Fórmula De Média Móvel Ponderada Para Previsão

Demonstração Médica em Movimento Introdução. Como você pode imaginar, estamos olhando algumas das abordagens mais primitivas da previsão. Mas espero que este seja, pelo menos, uma introdução útil a algumas das questões de informática relacionadas à implementação de previsões em planilhas. Nesse sentido, continuaremos começando no início e começaremos a trabalhar com as previsões de média móvel. Previsões médias móveis. Todos estão familiarizados com as previsões da média móvel, independentemente de acreditarem estar ou não. Todos os estudantes universitários fazem-no o tempo todo. Pense nos resultados do teste em um curso onde você terá quatro testes durante o semestre. Vamos assumir que você obteve um 85 no seu primeiro teste. O que você prever para a sua segunda pontuação de teste O que você acha que seu professor prevê para o seu próximo resultado do teste? O que você acha que seus amigos podem prever para o próximo resultado do teste? O que você acha que seus pais podem prever para a próxima pontuação do teste Independentemente de Todos os blabbing que você pode fazer para seus amigos e pais, eles e seu professor provavelmente esperam que você consiga algo na área dos 85 que você acabou de receber. Bem, agora vamos assumir que, apesar de sua auto-promoção para seus amigos, você se sobreestimar e imaginar que você pode estudar menos para o segundo teste e então você obtém um 73. Agora, o que todos os interessados ​​e desinteressados ​​vão Preveja que você obtenha seu terceiro teste. Existem duas abordagens muito prováveis ​​para que eles desenvolvam uma estimativa, independentemente de compartilharem com você. Eles podem dizer para si mesmos, esse cara está sempre soprando fumaça sobre seus inteligentes. Ele vai ter outro 73 se tiver sorte. Talvez os pais tentem ser mais solidários e dizer, muito, até agora você obteve um 85 e um 73, então talvez você devesse entender sobre obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festa E wessging wagging a doninha em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. Quantas dessas estimativas são realmente as previsões médias móveis. O primeiro está usando apenas o seu resultado mais recente para prever seu desempenho futuro. Isso é chamado de previsão média móvel usando um período de dados. O segundo também é uma previsão média móvel, mas usando dois períodos de dados. Vamos assumir que todas essas pessoas que estão se abalando na sua mente gostaram de irritá-lo e você decide fazer bem no terceiro teste por suas próprias razões e colocar uma pontuação maior na frente do quotalliesquot. Você faz o teste e sua pontuação é realmente um 89. Todos, incluindo você, estão impressionados. Então, agora você começa o teste final do semestre e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você fará no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. O que você acredita é o apito mais preciso enquanto trabalhamos. Agora, retornamos à nossa nova empresa de limpeza, iniciada pela sua meia-irmã, chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados pela seção a seguir de uma planilha. Primeiro apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula celular para as outras células C7 até C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados ​​para desenvolver nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Eu incluí o quotpast predictionsquot porque nós os usaremos na próxima página da web para medir a validade da previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula celular para as outras células C6 até C11. Observe como agora apenas as duas peças históricas mais recentes são usadas para cada previsão. Mais uma vez, incluí as predições quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são importantes para aviso prévio. Para uma previsão média móvel de m-período, apenas os valores de dados m mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel de m-período, ao fazer quotpast predictionsquot, observe que a primeira previsão ocorre no período m 1. Essas duas questões serão muito significativas quando desenvolvamos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão média móvel que pode ser usada de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que deseja usar na previsão e na matriz de valores históricos. Você pode armazená-lo em qualquer livro que desejar. Função MovingAverage (Historical, NumberOfPeriods) As Single Declarando e inicializando variáveis ​​Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer Inicializando variáveis ​​Counter 1 Accumulation 0 Determinando o tamanho da matriz histórica HistoricalSize Historical. Count para o contador 1 para NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Histórico de acumulação de acumulação (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods O código será explicado na aula. Você deseja posicionar a função na planilha para que o resultado do cálculo apareça onde deveria gostar do seguinte. Forecasting Demanda futura O último artigo desta série (julho de 2006, página 52) explorou a previsão de demanda futura de produtos com uso recorrente. Embora a previsão média ponderada tenha produzido resultados mais precisos do que a média de uso registrado nos últimos meses, ainda existe um grande erro de previsão. Ainda existe uma diferença significativa entre nossa previsão de demanda futura e uso real. Este artigo continuará a explorar maneiras de melhorar a precisão da previsão. Revisão da previsão média ponderada A maioria dos distribuidores elétricos utilizam uma previsão média simples para prever o uso futuro de itens estocados. Por exemplo, podem significar o uso registrado nos últimos seis meses. Isso funciona bem se os produtos tiverem um uso bastante consistente, mas muitos produtos experimentam aumento ou diminuição do uso ao longo do tempo. Outros produtos têm um padrão sazonal de uso, onde as vendas geralmente são maiores durante certas épocas do ano. Alguns produtos apresentam picos recorrentes de uso ao longo do ano. A previsão média ponderada nos permite abordar diferentes padrões de uso nos cálculos de previsão. Cada fórmula média ponderada coloca peso, ou ênfase no histórico de uso registrado em meses anteriores específicos. Aqui está um conjunto comum de pesos a serem usados ​​no cálculo da demanda por um item não sazonal, aumentando gradualmente ou diminuindo as vendas: Coloque um peso de 3.0 sobre o uso registrado no período mais recente. Coloque um peso de 2,5 no uso registrado no próximo período anterior. Coloque um peso de 2,0 sobre o uso registrado no próximo período anterior. Coloque um peso de 1,5 no uso registrado no próximo período anterior. Coloque um peso de 1,0 no uso registrado no próximo período anterior. Permite usar a Tabela 1, Previsão Média Ponderada, para ajudar a entender como calcular a previsão de Julys para um item com o seguinte histórico de uso. Cada peso é multiplicado pelo uso de meses correspondente. A extensão total (1.297,5) é dividida pelo peso total (10) para determinar a nossa previsão da demanda de julho de 129,75 ou 130 peças. Embora este seja melhor do que uma previsão de 120 peças derivadas da média do uso de seis meses anteriores (148 133 126 110 104 98) 6 120, ele ainda não parece ser uma ótima previsão. Observe o gráfico de uso nos últimos seis meses para a Tabela 1. A previsão de 130 peças é representada pela linha preta sólida. O uso está obviamente aumentando ao longo do tempo. Não importa qual conjunto de pesos sejam usados, nenhuma média de uso passado pode resultar em uma previsão maior do que o uso de meses mais altos. Para melhor prever a demanda futura, considere os quatro elementos de uma previsão precisa: Tendências crescentes ou decrescentes no uso. Informações colaborativas sobre necessidades futuras específicas dos clientes. O cronograma ou horizonte apropriado para a previsão. As tendências podem ser determinadas examinando o uso nos últimos meses. Na Tabela 2, observe o aumento contínuo mas errático no uso nos últimos quatro meses. O aumento médio de uso nos últimos quatro meses é de 10,5% (14,5 5,6 11,3) 3 10,5. Para aplicar esse fator de tendência, multiplique os resultados da fórmula de previsão média ponderada (130) em 1.105 para resultar em uma previsão de 144 peças. A Tabela 3 ilustra o nivelamento do aumento experimentado nos últimos meses. Por favor, note duas diretrizes na aplicação de fatores de tendência para prever fórmulas: na maioria dos casos, os fatores de tendência não devem ser aplicados, a menos que haja um aumento constante ou um uso decrescente em três ou quatro períodos de inventário. Qualquer fator de tendência calculado superior a 100 por cento (uma duplicação no uso) deve ser levado à atenção de um comprador ou planejador de inventário antes da sua aplicação. Os fatores de tendência que podem ser determinados examinando o histórico de uso passado são referidos como fatores de tendência internos. Mas outras tendências podem não se refletir no histórico de uso passado. Aqui estão três exemplos: seu departamento de marketing pode estimar que as vendas dos itens em uma determinada linha de produtos irão aumentar em 15%. Isso pode ser devido a um novo esforço de vendas, a uma mudança na economia, a clientes atuais aumentam nos negócios, um concorrente que sai do mercado ou algum outro motivo. Você pode antecipar uma diminuição no uso de 10 por cento devido a um novo concorrente que entra no mercado ou um aumento nas taxas de juros. Fatores climáticos, como temperatura extrema ou precipitação, podem fazer com que o uso aumente ou diminua. Estes são referidos como fatores de tendência externa porque a informação para eles vem de fora de sua organização: as observações dos vendedores do mercado, as notícias financeiras em um jornal local ou na internet, a previsão do tempo ou alguma outra fonte. Fatores de tendência externa geralmente afetam uma linha de produtos inteira ou todos os produtos em uma filial, mas fatores de tendência internos são calculados para itens individuais. Os fatores de tendência externa geralmente são identificados por observação. Isso significa que vendedores ou compradores percebem uma mudança significativa no uso e começam a procurar um motivo. É importante registrar essas observações e ver se elas ocorrem novamente no futuro. Observe o efeito específico de cada fator externo sempre que afeta a previsão. Por exemplo, as vendas realmente aumentaram nos 15% projetados quando um concorrente deixou o mercado ou foi 12%. Os resultados servirão de guia na aplicação do fator específico nas previsões futuras. Previsões precisas ajudam a atingir o objetivo de um gerenciamento de estoque efetivo: atender ou exceder as expectativas dos clientes sobre a disponibilidade do produto com a quantidade de cada item que maximizará seus lucros líquidos. O próximo artigo explorará os elementos restantes de uma previsão precisa: estimativas colaborativas e horizonte de previsão. Enquanto isso, se você tiver alguma dúvida específica, avise-me. Com mais de 36 anos de experiência, Jon Schreibfeder é presidente da Effective Inventory Management Inc. A Coppell, Texas, uma empresa de consultoria dedicada a ajudar os distribuidores a maximizar a produtividade e a rentabilidade do seu investimento em estoque. A Schreibfeder é autora da recente edição da Achieving Effective Inventory Management 3rd Edition. Entre em contato com Schreibfeder no (972) 304-3325 ou no final do ano. Uma vez que os dispositivos móveis são tão comuns em nossas vidas pessoais, esperamos a mesma funcionalidade em nossas vidas de trabalho. Isso se tornou um desafio para os distribuidores. Em particular, muitos distribuidores estão vendo expectativas crescentes entre seus clientes para um serviço mais rápido e melhor, onde quer que eles sejamos baseados em seus clientes. Para atender a essas expectativas, você precisa garantir que os seus empregados tenham um lugar onde sejam capazes de acessar seu sistema de negócios e se comunicar de forma rápida e eficiente com clientes e funcionários em outros locais. Morenet. sourceforge. openforecast. models Classe WeightedMovingAverageModel Um modelo de previsão média móvel ponderada é baseado em uma série temporal construída artificialmente, na qual o valor de um determinado período de tempo é substituído pela média ponderada desse valor e pelos valores de algum número de tempo anterior Períodos. Como você pode ter adivinhado a partir da descrição, este modelo é mais adequado para dados de séries temporais, isto é, dados que mudam ao longo do tempo. Uma vez que o valor de previsão para um determinado período é uma média ponderada dos períodos anteriores, a previsão sempre parecerá atrasada por aumento ou diminuição nos valores observados (dependentes). Por exemplo, se uma série de dados tiver uma tendência ascendente notável, então uma previsão média móvel ponderada geralmente fornecerá uma subestimação dos valores da variável dependente. O modelo de média móvel ponderada, como o modelo de média móvel, tem uma vantagem em relação a outros modelos de previsão, na medida em que suaviza picos e depressões (ou vales) em um conjunto de observações. No entanto, como o modelo de média móvel, ele também possui várias desvantagens. Em particular, este modelo não produz uma equação real. Portanto, não é tão útil como uma ferramenta de previsão de alcance médio. Ele só pode ser usado de forma confiável para prever alguns períodos no futuro. Desde: 0.4 Autor: Steven R. Gould Campos herdados da classe net. sourceforge. openforecast. models. AbstractForecastingModel WeightedMovingAverageModel () Constrói um novo modelo de previsão média móvel ponderada. WeightedMovingAverageModel (pesos duplos) Constrói um novo modelo de previsão média móvel ponderada, usando os pesos especificados. Previsão (double timeValue) Retorna o valor de previsão da variável dependente para o valor dado da variável de tempo independente. GetForecastType () Retorna um nome de uma ou duas palavras deste tipo de modelo de previsão. GetNumberOfPeriods () Retorna o número atual de períodos usados ​​neste modelo. GetNumberOfPredictors () Retorna o número de preditores usados ​​pelo modelo subjacente. SetWeights (pesos duplos) Define os pesos utilizados por este modelo de previsão média móvel ponderada para os pesos dados. ToString () Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, sempre que possível, qualquer parâmetro derivado usado. Métodos herdados da classe net. sourceforge. openforecast. models. AbstractTimeBasedModel WeightedMovingAverageModel Constrói um novo modelo de previsão média móvel ponderada, usando os pesos especificados. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. O tamanho da matriz de pesos é usado para determinar o número de observações a serem utilizadas para calcular a média móvel ponderada. Além disso, o período mais recente receberá o peso definido pelo primeiro elemento da matriz, isto é, pesos0. O tamanho da matriz de pesos também é usado para determinar a quantidade de períodos futuros que podem ser efetivamente previstos. Com uma média móvel ponderada de 50 dias, não podemos razoavelmente - com algum grau de precisão - prever mais de 50 dias além do último período para o qual os dados estão disponíveis. Mesmo a previsão próxima ao final deste intervalo provavelmente não será confiável. Nota sobre pesos Em geral, os pesos passados ​​para este construtor devem somar até 1.0. No entanto, como uma conveniência, se a soma dos pesos não for igual a 1,0, esta implementação dimensiona todos os pesos proporcionalmente para que eles somem 1,0. Parâmetros: pesos - um conjunto de pesos a atribuir às observações históricas ao calcular a média móvel ponderada. WeightedMovingAverageModel Constrói um novo modelo de previsão média móvel ponderada, usando a variável nomeada como a variável independente e os pesos especificados. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. Pesos - uma série de pesos para atribuir às observações históricas ao calcular a média móvel ponderada. WeightedMovingAverageModel Constrói um novo modelo de previsão média móvel ponderada. Este construtor destina-se a ser usado apenas por subclasses (portanto, está protegido). Qualquer subclasse usando este construtor deve invocar posteriormente o método (protegido) setWeights para inicializar os pesos a serem usados ​​por este modelo. WeightedMovingAverageModel Constrói um novo modelo de previsão média móvel ponderada usando a variável independente fornecida. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. SetWeights Define os pesos utilizados por este modelo de previsão média móvel ponderada para os pesos dados. Este método destina-se a ser usado apenas por subclasses (portanto, está protegido) e somente em conjunto com o construtor (protegido) de um argumento. Qualquer subclasse usando o construtor de um argumento deve subseqüentemente chamar setWeights antes de invocar o método AbstractTimeBasedModel. init (net. sourceforge. openforecast. DataSet) para inicializar o modelo. Nota sobre pesos Em geral, os pesos passados ​​para este método devem somar até 1.0. No entanto, como uma conveniência, se a soma dos pesos não for igual a 1,0, esta implementação dimensiona todos os pesos proporcionalmente para que eles somem 1,0. Parâmetros: pesos - um conjunto de pesos a atribuir às observações históricas ao calcular a média móvel ponderada. Retorna o valor de previsão da variável dependente para o valor dado da variável de tempo independente. As subclasses devem implementar este método de forma consistente com o modelo de previsão que implementam. As subclasses podem fazer uso dos métodos getForecastValue e getObservedValue para obter previsões e observações anteriores, respectivamente. Especificado por: previsão na classe AbstractTimeBasedModel Parâmetros: timeValue - o valor da variável de tempo para o qual um valor de previsão é necessário. Retorna: o valor de previsão da variável dependente para o tempo determinado. Lances: IllegalArgumentException - se houver dados históricos insuficientes - observações passadas para init - para gerar uma previsão para o valor do tempo determinado. GetNumberOfPredictors Retorna o número de preditores usados ​​pelo modelo subjacente. Retorna: o número de preditores utilizados pelo modelo subjacente. GetNumberOfPeriods Retorna o número atual de períodos usados ​​neste modelo. Especificado por: getNumberOfPeriods na classe AbstractTimeBasedModel Retorna: o número atual de períodos usados ​​neste modelo. GetForecastType Retorna um nome de uma ou duas palavras deste tipo de modelo de previsão. Mantenha isso curto. Uma descrição mais longa deve ser implementada no método toString. Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, sempre que possível, qualquer parâmetro derivado usado. Especificado por: toString na interface ForecastingModel Overrides: toString na classe AbstractTimeBasedModel Retorna: uma representação de cadeia do modelo de previsão atual e seus parâmetros.