ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ: МЕТОД И ПРИМЕР - ДУДАС - 2024

Экспоненциальное сглаживание является способом прогнозирования спроса на статью за определенный период. Этот метод оценивает, что спрос будет равен среднему историческому потреблению за данный период, придавая больший вес или вес значениям, которые ближе по времени. Дополнительно для следующих прогнозов необходимо учитывать имеющуюся ошибку текущего прогноза.

Прогнозирование спроса - это метод прогнозирования потребительского спроса на продукт или услугу. Этот процесс является непрерывным, и менеджеры используют исторические данные для расчета ожидаемого спроса на товар или услугу.

Источник: pixabay.com

Информация из прошлого компании используется путем добавления ее к рыночным экономическим данным, чтобы увидеть, будут ли продажи увеличиваться или уменьшаться.

Результаты прогноза спроса используются для постановки целей для отдела продаж, стараясь не отставать от целей компании.

Экспоненциальный метод сглаживания

Сглаживание - очень распространенный статистический процесс. Сглаженные данные часто встречаются в различных формах повседневной жизни. Каждый раз, когда для описания чего-либо используется среднее значение, используется сглаженное число.

Предположим, что в этом году была самая теплая зима за всю историю наблюдений. Чтобы определить это количество, мы начнем с набора данных о суточной температуре за зимний период каждого зарегистрированного исторического года.

Это генерирует ряд чисел с большими «скачками». Вам нужен номер, который устраняет все эти скачки из данных, чтобы было легче сравнивать одну зиму с другой.

Устранение скачка данных называется сглаживанием. В этом случае для сглаживания можно использовать простое среднее значение.

Сглаживание в прогнозе

Для прогнозирования спроса сглаживание также используется для устранения изменений в историческом спросе. Это позволяет лучше идентифицировать модели спроса, которые можно использовать для оценки будущего спроса.

Вариации спроса - это то же понятие, что и «скачок» температурных данных. Наиболее распространенный способ удаления вариаций в истории спроса - использование среднего или, в частности, скользящего среднего.

Скользящее среднее использует заранее определенное количество периодов для вычисления среднего, и эти периоды меняются с течением времени.

Например, если используется четырехмесячная скользящая средняя и сегодня 1 мая, будет использоваться средний спрос за январь, февраль, март и апрель. 1 июня будет использована заявка на февраль, март, апрель и май.

Средневзвешенная скользящая средняя

При использовании простого среднего значения одинаковое значение применяется к каждому значению в наборе данных. Следовательно, в четырехмесячной скользящей средней каждый месяц составляет 25% скользящей средней.

Разумеется, если использовать историю спроса для прогнозирования будущего спроса, последний период имеет большее влияние на прогноз.

Расчет скользящего среднего может быть адаптирован для применения различных «весов» к каждому периоду для получения желаемых результатов.

Эти веса выражаются в процентах. Сумма всех весов за все периоды должна составлять в сумме 100%.

Следовательно, если вы хотите применить 35% в качестве веса для ближайшего периода в четырехмесячном средневзвешенном значении, вы можете вычесть 35% из 100%, оставив 65% для разделения между тремя оставшимися периодами.

Например, вы можете получить весовые коэффициенты 15%, 20%, 30% и 35% соответственно за четыре месяца (15 + 20 + 30 + 35 = 100).

Экспоненциальное сглаживание

Управляющий вход для расчета экспоненциального сглаживания известен как коэффициент сглаживания. Представляет вес, примененный к спросу за последний период.

Если 35% используется в качестве веса самого последнего периода при вычислении взвешенного скользящего среднего, вы также можете выбрать использование 35% в качестве коэффициента сглаживания при вычислении экспоненциального сглаживания.

Экспоненциальная часть

Разница в расчете экспоненциального сглаживания заключается в том, что вместо того, чтобы вычислять, какой вес применить к каждому предыдущему периоду, коэффициент сглаживания используется для выполнения этого автоматически.

Это «экспоненциальная» часть. Если 35% используется в качестве коэффициента сглаживания, вес спроса за последний период будет 35%. Вес спроса за период, предшествующий последнему, составит 65% из 35%.

65% получается при вычитании 35% из 100%. Это соответствует 22,75% веса за этот период. Спрос на следующий, самый последний период будет 65% от 65% от 35%, что равно 14,79%.

Предыдущий период будет взвешен как 65% от 65% до 65% от 35%, что эквивалентно 9,61%. Это будет сделано для всех предыдущих периодов, вплоть до первого периода.

формула

Формула для вычисления экспоненциального сглаживания имеет следующий вид: (D * S) + (P * (1-S)), где,

D = самый последний спрос за период.

S = коэффициент сглаживания, представленный в десятичной форме (35% будет 0,35).

P = прогноз самого последнего периода, полученный в результате вычисления сглаживания предыдущего периода.

Если предположить, что коэффициент сглаживания равен 0,35, тогда мы получим: (D * 0,35) + (P * 0,65).

Как видите, требуются только данные о спросе и прогноз за последний период.

пример

Страховая компания решила расширить свой рынок до крупнейшего города страны, обеспечивая страхование транспортных средств.

В качестве первоначального действия компания хочет спрогнозировать, сколько автостраховок купят жители этого города.

Для этого они будут использовать в качестве исходных данных сумму автостраховки, приобретенную в другом меньшем городе.

Прогноз спроса на период 1 составляет 2 869 договорных транспортных средств, но реальный спрос в этот период составлял 3 200.

По усмотрению компании присваивает коэффициент сглаживания 0,35. Прогнозируемый спрос на следующий период: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Этот же расчет был произведен для всего года, в результате чего была получена следующая сравнительная таблица между тем, что было фактически получено, и тем, что было прогнозом на этот месяц.

По сравнению с методами усреднения экспоненциальное сглаживание может лучше предсказывать тренд. Однако этого все еще не хватает, как показано на графике:

Можно увидеть, как серая линия прогноза может быть значительно ниже или выше синей линии спроса, не имея возможности полностью следовать ей.

Ссылки

1. Википедия (2019). Экспоненциальное сглаживание. Взято с: es.wikipedia.org.
2. Ingenio Empresa (2016). Как использовать простое экспоненциальное сглаживание для прогнозирования спроса. Взято с сайта ingenioempresa.com.
3. Дэйв Пясецки (2019). Объяснение экспоненциального сглаживания. Взято с: inventoryops.com.
4. Исследование (2019). Методы прогнозирования спроса: скользящее среднее и экспоненциальное сглаживание. Взято с сайта study.com.
5. Ситиу ​​(2019). Экспоненциальные методы сглаживания. Взято с: personal.cb.cityu.edu.hk.