3 เดือน ถัว เฉลี่ยเคลื่อนที่ คาดการณ์

การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าคำแนะนำเหล่านี้จะเป็นประโยชน์อย่างยิ่งสำหรับบางประเด็นเกี่ยวกับคอมพิวเตอร์ที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในหน้า quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ควรจะเป็นดังนี้รูปแบบการปรับให้เรียบโดยเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลหมายถึงแบบจำลองการเดินแบบสุ่มและแบบจำลองเชิงเส้นแบบไม่เจาะจง รูปแบบและแนวโน้มสามารถถูกอนุมานโดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - (m1) 2 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่มีความหมายมากใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) หากเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลผิดพลาดอย่างมีนัยสำคัญน้อยกว่ารูปแบบการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นในแบบจำลองที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือมีความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นข้อสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ในเวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันโดยที่ 945 ควบคุมความใกล้ชิดของค่าที่ถูก interpolation ไปเป็นค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปในแง่ของการคาดการณ์และการสังเกตก่อนหน้าได้โดยตรงในรูปแบบใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาที่ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุเฉลี่ยที่กำหนด (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นตามการคาดคะเนแบบง่าย (SES) จะค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งข้อ MA (1) เทอมและไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับมาที่ด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติแล้วจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ตามที่แสดงข้างต้น สิ่งที่เกี่ยวกับแนวโน้มในระยะสั้นหากซีรี่ส์แสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนเมื่อเทียบกับเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์ล่วงหน้ามากกว่า 1 รอบการคาดการณ์แนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเรนเนนส์ซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ที่ระยะเวลา t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้เครื่องชั่ง 946 และ 1-946 การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่ของการปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 อนุมานได้ว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในระยะเวลา 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และจะให้การคาดการณ์ระดับกลางของถนนต่อไปในอีก 5 หรือ 10 งวดต่อไป ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่ควรจะเป็นอย่างอื่นแม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (A ไปยังด้านบนของหน้า) A ตัวอย่างการคำนวณพยากรณ์อากาศ A.1 วิธีการคำนวณพยากรณ์อากาศมีอยู่ 12 วิธีในการคำนวณการคาดการณ์ วิธีการเหล่านี้ส่วนใหญ่มีไว้สำหรับการควบคุมผู้ใช้ที่ จำกัด ตัวอย่างเช่นอาจมีการระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และ 2548 เพื่อสร้างยอดขายในปี 2549 นอกเหนือจากการคาดการณ์แล้วตัวอย่างแต่ละตัวอย่างจะมีการคาดการณ์ปีพ. ศ. 2548 สำหรับระยะเวลาการระงับสามเดือน (ตัวเลือกการประมวลผล 19 3) ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย (ยอดขายจริงเทียบกับการคาดการณ์แบบจำลอง) A.2 เกณฑ์การประเมินประสิทธิภาพพยากรณ์พยากรณ์ขึ้นอยู่กับตัวเลือกการประมวลผลของคุณและแนวโน้มและรูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น นอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวงจรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์ ค่าเบี่ยงเบนสัมบูรณ์ (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุไว้ในช่วงเวลา ระยะเวลานี้เรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสม (PBF) ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานสำหรับการแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการครั้งต่อไป คำแนะนำนี้มีไว้สำหรับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงจากรุ่นที่คาดการณ์ไปหนึ่งรุ่นต่อไป ทั้งสองวิธีการประเมินผลการคาดการณ์จะแสดงในหน้าเว็บตามตัวอย่างของสิบสองวิธีการคาดการณ์ A.3 วิธีที่ 1 - เปอร์เซ็นต์ที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีที่แล้วโดยผู้ใช้ที่ระบุเช่น 1.10 สำหรับการเพิ่มขึ้น 10 ครั้งหรือ 0.97 สำหรับการลดลง 3 ครั้ง ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.4.1 ช่วงการคาดการณ์ของประมาณการประวัติการขายเพื่อใช้ในการคำนวณปัจจัยการเติบโต (ตัวเลือกการประมวลผล 2a) 3 ในตัวอย่างนี้ รวมสามเดือนสุดท้ายของปี 2548: 114 119 137 370 รวม 3 เดือนของปีก่อน 123 139 133 395 คำนวณตามปัจจัย 370395 0.9367 คำนวณการคาดการณ์ยอดขายในเดือนมกราคม 2548 128 0.9367 119.8036 หรือประมาณ 120 กุมภาพันธ์ 2548 ยอดขาย 117 0.9367 109.5939 หรือประมาณ 110 มีนาคม 2548 ยอดขาย 115 0.9367 107.7205 หรือประมาณ 108 A.4.2 การคำนวณพยากรณ์แบบจำลองรวม 3 เดือนของปี 2548 ก่อนระยะเวลาการระงับ (กรกฎาคมสิงหาคมกันยายน): 129 140 131 400 รวมสามเดือนสำหรับ ปีที่แล้ว: 141 128 118 387 ค่าที่คำนวณได้ 400387 1.033591731 คำนวณการคาดการณ์แบบจำลอง: ตุลาคม 2547 ยอดขาย 123 1.033591731 127.13178 พฤศจิกายน 2547 ยอดขาย 139 1.033591731 143.66925 ธันวาคม 2547 ยอดขาย 133 1.033591731 137.4677 A.4.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 วิธีที่ 3 - ปกอนถึงปนี้วิธีการนี้ทําการคัดลอกขอมูลการขายจากปกอนไปเปนปหนา ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.6.1 การพยากรณ์การคาดการณ์จำนวนรอบที่จะรวมอยู่ในค่าเฉลี่ย (ตัวเลือกการประมวลผล 4a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์โดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนหน้า ประมาณการมกราคม: 114 119 137 370, 370 3 123.333 หรือ 123 การคาดการณ์ในเดือนกุมภาพันธ์: 119 137 123 379, 379 3 126.333 หรือ 126 รายงานประจำเดือนมีนาคม: 137 123 126 379, 386 3 128.667 หรือ 129 A.6.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2548 (129 (131,333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute (ค่าสัมบูรณ์ที่คำนวณได้) การคำนวณค่าเบี่ยงเบน MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 วิธีที่ 5 - การประมาณค่าเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มตามจุดข้อมูลการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงจุดข้อมูลสองจุด ประวัติการขายที่ต้องการ: จำนวนงวดที่จะรวมไว้ในการถดถอย (ตัวเลือกการประมวลผล 5a) บวก 1 บวกจำนวนช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) (ตัวประมวลผลการประมวลผล 6a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มหรือลดลงในช่วงเวลาที่ระบุก่อนช่วงเวลา holdout รอบระยะเวลาก่อนหน้า ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (114 119 137) 3 123.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (114 1) (119 2) (137 3) 763 ความแตกต่างระหว่างค่า 763 - 123.3333 (1 2 3) 23 อัตราส่วน ( 12 22 32) - 2 3 14 - 12 2 มูลคา 1 ความแตกตางระหวางการทํางาน 232 11.5 มูลคา 2 คาเฉลี่ย - สัปดาห 123.3333 - 11.5 2 100.3333 ประมาณการ (1 n) คา 1 คา 2 4 11.5 100.3333 146.333 หรือ 146 พยากรณ์ 5 11.5 100.3333 157.8333 หรือ 158 พยากรณ์อากาศ 6 11.5 100.3333 169.3333 หรือ 169 A.8.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547: เฉลี่ย 3 เดือนก่อนหน้า (129 140 131) 3 133.3333 สรุปช่วงสามเดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (129 1) (140 2) (131 3) 802 ความแตกต่างระหว่าง (1 22) - 2 3 14 - 12 2 Value1 ความแตกต่างRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 ขาย ค่าเฉลี่ยของสามเดือนก่อนหน้า (140 131 114) 3 128.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (140 1) (131 2) (114 3) 744 ความแตกต่างระหว่างค่า 744 - 128.3333 (1 2 3) -25.9999 มูลค่า 1 (131 114 119) 3 121.3333 สรุปผลการดำเนินงานในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (3) ค่าใช้จ่ายในการดำเนินงาน 131 1) (114 2) (119 3) 716 ความแตกตางระหวางคา 716 - 121.3333 (1 2 3) -11.9999 คาที่ 1 ความแตกตางระหวาง -11.99992 -5.9999 มูลคา 2 คาเฉลี่ย 121.3333 - (-5.9999) 2 133.3333 พยากรณ์ 4 (-5.9999 ) 133.3333 109.3333 A.8.3 ร้อยละของการคำนวณความถูกต้อง POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 วิธีที่ 7 - ซีคอน d การประมาณค่าระดับการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรการคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย การประมาณปริญญาที่สองคล้ายกัน อย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อปรับเส้นโค้งให้สอดคล้องกับข้อมูลประวัติการขาย วิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนผ่านระหว่างขั้นตอนของวงจรชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) ดังนั้นวิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรจะพบ a, b และ c ให้พอดีกับเส้นโค้งไปถึงสามจุด คุณระบุ n ในตัวเลือกการประมวลผล 7a จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสำหรับเดือนเมษายนถึงเดือนมิถุนายนจะรวมกันเป็นจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการพยากรณ์ (PBF) จำนวนงวดที่จะรวม (ตัวเลือกการประมวลผล 7a) 3 ในตัวอย่างนี้ใช้เดือนที่แล้ว (3 n) เดือนในช่วงสามเดือน: Q1 (เม. ย. - มิ.ย. ) 125 122 137 384 Q2 (ก. ค. - ก. ย. ) 129 140 131 400 Q3 ต. ค. - ธ. ค. ) 114 119 137 370 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรคาดการณ์ Y a bX cX2 (1) Q1 a bX cX2 (โดยที่ X 1) abc (2) Q2 bx cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c แก้สมการทั้งสามสมการหา b, a และ c: ลบสมการ (1) จากสมการ (2) (3) Q3 a 3 (Q2-Q1) - 3c c ท้ายแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ (2) - (1) Q2 - Q1 b 3c (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 วิธีประมาณค่าที่สองคำนวณ a, b และ c ดังนี้ Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 - 23) 85 Y a bX cX2 322 85X (-23) X2 มกราคมถึงมีนาคมคาดการณ์ (X4): (322 340 - 368) 3 2943 98 ในช่วงเดือนเมษายนถึงมิถุนายน (X5): (322 425 - 575) 3 57.333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงกันยายน (X6): (322 510 - 828) 3 1.33 หรือ 1 ต่องวดตั้งแต่เดือนตุลาคมถึงธันวาคม (X7) (322 595 - 11273 -70 A.9.2 การคำนวณพยากรณ์แบบจำลองเดือนตุลาคมพฤศจิกายนและธันวาคม 2547 ยอดขาย: Q1 (ม. ค. - มี.ค. ) 360 Q2 (เม. ย. - มิ.ย. ) 384 Q3 (ก. ค. - ก. ย. ) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 ข (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 เปอร์เซ็นต์การคำนวณความถูกต้อง POA (136 136 136) (114 119 137) 100 110.27 A.9.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้ MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อนหน้า) คล้ายกับวิธีการ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ที่ระบุแล้วจะคาดการณ์ผลลัพธ์ในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา วิธีการแบบยืดหยุ่นจะเพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเวลาเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 1.15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดย 15. ระยะเวลาฐาน ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนตุลาคม 2548 ประวัติการขายขั้นต่ำ: ผู้ใช้ระบุจำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ ( PBF) A.10.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่ระดับความเชื่อมั่น MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 วิธีที่ 9 - ค่าเฉลี่ยถ่วงน้ำหนักวิธีการถัวเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักการถ่วงน้ำหนักที่ไม่เท่ากันให้กับข้อมูลทางประวัติศาสตร์ได้โดยใช้ Weighted Moving Average วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามแนวโน้มการคาดการณ์และข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่จะช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ในทางกลับกันค่าเล็กน้อยสำหรับ n (เช่น 3) จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดต้องเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0.6, 0.3 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 วิธีที่ 10 - การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9 Weighted Moving Average (WMA) อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้น ตามที่เป็นจริงของเทคนิคการคาดการณ์การเคลื่อนไหวเชิงเส้นทั้งหมดคาดการณ์การคาดการณ์และข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วงเวลาสามครั้งล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงโดยอัตโนมัติและรวมเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ระบบจะกำหนดน้ำหนักของ 0.5, 0.3333 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 10a) 3 ในตัวอย่างนี้อัตราส่วนสำหรับระยะเวลาหนึ่งก่อน 3 (n2 n) 2 3 (32 3) 2 36 0.5 อัตราส่วนสองช่วงก่อนหน้า 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. อัตราส่วนสามงวดก่อน 1 (n 2 n) 2 1 (32 3) 2 16 0.1666 .. พยากรณ์มกราคม: 137 0.5 119 13 114 16 127.16 หรือ 127 การคาดการณ์เดือนกุมภาพันธ์: 127 0.5 137 13 119 16 129 การคาดการณ์ของเดือนมีนาคม: 129 0.5 127 13 137 16 129.666 หรือ 130 A.12.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547 129 16 140 26 131 36 133.6666 พฤศจิกายน 2547 ยอดขาย 140 16 131 26 114 36 124 ธันวาคม 2547 ขาย 131 16 114 26 119 36 119.3333 A.12.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 วิธีที่ 11 - วิธีการนี้มีความคล้ายคลึงกับวิธีที่ 10, Linear Smoothing ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่สลายตัวแบบเลขชี้กำลัง สมการพยากรณ์ความเป็นไปได้คือ: พยากรณ์ (การขายจริงก่อนหน้านี้) (1 - a) พยากรณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า a คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับงวดก่อนหน้า (1 - a) คือน้ำหนักที่ใช้กับการคาดการณ์ในช่วงก่อนหน้า ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 a (1 - a) 1 คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a. ถ้าคุณไม่ได้กำหนดค่าสำหรับการปรับให้ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล 11a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 n ช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ค่าเล็ก ๆ สำหรับ n (n 3) ได้รับเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นในการตรวจสอบผลลัพธ์ การทำให้เรียบแบบเสี้ยว (Exponential smoothing) สามารถสร้างการคาดการณ์โดยอิงตามจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 11a) 3 และปัจจัยอัลฟา (ตัวเลือกการประมวลผล 11b) ว่างไว้ในตัวอย่างนี้เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 (11) หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับ 2 ข้อมูลการขายที่เก่าแก่ที่สุด 2 (12) หรืออัลฟาเมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรือ alpha เมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายล่าสุด 2 (1n) หรือ alpha เมื่อระบุ alpha พฤศจิกายน Sm เฉลี่ย a (เดือนตุลาคมที่เกิดขึ้นจริง) (1 - a) October Sm. เฉลี่ย 1 114 0 0 114 ธันวาคม Sm. เฉลี่ย a (November Actual) (1 - a) พฤศจิกายน Sm. เฉลี่ย 23 119 13 114 117.3333 มกราคมคาดการณ์ (ธันวาคมจริง) (1 - ก) ธันวาคม Sm เฉลี่ย 24 137 24 117.3333 127.16665 หรือ 127 February Forecast มกราคม Forecast 127 March Forecast มกราคม Forecast 127 A.13.2 การคำนวณพยากรณ์แบบจำลองกรกฎาคม 2547 Sm เฉลี่ย 22 129 129 สิงหาคม Sm. เฉลี่ย 23 140 13 129 136.3333 กันยายนกันยายน เฉลี่ย 24 131 24 136.3333 133.6666 ตุลาคม 2547 ยอดขายกันยายนกันยายนศ. เฉลี่ย 133.6666 สิงหาคม, 2547 Sm. เฉลี่ย 22 140 140 กันยายนกันยายน เฉลี่ย 23 131 13 140 134 ตุลาคม Sm. เฉลี่ย 24 114 24 134 124 พฤศจิกายน 2547 ขายกันยายนกันยายน เฉลี่ย 124 กันยายน 2547 Sm. เฉลี่ย 22 131 131 ตุลาคม Sm. เฉลี่ย 23 114 13 131 119.6666 พฤศจิกายนศ. เฉลี่ย 24 119 24 119.6666 119.3333 ยอดขายธันวาคม 2547 ก. ย. Sm. เฉลี่ย 119.3333 A.13.3 ร้อยละของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 วิธีที่ 12 - การจัดแจงแบบเสียดสี (Exponential Smoothing) ด้วยเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing ที่คำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยการปรับค่าเฉลี่ยที่ราบเรียบสำหรับแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับ alpha มีตั้งแต่ 0 ถึง 1 b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะมีการใช้ดัชนีตามฤดูกาลกับการคาดการณ์ a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่ต้องเพิ่มเป็น 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: สองปีบวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (PBF) วิธีที่ 12 ใช้สมการราบเรียบแบบเอ็กซเรนแนนเชียลและค่าเฉลี่ยที่เรียบง่ายเพียงอย่างเดียวในการคำนวณหาค่าเฉลี่ยที่ราบเรียบแนวโน้มที่เรียบและค่าเฉลี่ยตามฤดูกาลที่เรียบง่าย A.14.1 การคำนวณพยากรณ์ A) ค่าเฉลี่ย MAD แบบเรียบ (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 การประเมินการคาดการณ์คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการจะไม่เป็นไปได้ในการตัดสินใจอย่างเป็นอัตนัยเกี่ยวกับการคาดการณ์ใดในแผนงานของคุณสำหรับแต่ละผลิตภัณฑ์ ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีคาดการณ์ที่คุณเลือกและสำหรับแต่ละผลิตภัณฑ์คาดการณ์ คุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Absolute Deviation (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ เทคนิคการประเมินประสิทธิภาพทั้งสองแบบนี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ตามช่วงเวลาที่กำหนด ช่วงเวลาของประวัติล่าสุดนี้เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสม (PBF) หากต้องการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีต โดยทั่วไปจะมีความแตกต่างระหว่างข้อมูลการขายที่เกิดขึ้นจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ เมื่อเลือกวิธีคาดการณ์หลายวิธีกระบวนการเดียวกันนี้จะเกิดขึ้นกับแต่ละวิธี คาดการณ์หลายรายการสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกัน แนะนำให้ใช้วิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์และยอดขายจริงในช่วงระยะเวลาการระงับชั่วคราวเพื่อใช้ในแผนงานของคุณ ข้อเสนอแนะนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและอาจเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง A.16 ค่าเบี่ยงเบนสัมบูรณ์ (MAD) หมายถึงค่าเฉลี่ย (หรือค่าเฉลี่ย) ของค่าสัมบูรณ์ (หรือขนาด) ของความเบี่ยงเบน (หรือข้อผิดพลาด) ระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ เมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธีหนึ่งกับ MAD ที่เล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์ดังกล่าวในช่วงที่มีการระงับ เมื่อมีการคาดการณ์ที่ไม่เป็นกลางและมีข้อผิดพลาดเกิดขึ้นตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองค่านิยมทั่วไปของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error: A.16.1 เปอร์เซ็นต์ความถูกต้อง (POA) เปอร์เซ็นต์ความถูกต้อง (POA) คือ วัดความลำเอียงคาดการณ์ เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น เมื่อการคาดการณ์เป็นไปอย่างต่อเนื่องสองขั้นต่ำสินค้าคงเหลือถูกบริโภคและการบริการลูกค้าลดลง การคาดการณ์ที่ต่ำกว่า 10 หน่วยจากนั้น 8 หน่วยที่สูงเกินไปจากนั้น 2 หน่วยที่สูงเกินไปจะเป็นการคาดการณ์ที่เป็นกลาง ข้อผิดพลาดในเชิงบวกที่ 10 ถูกยกเลิกโดยข้อผิดพลาดในเชิงลบที่ 8 และ 2 ข้อผิดพลาดที่เกิดขึ้นจริง - พยากรณ์เมื่อผลิตภัณฑ์สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนหุ้นที่ปลอดภัยจะถูกนำมาใช้เพื่อป้องกันข้อผิดพลาด ในสถานการณ์เช่นนี้การกำจัดข้อผิดพลาดในการคาดการณ์ไม่ได้เป็นเรื่องสำคัญเท่าที่ควรในการคาดการณ์ที่เป็นกลาง อย่างไรก็ตามในอุตสาหกรรมบริการสถานการณ์ข้างต้นจะถือเป็นข้อผิดพลาดสามประการ บริการนี้จะขาดแคลนในช่วงเวลาแรกและมีเวลาเกินกว่าสองช่วงเวลา ในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าการคาดการณ์ ยอดรวมในช่วง holdout ช่วยให้สามารถขจัดข้อผิดพลาดเชิงลบได้ในเชิงบวก เมื่อยอดขายรวมที่เกิดขึ้นจริงสูงกว่ายอดขายที่คาดการณ์ไว้อัตราส่วนดังกล่าวมีค่ามากกว่า 100 แน่นอนว่าเป็นไปไม่ได้ที่จะมีความแม่นยำมากกว่า 100 เมื่อการคาดการณ์ไม่เป็นกลางอัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่ถูกต้อง 110 เกณฑ์ POA เลือกวิธีการคาดการณ์ที่มีอัตราส่วน POA ใกล้เคียงกับ 100 การเขียนสคริปต์ในหน้านี้ช่วยเพิ่มการนาวิเกตเนื้อหา แต่ไม่ได้เปลี่ยนเนื้อหาในลักษณะใด ๆ Forecasting - บทที่ 4 ศิลปะและวิทยาศาสตร์ในการคาดการณ์เหตุการณ์ในอนาคตที่มีการประมาณที่ดี อาจเกี่ยวข้องกับข้อมูลที่ผ่านมา (เช่นการขายในอดีต) และนำไปสู่อนาคตด้วยแบบจำลองทางคณิตศาสตร์ การคาดคะเนแบบอัตนัยหรือใช้งานง่าย ขึ้นอยู่กับข้อมูลที่ขับเคลื่อนด้วยความต้องการ (ลูกค้ามีแผนจะซื้อและคาดการณ์ในอนาคต) หรือคำสั่งผสมเหล่านี้เป็นแบบจำลองทางคณิตศาสตร์ที่ปรับตามการตัดสินที่ดีของผู้จัดการ การคาดการณ์ที่ดีเป็นส่วนสำคัญของการให้บริการและประสิทธิภาพการผลิตที่มีประสิทธิภาพอิทธิพลของการคาดการณ์ตำแหน่งผลิตภัณฑ์ในวงจรชีวิตของยอดขายอยู่ในช่วงเริ่มต้นการเติบโตวุฒิภาวะหรือขั้นตอนการลดลง ความต้องการผลิตภัณฑ์ที่เกี่ยวข้องโฟกัสอยู่ในการระบุและติดตามความต้องการของลูกค้าอย่างรวดเร็ว - ใช้ข้อมูล POS, รายงานที่ผู้ค้าปลีกสร้างขึ้นตามความต้องการของลูกค้าและข้อมูลอื่น ๆ ที่จะช่วยในการคาดการณ์ข้อมูลที่เป็นไปได้ในปัจจุบันมากที่สุด - มีการผลิตของ บริษัท กำลังการผลิตและระบบกำหนดเวลาและเป็นปัจจัยการผลิตด้านการเงินการตลาดและการวางแผนส่วนบุคคลความเป็นจริงของระบบพยากรณ์การณ์ปัจจัยภายนอกที่เราไม่สามารถคาดเดาหรือควบคุมมักส่งผลกระทบต่อการคาดการณ์เทคนิคการพยากรณ์อากาศส่วนใหญ่ถือว่ามีต้นกำเนิดอยู่บ้าง ความมั่นคงในระบบบาง บริษัท คาดการณ์โดยอัตโนมัติโดยใช้ซอฟต์แวร์พยากรณ์อากาศแบบอัตโนมัติและตรวจสอบผลิตภัณฑ์อย่างใกล้ชิดซึ่งมีความต้องการที่ไม่แน่นอนผลิตภัณฑ์ตระกูลผลิตภัณฑ์และการคาดการณ์รวมมีความแม่นยำมากกว่าการคาดการณ์ผลิตภัณฑ์แต่ละรายการช่วยให้สมดุลและ underpredictions เทคนิคการคาดการณ์โดยใช้กระบวนการกลุ่มที่ทำให้ผู้เชี่ยวชาญสามารถทำ ผู้เข้าร่วมประชุม: ผู้มีอำนาจตัดสินใจ - ผู้เชี่ยวชาญ 5 ถึง 10 คนที่คาดการณ์จริงบุคลากรของบุคลากร - ผู้ช่วยตัดสินใจโดยจัดเตรียมแจกจ่ายรวบรวมและสรุปชุดแบบสอบถามและผลการสำรวจผู้ตอบแบบสอบถาม - กลุ่มคนในสถานที่ต่างๆที่มีคำตัดสินมีค่า ค่าเฉลี่ยเคลื่อนที่ 1 นิ้ว creasing ขนาดของ n (จำนวนรอบระยะเวลาเฉลี่ย) ไม่เรียบออกความผันผวนดีขึ้น แต่มันทำให้วิธีการที่ไม่สำคัญกับการเปลี่ยนแปลงข้อมูล 2. ค่าเฉลี่ยเคลื่อนที่ไม่สามารถปรับตัวได้เป็นอย่างดี เนื่องจากเป็นค่าเฉลี่ยพวกเขาจะอยู่ในระดับที่ผ่านมาและจะไม่คาดการณ์การเปลี่ยนแปลงในระดับที่สูงขึ้นหรือต่ำลง ค่าจริงที่ล่าช้า 3. การย้ายค่าเฉลี่ยต้องใช้ข้อมูลที่ผ่านมาอย่างกว้างขวาง วิธีที่น้อยที่สุดหมายถึงความต้องการเหล่านี้: 1) เรามักจะพล็อตข้อมูล bc อย่างน้อยสี่เหลี่ยมสมมติความสัมพันธ์เชิงเส้น ถ้าเส้นโค้งปรากฏว่ามีอยู่การวิเคราะห์แบบโค้งอาจเป็นที่ต้องการ 2) เราไม่ได้คาดการณ์ช่วงเวลาเกินฐานข้อมูลที่กำหนด 3) การเบี่ยงเบนไปรอบ ๆ เส้นที่น้อยที่สุดจะถือว่าเป็นแบบสุ่มและมีการแจกแจงตามปกติการสังเกตส่วนใหญ่ใกล้กับเส้นและมีเพียงจำนวนน้อยเท่านั้นที่ห่างออกไป