Gleitender Durchschnitt Vorhersage Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so dass Sie vielleicht auf eine über (85 73) / 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger haben Partying und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Performance zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive gehörte die quotpast predictionsquot, weil wir sie in der nächsten Web-Seite verwenden Vorhersage Gültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für die Zelle C5 sollte nun Sie diese Zelle Formel C6 bis C11 zu den anderen Zellen nach unten kopieren. Beachten Sie, wie jetzt nur noch die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast predictionsquot Bilder dienen der Veranschaulichung und für die spätere Verwendung in Prognose Validierung. Einige andere Dinge, die wichtig zu beachten sind. Für einen m-Zeitraum durchschnittliche Prognose bewegen nur die m letzten Datenwerte werden verwendet, um die Vorhersage zu machen. Nichts anderes ist notwendig. Für einen m-Zeitraum durchschnittliche Prognose bewegen, wenn quotpast predictionsquot machen, feststellen, dass die erste Vorhersage in Periode m 1. Beide Probleme auftritt, wird sehr bedeutend sein, wenn wir unseren Code zu entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingänge für die Anzahl der Perioden sind Sie in der Prognose und dem Array von historischen Werten verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historische, NumberOfPeriods) As Single Deklarieren und Variablen Dim Artikel As Variant Dim Zähler As Integer Dim Accumulation As Single Dim HistoricalSize Initialisierung As Integer initialisieren Variablen Zähler 1 Accumulation 0 Bestimmung der Größe der historischen Array HistoricalSize Historical. Count für Zähler 1 Um NumberOfPeriods Anhäufung der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation / NumberOfPariods Der Code wird in der Klasse erklärt. Sie möchten die Funktion in der Tabellenkalkulation positionieren, sodass das Ergebnis der Berechnung dort erscheint, wo es die folgenden haben sollte. Zeitreihenmethoden Zeitreihenmethoden sind statistische Techniken, die historische Daten verwenden, die über einen Zeitraum akkumuliert wurden. Zeitreihen-Methoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft vorkommt. Wie der Name der Zeitreihe andeutet, beziehen diese Methoden die Prognose nur auf einen Faktor - Zeitpunkt. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie, und sie gehören zu den beliebtesten Methoden für die kurzfristige Prognose von Service - und Produktionsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Wenn die Nachfrage zum Beispiel 100 Einheiten in dieser Woche beträgt, beträgt die Prognose für die nächste Wochen-Nachfrage 100 Einheiten, wenn die Nachfrage zu 90 Einheiten stattdessen ausfällt, dann sind die folgenden Wochen die Nachfrage 90 Einheiten und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, sondern nur die Nachfrage in der aktuellen Periode. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der jüngsten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Zunahmen und Abnahmen einer Prognose, die nur eine Periode verwendet, zu dämpfen oder zu glätten. Die einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägte Nachfrage Verhalten, wie ein Trend-oder saisonale Muster. Bewegungsdurchschnitte werden für bestimmte Zeiträume berechnet, wie z. B. drei Monate oder fünf Monate, je nachdem, wie viel der Prognostiker wünscht, die Bedarfsdaten zu glätten. Je länger der gleitende Durchschnitt, desto glatter ist er. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist Computing ein einfaches Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Büro-Supply-Geschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge zeitnah zu liefern, ist ein Faktor, neue Kunden zu gewinnen und alte zu halten. (Büros in der Regel nicht, wenn sie auf niedrige Lieferungen laufen, aber wenn sie völlig ausgehen, so dass sie ihre Aufträge sofort benötigen.) Der Manager des Unternehmens will sicher sein, genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern und Sie haben ausreichende Bestände auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die während des nächsten Monats auftreten (d. h. die Nachfrage nach Lieferungen vorauszusagen). Aus den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate akkumuliert, aus denen er 3- und 5-Monats-Bewegungsdurchschnitte berechnen möchte. Nehmen wir an, daß es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, liegt typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorangegangenen 3 Monate in der Sequenz gemäß folgender Formel berechnet: Der gleitende 5-Monatsdurchschnitt wird aus den vorherigen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und der 5-Monats-Zeitraum Gleitende Durchschnittsprognosen für alle Monate der Nachfragedaten sind in der folgenden Tabelle dargestellt. Eigentlich würde nur die Prognose für November, die auf der letzten monatlichen Nachfrage basiert, vom Manager verwendet werden. Allerdings erlauben es die früheren Prognosen für die Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das heißt, wie gut es funktioniert. Drei - und Fünfmonatsdurchschnitte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität, die in den tatsächlichen Daten auftritt, zu glätten. Dieser Glättungseffekt ist in der folgenden Abbildung zu sehen, in der die 3-Monats - und die 5-Monats-Durchschnittswerte einem Diagramm der ursprünglichen Daten überlagert wurden: Der gleitende 5-Monatsdurchschnitt in der vorherigen Abbildung glättet Schwankungen in einem größeren Ausmaß als Der dreimonatige Gleitende Durchschnitt. Der 3-Monats-Durchschnitt spiegelt jedoch die jüngsten Daten, die dem Büromaterial-Manager zur Verfügung stehen, stärker wider. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen in der Nachfrage zu reagieren als diejenigen, die unter Verwendung kürzerer Periodenbewegungsdurchschnitte durchgeführt wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose antwortet. Die Festlegung der geeigneten Anzahl von Perioden, die in einer gleitenden Durchschnittsprognose verwendet werden müssen, erfordert oft ein gewisses Maß an Versuchs - und Fehlerversuchen. Der Nachteil der gleitenden Durchschnittsmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich grundsätzlich um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Die gleitende Durchschnittsmethode hat jedoch den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. In der Regel kann diese Methode eine gute Prognose für die kurze Laufzeit, aber es sollte nicht zu weit in die Zukunft geschoben werden. Gewichteter gleitender Durchschnitt Die gleitende Durchschnittsmethode kann so angepasst werden, dass sie stärkere Fluktuationen in den Daten widerspiegelt. Bei der gewichteten gleitenden Durchschnittsmethode werden die Gewichte den letzten Daten entsprechend der folgenden Formel zugewiesen: Die Bedarfsdaten für PM Computer Services (gezeigt in der Tabelle für Beispiel 10.3) scheinen einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättungs - und angepassten exponentiellen Glättungsvorhersagen ist. Die für die Berechnung der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher wird die lineare Trendliniengleichung berechnet, um eine Prognose für die Periode 13 zu berechnen, wobei x & sub3; Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den Istdaten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - also gut zu passen - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie besteht jedoch darin, dass sie sich nicht an eine Trendänderung anpasst, da die exponentiellen Glättungsprognosemethoden voraussetzen, dass alle zukünftigen Prognosen einer Geraden folgen werden. Dies beschränkt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine repetitive Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen Jahreszeitmustern, mit der Nachfrage nach warmer Kleidung, die im Fall und im Winter und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelteilen einschließlich Spielwaren, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Frucht, während der Ferienzeit erhöhen. Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkäufe - an den Einkaufszentren nimmt Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein numerischer Wert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage pro Saison nach der folgenden Formel aufzuteilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind tatsächlich der Anteil der Gesamtjahresnachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um prognostizierte Prognosen für jede Saison zu erzielen. Berechnung einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne zu einem Fleisch-Verarbeitung Unternehmen das ganze Jahr verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis Dezember. Wishbone Farms hat in den folgenden drei Jahren die Nachfrage nach Truthühnern erlebt: Weil wir drei Jahre Nachfragedaten haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage in allen drei Jahren dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr, 2000, mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Nachfrageprognose für 2000. Da in diesem Fall die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend aufweisen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu erhalten Prognose Schätzung: So ist die Prognose für das Jahr 2000 58,17 oder 58,170 Puten. Anhand dieser jährlichen Bedarfsprognose werden die saisonbereinigten Prognosen SF i für das Jahr 2000 verglichen, wenn diese vierteljährlichen Prognosen mit den tatsächlichen Bedarfswerten in der Tabelle verglichen werden. Sie scheinen relativ gute Prognoseschätzungen zu sein, die sowohl die saisonalen Schwankungen der Daten widerspiegeln als auch Der allgemeine Aufwärtstrend. 10-12. Wie ist die gleitende Durchschnittsmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell wird die Glättungskonstante erhöhen, haben 10-14. Wie sich die eingestellte exponentielle Glättung von der exponentiellen Glättung 10-15 unterscheidet. Was die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16 bestimmt. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Ausgangsprognose immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie weitere Möglichkeiten vor, dass die Startprognose tatsächlich ermittelt werden kann. 10-17. Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose 10-18. Von den in diesem Kapitel vorgestellten Zeitreihenmodellen, einschließlich dem gleitenden Mittelwert und dem gewichteten gleitenden Durchschnitt, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, welche halten Sie für die besten Warum 10-19. Welche Vorteile hat eine angepasste exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend aufweist 4 K. B. Kahn und J. T. Mentzer, Prognose in Consumer and Industrial Markets, The Journal of Business Forecasting 14, No. 2 (Sommer 1995): 21-28.Kapitel 11 - Demand Management amp Forecasting Wie dieses Studium Set Erstellen Sie ein kostenloses Konto, um es zu speichern. Melden Sie sich für ein Konto Erstellen Sie ein Konto Messung von Fehlern 1. Standard-Fehler - lineare Regression 2. Mittlerer quadratischer Fehler (oder Varianz) - Standardfehler ist eine Quadratwurzel einer Funktion. Durchschnitt des quadratischen Fehlers. 3. Mittlere Absolute Deviation - der durchschnittliche Prognosefehler, der den absoluten Wert des Fehlers jeder vergangenen Prognose verwendet. Durchschnittlicher absoluter Fehler. Das ideale MAD ist Null, was bedeutet, dass es keinen Prognosefehler gibt. Je größer der MAD, desto geringer die Genauigkeit des daraus resultierenden Modells. 4. Mittlerer absoluter Fehler - Durchschnittliches absolutes Fehlerverfolgungssignal - ist eine Messung, die anzeigt, ob das Prognosemittel mit den echten Aufwärts - oder Abwärtsänderungen der Nachfrage Schritt hält. - ist die mittlere absolute Abweichung, die der Prognosewert über oder unter dem tatsächlichen Auftreten übersteigt. - - 5 Grenzwerte sind akzeptabelOper3100 Exam2 Chp15 In Zeitreihendaten, die eine Nachfrage darstellen, die von den folgenden nicht als Bestandteil der Nachfragevariation betrachtet wird.504 Variation. Varianz ist ein Maß für den Grad des Fehlers, nicht eine Komponente der Nachfrage Variation. Z. B. Einige allgemeine Begriffe, die verwendet werden, um den Grad des Fehlers zu beschreiben, sind Standardfehler, mittlerer quadratischer Fehler (oder Varianz) und mittlere absolute Abweichung. Welche der folgenden Aussagen ist keine der Grundtypen der Prognose p. 486 Kraftfeldanalyse. Die Prognose kann in vier Grundtypen eingeteilt werden: qualitative, Zeitreihenanalyse, Kausalbeziehungen und Simulation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in mehrere Komponenten zerlegt werden. Welche der folgenden Faktoren nicht als Bestandteil der Nachfrage betrachtet wird (S. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in sechs Komponenten unterteilt werden: durchschnittliche Nachfrage nach Periode, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in mehrere Komponenten unterteilt werden. Welche der folgenden Faktoren werden als eine Komponente der Nachfrage betrachtet (S. 486) Zyklische Elemente. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in sechs Komponenten unterteilt werden: durchschnittliche Nachfrage nach Periode, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in mehrere Komponenten unterteilt werden. Welche der folgenden Aspekte wird als Komponente der Nachfrage betrachtet (S. 486) Autokorrelation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in sechs Komponenten unterteilt werden: durchschnittliche Nachfrage nach Periode, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation. Welche der folgenden Prognosemethoden gilt als qualitative Prognosemethode Marktforschung. Marktforschung ist vor allem für die Produktforschung im Sinne der Suche nach neuen Produktideen, Vorlieben und Abneigungen gegen bestehende Produkte, die wettbewerbsfähige Produkte in einer bestimmten Klasse bevorzugt werden, und so weiter verwendet. Auch hier handelt es sich in erster Linie um Befragungen und Interviews. Welche der folgenden Prognosemethoden gilt als Zeitreihenvorhersagetechnik (S.498) Einfacher gleitender Durchschnitt. Ein einfacher gleitender Durchschnitt ist die einzige Wahl, die versucht, zukünftige Bedarfswerte basierend auf vergangenen Daten vorherzusagen. Welche der folgenden Prognosemethoden wird als eine Zeitreihenvorhersagetechnik betrachtet (S. 499) Gewichteter gleitender Durchschnitt. Der gewichtete gleitende Durchschnitt ist die einzige Wahl, die versucht, zukünftige Bedarfswerte basierend auf vergangenen Daten vorherzusagen. Welche der folgenden Prognosemethoden wird als kausale Prognosemethode betrachtet (S. 486) Lineare Regression. Kausale Prognosen, die wir mit der linearen Regressionstechnik diskutieren, gehen davon aus, dass die Nachfrage mit einigen Faktoren oder Faktoren in der Umwelt zusammenhängt. Welche der folgenden Prognosemethoden nutzt die Exekutivbeurteilung als ihre Hauptkomponente für die Prognose (S. 509) Panelkonsens. In einem Panel Konsens, die Idee, dass zwei Köpfe sind besser als eins ist auf die Idee, dass eine Gruppe von Menschen aus einer Vielzahl von Positionen eine zuverlässigere Prognose als eine schmalere Gruppe entwickeln kann extrapoliert. Panel-Prognosen werden durch offene Treffen mit freiem Austausch von Ideen aus allen Ebenen der Verwaltung und Einzelpersonen entwickelt. Wenn Entscheidungen in der Prognose auf einer breiteren, höheren Ebene (wie bei der Einführung einer neuen Produktlinie oder bei strategischen Produktentscheidungen wie neuen Marketingbereichen) stattfinden, wird allgemein der Begriff "Executive Urteil" verwendet. Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der richtigen Personen, die die Prognose (S. 510) Delphi-Methode tatsächlich bewerten werden. Die Schritt-für-Schritt-Prozedur für die Delphi-Methode ist: 1. Wählen Sie die Experten zu beteiligen. Es sollte eine Vielzahl von sachkundigen Menschen in verschiedenen Bereichen. In der Business-Prognose, was in der Regel als eine kurzfristige Zeit (S. 488) Weniger als 3 Monate. In Business-Prognose kurzfristig bezieht sich in der Regel auf unter drei Monaten. In der Business-Prognose, was in der Regel als eine mittelfristige Zeit (S.488) Drei Monate bis zwei Jahre. In Business-Prognose mittelfristig (bezieht sich auf) drei Monate bis zwei Jahre. In der Business-Prognose, was in der Regel als eine langfristige Zeit (S. 488) Zwei Jahre oder länger. In Business-Prognose langfristig (bezieht sich auf) mehr als zwei Jahre. In der Regel ist der Prognosezeitrahmen am effektivsten für zufällige Variation und kurzfristige Veränderungen (S. 488) Kurzfristprognosen. Im Allgemeinen kompensieren die kurzfristigen Modelle die Zufallsvariation und passen sich für kurzfristige Veränderungen an (wie zum Beispiel die Antworten der Konsumenten auf ein neues Produkt). Im Allge - meinen, welcher Prognoserechnungszeitraum saisonale Effekte am besten erkennt (S. 488) Mittelfristige Prognosen. Mittelfristige Prognosen sind für die Erfassung saisonaler Effekte nützlich. Im Allge - meinen, welcher Prognosezeitraum am besten die allgemeinen Trends zu erkennen ist (p. Langzeitprognosen Langzeitmodelle ermitteln allgemeine Trends und eignen sich besonders zur Ermittlung wichtiger Wendepunkte Welche der folgenden Prognosemethoden können für kurzfristige Prognosen verwendet werden (S. 488) Einfache exponentielle Glättung siehe Exponat 15.3, Seite 488. Welche der folgenden Erwägungen kein Faktor bei der Entscheidung ist, welches Prognosemodell eine Firma wählen soll (S. 488) Produkt: Welches Prognosemodell ein Unternehmen wählen soll, hängt davon ab : (1) Zeithorizont zur Prognose (2) Datenverfügbarkeit (3) Genauigkeit erforderlich (4) Größe des Prognosebudgets (5) Verfügbarkeit von qualifiziertem Personal Ein Unternehmen möchte die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren (Jahr 2008 100, Jahr 2009 120, Jahr 2010 140 und Jahr 2011 210), wobei die nachstehende Tabelle die einfache gleitende Durchschnittsprognose für das Jahr 2012 ist (Seite 498). 142.5 Mit Gleichung 15.5 (Seite 498) Prognose für 2012 (100 120 140 210) / 4 570/4 142,5 Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Verwendet das Unternehmen drei Vorjahresumsatzwerte (Jahr 2009 130, Jahr 2010 110 und Jahr 2011 160), ergibt sich folgende einfache gleitende Durchschnittsprognose für das Jahr 2012 (S. 498) 133.3 Nach Gleichung 15.5 (S. ) Prognose für 2012 (130 110 160) / 3 400/4 133.3 Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen zwei vorjährige Verkaufswerte (dh Jahr 2011 110 und Jahr 2012 130) verwendet, wollen wir das Jahr 2011 zu 10 und das Jahr 2012 mit 90 gewichten, wobei im Folgenden die gewichtete gleitende Durchschnittsprognose für das Jahr 2013 (S. (100x0,1) (130x0,9) 11 117 128 Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorjährige Verkaufswerte (dh Jahr 2010 160, Jahr 2011 140 und Jahr 2012 170) verwendet, und wir wollen das Jahr 2010 zu 30, Jahr 2011 zu 30 und Jahr 2012 mit 40 Gewicht zu verlieren, die der folgenden ist Prognose für 2013 (160x0,3) (140x0,3) (170x0,4) 158 Die beiden folgenden Faktoren gehören zu den Hauptgründen, die für das Jahr 2013 gelten Exponentielle Glättung als Prognosemethode gut angenommen (S. 501) Genauigkeit. Exponentielle Glättungstechniken haben sich aus sechs Hauptgründen gut angenommen. 1. Exponentialmodelle sind überraschend genau. 2. Die Formulierung eines exponentiellen Modells ist relativ einfach. 3. Der Benutzer kann verstehen, wie das Modell funktioniert. 4. Für die Verwendung des Modells ist eine kleine Berechnung erforderlich. 5. Aufgrund der begrenzten Nutzung historischer Daten sind die Anforderungen an die Computerspeicherung gering. 6. Tests auf Genauigkeit, wie gut das Modell durchführt, sind leicht zu berechnen. Die exponentielle Glättungsmethode erfordert, welche der folgenden Daten die Zukunft voraussagen (S. 501) Die neueste Prognose. Bei der exponentiellen Glättungsmethode werden nur drei Daten benötigt, um die Zukunft vorherzusagen: die aktuelle Prognose, die tatsächliche Nachfrage, die für diesen Prognosezeitraum aufgetreten ist, und eine Glättungskonstante alpha. Bei einem vorherigen Prognosebedarfswert von 230, einem zugehörigen tatsächlichen Bedarfswert von 250 und einer Glättungskonstante alpha von 0,1 ist der exponentielle Glättungsvorhersagewert für die folgende Periode 232 Unter Verwendung von Gleichung 15.7, Prognose 230 0,1 x (250 - 230) 232 Wenn eine Firma einen Standardartikel mit relativ stabilem Bedarf produziert, würde die Glättungskonstante alpha, die in einem exponentiellen Glättungsprognosemodell verwendet wird, in den folgenden Bereichen liegen (S. 501) 5 bis 10 Relativ stabile Nachfrage, die Reaktionsrate auf Unterschiede zwischen tatsächlichen und prognostizierten Nachfrage wäre tendenziell klein, vielleicht nur 5 oder 10 Prozentpunkte. Wenn eine Firma ein Produkt produziert, das ein Wachstum der Nachfrage erlebt, würde die Glättungskonstante alpha, die in einem exponentiellen Glättungsprognosemodell verwendet wird, tendenziell derjenige der folgenden sein (S. 501) Je schneller das Wachstum, desto höher der Prozentsatz. Wenn ein Unternehmen ein Wachstum erlebt, wäre es wünschenswert, eine höhere Reaktionsgeschwindigkeit, vielleicht 15 bis 30 Prozentpunkte, zu haben, um der jüngsten Wachstumserfahrung größere Bedeutung zu verleihen. Je schneller das Wachstum, desto höher sollte die Reaktionsgeschwindigkeit sein. Vorhersage 1100 0,3 x (1100 - 1000) 1030 Ein Unternehmen, das eine vorherige Prognose des Bedarfswertes von 1.100, einen zugehörigen Istwert von 1.000 und eine Glättungskonstante alpha von 0.3 hat, ist der exponentielle Glättungsvorhersagewert Um mit einer exponentiellen Glättung eine Prognose für die Einheitsnachfrage für das Jahr 2012 zu generieren. Die tatsächliche Nachfrage im Jahr 2011 betrug 120. Die prognostizierte Nachfrage im Jahr 2011 betrug 110. Unter Verwendung dieser Daten und einer Glättungskonstante alpha von 0,1, welcher der folgenden ist der resultierende Prognosewert des Jahres 2012 111 Mit Gleichung 15.7, Prognose 110 0,1 x ( 120 - 110) 111 Als Berater wurden Sie gebeten, mit einer exponentiellen Glättung eine Mengenprognose für ein Produkt für das Jahr 2012 zu generieren. Die tatsächliche Nachfrage im Jahr 2011 betrug 750. Die prognostizierte Nachfrage im Jahr 2011 betrug 960. Unter Verwendung dieser Daten und einer Glättungskonstante alpha von 0,3, welcher der folgenden ist der resultierende Prognosewert des Jahres 2012 897 Unter Verwendung von Gleichung 15.7, Prognose 960 0,3 x ( 960 - 750) 897 Welche der folgenden Aussagen ist eine mögliche Quelle des Biasfehlers bei der Prognose? (S. 504) A. Fehlende Einbeziehung der richtigen Variablen B. Verwenden der falschen Prognosemethode C. Einsatz weniger anspruchsvoller Analysten als nötig Daten E. Verwenden von Standardabweichung anstelle von MAD Failing, um die richtigen Variablen aufzunehmen. Bias Fehler auftreten, wenn ein einheitlicher Fehler gemacht wird. Quellen der Bias gehören das Fehlen der richtigen Variablen die Verwendung der falschen Beziehungen zwischen Variablen mit der falschen Trendlinie eine falsche Verschiebung in der saisonalen Nachfrage von wo sie normalerweise auftritt und die Existenz von einigen unentdeckten säkularen Trend. Zur Bestimmung des Fehlergrades (S. 504 Mean Absolute Abweichung) werden einige allgemeine Begriffe verwendet, um den Fehlerfehler zu beschreiben: Standardfehler, mittlerer quadratischer Fehler (oder Varianz) und mittlere absolute Abweichung Die tatsächliche Einheitsnachfrage für drei aufeinanderfolgende Jahre von 124, 126 und 135. Die jeweiligen Prognosen für die gleichen drei Jahre sind 120, 120 und 130. Welcher der folgenden ist der resultierende MAD-Wert, der aus diesen Daten berechnet werden kann (S. 504) 5. Gleichung 15.11 auf Seite 504, MAD ABS ((124 - 120) (126 - 120) (135 - 130) / 3 15/3 5 Ein Unternehmen hat in vier aufeinander folgenden Jahren 100, , 135 und 150. Die jeweiligen Prognosen waren für alle vier Jahre 120. Welcher der folgenden ist der resultierende MAD-Wert, der aus diesen Daten berechnet werden kann (S. 504) 20. Mit Gleichung 15.11 auf Seite 504, MAD ABS (( 100 - 120) (135 - 120) (150 - 120) / 4 80/4 20 Wenn Sie aus einer Vielzahl von Prognosemodellen basierend auf MAD ausgewählt haben, welche der folgenden MAD-Werte aus den gleichen Daten Würde das genaueste Modell widerspiegeln (S. 505) 0,2 MAPE misst den Fehler relativ zum durchschnittlichen Bedarf. Wenn zum Beispiel der MAD 10 Einheiten und die durchschnittliche Nachfrage 20 Einheiten beträgt, ist der Fehler groß und signifikant, aber relativ unbedeutend bei einer durchschnittlichen Nachfrage von 1.000 Einheiten. Da die gleichen Daten in der Frage verwendet wird, wäre MAPE am wenigsten, wenn MAD am kleinsten war. Daher ist A die richtige Antwort. Ein Unternehmen hat seine laufende Summe von Prognosefehlern zu 500 berechnet, und seine mittlere absolute Abweichung ist exakt 35. Welches der folgenden ist das Nachführungssignal für Unternehmen (Seite 506) Über 14.3 Nach der Gleichung 15.13 (Seite 506) ist das Nachführungssignal RSFE / MAD 500/35 14.29. Ein Unternehmen verfügt über eine MAD von 10 Jahren. Seine will eine 99,7 Prozent Kontrolle Grenzen auf seine Prognose-System haben. Ihr aktueller Tracking-Signalwert ist 3.1. Was kann das Unternehmen aus diesen Informationen ableiten (S. 505-506) Das Prognosemodell funktioniert einwandfrei. Verfolgungssignal RSFE / MAD, 3.1 RSFE / 10 oder RSFE 3.1 x 10 31. MAD 10, SD 1.25 x MAD 12.5. Da 99,7 Prozent 3 Standardabweichungen vom Mittelwert entsprechen, müsste RSFE höher als 3 x 12,5 oder 37,5 sein, damit das Prognosemodell außer Kontrolle gerät. Sie werden als Berater eingestellt, um ein kleines Unternehmen über die Prognosemethode zu beraten. Basierend auf Ihrer Forschung finden Sie das Unternehmen hat eine MAD von 3. Sein will, um eine 99,7 Prozent Kontrolle Grenzen auf seine Prognose-System haben. Der jüngste Tracking-Signalwert ist 15. Was sollte Ihr Bericht an das Unternehmen sein (S. 505-506) Das Prognosemodell ist außer Kontrolle und muss korrigiert werden. Verfolgungssignal RSFE / MAD, 15 RSFE / 3 oder RSFE 15 x 3 45. MAD 3, SD 1,25 x MAD 3,75. Da 99,7 Prozent 3 Standardabweichungen vom Mittelwert (3 x 3,75 11,25) entsprechen. Da RSFE 45 ist, ist das Prognosemodell außer Kontrolle. Welcher der folgenden Aussagen ist der Teil der Beobachtungen, der in einem Plus - oder Minusbereich von 3 MAD liegen würde (S. 505) 98.36 3 MAD x 0.8 2.4 Standardabweichungen (Seite 505). Ab Anhang D enthalten 2.4 Standardabweichungen 0.4918 des Bereichs x 2 0.9836 oder 98.36 Welcher der folgenden ist der Teil der Beobachtungen, den Sie erwarten würden, in einem Plus - oder Minus-2-MAD-Bereich (S. 505) 2 MAD x 0,8 1,6 zu liegen Standardabweichungen (Seite 505). Ab Anhang D enthalten 1,6 Standardabweichungen 0,4452 des Bereichs x 2 0,8904 oder 89,04 Wenn der Abfangwert eines linearen Regressionsmodells 40 beträgt, beträgt der Steigungswert 40, und der Wert von X ist 40, wobei das folgende Ergebnis resultiert Prognosewert unter Verwendung dieses Modells (S. 489) 1640 Die lineare Regressionsgerade ist von der Form Y a bX, wobei Y der Wert der abhängigen Variablen ist, die wir lösen, a der Y-Intercept, b die Steilheit und X ist die unabhängige Variable. Daher Y 40 40 x 40 1,640. Ein Unternehmen beauftragt Sie, ein lineares Regressionsprognosemodell zu entwickeln. Basierend auf den historischen Verkaufsinformationen des Unternehmens bestimmen Sie den Intercept-Wert des Modells auf 1.200. Sie finden auch, dass der Steilheitswert minus 50 beträgt. Wenn nach der Entwicklung des Modells ein Wert von X 10 gegeben wird, welcher der folgenden Prognosewerte mit diesem Modell ist (S. 489) 700 Die lineare Regressionsgerade hat die Form Y a bX, wobei Y der Wert der abhängigen Variablen ist, die wir lösen, a der Y-Schnittpunkt, b die Steilheit und X die unabhängige Variable ist. Daher ist Y 1.200 (- 50) x 10 700. Ein starker Absatz von Regenschirmen während eines Regensturms ist ein Beispiel für die folgende (S. 507) Eine lässige Beziehung. Wir können erwarten, dass eine längere Zeit der Regen wird den Verkauf von Regenschirmen und Regenmänteln zu erhöhen. Der Regen verursacht den Verkauf des Regengangs. Dies ist eine ursächliche Beziehung, wo ein Vorkommnis ein anderes verursacht. Sie verwenden ein exponentielles Glättungsmodell für die Prognose. Die laufende Summe der Prognosefehlerstatistiken (RSFE) wird jedes Mal berechnet, wenn eine Prognose erzeugt wird. Sie finden die letzte RSFE zu 34. Ursprünglich wurde das verwendete Prognosemodell ausgewählt, weil sein relativ niedriger MAD von 0,4. Um zu bestimmen, wann es Zeit ist, die Nützlichkeit des exponentiellen Glättungsmodells neu zu bewerten, berechnen Sie die Nachführsignale. Mit Hilfe der Gleichung 15.13, Seite 506, TS RSFE / MAD 34 / 0.4 85.Supply Chain Management Kapitel 18 Wie dieses Studium Set Erstellen Sie ein kostenloses Konto, um es zu speichern. Melden Sie sich für ein Konto an. Erstellen Sie ein Konto Wenn der Intercept-Wert eines linearen Regressionsmodells 40 ist, ist der Slope-Wert 40, und der Wert von X ist 40, wobei der folgende Prognosewert mit diesem Modell C die lineare Regression ist Zeile von der Form Y a bX, wobei Y der Wert der abhängigen Variablen ist, für die wir uns lösen, a der Y-Schnittpunkt, b die Steigung und X die unabhängige Variable ist. Daher Y 40 40 x 40 1,640. Ein Unternehmen beauftragt Sie, ein lineares Regressionsprognosemodell zu entwickeln. Basierend auf den historischen Verkaufsinformationen des Unternehmens legen Sie fest, dass der Intercept-Wert des Modells 1.200 beträgt. Sie finden auch, dass der Steilheitswert minus 50 beträgt. Wenn Sie nach der Entwicklung des Modells einen Wert von X 10 erhalten haben, welcher der folgenden Prognosewerte mit diesem Modell B ist Die lineare Regressionsgerade ist von der Form Y a bX , Wobei Y der Wert der abhängigen Variablen ist, die wir lösen, a der Y-Schnittpunkt, b die Steigung und X die unabhängige Variable ist. Daher Y 1.200 (-50) x 10 700. Sie verwenden ein exponentielles Glättungsmodell für die Prognose. Die laufende Summe der Prognosefehlerstatistiken (RSFE) wird jedes Mal berechnet, wenn eine Prognose erzeugt wird. Der letzte RSFE liegt bei 34. Ursprünglich wurde das verwendete Prognosemodell aufgrund seines relativ niedrigen MAD von 0,4 ausgewählt. Um zu bestimmen, wann es Zeit ist, die Nützlichkeit des exponentiellen Glättungsmodells neu zu bewerten, berechnen Sie die Verfolgungssignale. Welches der folgenden ist das resultierende Spurhaltungssignal erlauben Sie bitte Zugang zu Ihrem computerrsquos Mikrofon, um Sprachaufnahme zu benutzen. Haben Sie Probleme, klicken Sie hier für Hilfe. We canrsquot Zugriff auf Ihr Mikrofon Klicken Sie auf das Symbol oben, um Ihre Browser-Berechtigungen zu aktualisieren und versuchen Sie es erneut Zurücksetzen der Seite erneut versuchen Drücken Sie Cmd-0, um Ihren Zoom zurückzusetzen Drücken Sie Ctrl-0, um Ihren Zoom zurückzusetzen Es sieht so aus, . Ihr Browser muss auf eine normale Größe gezoomt werden, um Audio aufzunehmen. Aktualisieren Sie Flash oder installieren Sie Chrome, um Sprachaufnahmen zu verwenden. Ihr Mikrofon ist stummgeschaltet Zur Hilfe bei der Behebung dieses Problems siehe diese FAQ.
No comments:
Post a Comment