A página não pode ser encontrada A página que você está procurando pode ter sido removida, teve seu nome alterado ou está temporariamente indisponível. Experimente o seguinte: Certifique-se de que o endereço do Web site apresentado na barra de endereços do browser está escrito e formatado correctamente. Se você acessou essa página clicando em um link, entre em contato com o administrador do site para alertá-los de que o link está formatado incorretamente. Clique no botão Voltar para tentar outro link. Erro HTTP 404 - Arquivo ou diretório não encontrado. Informações Técnicas do IIS (Internet Information Services) Vá para Serviços de Suporte Técnico da Microsoft e execute uma pesquisa de título para as palavras HTTP e 404. Abra a Ajuda do IIS. Que está acessível no Gerenciador do IIS (inetmgr) e pesquisa de tópicos intitulada Configuração do site. Tarefas Administrativas Comuns. E Sobre Mensagens de Erro Personalizadas. Suavização Exponencial Explicada. Cópia Copyright. O conteúdo do InventoryOps está protegido por direitos de autor e não está disponível para republicação. Quando as pessoas encontram pela primeira vez o termo suavização exponencial, eles podem pensar que soa como um inferno de um monte de suavização. Seja qual for a suavização. Eles então começam a imaginar um cálculo matemático complicado que provavelmente requer um grau em matemática para entender, e espero que haja uma função embutida do Excel disponível se eles precisam fazer isso. A realidade da suavização exponencial é muito menos dramática e muito menos traumática. A verdade é, suavização exponencial é um cálculo muito simples que realiza uma tarefa bastante simples. Ele só tem um nome complicado, porque o que tecnicamente acontece como resultado deste cálculo simples é realmente um pouco complicado. Para entender a suavização exponencial, ajuda a começar com o conceito geral de suavização e um par de outros métodos comuns usados para obter suavização. O que é alisamento A suavização é um processo estatístico muito comum. Na verdade, encontramos regularmente dados alisados em várias formas em nossas vidas diárias. Toda vez que você usar uma média para descrever algo, você está usando um número suavizado. Se você pensar sobre por que você usa uma média para descrever algo, você vai rapidamente entender o conceito de suavização. Por exemplo, nós apenas experimentamos o inverno mais quente registrado. Como somos capazes de quantificar este Bem, começamos com conjuntos de dados das temperaturas altas e baixas diárias para o período que chamamos de Inverno para cada ano na história registrada. Mas isso nos deixa com um monte de números que saltam um pouco (não é como todos os dias este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores). Precisamos de um número que elimine tudo isso pulando em torno dos dados para que possamos mais facilmente comparar um inverno para o próximo. Removendo o salto em torno dos dados é chamado de suavização, e neste caso, podemos apenas usar uma média simples para realizar a suavização. Na previsão de demanda, usamos suavização para remover a variação aleatória (ruído) de nossa demanda histórica. Isso nos permite identificar melhor os padrões de demanda (principalmente tendência e sazonalidade) e os níveis de demanda que podem ser usados para estimar a demanda futura. O ruído na demanda é o mesmo conceito que o saltar diário dos dados da temperatura. Não é de surpreender que a forma mais comum de as pessoas removerem o ruído da história de demanda seja usar um simples medidor ou mais especificamente uma média móvel. Uma média móvel apenas usa um número predefinido de períodos para calcular a média, e esses períodos se movem com o passar do tempo. Por exemplo, se eu estou usando uma média móvel de 4 meses, e hoje é 01 de maio, estou usando uma média de demanda que ocorreu em janeiro, fevereiro, março e abril. No dia 1º de junho, estarei usando a demanda de fevereiro, março, abril e maio. Média móvel ponderada. Ao usar uma média, estamos aplicando a mesma importância (peso) a cada valor no conjunto de dados. Na média móvel de 4 meses, cada mês representava 25 da média móvel. Ao usar o histórico de demanda para projetar a demanda futura (e especialmente a tendência futura), é lógico chegar à conclusão de que você gostaria que a história mais recente tivesse um impacto maior em sua previsão. Podemos adaptar nosso cálculo da média móvel para aplicar vários pesos a cada período para obter os resultados desejados. Nós expressamos esses pesos como porcentagens eo total de todos os pesos para todos os períodos deve somar 100. Portanto, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, podemos Subtrair 35 de 100 para achar que temos 65 restantes para dividir sobre os outros 3 períodos. Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35, respectivamente, para os 4 meses (15 20 30 35 100). Suavização exponencial. Se voltarmos ao conceito de aplicar um peso ao período mais recente (como 35 no exemplo anterior) e espalhar o peso restante (calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65), temos Os blocos de construção básicos para o nosso cálculo de suavização exponencial. A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização (também chamado de constante de suavização). Representa essencialmente a ponderação aplicada aos períodos mais recentes de procura. Então, onde usamos 35 como ponderação para o período mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como o fator de suavização em nosso cálculo de suavização exponencial para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que, em vez de ter que também descobrir quanto peso a aplicar a cada período anterior, o fator de suavização é usado para fazer isso automaticamente. Então aqui vem a parte exponencial. Se usarmos 35 como fator de suavização, a ponderação dos períodos mais recentes exigirá 35. A ponderação dos próximos períodos mais recentes demanda (o período anterior ao mais recente) será de 65 de 35 (65 vem de subtrair 35 de 100). Isso equivale a 22,75 ponderação para esse período, se você fizer a matemática. Os próximos períodos mais recentes demanda será de 65 de 65 de 35, o que equivale a 14,79. O período antes disso será ponderado como 65 de 65 de 65 de 35, o que equivale a 9,61, e assim por diante. E isso vai de volta através de todos os seus períodos anteriores todo o caminho de volta para o início do tempo (ou o ponto em que você começou a usar suavização exponencial para esse item em particular). Você provavelmente está pensando que está olhando como um monte de matemática. Mas a beleza do cálculo de suavização exponencial é que, em vez de ter que recalcular cada período anterior cada vez que você obtiver uma nova demanda de períodos, basta usar a saída do cálculo de suavização exponencial do período anterior para representar todos os períodos anteriores. Você está confuso ainda Isso fará mais sentido quando olharmos para o cálculo real Normalmente nos referimos à saída do cálculo de suavização exponencial como a próxima previsão de período. Na realidade, a previsão final precisa de um pouco mais de trabalho, mas para os propósitos deste cálculo específico, vamos nos referir a ele como a previsão. O cálculo de suavização exponencial é o seguinte: Os períodos mais recentes exigidos multiplicados pelo fator de suavização. PLUS Previsão dos períodos mais recentes multiplicada por (um menos o factor de suavização). D os períodos mais recentes exigem S o fator de suavização representado em forma decimal (então 35 seria representado como 0,35). F os períodos mais recentes previstos (a saída do cálculo de suavização do período anterior). OR (assumindo um fator de suavização de 0,35) (D 0,35) (F 0,65) Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para entradas de dados aqui são os períodos mais recentes de demanda e os períodos mais recentes previstos. Aplicamos o fator de suavização (ponderação) aos períodos mais recentes, exigindo da mesma forma que o faria no cálculo da média móvel ponderada. Em seguida, aplicamos a ponderação restante (1 menos o factor de suavização) aos períodos mais recentes previstos. Uma vez que a previsão de períodos mais recente foi criada com base na demanda de períodos anteriores e nos períodos anteriores, que se baseou na demanda do período anterior e na previsão do período anterior, baseada na demanda do período anterior E a previsão para o período anterior, que se baseou no período anterior. Bem, você pode ver como todos os períodos anteriores demanda são representados no cálculo sem realmente voltar e recalcular qualquer coisa. E isso é o que levou a popularidade inicial de suavização exponencial. Não era porque fêz um trabalho melhor de suavização do que a média móvel ponderada, era porque era mais fácil de calcular em um programa de computador. E, porque você não precisa pensar sobre o que ponderar para dar períodos anteriores ou quantos períodos anteriores para usar, como você faria na média móvel ponderada. E, porque soava mais frio do que a média móvel ponderada. De fato, pode-se argumentar que a média móvel ponderada proporciona maior flexibilidade, uma vez que você tem mais controle sobre a ponderação dos períodos anteriores. A realidade é que qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com soar mais fácil e mais fresco. Suavização exponencial no Excel Permite ver como isso seria realmente olhar em uma planilha com dados reais. Cópia Copyright. O conteúdo do InventoryOps está protegido por direitos de autor e não está disponível para republicação. Na Figura 1A, temos uma planilha Excel com 11 semanas de demanda, e uma previsão exponencialmente suavizada calculada a partir dessa demanda. Eu usei um fator de suavização de 25 (0,25 na célula C1). A célula ativa atual é Cell M4 que contém a previsão para semana 12. Você pode ver na fórmula barra, a fórmula é (L3C1) (L4 (1-C1)). Portanto, as únicas entradas diretas para este cálculo são a demanda de períodos anteriores (célula L3), os períodos prévios previstos (célula L4) e o fator de suavização (célula C1, mostrada como referência de célula absoluta C1). Quando começamos um cálculo de suavização exponencial, precisamos conectar manualmente o valor para a 1ª previsão. Assim, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda do mesmo período da previsão. Na Célula C4 temos o nosso primeiro cálculo exponencial de suavização (B3C1) (B4 (1-C1)). Podemos então copiar Célula C4 e colá-lo em Células D4 a M4 para preencher o resto de nossas células de previsão. Agora você pode clicar duas vezes em qualquer célula de previsão para ver que é baseado na célula de previsão de períodos anteriores e na célula de demanda de períodos anteriores. Assim, cada subsequente cálculo de suavização exponencial herda a saída do cálculo de suavização exponencial anterior. É assim que cada demanda de períodos anteriores é representada no cálculo dos períodos mais recentes, mesmo que esse cálculo não faça referência direta a esses períodos anteriores. Se você quiser obter fantasia, você pode usar Excels trace antecedentes função. Para fazer isso, clique em Célula M4 e, em seguida, na barra de ferramentas da faixa de opções (Excel 2007 ou 2010), clique na guia Fórmulas e, em seguida, clique em Rastrear precedentes. Ele irá desenhar linhas de conector para o primeiro nível de precedentes, mas se você continuar clicando em Trace Precedents, desenhará linhas de conector para todos os períodos anteriores para mostrar os relacionamentos herdados. Agora vamos ver o que suavização exponencial fez por nós. A Figura 1B mostra um gráfico linear de nossa demanda e previsão. Você caso ver como a previsão exponencial suavizada remove a maior parte do jaggedness (o saltar ao redor) da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda. Você também notará que a linha de previsão suavizada tende a ser menor do que a linha de demanda. Isso é conhecido como atraso de tendência e é um efeito colateral do processo de suavização. Toda vez que você usar suavização quando uma tendência está presente sua previsão ficará atrás da tendência. Isto é verdade para qualquer técnica de suavização. De fato, se continuássemos esta planilha e começássemos a inserir números de demanda mais baixos (fazendo uma tendência descendente), veríamos a queda da linha de demanda ea linha de tendência se mover acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente a saída do cálculo exponencial suavização que chamamos de uma previsão, ainda precisa de algum trabalho mais. Há muito mais a previsão do que apenas alisar as colisões na demanda. Precisamos fazer ajustes adicionais para coisas como defasagem de tendência, sazonalidade, eventos conhecidos que podem afetar a demanda, etc. Mas tudo isso está além do escopo deste artigo. Provavelmente, você também corre em termos como suavização exponencial dupla e suavização tripla exponencial. Esses termos são um pouco enganador, uma vez que você não está re-suavização da demanda várias vezes (você poderia se você quiser, mas isso não é o ponto aqui). Estes termos representam o uso de suavização exponencial em elementos adicionais da previsão. Assim, com a suavização exponencial simples, você está suavizando a demanda básica, mas com a suavização exponencial dupla você está suavizando a demanda base mais a tendência e, com a suavização exponencial tripla, está alisando a demanda básica mais a tendência mais a sazonalidade. A outra pergunta mais comumente questionada sobre a suavização exponencial é onde faço para obter o meu fator de suavização Não há nenhuma resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que você recebe os melhores resultados. Existem cálculos que podem definir automaticamente (e alterar) o fator de suavização. Estes se enquadram no termo alisamento adaptativo, mas você precisa ter cuidado com eles. Simplesmente não há uma resposta perfeita e você não deve cegamente implementar qualquer cálculo sem testes minuciosos e desenvolver uma compreensão completa do que esse cálculo faz. Você também deve executar cenários de ocorrência para ver como esses cálculos reagem às mudanças de demanda que talvez não existam atualmente nos dados de demanda que você está usando para testes. O exemplo de dados que eu usei anteriormente é um bom exemplo de uma situação em que você realmente precisa testar alguns outros cenários. Esse exemplo de dados particulares mostra uma tendência ascendente um tanto consistente. Muitas grandes empresas com software de previsão muito caro entrou em grande problema no passado não tão distante quando suas configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher. Coisas como esta acontecem quando você não entende o que seus cálculos (software) está realmente fazendo. Se eles entendessem seu sistema de previsão, eles teriam sabido que precisavam pular e mudar algo quando havia mudanças súbitas e dramáticas em seus negócios. Então, você tem o básico de suavização exponencial explicado. Quer saber mais sobre o uso de suavização exponencial em uma previsão real, confira o meu livro Inventory Management Explained. Cópia Copyright. O conteúdo do InventoryOps está protegido por direitos de autor e não está disponível para republicação. Dave Piasecki. É proprietário / operador da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de inventário, manuseio de materiais e operações de armazém. Ele tem mais de 25 anos de experiência em gerenciamento de operações e pode ser alcançado através de seu website (inventoryops), onde ele mantém informações adicionais relevantes. Meu NegócioFORECIMENTO Fator Sazonal - a porcentagem da demanda média trimestral que ocorre em cada trimestre. Previsão anual para o ano 4 é de 400 unidades. A previsão média por trimestre é de 400/4 100 unidades. Previsão Trimestral Previsão do fator sazonal. Os métodos de previsão causal são baseados em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos 1. regressão: a equação matemática relaciona uma variável dependente com uma ou mais variáveis independentes que se acredita influenciar a variável dependente 3. modelos econométricos: sistema de equações de regressão interdependentes que descrevem algum setor da atividade econômica. 3. modelos de insumo-produto: descreve os fluxos de um setor da economia para outro e assim prevê os insumos necessários para produzir resultados em outro setor 4. Modelagem de simulação MEDIÇÃO DE ERROS DE PREVISÃO Há dois aspectos dos erros de previsão a se preocupar - Bias e Precisão Bias - Uma previsão é tendenciosa se errar mais em uma direção do que na outra - O método tende a sub-previsões ou sobre-previsões. Precisão - Previsão de precisão refere-se à distância das previsões de demanda real ignorar a direção desse erro. Exemplo: Para seis períodos, as projeções ea demanda real foram monitoradas. A tabela a seguir apresenta a demanda real Dt ea demanda prevista Ft para seis períodos: soma cumulativa de erros de previsão (CFE) -20 desvio absoluto médio (MAD) 170/6 28,33 média (MAPE) 83,4 / 6 13,9 Que informação cada previsão tem uma tendência a superestimar o erro médio da demanda por previsão foi de 28,33 unidades (MSE) 5150/6 858,33 desvio padrão dos erros de previsão 5150 / , Ou 13,9 da distribuição de amostragem de demanda real de erros de previsão tem desvio padrão de 29,3 unidades. CRITÉRIOS PARA A SELECÇÃO DE UM MÉTODO DE PREVISÃO Objetivos: 1. Maximizar a Precisão e 2. Minimizar as Regras Potenciais de Bias para selecionar um método de previsão de séries temporais. Selecione o método que dá o menor viés, medido pelo erro de previsão cumulativo (CFE) ou dá o menor desvio absoluto médio (MAD) ou dá o menor sinal de rastreamento ou suporta gerências crenças sobre o padrão subjacente da demanda ou outros. Parece óbvio que alguma medida de exatidão e viés deve ser usada em conjunto. Como e quanto ao número de períodos a serem amostrados se a demanda for inerentemente estável, sugere-se valores baixos de e e valores mais altos de N se a demanda for inerentemente instável, valores altos e menores de N são sugeridos PRÉVIA DE FOCO quotfocus forecastingquot refere-se a Uma abordagem para a previsão que desenvolve as previsões por várias técnicas, em seguida, escolhe a previsão que foi produzido pelo quotbestquot destas técnicas, onde quotbestquot é determinada por alguma medida de erro de previsão. FOCO DE PREVISÃO: EXEMPLO Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. Um varejista usa um sistema de previsão de foco baseado em duas técnicas de previsão: uma média móvel de dois períodos e um modelo de suavização exponencial ajustado à tendência com 0,1 e 0,1. Com o modelo exponencial, a previsão para janeiro foi de 15 ea média tendencial no final de dezembro foi de 1. O varejista usa o desvio absoluto médio (MAD) nos últimos três meses como critério para escolher qual modelo será usado para prever Para o próximo mês. uma. Qual será a previsão para julho e qual modelo será usado b. Você responderia à Parte a. Ser diferente se a demanda para maio tivesse sido 14 em vez de 19
No comments:
Post a Comment