op kapittel 12 Etterspørselsplanlegging: Forecasting og Demand Management Den primære forskjellen mellom etterspørsel og etterspørselsforespørsel er prognoser er bare mulig når kvantitative data er tilgjengelige. Et firma kan ikke utføre begge tilnærmingene samtidig. Etterspørselsadministrasjon er proaktiv, mens prognoser forsøker å forutse. En tilnærming omhandler usikkerhet, mens den andre handler om kjent etterspørsel. Etterspørselsadministrasjon er proaktiv, mens prognoser forsøker å forutse. Etterspørselsstyring forsøker proaktivt å påvirke etterspørselen, mens prognoser prøver å forutsi etterspørselen. Strategisk etterspørsel planlegging ville best utnyttes: Å bestemme planer for å ansette eller legge av ansatte. Å bestemme planer for ansatt overtid. Å avgjøre om et produksjonsanlegg skal lukkes eller ikke. Å styre den daglige driften i et produksjonsanlegg. Å avgjøre om et produksjonsanlegg skal lukkes eller ikke. Strategisk etterspørsel planlegging er nødvendig for langsiktige beslutninger som å bygge eller stenge en plante. De andre som er beskrevet er kortere beslutninger. Etterspørselen etter boliger er preget av et regelmessig mønster som øker til en topp og faller deretter. Når etterspørselen når et lavt punkt, gjentas det mønsteret. Dette mønsteret foregår vanligvis over en periode på tre til fem år. Dette er et eksempel på hvilken type etterspørselsmønster Autocorrelation Trinnendring Trend Sesonglighet og sykluser Sesonglighet og sykluser Sesonglighet og sykluser er vanlige mønstre for å gjenta høyder og nedturer, som beskrevet i dette eksemplet Convex Computer Company gjør mange forskjellige prognoser. Hvilken av følgende prognoser er trolig den minst nøyaktige Totalt antall desktops som skal selges neste år. Totalt antall bærbare datamaskiner som skal selges neste måned. Totalt antall datamaskiner (bærbare datamaskiner og stasjonære datamaskiner) som skal selges neste måned. Totalt antall bærbare datamaskiner med 2 gigabyte RAM, 80 gigabyte harddisk og 16 x DVD-stasjon som skal selges neste år. Totalt antall bærbare datamaskiner med 2 gigabyte RAM, 80 gigabyte harddisk og 16 x DVD-stasjon som skal selges neste år. Jo mer detaljert prognosen er, jo mindre nøyaktig er det sannsynlig å være. D er den mest detaljerte. Et selskap har følgende opplysninger om sin prognoseutvikling i de tre siste perioder. Hva er gjennomsnittlig absolutt avvik (MAD) 200 Oppsummering av absoluttverdiene til feilene og bestemmelse av gjennomsnittlige resultater i (300 200 100) 3 200. Flytt fra lager til lager for å samle eller gjøre ordreoperasjoner. Påvirke tidspunktet for etterspørselen. Alle disse. Flytt fra lager til lager for å samle eller gjøre ordreoperasjoner. Utsatte produkter får endelig form etter at kundenes etterspørsel er kjent. Noen prognoser er fortsatt nødvendige (for komponenter), og tidspunktet for etterspørselen endres ikke. I de senere år har noen selskaper begynt å jobbe tett med sine kunder og leverandører gjennom å dele informasjon for å utvikle etterspørselsplaner og gjennomføre disse planene. Prosedyren de følger er kjent som: Samarbeidsplanlegging, prognose og etterfylling. Conjoint analyse og prognoser. Felles planlegging av etterspørselsprognoser. Koordinert planlegging av krav. Samarbeid planlegging, prognose og etterfylling. Samarbeid planlegging, prognose og etterfylling er en prosess for å dele informasjon og planer med forsyningskjeden partnere. Anta at prognosen for siste periode er FITt 200 enheter, og nyere erfaring tyder på en sannsynlig salgsøkning på 10 enheter per periode. Faktisk salg for siste periode nådde 230 enheter. Forutsatt en utjevningskoeffisient på 0,20 og en trendutjevningskoeffisient på 0,10, hva er BASE-prognosen for neste periode Ft1 FITt (dt - FITt) 200 0,20 (230-200) 206 Zanda Corp har testet resultatene av to forskjellige prognoser Modeller for å se hvilken den skal vedta for bruk. Den ønsker å velge modellen som har mindre standardavvik for prognosefeilene. Zanda bør sammenligne hvilket av følgende for å gjøre sitt valg MAPE av de to modellene MFE av de to modellene RMSE av de to modellene MAD av de to modellene RMSE av de to modellene RMSE gir en god tilnærming til standardavvikene til en modell forutsatt feil . Sporingssignalet vil foreslå en leder at etterspørselen etter et element endres. En prognostiseringsmodusparametre kan trenge justering. Det er sesongmessig i etterspørsel. Alle disse parametrene for prognosemoduser må kanskje justeres. Sporingssignal foreslår for en leder at modellparametrene kan trenge justering. Et prognosesystem som endrer verdien av alfa-parameteren som svar på nivået av prognosefeil, kalles: En adaptiv modell. En trend forbedret eksponensiell utjevning modell. Et sporingssignal. En tidsseriemodell. En årsakssammenheng. En adaptiv modell Adaptiv prognose justerer automatisk utjevningskoeffisientene i en eksponentiell utjevningsmodell som svar på et sporingssignal. Langsiktig strategisk etterspørselsplanlegging gjøres typisk ved hjelp av hvilke enheter Salg på et gitt sted Totalt forretningsområdets salg Totalt produktomsalg Totalt produktfamiliesalg Totalt salg av forretningsenhet Strategisk etterspørselsplanlegging støtter samlede forretningsnivåbeslutninger. Hva er forholdet mellom etterspørsel og etterspørselsforespørsel De to planleggingsaktivitetene styres uavhengig. Etterspørselsplaner er vanligvis et innspill til etterspørselsforutsetninger. Etterspørselsforvaltning er utført av driftsledere, mens etterspørselsforespørsel gjøres av markedsførere. Både B og C er riktige. Etterspørselsplaner er vanligvis et innspill til etterspørselsforutsetninger. Etterspørselsstyringsplaner som prissetting og markedsføring er innspill som trengs for å prognose etterspørselen. Hvilke av følgende faktorer bør vurderes når man utformer et prognoseprosess Tidshorisont for planlegging. Nivå av detaljer for planlegging. Tilgjengelighet av data. Alle disse prognostiseringssystemene skal skreddersys for brukernes behov. Tidsseriemetoder Tidsseriemetoder er statistiske teknikker som benytter historiske data akkumulert over en tidsperiode. Tidsseriemetoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet serier antyder, relaterer disse metodene prognosen til bare en faktor - tid. De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for kortvarig prognose blant service - og produksjonsbedrifter. Disse metodene forutsetter at identifiserbare historiske mønstre eller trender for etterspørsel over tid vil gjenta seg. Flytende gjennomsnitt En prognos for tidsserier kan være så enkel som bruk av etterspørsel i den nåværende perioden for å forutse etterspørselen i neste periode. Dette kalles noen ganger en naiv eller intuitiv prognose. 4 For eksempel, hvis etterspørselen er 100 enheter denne uken, er prognosen for neste ukes etterspørsel 100 enheter dersom etterspørselen viser seg å være 90 enheter i stedet, så er etterspørselen etter følgende uker 90 enheter, og så videre. Denne typen prognosemetode tar ikke hensyn til historisk etterspørselsadferd som den bare bygger på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Den enkle glidende gjennomsnittsmetoden bruker flere etterspørselsverdier i løpet av den siste tiden til å utvikle en prognose. Dette har en tendens til å dempe eller glatte ut, tilfeldige økninger og reduksjoner av en prognose som bare bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og viser ikke noen uttalt etterspørselsadferd, for eksempel en trend eller sesongmessig mønster. Flytende gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forecasteren ønsker å glatte etterspørseldataene. Jo lengre glidende gjennomsnittsperiode, jo jevnere blir det. Formelen for beregning av det enkle glidende gjennomsnittet er å beregne et enkelt bevegelige gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler og byråer innen en radius på 50 kilometer fra lageret. Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. (Kontorene bestiller vanligvis ikke når de går lite på forsyninger, men når de går helt tom. Som et resultat trenger de straks sine bestillinger.) Sjefen for selskapet ønsker å være sikre nok drivere og kjøretøyer er tilgjengelige for å levere bestillinger omgående og De har tilstrekkelig lagerbeholdning på lager. Derfor ønsker lederen å kunne regne ut antall ordrer som vil skje i løpet av den neste måneden (dvs. for å prognose etterspørselen etter leveranser). Fra registreringer av leveringsordrer har ledelsen akkumulert følgende data de siste 10 månedene, hvorfra den vil beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som følge av enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er november. Det bevegelige gjennomsnittet beregnes fra etterspørselen etter ordre for de foregående 3 månedene i sekvensen i henhold til følgende formel: 5-måneders glidende gjennomsnitt beregnes fra de foregående 5 månedene av etterspørseldata som følger: 3- og 5-måneders Flytte gjennomsnittlige prognoser for alle månedene av etterspørseldata er vist i følgende tabell. Faktisk vil bare prognosen for november basert på den siste månedlige etterspørselen bli brukt av lederen. De tidligere prognosene for tidligere måneder tillater oss imidlertid å sammenligne prognosen med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si hvor bra det gjør. Tre - og fem-måneders gjennomsnitt Både glidende gjennomsnittlige prognoser i tabellen ovenfor har en tendens til å utjevne variabiliteten i de faktiske dataene. Denne utjevningseffekten kan observeres i følgende figur hvor 3-måneders og 5-måneders gjennomsnitt er lagt på en graf av de opprinnelige dataene: Det 5-måneders glidende gjennomsnittet i foregående figur utjevner svingninger i større grad enn 3 måneders glidende gjennomsnitt. Imidlertid gjenspeiler 3-måneders gjennomsnittet de nyeste dataene som er tilgjengelige for kontorforvalteren. Generelt er prognoser som bruker lengre periode glidende gjennomsnitt, langsommere å reagere på de siste endringene i etterspørselen enn de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra dataperiodene demper hastigheten som prognosen svarer på. Etablering av riktig antall perioder som skal brukes i en bevegelig gjennomsnittlig prognose krever ofte litt prøve-og-feil-eksperimentering. Ulempen med den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår av en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer blir generelt ignorert. Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsistent måte. Den glidende gjennomsnittlige metoden har imidlertid fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god prognose på kort sikt, men det bør ikke presses for langt inn i fremtiden. Veidende Flytende Gjennomsnitt Den bevegelige gjennomsnittlige metoden kan justeres for å bedre reflektere svingninger i dataene. I den vektede glidende gjennomsnittlige metoden blir vektene tilordnet de nyeste dataene i henhold til følgende formel: Etterspørseldataene for PM Computer Services (vist i tabellen for eksempel 10.3) ser ut til å følge en økende lineær trend. Selskapet ønsker å beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justert eksponensiell utjevningsprognos utviklet i eksempler 10.3 og 10.4. Verdiene som kreves for de minste kvadratberegninger er som følger: Ved bruk av disse verdiene beregnes parametrene for den lineære trendlinjen som følger: Derfor er den lineære trendlinjekvasjonen å beregne en prognose for periode 13, la x 13 i lineær trendlinje: Følgende graf viser den lineære trendlinjen sammenlignet med de faktiske dataene. Treningslinjen ser ut til å gjenspeile nøyaktig de faktiske dataene, det vil si å være en god form og dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er imidlertid at den ikke vil tilpasse seg en endring i trenden, da de eksponentielle utjevningsprognosene vil det vil si det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme der du kan være relativt sikker på at trenden ikke vil endre seg. Seasonal Adjustments Et sesongmessig mønster er en repeterende økning og nedgang i etterspørselen. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, hvor etterspørselen etter varme klær øker om høsten og vinteren og faller om våren og sommeren ettersom etterspørselen etter kjøligere klær øker. Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av høytiden. Krav til hilsekort øker i forbindelse med spesielle dager som Valentinsdag og Morsdag. Sesongmønstre kan også forekomme på en månedlig, ukentlig eller daglig basis. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene i motsetning til hverdager. Trafikk - dermed salg - i kjøpesentre plukker opp fredag og lørdag. Det finnes flere metoder for å reflektere sesongmessige mønstre i en tidsserie-prognose. Vi vil beskrive en av de enklere metodene ved å bruke en sesongfaktor. En sesongfaktor er en tallverdi som multipliseres med den normale prognosen for å få en sesongjustert prognose. En metode for å utvikle en etterspørsel etter sesongmessige faktorer er å dele etterspørselen etter hver sesongperiode etter total årlig etterspørsel, i henhold til følgende formel: De resulterende sesongfaktorene mellom 0 og 1,0 er faktisk den del av den totale årlige etterspørselen som tildeles hver sesong. Disse sesongmessige faktorene multipliseres med den årlige forventede etterspørselen for å gi justerte prognoser for hver sesong. Beregner en prognose med sesongjusteringer. Wishbone Farms vokser kalkuner for å selge til et kjøttproduserende selskap gjennom hele året. Men høysesongen er åpenbart i løpet av fjerde kvartal av året, fra oktober til desember. Wishbone Farms har opplevd etterspørselen etter kalkuner de siste tre årene vist i følgende tabell: Fordi vi har tre års etterspørseldata, kan vi beregne sesongfaktorene ved å dele totalt kvartalsbehov for de tre årene etter total etterspørsel i alle tre år : Deretter vil vi multiplisere den forventede etterspørselen etter neste år, 2000, ved hver sesongfaktor for å få forventet etterspørsel etter hvert kvartal. For å oppnå dette trenger vi en etterspørselsprognose for 2000. I dette tilfellet, siden etterspørseldataene i tabellen ser ut til å vise en generelt økende trend, beregner vi en lineær trendlinje for de tre årene med data i tabellen for å bli tøffe prognose estimat: Prognosen for 2000 er således 58,17, eller 58,170 kalkuner. Ved å bruke denne årlige prognosen for etterspørsel er de sesongjusterte prognosene, SF i, for 2000 Sammenligning av disse kvartalsprognosene med de faktiske etterspørselsverdiene i tabellen, synes de å være relativt gode prognoser som reflekterer både sesongvariasjoner i dataene og den generelle oppadgående trenden. 10-12. Hvordan er den bevegelige gjennomsnittlige metoden lik eksponensiell utjevning 10-13. Hvilken effekt på eksponensiell utjevningsmodell vil øke utjevningskonstanten har 10-14. Hvordan skiller den justerte eksponensielle utjevningen seg fra eksponensiell utjevning 10-15. Hva bestemmer valget av utjevningskonstanten for trend i en justert eksponensiell utjevningsmodell 10-16. I kapitteleksemplene for tidsseriemetoder ble startprognosen alltid antatt å være den samme som den faktiske etterspørselen i første periode. Foreslå andre måter at startprognosen kan utledes ved faktisk bruk. 10-17. Hvordan er lineær trendlinjeprognosemodell forskjellig fra en lineær regresjonsmodell for prognoser 10-18. Av tidsseriemodellene som presenteres i dette kapittelet, inkludert det bevegelige gjennomsnittlige og vektede glidende gjennomsnittet, eksponensiell utjevning og justert eksponensiell utjevning, og lineær trendlinje, hvilken anser du best Hvorfor 10-19. Hvilke fordeler har justert eksponensiell utjevning over en lineær trendlinje for forventet etterspørsel som viser en trend 4 K. B. Kahn og J. T. Mentzer, Forecasting in Consumer and Industrial Markets, Journal of Business Forecasting 14, nr. 2 (Sommer 1995): 21-28.Kapsler Fire (MC og TF) Hvilke to tall er inkludert i daglig rapport til konsernsjef i Walt Disney Parks Amp Resorts angående de seks Orlando parkene a. Yesterdays prognostisert oppmøte og jøders faktiske oppmøte b. Dagens virkelige tilstedeværelse og dagens forventede tilstedeværelse c. Foreløpig prognostisert fremmøte og dagens forventede tilstedeværelse d. yesterdays faktiske oppmøte og siste år oppmøte e. Foreløpig forventet værvarsel for gårdager og årlig gjennomsnittlig daglig prognosefeil En seks måneders glidende gjennomsnittlig prognose er bedre enn en tre måneders glidende gjennomsnittlig prognose dersom etterspørsel a. er ganske stabil b. har endret seg på grunn av nylige kampanjer c. følger en nedadgående trend d. følger et sesongmessig mønster som gjentar seg to ganger i året e. følger en oppadgående trend For et gitt produktbehov er tidsserie-trendligningen 53 - 4 X. Det negative tegnet på ligningens helling a. er en matematisk umulighet b. er en indikasjon på at prognosen er partisk, med prognosverdier lavere enn de faktiske verdiene c. er en indikasjon på at etterspørselen etter produktene faller d. innebærer at bestemmelseskoeffisienten også vil være negativ e. betyr at RSFE vil være negativt Hvilke av følgende er sanne angående de to utjevningskonstantene i prognosen inkludert trend (FIT) - modellen a. En konstant er positiv, mens den andre er negativ. b. De kalles MAD og RSFE. c. Alpha er alltid mindre enn beta. d. En konstant jevner regresjonsavskjæringen, mens den andre jevner regresjonshellingen. e. Deres verdier er bestemt uavhengig. Etterspørselen etter et bestemt produkt forventes å være 800 enheter per måned, i gjennomsnitt over alle 12 måneder av året. Produktet følger et sesongmessig mønster, for hvilken månedsindeksen i januar er 1,25. Hva er sesongjustert salgsprognose for januar a. 640 enheter b. 798,75 enheter c. 800 enheter d. 1000 enheter e. kan ikke beregnes med den oppgitte informasjonen. En sesongindeks for en månedsserie skal snart beregnes på grunnlag av tre års akkumulering av data. De tre forrige juli-verdiene var 110, 150 og 130. Gjennomsnittet over alle månedene er 190. Den omtrentlige sesongindeksen for juli er a. 0,487 b. 0.684 c. 1.462 d. 2.053 e. kan ikke beregnes med informasjonen gitt.-Notes er en serie innledende notater om emner som faller under den brede overskriften i operasjonsforskningsområdet (OR). De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelige for bruk av 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. Prognoseeksempler Prognoseeksempel 1996 UG-eksamen Etterspørselen etter et produkt i hver av de siste fem månedene er vist nedenfor. Bruk et to måneders glidende gjennomsnitt for å generere en prognose for etterspørsel i måned 6. Bruk eksponensiell utjevning med en utjevningskonstant på 0,9 for å generere en prognose for etterspørsel etter etterspørsel i måned 6. Hvilken av disse to prognosene foretrekker du og hvorfor De to måneders bevegelse gjennomsnitt for måneder to til fem er gitt av: Forventet for måned seks er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 5 m 5 2350. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,9 får vi: Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386 For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratfeil (MSD). Hvis vi gjør dette, finner vi at for glidende gjennomsnittlig MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi at eksponensiell utjevning ser ut til å gi de beste månedene forutgående prognoser da den har en lavere MSD. Derfor foretrekker vi prognosen for 2386 som er produsert ved eksponensiell utjevning. Prognoseeksempel 1994 UG-eksamen Tabellen nedenfor 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 måneden åtte Gjør eksponensiell utjevning med en utjevningskonstant på 0,1 for å utlede en prognose for etterspørselen i måned åtte. Hvilke av de to prognosene for måned åtte foretrekker du, og hvorfor Butikkmannen mener at kunder bytter til denne nye aftershave fra andre merker. Diskuter hvordan du kan modellere denne bytteadferd og indikere dataene du vil trenge for å bekrefte om denne bytte forekommer eller ikke. Den to måneders glidende gjennomsnittet for måneder to til syv er gitt av: Forventningen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 7 m 7 46. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,1 vi få: Som før prognosen for måned åtte er bare gjennomsnittet for måned 7 M 7 31.11 31 (som vi ikke kan ha fraksjonær etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for glidende gjennomsnitt og for eksponensielt glatt gjennomsnitt med en utjevningskonstant på 0,1 Generelt sett ser vi at to måneders glidende gjennomsnitt ser ut til å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som er 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 kundeendring sannsynligheter (fra undersøkelser). Vi må kjøre modellen på historiske data for å se om vi har en passform mellom modellen og historisk oppførsel. Forecasting eksempel 1992 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt merke av barberhøvel i en butikk for hver av de ni siste månedene. Beregn et tre måneders glidende gjennomsnitt i måneder tre til ni. Hva ville være din prognose for etterspørselen i måneden ti Bruk eksponensiell utjevning med en utjevningskonstant på 0,3 for å utlede en prognose for etterspørselen i måned ti. Hvilke av de to prognosene for tiende måned foretrekker du og hvorfor Det tre måneders glidende gjennomsnittet for måneder 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 9 måneder 9 20,33. Derfor er prognosen for måned 10 20 år. Bruk av eksponensiell utjevning med en utjevningskonstant på 0,3 får vi: Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18,57 19 (som vi kan ikke ha fraksjonell etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for det glidende gjennomsnittet og for det eksponensielt glatte gjennomsnittet med en utjevningskonstant på 0,3. Totalt ser vi at det tre måneders glidende gjennomsnittet ser ut til å gi de beste månedene fremoverprognoser, da det har en lavere MSD. Derfor foretrekker vi prognosen på 20 som er produsert av tre måneders glidende gjennomsnitt. Forecasting eksempel 1991 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt faksmaskinmerke 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 for å utlede en prognose for etterspørselen i måned 13. Hvilken av de to prognosene for måneden 13 foretrekker du og hvorfor Hvilke andre faktorer som ikke vurderes i de ovennevnte beregningene, kan påvirke etterspørselen etter faksmaskinen i måned 13 Det fire måneders glidende gjennomsnittet for måneder 4 til 12 er gitt av: 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 Prognosen for måned 13 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 12 m 12 46.25. Derfor er prognosen for måned 13 46. Bruk av 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 (som vi kan ikke ha fraksjonell etterspørsel). For å sammenligne de to prognosene beregner vi gjennomsnittlig kvadratisk avvik (MSD). Hvis vi gjør dette, finner vi det for glidende gjennomsnitt og for eksponensielt glatt gjennomsnitt med en utjevningskonstant på 0,2. Generelt ser vi at fire måneders glidende gjennomsnitt ser ut til å gi de beste månedene fremoverprognoser, da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som er produsert av fire måneders glidende gjennomsnitt. sesongmessig etterspørsel annonsering prisendringer, både dette merket og andre merker generell økonomisk situasjon ny teknologi Forecasting eksempel 1989 UG eksamen Tabellen nedenfor viser etterspørselen etter et bestemt merke av mikrobølgeovn i et varehus 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. Hvilke av de to prognosene for måned 13 foretrekker du og hvorfor Nå kan vi ikke beregne en seks måned flytte gjennomsnittet til vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover. Derfor har vi: 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 Prognosen for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måned 12 m 12 38,17. Derfor er prognosen for måned 13 38 år. Som følge av eksponensiell utjevning med en utjevningskonstant på 0,7 får vi:
No comments:
Post a Comment