Définition du modèle de moyenne mobile pondérée Dans le modèle de moyenne mobile pondérée (stratégie de prévision 14), chaque valeur historique est pondérée par un facteur du groupe de pondération dans le profil de prévision univariée. Formule pour la moyenne mobile pondérée Le modèle de la moyenne mobile pondérée vous permet de pondérer les données historiques récentes plus fortement que les données plus anciennes pour déterminer la moyenne. Vous le faites si les données les plus récentes sont plus représentatives de la demande future que les données plus anciennes. Par conséquent, le système est capable de réagir plus rapidement à un changement de niveau. L'exactitude de ce modèle dépend en grande partie de votre choix de facteurs de pondération. Si le schéma des séries chronologiques change, vous devez également adapter les facteurs de pondération. Lors de la création d'un groupe de pondération, vous entrez les facteurs de pondération en pourcentage. La somme des facteurs de pondération ne doit pas nécessairement être de 100. Aucune prévision ex post n'est calculée à l'aide de cette stratégie de prévision.1 Chapitre 13 Prévision de la gestion de la demande Méthodes qualitatives de prévision Moyenne mobile pondérée simple Prévisions Lissage exponentiel. Présentation sur le thème: 1 Chapitre 13 Prévision de la gestion de la demande Méthodes qualitatives de prévision Moyenne mobile pondérée simple Prévisions Lissage exponentiel. Transcription de la présentation: 1 1 Chapitre 13 Prévision de la gestion de la demande Méthodes de prévision qualitative Moyennes mobiles moyennes pondérées simples Lissage exponentiel 5 5 Types de prévisions par horizon Horizon Prévision à courte échéance Prévision à moyen terme Prévision à long terme 6 6 Types de prévisions Prévisions économiques Prévisions technologiques Prévisions de la demande 8 8 Composantes de la demande Demande moyenne pour une période de temps Tendance Élément saisonnier Eléments cycliques Variation aléatoire Autocorrélation 9 9 Constatation des composantes de la demande 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx Année Ventes Variation saisonnière Tendance linéaire 10 10 Composante cyclique Répétition des mouvements ascendants Dû aux interactions des facteurs influençant l'économie Habituellement 2-10 ans Mo. Qtr. Yr. Cycle de réponse B 11 11 Composante aléatoire Variations irrégulières, non systématiques et résiduelles En raison de variations aléatoires ou d'événements imprévus Courte durée non répétée TMaker Co. 12 12 Méthodes qualitatives Racines de base Groupe d'étude de marché Consensus Juge exécutif Analogie historique Méthode Delphi Méthodes qualitatives 13 13 Delphi Method l. Choisissez les experts pour participer. 2. À l'aide d'un questionnaire (ou), obtenir des prévisions de tous les participants. 3. Résumer les résultats et les redistribuer aux participants avec les nouvelles questions appropriées. 4. Récapitulez à nouveau les prévisions et les conditions, et développez de nouvelles questions. 5. Répétez l'étape 4 si nécessaire. Distribuez les résultats finaux à tous les participants. 14 14 Modèles causaux Méthodes de prévision quantitative Prévisions quantitatives Modèles de séries chronologiques Régression linéaire Lissage exponentiel Projection des tendances Moyenne mobile 15 15 Analyse des séries chronologiques Les modèles de prévision des séries chronologiques tentent de prédire l'avenir sur la base des données passées. Vous pouvez choisir des modèles basés sur: 16 16 Formule moyenne mobile simple Le modèle simple moyenne mobile suppose une moyenne est un bon estimateur du comportement futur. La formule de la moyenne mobile simple est: F t Prévisions pour la période à venir N Nombre de périodes à calculer A t-1 Événement réel pour la période écoulée jusqu'à n périodes 17 17 Moyenne mobile simple Problème (1) Question: Quoi Sont les prévisions à moyenne mobile de 3 semaines et de 6 semaines pour la demande Supposons que vous ayez seulement 3 semaines et 6 semaines de données de demande réelles pour les prévisions respectives 20 20 Problème de moyenne mobile simple (2) Question Question: Quelle est la moyenne mobile de 3 semaines Prévision pour ces données Supposons que vous ayez seulement 3 semaines et 5 semaines de données réelles de la demande pour les prévisions respectives 22 22 Moyenne mobile pondérée Formule Bien que la formule moyenne mobile implique un poids égal étant placé sur chaque valeur qui est en moyenne, la moyenne mobile pondérée Permet une pondération inégale sur des périodes antérieures. W t poids donné à la période de temps t occurrence. 23 23 Moyenne mobile pondérée Problème (1) Poids des données: t-1.5 t-2.3 t-3.2 Question: Compte tenu de la demande hebdomadaire et des poids, quelle est la prévision Pour la 4 e période ou la semaine 4 25 25 Problème de moyenne mobile pondérée (2) Poids des données: t-1,7 t-2,2 t-3,1 Question: Compte tenu de l'information hebdomadaire sur la demande et des poids, quelle est la moyenne mobile pondérée du 5 e Période ou semaine 28 28 Problème de lissage exponentiel (1) Question de données: Compte tenu des données de demande hebdomadaire, quelles sont les prévisions de lissage exponentielles pour les périodes 2-10 en utilisant 0,10 et 0,60 Supposons F 1 D 1 29 29 Réponse: Prévisions. Notez que vous ne pouvez prévoir qu'une seule période dans le futur. 31 31 Problème de lissage exponentiel (2) Question de données: Quelles sont les prévisions de lissage exponentielles pour les périodes 2 à 5 en utilisant une hypothèse F 1 D 1 33 33 Projection de tendance linéaire Utilisée pour la prévision de la ligne de tendance linéaire Une fonction linéaire 34 34Y X Modèle de régression linéaire Valeur observée YabX ii YabX ii Erreur Erreur Ligne de régression 35 35 Corrélation Répond à la force de la relation linéaire entre 2 variables Coefficient de corrélation utilisé Utilisé principalement pour la compréhension 36 36 Coefficient de corrélation Valeurs1.00 Parfait Positif Corrélation Augmentation du degré de corrélation négative Corrélation négative parfaite Pas de corrélation Augmentation du degré de corrélation positive 37 37 Modèle de régression linéaire simple Y ta bx x (temps) Y Le modèle de régression linéaire simple cherche à aligner une droite à travers diverses données dans le temps. Est le modèle de régression linéaire. A Yt est la valeur de prévision régressée ou la variable dépendante dans le modèle, a est la valeur d'interception de la droite de régression et b est semblable à la pente de la droite de régression. Cependant, puisqu'il est calculé en tenant compte de la variabilité des données, sa formulation n'est pas aussi simple que notre notion habituelle de pente. 39 39 Données de problème de régression linéaire simple Question: Compte tenu des données ci-dessous, quel est le modèle de régression linéaire simple qui peut être utilisé pour prédire les ventes 41 41 MAD Problème Data MonthSalesForecast 1220na Question: Quelle est la valeur MAD indiquée dans le tableau ci-dessous 42 42 MAD Problème Solution MonthSalesForecastAbs Erreur 1220na Notez que seul le MAD permet de connaître l'erreur moyenne dans un ensemble de prévisions. 43 43 Formulation du signal de suivi Le TS est une mesure qui indique si la moyenne prévue est au rythme de toute variation réelle à la hausse ou à la baisse de la demande. Selon le nombre de MAD sélectionné, le TS peut être utilisé comme un tableau de contrôle de qualité indiquant quand le modèle génère trop d'erreurs dans ses prévisions. La formule TS est la suivante: 1 Prévision Prévision Terminologie Moyenne mobile simple Moyenne mobile pondérée Lissage exponentiel Modèle de régression linéaire simple Modèle de tendance Holts. Présentation sur le thème: 1 Prévision Prévision Terminologie Moyenne mobile simple Moyenne mobile pondérée Lissage exponentiel Modèle de régression linéaire simple Holts Trend Model. Transcription de la présentation: 1 1 Pronostic Prévision Terminologie Simple Moyenne mobile Moyenne mobile pondérée Lissage exponentiel Modèle de tendance linéaire simple Modèle de tendance Modèle de tendance Modèle de hivers pour les données avec composantes de tendance et saisonnières 2 2 Evaluation des erreurs de visualisation Erreurs Mesure MPE et MAPE Signal de suivi 3 3 Données historiques Prévision Terminologie Initialisation Prévision ExPost Données historiques 4 4 Nous envisageons un avenir à partir de maintenant et l'avenir que nous avons examiné en février comprend maintenant une partie de notre passé et nous pouvons intégrer le passé dans nos prévisions . Laura DAndrea Tyson, Présidente du Conseil des Conseillers Economiques des Présidents, citée en novembre 1993 au Chicago Tribune, expliquait pourquoi la première moitié, qui est maintenant le passé et était l'avenir quand nous avons publié notre première prévision, L'Administration a réduit ses projections de croissance économique à 2% par rapport aux 3,1% qu'il prévoyait en février. Prévision Terminologie 5 5 Problème de prévision Supposons que votre maison de la fraternité a consommé le nombre de cas de bière suivants pendant les 6 derniers week-ends: 8, 5, 7, 3, 6, 9 Combien de cas pensez-vous que votre Fraternité sororité consommera ce week-end? Prévision des cas: Méthode de la moyenne mobile simple En utilisant une moyenne mobile sur trois périodes, nous obtiendrions les prévisions suivantes: Prévision de 7 semaines: Méthode moyenne mobile simple Que faire si nous utilisions une moyenne mobile à deux périodes 8 8 Nombre de périodes utilisées dans la moyenne mobile La prévision influe sur la réactivité de la méthode de prévision: Prévision des cas hebdomadaires: Moyenne mobile simple Méthode 2 Périodes 3 Périodes 1 Période 9 9 Terminologie des prévisions Appliquer cette terminologie à notre problème en utilisant la prévision Moyenne mobile: Initialisation ExPost Forecast Model Evaluation 10 10 Plutôt que des poids égaux , Il pourrait être judicieux d'utiliser des poids qui favorisent des valeurs de consommation plus récentes. Avec la moyenne mobile pondérée, nous devons sélectionner des poids qui sont individuellement supérieurs à zéro et inférieurs à 1, et comme somme de groupe à 1: Poids valides: (.5, .3, .2), (.6, .3 , .1), (12, 13, 16) Poids non valables: (.5, .2, .1), (.6, -.1, .5), (.5, .4, .3, .2 ) Prévision: Méthode Moyenne Moyenne Pondérée 11 11 Prévision: Méthode Moyenne Moyenne Pondérée Une moyenne mobile pondérée avec des pondérations de (16,13,12) est effectuée comme suit: Comment rendre la prévision moyenne mobile pondérée plus sensible 12 12 Exponentielle Le lissage est conçu pour donner les avantages de la moyenne mobile pondérée sans le problème lourd de la spécification des poids. Dans le lissage exponentiel, il n'y a qu'un seul paramètre (): constante de lissage (entre 0 et 1) Prévision: Lissage exponentiel 20 20 Prévision: modèle de régression linéaire simple Une régression linéaire simple peut être utilisée pour prévoir des données avec des tendances D est la valeur de prévision régressée ou Dans le modèle, a est la valeur d'interception de la droite de régression et b la pente de la droite de régression. A D I b 21 21 Prévision: Modèle de régression linéaire simple Dans la régression linéaire, les erreurs au carré sont minimisées Erreur 23 Limitations dans le modèle de la régression linéaire Comme pour le modèle de la moyenne mobile simple, tous les points de données comptent également avec une régression linéaire simple. 24 24 Prévision: Modèle de tendance de Holts Pour prévoir les données avec les tendances, on peut utiliser un modèle de lissage exponentiel avec tendance, connu sous le nom de modèle de Holts: L (t) A (t) (1-) F (t) T (t) L (T) - L (t-1) (1-) T (t-1) F (t1) L (t) T (t) On pourrait utiliser la régression linéaire pour initialiser le modèle ) S (tp) Modèle Saisonnier p est le nombre de périodes d'une saison Données trimestrielles: P 4 Données mensuelles: p 12 F (t1) L (t) S (t1-p) 32 32 Initialisation du modèle saisonnier S (5) 0,60 S (6) 1,00 S (7) 1,55 S (8) 0,85 L (8) 26,5 Trimestre Taux moyen saisonnier S (t) Ventes moyennes par trimestre 26,5 A (t) 2003Spring16 Été27 Automne39 Hiver16 Printemps26 Automne43 Hiver23 33 33 Modèle saisonnier Prévisions Printemps14 Été29 Automne41 Hiver Printemps Été Automne Hiver A (t) L (t) Facteur saisonnier S (T) F (t) 2004Spring Été Automne Hiver 35 35 Prévision: Winters Modèle pour les données avec tendance et composantes saisonnières L (t) A (t) 1) T (t) L (t) - L (t-1) (1-) T (t-1) S (t) A (t) L (t) Décomposition du modèle saisonnier Pour initialiser le modèle Winters, nous allons utiliser la prévision de décomposition, qui elle-même peut être utilisée pour faire des prévisions. 37 37 Prévisions de décomposition Il existe deux façons de décomposer les données de prévision avec les composantes de tendance et saisonnières: Utiliser la régression pour obtenir la tendance, utiliser la courbe de tendance pour obtenir des facteurs saisonniers Utiliser la moyenne pour obtenir des facteurs saisonniers, Obtenir la tendance. 38 38 Prévision de décomposition Les données suivantes contiennent des composantes de tendance et saisonnières: 39 39 Prévision de décomposition Les facteurs saisonniers sont obtenus selon la même méthode utilisée pour le modèle saisonnier prévu: PériodeQuartierVentes 1Spring90 2Summer157 3Fall123 4Winter93 5Spring128 6Summer211 7Fall163 8Winter122 Moyenne 135.9 Moyenne à 1 Qtr. Ave Mers. Facteur 40 40 Prévision de la décomposition Avec les facteurs saisonniers, les données peuvent être désascalisées en divisant les données par les facteurs saisonniers: La régression sur les données désescalinisées donnera la tendance Les résultats suivants: Pente (m) 7.71 Interception (b) Les prévisions peuvent être effectuées à l'aide de l'équation suivante mx b (facteur saisonnier) 44 44 Winters Initiation du modèle Nous pouvons utiliser la prévision de décomposition pour définir les paramètres Winters suivants: L (n) (7) T (8) 7,71 S (5) 0,80 S (6) 1,35 S (7) 1,05 S (8) 0,79 Donc à partir de Notre modèle précédent, nous avons 45 45 Winters Exemple de modèle Spring152 10Summer303 11Fall232 12Winter Ressort 14Summer 15Fall 16Winter 0.3 0.4 0.2 PeriodQuarterSalesL (t) T (t) S (t) F (t) 1Spring90 2Summer157 3Fall123 4Winter93 5Spring Été Automne Hiver 47 47 Évaluation des prévisions Confirmer, mais vérifier Ronald W. Reagan Logiciel informatique nous donne la possibilité de gâcher plus de données sur une plus grande échelle plus efficacement Alors que des logiciels comme SAP peut automatiquement sélectionner des modèles et des paramètres de modèle pour un ensemble de données, et le fait généralement correctement, lorsque le Les données sont importantes, l'humain doit passer en revue les résultats du modèle L'un des meilleurs outils est l'œil humain 49 Prévision Évaluation Initialisation ExPost Prévision Où la prévision est évaluée Ne pas inclure les données d'initialisation dans l'évaluation 50 Erreurs Toutes les mesures d'erreur comparent le modèle de prévision aux données réelles Pour la zone ExPost Forecast 51 51 Erreurs Mesure Toutes les mesures d'erreur sont basées sur la comparaison des valeurs de prévision avec les valeurs réelles dans la région Prévision de l'ExPost ne pas inclure les données de l'initialisation. 53 53 Bias nous dit si nous avons tendance à surestimer ou à sous-prévoir. Si nos prévisions sont au milieu des données, alors les erreurs devraient être aussi positives et négatives, et doivent être égales à 0. MAD (Mean Absolute Deviation) est l'erreur moyenne, ignorant si l'erreur est positive ou négative. Les erreurs sont mauvaises, et plus une erreur est proche de zéro, meilleure est la prévision. Les mesures d'erreur indiquent à quel point la méthode a fonctionné dans la région de prévision ExPost. La façon dont les prévisions fonctionneront à l'avenir est incertaine. Bias et MAD 54 54 Mesures absolue vs mesures relatives On a fait des prévisions pour deux ensembles de données. Quelle prévision est meilleure? MPE et MAPE Lorsque les nombres dans un ensemble de données sont plus grands en magnitude, alors les mesures d'erreur sont vraisemblablement aussi importantes, Même si l'ajustement pourrait ne pas être aussi bon. L'erreur de pourcentage moyen (MPE) et l'erreur moyenne de pourcentage absolue (MAPE) sont des formes relatives de Bias et MAD, respectivement. MPE et MAPE peuvent être utilisés pour comparer des prévisions pour différents ensembles de données. 60 Signal de suivi Ce qui s'est passé dans cette situation Comment détecter cela dans un environnement de prévision automatique 61 61 Signal de suivi Le signal de suivi peut être calculé après que chaque valeur de vente réelle est enregistrée. Le signal de suivi est calculé comme: Le signal de suivi est une mesure relative, comme MPE et MAPE, de sorte qu'il peut être comparé à une valeur de consigne (typiquement 4 ou 5) pour identifier quand les paramètres de prévision et / ou les modèles doivent être changés.
No comments:
Post a Comment