Exponentiële verzachtingsmethode en voorbeeld

Hij exponentiële verzachting Het is een manier om de vraag naar een artikel voor een bepaalde periode te voorspellen. Deze methode schat dat de vraag in een bepaalde periode gelijk zal zijn aan het gemiddelde van het historische consumptie, waardoor een groter gewicht of weging wordt gegeven aan de waarden die het dichtst in de tijd liggen. Bovendien houdt het voor de volgende voorspellingen rekening met de bestaande fout van de huidige voorspelling.

Vraagprognose is de methode om de vraag naar een product of dienst door klanten te projecteren. Dit proces is continu, waarbij managers historische gegevens gebruiken om te berekenen wat zij verwachten de vraag naar verkoop van een goede of service te zijn.

Bron: Pixabay.com

Informatie uit het verleden van het bedrijf wordt gebruikt door het toe te voegen aan de economische gegevens van de markt om te zien of de verkoop zal stijgen of afnemen.

De resultaten van de vraagprognose worden gebruikt om doelstellingen voor de verkoopafdeling vast te stellen en proberen in overeenstemming te blijven met de doelstellingen van het bedrijf.

[TOC]

Exponentiële verzachtingsmethode

Verzachting is een veel voorkomend statistisch proces. Verzachtte gegevens worden vaak gevonden in verschillende vormen van het dagelijkse leven. Elke keer dat een gemiddelde wordt gebruikt om iets te beschrijven, wordt een zacht aantal gebruikt.

Stel dat dit jaar de warmste geregistreerde is ervaren. Om het te kwantificeren, begint de dagelijkse dataset voor de winterperiode van elk geregistreerd historisch jaar.

Dit genereert een aantal getallen met grote "sprongen". Er is een nummer nodig dat al deze gegevens uit de gegevens elimineert om de ene winter gemakkelijker te kunnen vergelijken met een andere.

Elimineer de sprong in de gegevens wordt verzachten genoemd. In dit geval kan een eenvoudig gemiddelde worden gebruikt om de zachter te bereiken.

Kan u van dienst zijn: EFI Matrix: wat evalueert, hoe het te doen, analyse, voorbeeld

Verzachten in de voorspelling

Voor de prognose van de vraag wordt het verzachting ook gebruikt om de variaties in de historische vraag te elimineren. Dit maakt het mogelijk om vraagpatronen beter te identificeren, die kunnen worden gebruikt om de toekomstige vraag te schatten.

Variaties in de vraag zijn hetzelfde concept als de "sprong" van temperatuurgegevens. De meest voorkomende manier waarop variaties van vraaggeschiedenis worden geëlimineerd, is het gebruik van een gemiddelde, of specifiek een mobiel gemiddelde.

Het mobiele gemiddelde maakt gebruik van een vooraf gedefinieerd aantal perioden om het gemiddelde te berekenen, en die periodes worden verplaatst naarmate de tijd verstrijkt.

Als bijvoorbeeld een mobiel gemiddelde van vier maanden wordt gebruikt en vandaag 1 mei is, zal de gemiddelde vraag die plaatsvindt in januari, februari, maart en april worden gebruikt. Op 1 juni zal de vraag naar februari, maart, april en mei worden gebruikt.

Gewogen mobiel gemiddelde

Wanneer een eenvoudig gemiddelde wordt gebruikt, wordt hetzelfde belang op elke waarde toegepast in de gegevensset. Daarom vertegenwoordigt het in een mobiel gemiddelde van vier maanden elke maand 25% van het mobiele gemiddelde.

Door de vraaggeschiedenis te gebruiken om de toekomstige vraag te projecteren, is het logisch om te concluderen dat de meest recente periode een grotere impact heeft op de voorspelling.

De berekening van het mobiele gemiddelde kan worden aangepast om verschillende "peso's" op elke periode toe te passen om de gewenste resultaten te verkrijgen.

Deze peso's worden uitgedrukt als percentages. Het totaal van alle gewichten voor alle periodes moet 100% toevoegen.

Daarom, als u 35% wilt toepassen als het gewicht voor de dichtstbijzijnde periode in het gewogen gemiddelde van vier maanden, kan 35% van 100% worden afgetrokken, waardoor 65% wordt gebracht tussen de resterende drie perioden

Kan u van dienst zijn: Deming Circle: fasen, voor-, nadelen en voorbeeld

U kunt bijvoorbeeld eindigen met een weging van respectievelijk 15%, 20%, 30% en 35% gedurende vier maanden (15+20+30+35 = 100).

Exponentiële verzachting

Exponentiële verzachtende berekeningsteming staat bekend als een verzachtende factor. Vertegenwoordigt de weging die wordt toegepast op de vraag naar de meest recente periode.

Als 35% wordt gebruikt als een weging van de meest recente periode bij de berekening van het gewogen mobiele gemiddelde, kan het ook worden gekozen om 35% te gebruiken als verzacht factor bij de berekening van exponentiële verzachting.

Exponentieel deel

Het verschil in de berekening van exponentiële verzachting is dat, in plaats van te moeten ontdekken hoeveel gewicht van toepassing is op elke vorige periode, de verzacht factor wordt gebruikt om dat automatisch te doen.

Dit is het "exponentiële" deel. Als 35% wordt gebruikt als verzachtte factor, zal de weging van de vraag naar de meest recente periode 35% zijn. De weging van de vraag naar de periode voorafgaand aan de meest recente zal 65% van 35% bedragen.

65% komt van het aftrekken van 35% van 100%. Dit komt overeen met 22,75% weging voor die periode. De vraag naar de volgende meest recente periode is 65% van 65% van 35%, wat overeenkomt met 14,79%.

De vorige periode zal worden gewogen als 65% van 65% van 65% van 35%, gelijk aan 9,61%. Dit wordt gedaan voor alle vorige periodes, totdat u de eerste periode bereikt.

Formule

De formule voor het berekenen van exponentiële verzachting is als volgt: (d*s) + (p*(1-s)), waar,

D = meer recente vraag naar de periode.

S = zachtste factor, decimaal weergegeven (35% zou 0,35 zijn).

P = prognose van de meest recente periode, het resultaat van de berekening van het verzachten van de vorige periode.

Het kan u van dienst zijn: Nayarit Economische activiteiten

Ervan uitgaande dat er een 0,35 zachte -vormige factor is, zou dit dan zijn: (d*0,35) + (p*0,65).

Zoals te zien is, zijn de enige noodzakelijke gegevensinvoer de vraag en prognose van de meest recente periode.

Voorbeeld

Een verzekeringsmaatschappij heeft besloten zijn markt uit te breiden naar de grootste stad in het land en biedt een verzekering voor voertuigen.

Als eerste actie wil het bedrijf voorspellen hoeveel voertuigverzekering wordt gekocht door de inwoners van deze stad.

Om dit te doen, zullen ze als initiële gegevens het bedrag van de autoverzekering in een andere kleinere stad gebruiken.

De vraagprognose voor periode 1 is 2.869 gecontracteerde voertuigverzekering, maar de reële vraag in die periode was 3.200.

Volgens de criteria van het bedrijf kent het een 0,35 zachtere factor toe. De voorspelde vraag van de volgende periode is: P2 = (3200*0.35) + 2869*(1-0.35) = 2984.85.

Dezelfde berekening werd het hele jaar gemaakt, waarbij de volgende vergelijkende tabel werd bereikt tussen wat echt werd verkregen en voorspelling voor die maand.

In vergelijking met gemiddelden kan exponentiële verzachting de trend op een betere manier voorspellen. Het is echter nog steeds kort, zoals weergegeven in de grafiek:

U kunt zien hoe de grijze voorspellingslijn ver onder of boven de blauwe vraaglijn kan worden gevonden, zonder volledig te worden.

Referenties

1. Wikipedia (2019). Exponentiële verzachting. Uitgehaald uit: het is.Wikipedia.borg.
2. Werkgelegenheid Ingenio (2016). Hoe eenvoudige exponentiële softisatie te gebruiken om de vraag te voorspellen. Uitgehaald uit: ingenio -empresa.com.
3. Dave Piacki (2019). Exponentiële afvlakking legde uit. Genomen uit: InventoryPs.com.
4. Studie (2019). Vraagvoorspellingstechnieken: verplaatsen van Avege & Exponential Smoothing. Genomen van: Studie.com.
5. Cityu (2019). Exponentiële afvlakkingsmethoden. Genomen uit: persoonlijk.CB.Stad.Edu.HK.