สาม เดือน เฉลี่ยเคลื่อนที่ ความต้องการใน การพยากรณ์

op บทที่ 12 การวางแผนความต้องการ: การพยากรณ์และการจัดการความต้องการข้อแตกต่างหลักระหว่างการจัดการความต้องการและการพยากรณ์ความต้องการคือการพยากรณ์จะเป็นไปได้เฉพาะเมื่อมีข้อมูลเชิงปริมาณ บริษัท ไม่สามารถดำเนินการทั้งสองวิธีได้พร้อม ๆ กัน การจัดการความต้องการเป็นเชิงรุกในขณะที่คาดการณ์ความพยายามในการคาดการณ์ วิธีหนึ่งที่เกี่ยวข้องกับความไม่แน่นอนในขณะที่ข้ออื่น ๆ เกี่ยวกับความต้องการที่รู้จักกันดี การจัดการความต้องการเป็นเชิงรุกในขณะที่คาดการณ์ความพยายามในการคาดการณ์ การจัดการความต้องการในเชิงรุกพยายามที่จะมีอิทธิพลต่อความต้องการในขณะที่การคาดการณ์ก็พยายามคาดการณ์ความต้องการ การวางแผนความต้องการเชิงกลยุทธ์จะได้รับการใช้ประโยชน์สูงสุด: กำหนดแผนการจ้างหรือเลิกจ้าง กำหนดแผนการทำงานล่วงเวลาของพนักงาน ตัดสินใจหรือไม่ว่าจะปิดโรงงานผลิตหรือไม่ เพื่อควบคุมการปฏิบัติงานประจำวันในโรงงานผลิต ตัดสินใจหรือไม่ว่าจะปิดโรงงานผลิตหรือไม่ การวางแผนความต้องการเชิงกลยุทธ์เป็นสิ่งจำเป็นสำหรับการตัดสินใจระยะยาวเช่นการสร้างหรือปิดโรงงาน คนอื่น ๆ ที่อธิบายไว้คือการตัดสินใจในระยะสั้น ความต้องการที่อยู่อาศัยเป็นลักษณะรูปแบบปกติของการเพิ่มขึ้นไปยังจุดสูงสุดแล้วล้ม เมื่อความต้องการถึงจุดต่ำแล้วจะซ้ำรูปแบบ รูปแบบนี้มักใช้เวลาสามถึงห้าปี นี่คือตัวอย่างของรูปแบบความต้องการรูปแบบความสัมพันธ์ (Autocorrelation) การเปลี่ยนแปลงขั้นตอนการเปลี่ยนแปลงแนวโน้มฤดูกาลและรอบฤดูกาล Seasonality and cycles (ฤดูกาลและฤดูกาล) ฤดูกาลและวัฏจักรเป็นรูปแบบปกติของการทำซ้ำความสูงและต่ำสุดตามที่อธิบายไว้ในตัวอย่างนี้ บริษัท Convex Computer ทำการคาดการณ์ที่ต่างกัน การคาดการณ์ใดต่อไปนี้น่าจะเป็นจำนวนเครื่องเดสก์ท็อปที่จะขายได้ในปีหน้า จำนวนเครื่องที่จะขายในเดือนหน้า จำนวนเครื่องคอมพิวเตอร์ทั้งหมด (แล็ปท็อปและเดสก์ท็อป) ที่จะจำหน่ายในเดือนหน้า จำนวนรวมของแล็ปท็อปที่มีแรม 2 กิกะไบต์ฮาร์ดดิสก์ 80 กิกะไบต์และไดรฟ์ดีวีดีขนาด 16x จะขายในปีหน้า จำนวนรวมของแล็ปท็อปที่มีแรม 2 กิกะไบต์ฮาร์ดดิสก์ 80 กิกะไบต์และไดรฟ์ดีวีดีขนาด 16x จะขายในปีหน้า การคาดการณ์โดยละเอียดยิ่งมีความแม่นยำน้อยลง D เป็นรายละเอียดมากที่สุด บริษัท มีข้อมูลต่อไปนี้เกี่ยวกับผลการดำเนินงานที่คาดการณ์ไว้ในช่วง 3 งวดที่ผ่านมา ค่าเบี่ยงเบนสัมบูรณ์ (MAD) 200 คืออะไรสรุปค่าสัมบูรณ์ของข้อผิดพลาดและพิจารณาผลลัพธ์โดยเฉลี่ยใน (300 200 100) 3 200 ย้ายจากการสร้างไปเก็บเพื่อประกอบการหรือดำเนินการตามใบสั่ง มีอิทธิพลต่อความต้องการเวลา ทั้งหมดนี้ ย้ายจากการสร้างไปเก็บเพื่อประกอบการหรือดำเนินการตามใบสั่ง ผลิตภัณฑ์ที่เลื่อนออกได้รับรูปแบบสุดท้ายหลังจากความต้องการของลูกค้าเป็นที่รู้จักกันดี การคาดการณ์บางอย่างจำเป็นสำหรับคอมโพเนนต์และยังไม่มีการเปลี่ยนแปลงระยะเวลาของความต้องการ ในช่วงไม่กี่ปีที่ผ่านมา บริษัท บางแห่งได้เริ่มร่วมมืออย่างใกล้ชิดกับลูกค้าและซัพพลายเออร์ด้วยการแบ่งปันข้อมูลเพื่อพัฒนาแผนความต้องการและดำเนินการตามแผนดังกล่าว ขั้นตอนต่อไปนี้เป็นที่รู้จักกันว่า: การวางแผนความร่วมมือการคาดการณ์และการเติมเต็ม การวิเคราะห์และคาดการณ์ร่วมกัน การวางแผนร่วมกันในการพยากรณ์ความต้องการ ประสานงานการวางแผนล่วงหน้าของข้อกำหนด การวางแผนการทำงานร่วมกันการคาดการณ์และการเติมเต็ม การวางแผนการทำงานร่วมกันการคาดการณ์และการเติมเต็มเป็นกระบวนการในการแบ่งปันข้อมูลและแผนกับคู่ค้าในห่วงโซ่อุปทาน สมมติว่าการคาดการณ์ในช่วงเวลาสุดท้ายคือ FITt 200 หน่วยและประสบการณ์ล่าสุดแสดงให้เห็นว่ายอดขายจะเพิ่มขึ้น 10 หน่วยต่องวด ยอดขายจริงในช่วงที่ผ่านมามีจำนวนถึง 230 คัน สมมติว่าค่าสัมประสิทธิ์การให้ราบเรียบเท่ากับ 0.20 และค่าสัมประสิทธิ์การทำให้ราบเรียบที่ 0.10 ค่าพยากรณ์พื้นฐานสำหรับช่วงต่อไป Ft1 FITt (dt - FITt) 200 0.20 (230 - 200) 206 Zanda Corp. ได้ทดสอบประสิทธิภาพของการคาดการณ์สองแบบ เพื่อดูว่าควรจะนำมาใช้เพื่อใช้ ต้องการเลือกรูปแบบที่มีส่วนเบี่ยงเบนมาตรฐานเล็กกว่าของข้อผิดพลาดในการคาดการณ์ Zanda ควรเปรียบเทียบที่ต่อไปนี้เพื่อให้ทางเลือก MAPE ของทั้งสองรุ่น MFE ของทั้งสองรุ่น RMSE ของทั้งสองรุ่น MAD ของทั้งสองรุ่น RMSE ของทั้งสองรุ่น RMSE ให้ค่าประมาณที่ดีของการเบี่ยงเบนมาตรฐานของแบบจำลองข้อผิดพลาดในการคาดการณ์ . สัญญาณการติดตามจะแนะนำให้ผู้จัดการทราบว่ามีความต้องการสินค้าอยู่ พารามิเตอร์โหมดคาดการณ์อาจต้องได้รับการปรับ มีความต้องการตามฤดูกาล พารามิเตอร์โหมดพยากรณ์อากาศ A ทั้งหมดนี้อาจต้องมีการปรับเปลี่ยน สัญญาณติดตามบอกให้ผู้จัดการทราบว่าพารามิเตอร์แบบจำลองอาจต้องมีการปรับเปลี่ยน ระบบคาดการณ์ที่เปลี่ยนแปลงค่าของพารามิเตอร์อัลฟ่าเพื่อตอบสนองต่อระดับของข้อผิดพลาดในการคาดการณ์เรียกได้ว่าเป็นรูปแบบการปรับตัว รูปแบบการเพิ่มประสิทธิภาพการแสดงออกของตัวเลขที่เพิ่มขึ้น สัญญาณการติดตาม แบบอนุกรมเวลา การถดถอยเชิงสาเหตุ แบบจำลองการปรับตัวแบบปรับตัวปรับอัตโนมัติ Adaptive forecasting จะปรับค่าสัมประสิทธิ์การให้เรียบโดยอัตโนมัติในรูปแบบการปรับให้เรียบแบบทวีคูณเพื่อตอบสนองต่อสัญญาณการติดตาม การวางแผนความต้องการเชิงกลยุทธ์ระยะยาวมักทำโดยใช้หน่วยขายในสถานที่ที่กำหนดยอดขายรวมของหน่วยธุรกิจยอดขายผลิตภัณฑ์รวมยอดขายผลิตภัณฑ์ครอบครัวยอดขายหน่วยธุรกิจรวมการวางแผนความต้องการเชิงกลยุทธ์สนับสนุนการตัดสินใจทางธุรกิจระดับรวม อะไรคือความสัมพันธ์ระหว่างการจัดการความต้องการและการพยากรณ์ความต้องการกิจกรรมการวางแผนทั้งสองจะได้รับการจัดการอย่างอิสระ แผนการจัดการอุปสงค์มักเป็นปัจจัยที่นำไปสู่การพยากรณ์ความต้องการ การจัดการความต้องการทำได้โดยผู้จัดการฝ่ายปฏิบัติการขณะที่การคาดการณ์ความต้องการทำได้โดยผู้จัดการฝ่ายการตลาด ทั้ง B และ C ถูกต้อง แผนการจัดการอุปสงค์มักเป็นปัจจัยที่นำไปสู่การพยากรณ์ความต้องการ แผนการจัดการความต้องการเช่นการกำหนดราคาและการส่งเสริมการขายเป็นปัจจัยที่จำเป็นในการคาดการณ์ความต้องการ ปัจจัยใดต่อไปนี้ควรได้รับการพิจารณาเมื่อออกแบบกระบวนการคาดการณ์ขอบข่ายเวลาสำหรับการวางแผน ระดับของรายละเอียดสำหรับการวางแผน ความพร้อมใช้งานของข้อมูล ระบบการคาดการณ์ทั้งหมดเหล่านี้ควรได้รับการปรับแต่งตามความต้องการของผู้ใช้วิธีการแบบซีรีส์แบบอนุกรมวิธีการแบบอนุกรมเป็นเทคนิคทางสถิติที่ใช้ข้อมูลประวัติที่สะสมอยู่ในช่วงเวลาหนึ่ง วิธีการแบบอนุกรมเวลาสมมติว่าสิ่งที่เกิดขึ้นในอดีตจะยังคงเกิดขึ้นต่อไปในอนาคต เป็นชุดเวลาชื่อแนะนำวิธีการเหล่านี้เกี่ยวข้องกับการคาดการณ์เพียงหนึ่งปัจจัยเวลา ซึ่งรวมถึงค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยที่ชี้แจงและเส้นแนวโน้มเชิงเส้นและเป็นหนึ่งในวิธีที่ได้รับความนิยมมากที่สุดสำหรับการคาดการณ์ในระยะสั้นระหว่าง บริษัท ผู้ให้บริการและ บริษัท ผู้ผลิต วิธีการเหล่านี้สมมติว่ารูปแบบทางประวัติศาสตร์ที่ระบุหรือแนวโน้มสำหรับความต้องการในช่วงเวลาที่จะทำซ้ำตัวเอง Moving Average การคาดการณ์ชุดข้อมูลอนุกรมเวลาอาจทำได้เพียงง่ายๆโดยใช้ความต้องการในช่วงเวลาปัจจุบันเพื่อพยากรณ์ความต้องการในช่วงต่อไป นี่คือบางครั้งเรียกว่าการคาดเดาที่ไร้เดียงสาหรือใช้งานง่าย 4 ตัวอย่างเช่นถ้าความต้องการเป็น 100 หน่วยในสัปดาห์นี้การคาดการณ์สำหรับความต้องการในสัปดาห์หน้าคือ 100 หน่วยถ้าความต้องการเปลี่ยนเป็น 90 หน่วยแทนแล้วความต้องการสัปดาห์ต่อไปคือ 90 หน่วยและอื่น ๆ วิธีการคาดการณ์ประเภทนี้ไม่ได้คำนึงถึงพฤติกรรมความต้องการในอดีตที่ต้องอาศัยความต้องการในช่วงเวลาปัจจุบัน มันตอบสนองโดยตรงกับปกติการเคลื่อนไหวแบบสุ่มในความต้องการ วิธีเฉลี่ยเคลื่อนที่แบบง่ายใช้ค่าความต้องการหลายค่าในช่วงไม่กี่ปีที่ผ่านมาเพื่อพัฒนาการคาดการณ์ นี้มีแนวโน้มที่จะชุบหรือเรียบออกเพิ่มขึ้นสุ่มและลดลงของการคาดการณ์ที่ใช้เวลาเพียงหนึ่ง ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีประโยชน์ในการคาดการณ์ความต้องการที่มีเสถียรภาพและไม่แสดงพฤติกรรมความต้องการที่เด่นชัดเช่นแนวโน้มหรือรูปแบบตามฤดูกาล ค่าเฉลี่ยเคลื่อนที่จะคำนวณเป็นระยะเวลาหนึ่งเช่นสามเดือนหรือห้าเดือนขึ้นอยู่กับระยะเวลาที่นักพยากรณ์ต้องการที่จะราบรื่นข้อมูลความต้องการ ระยะเวลาเฉลี่ยที่ยาวนานขึ้นจะยิ่งนุ่มนวลขึ้น บริษัท เครื่องคิดเลขออฟฟิศออฟฟิศซัพพลายขายและส่งมอบเครื่องใช้สำนักงานไปยัง บริษัท โรงเรียนและหน่วยงานต่างๆภายในรัศมี 50 ไมล์จากคลังสินค้าของ บริษัท ค่าเฉลี่ยคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ ธุรกิจจัดหาสำนักงานมีความสามารถในการแข่งขันและความสามารถในการส่งมอบคำสั่งซื้อได้อย่างทันท่วงทีเป็นปัจจัยในการสร้างลูกค้ารายใหม่ ๆ และรักษาความเก่า (สำนักงานมักจะสั่งไม่เมื่อพวกเขาทำงานต่ำในวัสดุสิ้นเปลือง แต่เมื่อพวกเขาหมดสิ้นผลเป็นผลให้พวกเขาต้องการคำสั่งของพวกเขาทันที) ผู้จัดการของ บริษัท ต้องการที่จะมีไดรเวอร์เพียงพอและยานพาหนะพร้อมที่จะส่งมอบคำสั่งซื้อทันทีและ พวกเขามีสต็อคเพียงพอในสต็อก ดังนั้นผู้จัดการต้องการคาดการณ์จำนวนคำสั่งซื้อที่จะเกิดขึ้นในเดือนถัดไป (เช่นคาดการณ์ความต้องการในการจัดส่ง) จากบันทึกคำสั่งซื้อการจัดการได้รวบรวมข้อมูลต่อไปนี้ไว้ในช่วง 10 เดือนที่ผ่านมาซึ่งต้องการคำนวณค่าเฉลี่ยเคลื่อนที่ 3 และ 5 เดือน สมมติว่าเป็นวันสิ้นเดือนตุลาคม การคาดการณ์ที่เกิดจากค่าเฉลี่ยเคลื่อนที่ 3 หรือ 5 เดือนโดยทั่วไปสำหรับเดือนถัดไปตามลำดับซึ่งในกรณีนี้คือเดือนพฤศจิกายน ค่าเฉลี่ยเคลื่อนที่จะคำนวณจากความต้องการคำสั่งซื้อสำหรับงวด 3 เดือนก่อนตามลำดับตามสูตรต่อไปนี้ค่าเฉลี่ยเคลื่อนที่ 5 เดือนคำนวณจากข้อมูลความต้องการ 5 เดือนก่อนหน้าดังนี้ 3- และ 5 เดือน การคาดการณ์ค่าเฉลี่ยเคลื่อนที่สำหรับเดือนทั้งหมดของข้อมูลความต้องการจะแสดงในตารางต่อไปนี้ จริงๆแล้วการคาดการณ์สำหรับเดือนพฤศจิกายนตามความต้องการรายเดือนล่าสุดจะถูกใช้โดยผู้จัดการ อย่างไรก็ตามการคาดการณ์ก่อนหน้านี้สำหรับเดือนก่อน ๆ ช่วยให้เราสามารถเปรียบเทียบการคาดการณ์กับความต้องการที่แท้จริงเพื่อดูว่าวิธีการพยากรณ์ถูกต้องอย่างไรนั่นคือทำได้ดีแค่ไหน ค่าเฉลี่ยทั้งสามและห้าเดือนทั้งสองค่าเฉลี่ยของการคาดการณ์ในตารางด้านบนมีแนวโน้มที่จะทำให้ความแปรปรวนเกิดขึ้นได้ในข้อมูลที่เกิดขึ้นจริง ผลการปรับให้เรียบนี้สามารถสังเกตได้จากตัวเลขต่อไปนี้ซึ่งเป็นข้อมูลเฉลี่ยของ 3 เดือนและ 5 เดือนในกราฟของข้อมูลเดิม: ค่าเฉลี่ยเคลื่อนที่ 5 เดือนในรูปก่อนหน้านี้ช่วยขจัดความผันผวนได้มากกว่า ค่าเฉลี่ยเคลื่อนที่ 3 เดือน อย่างไรก็ตามค่าเฉลี่ยในรอบ 3 เดือนสะท้อนให้เห็นถึงข้อมูลล่าสุดที่มีให้กับผู้จัดการฝ่ายจัดหาสำนักงานมากขึ้น โดยทั่วไปการคาดการณ์โดยใช้ค่าเฉลี่ยเคลื่อนที่ในระยะยาวจะตอบสนองต่อการเปลี่ยนแปลงความต้องการล่าสุดได้ช้ากว่าที่คาดการณ์ไว้โดยใช้ค่าเฉลี่ยเคลื่อนที่ที่สั้นลง ช่วงเวลาที่เพิ่มขึ้นของข้อมูลจะส่งผลต่อความเร็วที่คาดการณ์ไว้ การสร้างจำนวนระยะเวลาที่เหมาะสมเพื่อใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่มักต้องการการทดลองใช้และทดสอบข้อผิดพลาดจำนวนมาก ข้อเสียของวิธีเฉลี่ยเคลื่อนที่คือไม่ตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นด้วยเหตุผลเช่นรอบการทำงานและผลตามฤดูกาล ปัจจัยที่ทำให้เกิดการเปลี่ยนแปลงโดยทั่วไปจะถูกเพิกเฉย เป็นวิธีการเชิงกลซึ่งสะท้อนถึงข้อมูลทางประวัติศาสตร์อย่างสม่ำเสมอ อย่างไรก็ตามวิธีเฉลี่ยเคลื่อนที่จะมีข้อดีคือใช้งานง่ายรวดเร็วและไม่แพงนัก โดยทั่วไปวิธีการนี้สามารถให้การคาดการณ์ที่ดีในระยะสั้น แต่ไม่ควรผลักดันให้ไกลเกินไป Weighted Moving Average วิธีถัวเฉลี่ยถ่วงน้ำหนักสามารถปรับเปลี่ยนเพื่อสะท้อนความผันผวนของข้อมูลได้มากขึ้น ในวิธีถัวเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักน้ำหนักจะถูกกำหนดให้กับข้อมูลล่าสุดตามสูตรต่อไปนี้: ข้อมูลความต้องการสำหรับ PM Computer Services (แสดงในตารางสำหรับตัวอย่าง 10.3) ดูเหมือนจะทำตามแนวโน้มเชิงเส้นที่เพิ่มขึ้น บริษัท ต้องการคำนวณเส้นแนวโน้มเชิงเส้นเพื่อดูว่ามีความแม่นยำมากกว่าการคาดการณ์การปรับให้เรียบและชี้แจงที่ได้รับการพัฒนาขึ้นในตัวอย่าง 10.3 และ 10.4 หรือไม่ ค่าที่จำเป็นสำหรับการคำนวณกำลังสองน้อยที่สุดมีดังนี้: ใช้ค่าเหล่านี้พารามิเตอร์สำหรับเส้นแนวโน้มเชิงเส้นคำนวณดังนี้: ดังนั้นสมการเส้นแนวโน้มเส้นคือการคำนวณการคาดการณ์สำหรับรอบระยะเวลา 13 ให้ x 13 ในเส้นตรง เส้นแนวโน้ม: กราฟต่อไปนี้แสดงเส้นแนวโน้มเชิงเส้นเมื่อเทียบกับข้อมูลจริง เส้นแนวโน้มแสดงให้เห็นอย่างใกล้ชิดกับข้อมูลที่เกิดขึ้นจริงนั่นคือเหมาะที่จะเป็นรูปแบบการคาดการณ์ที่ดีสำหรับปัญหานี้ อย่างไรก็ตามข้อเสียของเส้นแนวโน้มคือว่ามันจะไม่ปรับตัวให้เข้ากับการเปลี่ยนแปลงของแนวโน้มเนื่องจากวิธีการคาดการณ์การทำให้ราบเรียบชี้แจงจะเป็นสมมติว่าการคาดการณ์ในอนาคตทั้งหมดจะเป็นไปตามเส้นตรง วิธีนี้ จำกัด การใช้วิธีนี้กับกรอบเวลาที่สั้นกว่าซึ่งคุณสามารถมั่นใจได้ว่าแนวโน้มจะไม่เปลี่ยนแปลง การปรับฤดูกาลเป็นฤดูกาลที่เพิ่มขึ้นและความต้องการลดลง รายการอุปสงค์จำนวนมากแสดงพฤติกรรมตามฤดูกาล ยอดขายเสื้อผ้าเป็นไปตามรูปแบบฤดูกาลประจำปีโดยมีความต้องการเสื้อผ้าอุ่น ๆ เพิ่มขึ้นในช่วงฤดูใบไม้ร่วงและฤดูหนาวและลดลงในช่วงฤดูใบไม้ผลิและฤดูร้อนเนื่องจากความต้องการเสื้อผ้าเพิ่มขึ้น ความต้องการสินค้าปลีกจำนวนมากรวมทั้งของเล่นอุปกรณ์กีฬาเสื้อผ้าเครื่องใช้ไฟฟ้าแฮมตุรกีไวน์และผลไม้เพิ่มขึ้นในช่วงเทศกาลวันหยุด ความต้องการบัตรอวยพรเพิ่มขึ้นควบคู่ไปกับวันพิเศษเช่นวันวาเลนไทน์และวันแม่ รูปแบบตามฤดูกาลอาจเกิดขึ้นได้ทุกเดือนรายสัปดาห์หรือแม้แต่รายวัน ร้านอาหารบางแห่งมีความต้องการสูงกว่าช่วงกลางวันหรือในช่วงสุดสัปดาห์ซึ่งไม่ใช่วันธรรมดา การจราจร - เพราะฉะนั้นการขาย - ที่ห้างสรรพสินค้าหยิบขึ้นมาในวันศุกร์และวันเสาร์ มีหลายวิธีในการสะท้อนรูปแบบตามฤดูกาลในการคาดการณ์ชุดข้อมูลแบบอนุกรม เราจะอธิบายหนึ่งในวิธีที่ง่ายขึ้นโดยใช้ปัจจัยตามฤดูกาล ปัจจัยตามฤดูกาลคือค่าตัวเลขที่คูณด้วยการคาดการณ์ตามปกติเพื่อให้ได้รับการคาดการณ์ตามฤดูกาล วิธีการหนึ่งในการพัฒนาความต้องการปัจจัยตามฤดูกาลคือการแบ่งความต้องการสำหรับแต่ละฤดูกาลตามความต้องการโดยรวมประจำปีตามสูตรต่อไปนี้ปัจจัยฤดูกาลที่เกิดขึ้นระหว่าง 0 ถึง 1.0 เป็นผลส่วนหนึ่งของความต้องการประจำปีทั้งหมดที่กำหนดให้ ในแต่ละฤดูกาล ปัจจัยฤดูกาลเหล่านี้คูณด้วยความต้องการที่คาดการณ์ไว้เป็นประจำทุกปีเพื่อให้ได้ผลตอบแทนที่ปรับตามฤดูกาลในแต่ละฤดูกาล การคำนวณการคาดการณ์ด้วยการปรับฤดูกาลฟาร์ม Wishbone Farm เติบโตขึ้นเพื่อขายไก่งวงให้กับ บริษัท แปรรูปเนื้อสัตว์ตลอดทั้งปี อย่างไรก็ตามในช่วงไตรมาสที่สี่ของปีพฤศจิกาจะมีฤดูกาลสูงสุดในช่วงเดือนตุลาคมถึงธันวาคม Wishbone Farms มีประสบการณ์ความต้องการไก่งวงในช่วง 3 ปีที่ผ่านมาแสดงไว้ในตารางต่อไปนี้เนื่องจากเรามีข้อมูลความต้องการยาวนานถึงสามปีเราจึงสามารถคำนวณหาปัจจัยตามฤดูกาลได้โดยแบ่งความต้องการรายไตรมาสทั้งหมดเป็นเวลาสามปีตามความต้องการทั้งหมดในช่วง 3 ปีที่ผ่านมา : ต่อไปเราต้องการเพิ่มความต้องการที่คาดการณ์ไว้สำหรับปีหน้าในปีพ. ศ. 2543 ตามปัจจัยต่างๆตามฤดูกาลเพื่อให้ได้ความต้องการที่คาดการณ์ไว้สำหรับแต่ละไตรมาส เพื่อให้บรรลุเป้าหมายนี้เราจำเป็นต้องมีการคาดการณ์ความต้องการสำหรับปี 2543 ในกรณีนี้เนื่องจากข้อมูลความต้องการในตารางดูเหมือนจะมีแนวโน้มเพิ่มขึ้นโดยทั่วไปเราคำนวณเส้นแนวโน้มเชิงเส้นเป็นเวลาสามปีของข้อมูลในตารางเพื่อให้ได้ข้อมูลที่หยาบ ประมาณการคาดการณ์: ดังนั้นการคาดการณ์สำหรับปี 2000 คือ 58.17 หรือ 58,170 ไก่งวง เมื่อใช้การคาดการณ์รายปีของอุปสงค์นี้การคาดการณ์ที่ปรับฤดูกาลแล้ว SF i สำหรับปีพ. ศ. 2543 จะเปรียบเทียบการคาดการณ์รายไตรมาสเหล่านี้กับค่าความต้องการที่แท้จริงในตารางซึ่งดูเหมือนว่าจะเป็นประมาณการประมาณการที่ค่อนข้างดีซึ่งสะท้อนถึงความแตกต่างตามฤดูกาลทั้งในข้อมูลและ แนวโน้มทั่วไปขึ้น 10-12 วิธีการเฉลี่ยเคลื่อนที่แบบเดียวกับที่อธิบายได้คือ 10-11 สิ่งที่ส่งผลต่อรูปแบบการทำให้เรียบแบบเลขแจงจะเพิ่มค่าคงที่ที่ราบเรียบได้ 10-14 การปรับความเปรียบต่างที่ปรับเปลี่ยนได้มีความแตกต่างจากการให้ความนุ่มนวลแบบเลขแจง 10-15 สิ่งที่กำหนดทางเลือกของการปรับให้เรียบคงที่สำหรับแนวโน้มในแบบจำลองการปรับรูปแบบเลขแจงแบบปรับ 10-16 ในตัวอย่างบทสำหรับวิธีการแบบอนุกรมเวลาการคาดการณ์เริ่มต้นถือว่าเป็นเช่นเดียวกับความต้องการที่แท้จริงในช่วงแรก แนะนำวิธีอื่น ๆ ที่อาจมีการคาดการณ์เริ่มต้นในการใช้งานจริง 10-17 รูปแบบการคาดการณ์ของเส้นแนวโน้มแบบเส้นแตกต่างจากแบบจำลองการถดถอยเชิงเส้นสำหรับการคาดการณ์ 10-18 ของแบบจำลองชุดเวลาที่นำเสนอในบทนี้รวมทั้งค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักการปรับให้เรียบแบบเอ็กซ์โปเนนเน่นและการปรับความเรียบที่เป็นเอกลัษณ์และเส้นแนวโน้มแบบเส้นตรงซึ่งคุณคิดว่าดีที่สุดทำไม 10-19 ข้อดีของการปรับความเปรียบเชิงเส้นทแยงมุมมีมากกว่าเส้นแนวโน้มเชิงเส้นสำหรับความต้องการที่คาดการณ์ไว้ซึ่งแสดงถึงแนวโน้ม 4 K. B. Kahn และ J. T. Mentzer การพยากรณ์ในตลาดผู้บริโภคและอุตสาหกรรมวารสารการพยากรณ์ธุรกิจ 14 ฉบับที่ 4 2 (ฤดูร้อน 1995): 21-28 บทที่สี่ (MC และ TF) มีรายงานตัวเลขสองฉบับในรายงานประจำวันให้กับ CEO ของ Walt Disney Parks amp Resorts เกี่ยวกับสวนสาธารณะออร์แลนโดหกแห่ง a. การเข้าร่วมประชุมคาดการณ์ในปีที่ผ่านมาและการเข้าร่วมประชุมวันอังคาร y การเข้าร่วมประชุมจริงในวันนี้และการเข้าร่วมประชุมที่คาดการณ์ไว้ในปัจจุบัน c. การเข้าร่วมงานที่คาดการณ์ไว้เมื่อวานและการเข้าร่วมงานที่คาดการณ์ไว้ในปัจจุบัน d. การเข้าเรียนจริงในปีที่ผ่านมาและการเข้าเรียนจริงในปีที่ผ่านมา e. การคาดการณ์การเข้าร่วมที่คาดการณ์ในรอบปีที่ผ่านมาและข้อผิดพลาดในการคาดการณ์รายวันโดยเฉลี่ยของปีถึงปีประมาณการโดยเฉลี่ยในช่วง 6 เดือนจะดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 เดือนหากความต้องการ a. ค่อนข้างคงที่ b. ได้รับการเปลี่ยนแปลงเนื่องจากความพยายามในการส่งเสริมล่าสุด c. มีแนวโน้มลดลง d. เป็นไปตามฤดูกาลที่ซ้ำตัวเองปีละสองครั้ง e. ตามแนวโน้มที่สูงขึ้นสำหรับความต้องการผลิตภัณฑ์หนึ่ง ๆ แนวโน้มของสมการของอนุกรมเวลาคือ 53 - 4 X. เครื่องหมายลบบนความชันของสมการ a. เป็นไปไม่ได้ทางคณิตศาสตร์ b. เป็นข้อบ่งชี้ว่าการคาดการณ์มีความลำเอียงโดยมีค่าพยากรณ์ต่ำกว่าค่าที่แท้จริง c. เป็นข้อบ่งชี้ว่าความต้องการสินค้าลดลง d. หมายความว่าค่าสัมประสิทธิ์ของการกำหนดจะเป็นลบ e. แสดงว่า RSFE จะเป็นค่าลบซึ่งข้อใดต่อไปนี้เป็นจริงเกี่ยวกับค่าคงที่ทั้งสองแบบของรูปแบบพยากรณ์รวมทั้งแนวโน้ม (FIT) a. หนึ่งคงเป็นบวกในขณะที่อื่น ๆ เป็นลบ ข พวกเขาเรียกว่า MAD และ RSFE ค Alpha มีขนาดเล็กกว่าเบต้าเสมอ d หนึ่งคงที่ราบรื่นถดถอยตัดในขณะที่อื่น ๆ คล่องตัวลาดถดถอย อี ค่าของพวกเขาจะถูกกำหนดโดยอิสระ ความต้องการผลิตภัณฑ์บางอย่างคาดว่าจะอยู่ที่ 800 หน่วยต่อเดือนโดยเฉลี่ยแล้วตลอด 12 เดือนของปี ผลิตภัณฑ์มีรูปแบบตามฤดูกาลซึ่งดัชนีเดือนมกราคมของเดือนมกราคมเท่ากับ 1.25 การคาดการณ์ยอดขายที่ปรับฤดูกาลตามฤดูกาลในเดือนมกราคมคืออะไร 640 หน่วย b. 798.75 หน่วย c. 800 หน่วย d. 1000 หน่วย e. ไม่สามารถคำนวณได้ด้วยข้อมูลที่ระบุดัชนีตามฤดูกาลสำหรับชุดข้อมูลรายเดือนกำลังจะถูกคำนวณบนพื้นฐานของการสะสมข้อมูลสามปี ค่าเฉลี่ยของเดือนกรกฎาคมที่ผ่านมามีค่าเท่ากับ 110, 150 และ 130 โดยค่าเฉลี่ยของทุกเดือนคือ 190 จุดดัชนีฤดูกาลโดยประมาณสำหรับเดือนกรกฎาคมคือ a. 0.487 ข. 0.684 c. 1.462 d. 2.053 จ. ไม่สามารถคำนวณได้โดยใช้ข้อมูลที่ระบุไว้ - หมายเหตุเป็นชุดของบันทึกเบื้องต้นในหัวข้อที่อยู่ภายใต้หัวเรื่องกว้างของเขตข้อมูลของการวิจัยการดำเนินงาน (OR) พวกเขาถูกใช้โดยฉันในเบื้องต้นหรือหลักสูตรที่ฉันให้ที่อิมพีเรียลคอลเลจ ตอนนี้พวกเขาพร้อมสำหรับการใช้งานโดยนักเรียนและครูผู้สนใจในหรือภายใต้เงื่อนไขดังต่อไปนี้ คุณสามารถดูหัวข้อทั้งหมดที่มีอยู่ใน OR-Notes ได้ที่นี่ ตัวอย่างการคาดการณ์ตัวอย่างการคาดการณ์ตัวอย่าง 1996 UG ความต้องการผลิตภัณฑ์ในแต่ละ 5 เดือนล่าสุดแสดงไว้ด้านล่าง ใช้ค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อสร้างการคาดการณ์สำหรับความต้องการในเดือน 6 ​​ใช้การปรับให้เรียบแบบเสวนาด้วยค่าคงที่ที่ราบเรียบเป็น 0.9 เพื่อสร้างการคาดการณ์สำหรับความต้องการสำหรับความต้องการในเดือนที่ 6 ซึ่งจากทั้งสองการคาดการณ์ที่คุณชอบและทำไมการย้ายสองเดือน ค่าเฉลี่ยสำหรับเดือนที่สองถึงห้าจะได้รับโดย: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 5 m 5 2350 การใช้การเพิ่มความล้าสมัยโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.9 เราได้รับดังนี้ การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยสำหรับเดือน 5 M 5 2386 เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณค่าความเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่ของ MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 และสำหรับค่าเฉลี่ยที่ได้รับความราบเรียบแบบเรียงลำดับด้วยค่าคงที่ที่ราบเรียบเท่ากับ 0.9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 โดยรวมแล้วเราจะเห็นว่าการทำให้เรียบเป็นทวีคูณดูเหมือนจะให้การคาดการณ์ล่วงหน้าหนึ่งเดือนที่ดีที่สุดเนื่องจากมี MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 2386 ที่ได้รับการผลิตโดยการทำให้เรียบแบบทวีคูณ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2537 ตารางด้านล่างแสดงถึงความต้องการใช้เครื่องโกนหนวดใหม่ในร้านในช่วง 7 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ด อะไรคือการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่แปดใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.1 เพื่อคาดการณ์สำหรับความต้องการในเดือนที่แปด การคาดการณ์ใดในสองเดือนที่แปดที่คุณชอบและเหตุใดผู้ดูแลร้านจึงเชื่อว่าลูกค้าจะเปลี่ยนมาใช้ผลิตภัณฑ์หลังการขายใหม่จากแบรนด์อื่น ๆ อภิปรายเกี่ยวกับวิธีการสร้างแบบจำลองพฤติกรรมการสลับนี้และระบุข้อมูลที่คุณต้องการเพื่อยืนยันว่าการสลับนี้เกิดขึ้นหรือไม่ ค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ดจะได้รับโดย: การคาดการณ์สำหรับเดือนที่แปดเป็นเพียงค่าเฉลี่ยเคลื่อนที่สำหรับเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือนที่ 7 m 7 46 ใช้การคำนวณหากำไรให้เรียบโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 รับ: เป็นก่อนที่การคาดการณ์สำหรับเดือนแปดเป็นเพียงค่าเฉลี่ยสำหรับเดือน 7 7 7 31.11 (ที่เราไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับความราบรื่นแบบจำลองที่มีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สองเดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สองเดือน เพื่อตรวจสอบการเปลี่ยนเราจะต้องใช้รูปแบบกระบวนการ Markov ที่แบรนด์รัฐและเราจะต้องมีข้อมูลสถานะเบื้องต้นและความน่าจะเป็นของลูกค้าเปลี่ยน (จากการสำรวจ) เราจำเป็นต้องใช้แบบจำลองข้อมูลย้อนหลังเพื่อดูว่าเรามีความเหมาะสมระหว่างแบบจำลองและพฤติกรรมทางประวัติศาสตร์หรือไม่ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2535 ตารางด้านล่างแสดงความต้องการใช้มีดโกนเฉพาะในร้านค้าสำหรับแต่ละช่วง 9 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับเดือนที่สามถึงเก้า สิ่งที่คาดหวังของคุณสำหรับความต้องการในเดือนสิบใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.3 เพื่อคาดการณ์สำหรับความต้องการในเดือนสิบ การคาดการณ์ใดในเดือนที่สิบสองที่คุณชอบและเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ 3 เดือนสำหรับเดือนที่ 3 ถึง 9 จะได้จาก: การคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 9 เมตร 9 20.33 ดังนั้นการคาดการณ์สำหรับเดือนที่ 10 คือ 20. ใช้การคำนวณหาค่าเฉลี่ยแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.3 ที่เราได้รับ: ก่อนที่การคาดการณ์สำหรับเดือน 10 จะเป็นค่าเฉลี่ยสำหรับเดือนที่ 9 M 9 18.57 19 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบของ 0.3 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 20 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สามเดือน การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปีพ. ศ. 2534 ตารางด้านล่างแสดงความต้องการใช้เครื่องแฟกซ์เฉพาะในห้างสรรพสินค้าในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สี่เดือนสำหรับเดือนที่ 4 ถึง 12 ปีการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่ 13 ใช้การปรับให้เรียบแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบ 0.2 เพื่อพยากรณ์ความต้องการในเดือนที่ 13 ซึ่งจะมีการคาดการณ์สองเดือน 13 คุณชอบและทำไมปัจจัยอื่น ๆ ที่ไม่ได้พิจารณาในการคำนวณข้างต้นอาจมีผลต่อความต้องการเครื่องแฟกซ์ในเดือนที่ 13 ค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับเดือนที่ 4 ถึง 12 จะได้จาก: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24.75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30.5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 การคาดการณ์ในเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ เดือน 12 ม. 12 46.25 ดังนั้นตามที่คาดการณ์ไว้สำหรับเดือนที่ 13 คือ 46 ใช้ค่าความละเอียดที่เป็นลําชี้โดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.2 เราได้รับ: ก่อนหน้าการคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยสำหรับเดือน 12 M 12 38.618 39 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบจาก 0.2 โดยรวมเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สี่เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สี่เดือน ความต้องการตามฤดูกาลการเปลี่ยนแปลงราคาโฆษณาทั้งแบรนด์นี้และยี่ห้ออื่น ๆ สถานการณ์ทางเศรษฐกิจทั่วไปเทคโนโลยีใหม่การพยากรณ์เช่นการตรวจสอบ UG ปี 1989 ตารางด้านล่างแสดงความต้องการใช้เตาไมโครเวฟในห้างสรรพสินค้าเฉพาะในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่ 6 เดือนสำหรับแต่ละเดือน สิ่งที่จะคาดการณ์สำหรับความต้องการในเดือน 13 ใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.7 เพื่อคาดการณ์ความต้องการในเดือน 13 ซึ่งจากสองคาดการณ์สำหรับเดือน 13 ที่คุณชอบและทำไมตอนนี้เราไม่สามารถคำนวณหก เดือนจนกว่าเราจะมีข้อสังเกตอย่างน้อย 6 ข้อกล่าวคือเราสามารถคำนวณค่าเฉลี่ยดังกล่าวได้ตั้งแต่เดือนที่ 6 เป็นต้นไปเท่านั้น ดังนั้นเราจึงมี: m 6 (34 32 30 29 31 27) 6 30.50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34.00 m 10 (39 37 35 36 34 32) 6 35.50 m 11 (40 39 37 35 36 34) 6 36.83 m 12 (42 40 39 37 35 36) 6 38.17 ประมาณการสําหรับเดือนที่ 13 เปนคาเฉลี่ยเคลื่อนที่สําหรับ เดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 38.17 ดังนั้นตามที่เราไม่สามารถมีความต้องการเศษ) การคาดการณ์สำหรับเดือน 13 เป็น 38 ใช้เรียบเรียงเรียบด้วยความราบเรียบค่าคงที่ของ 0.7 เราได้รับ: