem Fall die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend aufweisen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu erhalten Prognose Schätzung: So ist die Prognose für das Jahr 2000 58,17 oder 58,170 Puten. Anhand dieser jährlichen Bedarfsprognose werden die saisonbereinigten Prognosen SF i für das Jahr 2000 verglichen, wenn diese vierteljährlichen Prognosen mit den tatsächlichen Bedarfswerten in der Tabelle verglichen werden. Dies sind relativ gute Prognoseschätzungen, die sowohl die saisonalen Schwankungen der Daten widerspiegeln als auch Der allgemeine Aufwärtstrend. 10-12. Wie ist die gleitende Durchschnittsmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell wird die Glättungskonstante erhöhen, haben 10-14. Wie sich die eingestellte exponentielle Glättung von der exponentiellen Glättung 10-15 unterscheidet. Was die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16 bestimmt. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Ausgangsprognose immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie weitere Möglichkeiten vor, dass die Startprognose tatsächlich ermittelt werden kann. 10-17. Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose 10-18. Von den in diesem Kapitel vorgestellten Zeitreihenmodellen, einschließlich dem gleitenden Mittelwert und dem gewichteten gleitenden Durchschnitt, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, welche halten Sie für den besten Warum 10-19. Welche Vorteile hat eine angepasste exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend aufweist 4 K. B. Kahn und J. T. Mentzer, Prognose in Consumer and Industrial Markets, The Journal of Business Forecasting 14, No. 2 (Sommer 1995): 21-28.Kapitel 11 - Demand Management amp Prognose 1. Perfekte Prognose ist praktisch unmöglich 2. Anstatt auf der Suche nach der perfekten Prognose, ist es viel wichtiger, die Praxis der kontinuierlichen Überprüfung der Prognose und zu etablieren Lernen, mit ungenauer Prognose leben 3. Bei der Prognose, eine gute Strategie ist es, 2 oder 3 Methoden verwenden und suchen sie für die gesunde Sicht. 2. Grundquellen der Nachfrage 1. Abhängige Nachfrage - Nachfrage nach Produkten oder Dienstleistungen aufgrund der Nachfrage nach anderen Produkten oder Dienstleistungen. Nicht viel das Unternehmen tun kann, muss es erfüllt werden. 2. Unabhängige Nachfrage - Nachfrage, die nicht direkt von der Nachfrage nach anderen Produkten abgeleitet werden kann. Unternehmen können: a) eine aktive Rolle übernehmen, um die Nachfrage zu beeinflussen - Druck auf Ihre Vertriebsmitarbeiter ausüben b) Nehmen Sie eine passive Rolle, um die Nachfrage zu beeinflussen - wenn ein Unternehmen auf einer vollen Kapazität läuft, kann es nichts über die Nachfrage tun. Andere Gründe sind wettbewerbsfähig, legal, ökologisch, ethisch und moralisch. Versuchen Sie, die Zukunft anhand vergangener Daten vorherzusagen. 1. Kurzfristig - unter 3 Monaten - taktische Entscheidungen wie Nachschub des Inventars oder Terminierung von EEs kurzfristig 2. Mittelfristig - 3 M-2Y - Erfassung saisonaler Effekte wie Kunden reagieren auf ein neues Produkt 3. Langfristig - mehr als 2 Jahre. Um die wichtigsten Wendepunkte zu identifizieren und allgemeine Trends zu erkennen. Lineare Regression ist eine spezielle Regression, bei der die Beziehungen zwischen Variablen eine Gerade Y abX bilden. Y - abhängige Variable a - Y Abzweigung b - Steigung X - unabhängige Variable Sie dient der langfristigen Prognose von Großereignissen und der Gesamtplanung. Es wird sowohl für die Zeitreihenprognose als auch für die Gelegenheitsprognose verwendet. Ist die am häufigsten verwendete Prognosetechnik. Die jüngsten Ereignisse sind für die Zukunft (höchster vorhersehbarer Wert) mehr indikativ als die in der fernen Vergangenheit. Wir sollten den Erz in den letzten Zeiträumen mehr Gewicht verleihen als die Prognose. Jedes Inkrement in der Vergangenheit wird durch (1 - alpha) verringert. Je höher die Alpha, desto genauer folgt die Prognose der tatsächlichen. Die aktuelle Gewichtung alpha (1-alpha) na 0 Daten eine Zeitperiode ältere alpha (1-alpha) na 1 Daten zwei Zeitalter ältere alpha (1-alpha) na 2 Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der Richtige Personen, die urteilsmäßig verwendet werden, um tatsächlich den prognostizierten Wert zu erzeugen, muss zwischen 0 und 1 liegen. 2 oder mehr vorbestimmte Werte von Alpha - abhängig vom Fehlergrad werden unterschiedliche Werte von Alpha verwendet. Wenn der Fehler groß ist, ist Alpha 0,8, wenn der Fehler klein ist, ist Alpha 0,2 2. Berechnete Werte von Alpha - exponentiell geglätteten tatsächlichen Fehler geteilt durch den exponentiell erstickten absoluten Fehler. Qualitative Techniken in der Prognose Kenntnisse von Experten und erfordern viel Urteilsvermögen (neue Produkte oder Regionen) 1. Marktforschung - auf der Suche nach neuen Produkten und Ideen, Vorlieben und Abneigungen gegen bestehende Produkte. In erster Linie SURVEYS amp INTERVIEWS 2. Panel Consensus - die Idee, dass 2 Köpfe besser als eins sind. Panel von Menschen aus einer Vielzahl von Positionen kann eine zuverlässigere Prognose als eine schmalere Gruppe zu entwickeln. Problem ist, dass niedrigere EE-Ebenen von höheren Ebenen der Verwaltung eingeschüchtert werden. Exekutives Urteil wird verwendet (ein höheres Management ist beteiligt). 3. Historische Analogie - eine Firma, die bereits Toaster produziert und Kaffee-Töpfe produzieren möchte, könnte die Toaster-Geschichte als wahrscheinliches Wachstumsmodell nutzen. 4. Delphi-Methode - sehr abhängig von der Auswahl der richtigen Personen, die urteilsmäßig verwendet werden, um tatsächlich die Prognose zu generieren. Jeder hat das gleiche Gewicht (fairer). Zufriedenstellende Ergebnisse werden in der Regel in 3 Runden erreicht. OBJECTIVE - Gemeinsame Planung, Prognose und Nachschub (CPFR) Um ausgetauschte interne Informationen auf einem gemeinsamen Webserver auszutauschen, um zuverlässige und langfristige Zukunftsperspektiven in der Supply Chain zu schaffen (S. 498) Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorjährige Verkaufswerte (dh Jahr 2009 130, Jahr 2010 110 und Jahr 2011 160) verwendet, ergibt sich folgende einfache gleitende Durchschnittsprognose für das Jahr 2012 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Verwendung von Gleichung 15.5 (Seite 498) Prognose für 2012 (130 110 160) 3 4004 133.3 AACSB: Analytische Blooms Taxonomie: Analyse Schwierigkeitsgrad: Mittel Jacobs - Kapitel 15 66 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenprognose erstellen Mit Regressionsbewegungsdurchschnitts und exponentieller Glättung Themenbereich: Zeitreihenanalyse 67. (S. 500) Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Verwendet das Unternehmen zwei Vorjahresumsatzwerte (Jahr 2011 110 und Jahr 2012 130) und wollen wir das Jahr 2011 zu 10 und das Jahr 2012 mit 90 gewichten, was im Folgenden die gewichtete gleitende Durchschnittsprognose für das Jahr 2013 A ist. 120 B. 128 C. 133 D. 138 E. 142 Mit Gleichung 15.6 (Seite 500) Prognose für 2013 (110x0,1) (130x0,9) 11 117 128 AACSB: Analytische Blooms Taxonomie: Analyse Schwierigkeit: Mittel Jacobs - Kapitel 15 67 Lernziel: 15-05 Zeigen Sie, wie Sie mit Hilfe von Regressionsbewegungsdurchschnitten und exponentieller Glättung eine Zeitreihenprognose erstellen. Themenbereich: Zeitreihenanalyse Diese Vorschau enthält absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion zu sehen. 68. (S. 500) Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorjährige Verkaufswerte (dh Jahr 2010 160, Jahr 2011 140 und Jahr 2012 170) verwendet, und wir wollen das Jahr 2010 zu 30, Jahr 2011 zu 30 und Jahr 2012 mit 40 Gewicht zu verlieren, die der folgenden ist Gewichtete gleitende durchschnittliche Prognose für das Jahr 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Mit Gleichung 15.6 (Seite 500) Prognose für 2013 (160x0,3) (140x0,3) (170x0,4) 158 AACSB: Analytisches Blüten Taxonomie: Analysieren Schwierigkeitsgrad: Mittel Jacobs - Kapitel 15 68 Lernziel: 15-05 Zeigen Sie, wie Sie mit Hilfe von Regressionsbewegungsdurchschnitten und exponentieller Glättung eine Zeitreihenprognose erstellen. Themenbereich: Zeitreihenanalyse 69. (S. Sind die folgenden Gründe dafür, daß die exponentielle Glättung als Prognosemethode A akzeptiert worden ist. Genauigkeit B. Ausgefeiltheit der Analyse C. Predicts Wendepunkte D. Benutzerfreundlichkeit E. Fähigkeit, hängende Datentrends vorherzusagen Exponentielle Glättungstechniken sind gut geworden Angenommen aus sechs Hauptgründen: 1. Exponentialmodelle sind überraschend genau. 2. Die Formulierung eines exponentiellen Modells ist relativ einfach. 3. Der Benutzer kann verstehen, wie das Modell funktioniert. 4. Für die Verwendung des Modells ist eine kleine Berechnung erforderlich. 5. Aufgrund der begrenzten Nutzung historischer Daten sind die Anforderungen an die Computerspeicherung gering. 6. Tests auf Genauigkeit, wie gut das Modell durchführt, sind leicht zu berechnen. AACSB: Analytic Dies ist das Ende der Vorschau. Melden Sie sich für den Rest des Dokuments.