Kaedah dan contoh pelembutan eksponen

Dia melembutkan eksponen Ini adalah cara meramalkan permintaan untuk artikel untuk tempoh tertentu. Kaedah ini menganggarkan bahawa permintaan akan sama dengan purata penggunaan sejarah dalam tempoh tertentu, memberikan berat badan yang lebih besar atau berat kepada nilai -nilai yang paling dekat dengan masa. Di samping itu, untuk ramalan berikut, ia mengambil kira ralat ramalan semasa.

Prognosis permintaan adalah kaedah untuk memproyeksikan permintaan produk atau perkhidmatan oleh pelanggan. Proses ini berterusan, di mana pengurus menggunakan data sejarah untuk mengira apa yang mereka harapkan menjadi permintaan untuk penjualan yang baik atau perkhidmatan.

Sumber: Pixabay.com

Maklumat dari masa lalu syarikat digunakan dengan menambahkannya kepada data ekonomi pasaran untuk melihat apakah jualan akan meningkat atau berkurangan.

Hasil prognosis permintaan digunakan untuk menubuhkan objektif untuk jabatan jualan, berusaha untuk tetap seiring dengan objektif syarikat.

[TOC]

Kaedah pelembut eksponen

Melembutkan adalah proses statistik yang sangat biasa. Data yang dilembutkan sering dijumpai dalam pelbagai bentuk kehidupan seharian. Setiap kali purata digunakan untuk menggambarkan sesuatu, nombor lembut sedang digunakan.

Katakan tahun ini yang paling panas didaftarkan berpengalaman. Untuk mengukurnya, data harian ditetapkan untuk tempoh musim sejuk setiap tahun sejarah yang direkodkan bermula.

Ini menghasilkan sebilangan nombor dengan "melompat" besar. Nombor diperlukan yang menghapuskan semua data ini dari data untuk dapat dengan lebih mudah membandingkan satu musim sejuk dengan yang lain.

Hilangkan lompatan dalam data dipanggil melembutkan. Dalam kes ini, purata mudah boleh digunakan untuk mencapai lebih lembut.

Boleh melayani anda: matriks efi: apa yang menilai, bagaimana untuk melakukannya, analisis, contoh

Melembutkan dalam ramalan

Untuk prognosis permintaan, pelembutan juga digunakan untuk menghapuskan variasi permintaan sejarah. Ini membolehkan untuk mengenal pasti corak permintaan yang lebih baik, yang boleh digunakan untuk menganggarkan permintaan masa depan.

Variasi permintaan adalah konsep yang sama dengan "melompat" data suhu. Cara yang paling biasa di mana variasi sejarah permintaan dihapuskan adalah menggunakan purata, atau khususnya, purata mudah alih.

Purata mudah alih menggunakan bilangan tempoh yang telah ditetapkan untuk mengira purata, dan tempoh tersebut bergerak seiring dengan masa berlalu.

Sebagai contoh, jika purata mudah alih empat bulan digunakan dan hari ini adalah 1 Mei, permintaan purata yang berlaku pada bulan Januari, Februari, Mac dan April akan digunakan. Pada 1 Jun, permintaan untuk Februari, Mac, April dan Mei akan digunakan.

Purata mudah alih berwajaran

Apabila purata mudah digunakan, kepentingan yang sama digunakan untuk setiap nilai dalam set data. Oleh itu, dalam purata mudah alih empat bulan, setiap bulan ia mewakili 25% daripada purata mudah alih.

Dengan menggunakan sejarah permintaan untuk memproyeksikan permintaan masa depan, adalah logik untuk menyimpulkan bahawa tempoh paling terkini mempunyai kesan yang lebih besar terhadap ramalan.

Pengiraan purata mudah alih boleh disesuaikan untuk memohon "peso" yang berbeza untuk setiap tempoh, untuk mendapatkan hasil yang diinginkan.

Peso ini dinyatakan sebagai peratusan. Jumlah semua berat untuk semua tempoh mesti menambah 100%.

Oleh itu, jika anda ingin memohon 35% sebagai berat untuk tempoh yang paling dekat dalam purata berwajaran empat bulan, 35% daripada 100% dapat dikurangkan, meninggalkan 65% untuk membahagikan antara tiga tempoh baki

Boleh melayani anda: Deming Circle: Tahap, Kelebihan, Kekurangan dan Contoh

Sebagai contoh, anda boleh menamatkan pembobotan sebanyak 15%, 20%, 30% dan 35% selama empat bulan (15+20+30+35 = 100).

Melembutkan eksponen

Kemasukan pengiraan pelembutan eksponen dikenali sebagai faktor pelembut. Mewakili berat yang digunakan untuk permintaan untuk tempoh yang paling terkini.

Sekiranya 35% digunakan sebagai pembobotan tempoh yang paling terkini dalam pengiraan purata mudah alih berwajaran, ia juga boleh dipilih untuk menggunakan 35% sebagai faktor yang dilembutkan dalam pengiraan pelembutan eksponen.

Bahagian eksponen

Perbezaan dalam pengiraan pelembutan eksponen adalah, bukannya perlu mengetahui berapa banyak berat yang dikenakan untuk setiap tempoh sebelumnya, faktor yang dilembutkan digunakan untuk melakukan itu secara automatik.

Ini adalah bahagian "eksponen". Sekiranya 35% digunakan sebagai faktor yang dilembutkan, pembobotan permintaan untuk tempoh yang paling terkini akan menjadi 35%. Berat permintaan untuk tempoh sebelum yang paling baru, akan menjadi 65% daripada 35%.

65% datang daripada menolak 35% daripada 100%. Ini bersamaan dengan pemberat 22.75% untuk tempoh itu. Permintaan untuk tempoh paling terkini akan menjadi 65% daripada 65% daripada 35%, yang bersamaan dengan 14.79%.

Tempoh sebelumnya akan ditimbang sebagai 65% daripada 65% daripada 65% daripada 35%, bersamaan dengan 9.61%. Ini akan dilakukan untuk semua tempoh sebelumnya, sehingga anda mencapai tempoh pertama.

Formula

Formula untuk mengira pelembutan eksponen adalah seperti berikut: (d*s) + (p*(1-s)), di mana,

D = permintaan yang lebih baru untuk tempoh tersebut.

S = faktor paling lembut, diwakili decimally (35% akan menjadi 0.35).

P = prognosis tempoh yang paling terkini, hasil pengiraan melembutkan tempoh sebelumnya.

Ia boleh melayani anda: aktiviti ekonomi nayarit

Dengan mengandaikan bahawa terdapat faktor berbentuk lembut 0.35, kemudiannya: (d*0.35) + (p*0.65).

Seperti yang dapat dilihat, satu -satunya input data yang diperlukan adalah permintaan dan prognosis tempoh yang paling terkini.

Contoh

Sebuah syarikat insurans telah memutuskan untuk mengembangkan pasarannya ke bandar terbesar di negara ini, menyediakan insurans untuk kenderaan.

Sebagai tindakan awal, syarikat ingin meramalkan berapa banyak insurans kenderaan yang akan dibeli oleh penduduk bandar ini.

Untuk melakukan ini, mereka akan menggunakan sebagai data awal jumlah insurans kereta yang dibeli di bandar kecil yang lain.

Prognosis permintaan untuk tempoh 1 adalah 2.869 insurans kenderaan yang dikontrak, tetapi permintaan sebenar dalam tempoh itu adalah 3.200.

Menurut kriteria syarikat, ia memberikan faktor 0.35 yang lebih lembut. Permintaan yang diramalkan dalam tempoh berikut ialah: P2 = (3200*0.35) + 2869*(1-0.35) = 2984.85.

Pengiraan yang sama dibuat untuk sepanjang tahun, mencapai jadual perbandingan berikut antara apa yang benar -benar diperoleh dan diramalkan untuk bulan itu.

Sebagai perbandingan dengan purata, pelembutan eksponen dapat meramalkan trend dengan cara yang lebih baik. Walau bagaimanapun, ia masih pendek, seperti yang ditunjukkan dalam graf:

Anda dapat melihat bagaimana garis ramalan kelabu dapat dijumpai jauh di bawah atau di atas garis permintaan biru, tanpa mendapat sepenuhnya.

Rujukan

1. Wikipedia (2019). Melembutkan eksponen. Diambil dari: ia adalah.Wikipedia.org.
2. Pekerjaan Ingenio (2016). Cara Menggunakan Kelembapan Eksponen Sederhana Untuk Ramalan Permintaan. Diambil dari: ingenioempresa.com.
3. Dave Piacki (2019). Pelancaran eksponen dijelaskan. Diambil dari: Inventoryps.com.
4. Kajian (2019). Teknik Peramalan Permintaan: Memindahkan Avege & Exponential Smoothing. Diambil dari: Kajian.com.
5. Cityu (2019). Kaedah pelicinan eksponen. Diambil dari: peribadi.Cb.Bandar.Edu.HK.