Eksponentiell mykgjøringsmetode og eksempel

Han Eksponentiell mykgjøring Det er en måte å forutsi etterspørselen etter en artikkel i en gitt periode på. Denne metoden anslår at etterspørselen vil være lik gjennomsnittet av historisk forbruk i en gitt periode, noe som gir større vekt eller vekting til verdiene som er nærmest i tid. I tillegg, for følgende prognoser, tar det hensyn til den eksisterende feilen i den nåværende prognosen.

Etterspørselsprognose er metoden for å projisere etterspørselen etter et produkt eller en tjeneste av kunder. Denne prosessen er kontinuerlig, der ledere bruker historiske data for å beregne hva de forventer å være etterspørselen etter salg av en god eller tjeneste.

Kilde: Pixabay.com

Informasjon fra selskapets fortid brukes ved å legge den til de økonomiske dataene i markedet for å se om salget vil øke eller redusere.

Resultatene fra etterspørselsprognosen brukes til å etablere mål for salgsavdelingen, og prøver å holde seg i tråd med selskapets mål.

[TOC]

Eksponentiell mykgjøringsmetode

Mykdom er en veldig vanlig statistisk prosess. Mykne data finnes ofte i forskjellige former for hverdagen. Hver gang et gjennomsnitt brukes til å beskrive noe, brukes et mykt tall.

Anta at i år var den varmeste registrerte erfarne. For å kvantifisere det, begynner det daglige datasettet for vinterperioden for hvert registrert historisk år.

Dette genererer en rekke tall med store "hopp". Det trengs et antall som eliminerer alle disse dataene fra dataene for å kunne sammenligne en vinter lettere med en annen.

Fjern hoppet i dataene kalles mykgjøring. I dette tilfellet kan et enkelt gjennomsnitt brukes til å oppnå mykere.

Kan tjene deg: EFI Matrix: Hva evaluerer, hvordan du gjør det, analyse, eksempel

Mykgjøring i prognosen

For prognosen for etterspørselen brukes også mykningen for å eliminere variasjonene i historisk etterspørsel. Dette gjør det mulig å identifisere etterspørselsmønstre bedre, som kan brukes til å estimere fremtidig etterspørsel.

Variasjoner i etterspørsel er det samme konseptet som "hoppet" av temperaturdata. Den vanligste måten etterspørselshistoriske variasjoner blir eliminert på, bruker et gjennomsnitt, eller spesifikt, et mobilt gjennomsnitt.

Mobilgjennomsnittet bruker et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene går når tiden går.

For eksempel, hvis et firmåneders mobiltjeneste brukes og i dag er 1. mai, vil den gjennomsnittlige etterspørselen som skjedde i januar, februar, mars og april bli brukt. 1. juni vil etterspørselen for februar, mars, april og mai bli brukt.

Vektet mobilgjennomsnitt

Når et enkelt gjennomsnitt brukes, brukes den samme viktigheten av hver verdi i datasettet. Derfor, i et firmåneders mobilgjennomsnitt, hver måned representerer det 25% av det mobile gjennomsnittet.

Ved å bruke etterspørselshistorie for å projisere fremtidig etterspørsel, er det logisk å konkludere med at den siste perioden har større innvirkning på prognosen.

Beregningen av det mobile gjennomsnittet kan tilpasses for å bruke forskjellige "pesos" på hver periode, for å oppnå de ønskede resultatene.

Disse pesosene er uttrykt som prosenter. Totalt av alle vekter for alle perioder må legge til 100%.

Derfor, hvis du vil bruke 35% som vekten i den nærmeste perioden i det fire -måneders vektede gjennomsnittet, kan 35% av 100% trekkes fra 65% å dele mellom de resterende tre periodene

Kan tjene deg: Deming Circle: Stages, fordeler, ulemper og eksempel

For eksempel kan du ende med en vekting på henholdsvis 15%, 20%, 30% og 35% i fire måneder (15+20+30+35 = 100).

Eksponentiell mykgjøring

Eksponentiell mykgjørende beregningsoppføring er kjent som en mykgjørende faktor. Representerer vektingen som brukes på etterspørselen etter den siste perioden.

Hvis 35% brukes som en vekting av den siste perioden i beregningen av det vektede mobile gjennomsnittet, kan det også velges å bruke 35% som en myknet faktor i beregningen av eksponentiell mykgjøring.

Eksponentiell del

Forskjellen i beregningen av eksponentiell mykgjøring er at i stedet for å måtte finne ut hvor mye vekt som gjelder for hver forrige periode, brukes den mykne faktoren til å gjøre det automatisk.

Dette er den "eksponentielle" delen. Hvis 35% brukes som en myknet faktor, vil vektingen av etterspørselen etter den siste perioden være 35%. Vektingen av etterspørselen etter perioden før den siste, vil være 65% av 35%.

65% kommer fra å trekke 35% av 100%. Dette tilsvarer 22,75% vekting for den perioden. Etterspørselen etter den neste siste perioden vil være 65% av 65% av 35%, noe som tilsvarer 14,79%.

Den forrige perioden vil bli vektet som 65% av 65% av 65% av 35%, tilsvarer 9,61%. Dette vil bli gjort for alle tidligere perioder, til du kommer til den første perioden.

Formel

Formelen for beregning av eksponentiell mykgjøring er som følger: (d*s) + (p*(1-s)), hvor,

D = Nyere etterspørsel etter perioden.

S = mykeste faktor, representert desimalt (35% ville være 0,35).

P = prognose for den siste perioden, resultat av beregning av mykgjøring av forrige periode.

Det kan tjene deg: Nayarit økonomiske aktiviteter

Forutsatt at det er en 0,35 mykformet faktor, vil det da være: (D*0,35) + (P*0,65).

Som det kan sees, er de eneste nødvendige datainngangene etterspørselen og prognosen i den siste perioden.

Eksempel

Et forsikringsselskap har bestemt seg for å utvide markedet til den største byen i landet, og gir forsikring for kjøretøyer.

Som en innledende handling ønsker selskapet å forutsi hvor mange kjøretøyforsikringer som vil bli kjøpt av innbyggerne i denne byen.

For å gjøre dette, vil de bruke som innledende data mengden bilforsikring kjøpt i en annen mindre by.

Etterspørselsprognosen for periode 1 er 2.869 inngått kjøretøyforsikring, men den virkelige etterspørselen i den perioden var 3.200.

I følge selskapets kriterier tildeler den en 0,35 mykere faktor. Den forutsagte etterspørselen fra den følgende perioden er: P2 = (3200*0,35) + 2869*(1-0,35) = 2984,85.

Den samme beregningen ble gjort for hele året, og oppnådde følgende sammenlignende tabell mellom det som virkelig ble oppnådd og prognose for den måneden.

I forhold til gjennomsnitt kan eksponentiell mykgjøring forutsi trenden på en bedre måte. Imidlertid er det fremdeles kort, som vist i grafen:

Du kan se hvordan den grå prognoselinjen kan finnes godt under eller over den blå etterspørselslinjen, uten å bli helt.

Referanser

1. Wikipedia (2019). Eksponentiell mykgjøring. Hentet fra: det er.Wikipedia.org.
2. Sysselsetting ingenio (2016). Hvordan bruke enkel eksponentiell mykisering for å forutsi etterspørsel. Hentet fra: ingenioempresa.com.
3. Dave Piacki (2019). Eksponentiell utjevning forklarte. Tatt fra: Inventoryps.com.
4. Studie (2019). Etterspørselsprognoseteknikker: Moving Avege & Exponential Smoothing. Hentet fra: studie.com.
5. Cityu (2019). Eksponentielle utjevningsmetoder. Hentet fra: personlig.CB.By.Edu.Hk.