Calculatrice De La Moyenne Mobile

Prévision par Smoothing Techniques Ce site fait partie des objets d'apprentissage JavaScript E-Labs pour la prise de décision. Les autres JavaScript de cette série sont classés dans différents domaines d'application dans la section MENU de cette page. Une série chronologique est une séquence d'observations qui sont ordonnées dans le temps. Inherente à la collecte de données prises dans le temps est une forme de variation aléatoire. Il existe des procédés pour réduire l'annulation de l'effet dû à une variation aléatoire. Les techniques largement utilisées sont le lissage. Ces techniques, lorsqu'elles sont correctement appliquées, révèlent plus clairement les tendances sous-jacentes. Saisissez la série chronologique en ordre, en commençant par le coin supérieur gauche et le ou les paramètres, puis cliquez sur le bouton Calculer pour obtenir une prévision à une période. Les cases en blanc ne sont pas incluses dans les calculs mais les zéros sont. Lorsque vous entrez vos données pour passer d'une cellule à une cellule dans la matrice de données, utilisez la touche Tabulation et non la flèche ou entrez les touches. Caractéristiques des séries temporelles, qui pourraient être révélées en examinant son graphique. Avec les valeurs prévues, et le comportement des résidus, la prévision des conditions de modélisation. Moyennes mobiles: Les moyennes mobiles se classent parmi les techniques les plus populaires pour le prétraitement des séries chronologiques. Ils sont utilisés pour filtrer le bruit blanc aléatoire à partir des données, pour rendre la série temporelle plus lisse ou même pour souligner certains composants informatifs contenus dans la série chronologique. Lissage exponentiel: Il s'agit d'un schéma très populaire pour produire une série chronologique lissée. Alors que dans les moyennes mobiles les observations passées sont pondérées également, le lissage exponentiel attribue des poids exponentiellement décroissants à mesure que l'observation vieillit. En d'autres termes, les observations récentes donnent relativement plus de poids dans les prévisions que les observations plus anciennes. Double lissage exponentiel est mieux à la manipulation des tendances. Triple Exponential Smoothing est mieux à la manipulation des tendances parabole. Une moyenne mobile exponentiellement pondérée avec une constante de lissage a. Correspond approximativement à une moyenne mobile simple de longueur (c'est-à-dire période) n, où a et n sont liés par: a 2 (n1) OR n (2 - a) a. Ainsi, par exemple, une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,1 correspondrait approximativement à une moyenne mobile de 19 jours. Et une moyenne mobile simple de 40 jours correspondrait approximativement à une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,04878. Holts Linear Exponential Smoothing: Supposons que la série temporelle soit non saisonnière mais affiche la tendance. Holts méthode estime à la fois le niveau actuel et la tendance actuelle. Notons que la moyenne mobile simple est un cas particulier du lissage exponentiel en définissant la période de la moyenne mobile sur la partie entière de (2-Alpha) Alpha. Pour la plupart des données commerciales, un paramètre Alpha inférieur à 0,40 est souvent efficace. Cependant, on peut effectuer une recherche de grille de l'espace des paramètres, avec 0,1 à 0,9, avec des incréments de 0,1. Ensuite, le meilleur alpha a la plus petite erreur absolue moyenne (erreur MA). Comment comparer plusieurs méthodes de lissage: Bien qu'il existe des indicateurs numériques pour évaluer la précision de la technique de prévision, l'approche la plus répandue consiste à utiliser la comparaison visuelle de plusieurs prévisions pour évaluer leur exactitude et choisir parmi les différentes méthodes de prévision. Dans cette approche, on doit tracer (en utilisant par exemple Excel) sur le même graphe les valeurs d'origine d'une variable de série temporelle et les valeurs prédites à partir de plusieurs méthodes de prévision différentes, facilitant ainsi une comparaison visuelle. Vous pouvez utiliser les prévisions passées par Smoothing Techniques JavaScript pour obtenir les valeurs de prévisions antérieures basées sur des techniques de lissage qui n'utilisent qu'un seul paramètre. Holt et Winters utilisent deux et trois paramètres, respectivement, donc il n'est pas facile de sélectionner les valeurs optimales, voire presque optimales par essai et les erreurs pour les paramètres. Le lissage exponentiel simple met l'accent sur la perspective à courte portée qu'il définit le niveau à la dernière observation et est basé sur la condition qu'il n'y a pas de tendance. La régression linéaire, qui correspond à une ligne de moindres carrés aux données historiques (ou aux données historiques transformées), représente la longue portée, conditionnée par la tendance de base. Le lissage linéaire linéaire de Holts capture des informations sur la tendance récente. Les paramètres dans le modèle de Holts sont les niveaux-paramètres qui devraient être diminués quand la quantité de variation de données est grande, et les tendances-paramètre devraient être augmentés si la direction de tendance récente est soutenue par le causal certains facteurs. Prévision à court terme: Notez que chaque JavaScript sur cette page fournit une prévision à un pas. Obtenir une prévision en deux étapes. Ajoutez simplement la valeur prévue à la fin de vos données chronologiques et cliquez sur le même bouton Calculer. Vous pouvez répéter ce processus pour quelques reprises afin d'obtenir les prévisions à court terme nécessaires. Moving Average Forecasting Introduction. Comme vous pouvez le deviner, nous examinons certaines des approches les plus primitives en matière de prévision. Mais nous espérons que ce sont au moins une introduction utile à certains des problèmes informatiques liés à la mise en œuvre des prévisions dans les tableurs. Dans cette veine, nous allons continuer en commençant par le début et commencer à travailler avec les prévisions Moyenne mobile. Prévisions moyennes mobiles. Tout le monde est familier avec les prévisions de moyenne mobile, peu importe s'ils croient qu'ils sont. Tous les étudiants les font tout le temps. Pensez à vos résultats d'examen dans un cours où vous allez avoir quatre tests au cours du semestre. Supposons que vous avez obtenu un 85 sur votre premier test. Que penseriez-vous que votre professeur pourrait prédire pour votre score de test suivant Que pensez-vous que vos amis pourraient prédire pour votre score de test suivant Que pensez-vous que vos parents pourraient prédire pour votre score de test suivant Indépendamment de Tous les blabbing que vous pourriez faire à vos amis et parents, ils et votre professeur sont très susceptibles de vous attendre à obtenir quelque chose dans le domaine des 85 que vous venez de recevoir. Eh bien, maintenant, supposons qu'en dépit de votre auto-promotion à vos amis, vous surestimer vous-même et la figure que vous pouvez étudier moins pour le deuxième test et ainsi vous obtenez un 73. Maintenant, qu'est-ce que tous les intéressés et indifférents va Anticiper que vous obtiendrez sur votre troisième test Il ya deux approches très probables pour eux de développer une estimation indépendamment du fait qu'ils le partageront avec vous. Ils peuvent se dire, ce type est toujours souffler de la fumée sur son smarts. Hes va obtenir un autre 73 si hes chance. Peut-être que les parents vont essayer d'être plus solidaires et dire: «Bien, jusqu'à présent, vous avez obtenu un 85 et un 73, alors vous devriez peut-être figure sur obtenir un (85 73) 2 79. Je ne sais pas, peut-être si vous avez moins de fête Et werent remuant la belette tout autour de la place et si vous avez commencé à faire beaucoup plus étudier vous pourriez obtenir un meilleur score. quot Ces deux estimations sont en fait des prévisions moyennes mobiles. Le premier est d'utiliser uniquement votre score le plus récent pour prévoir vos performances futures. C'est ce que l'on appelle une moyenne mobile en utilisant une période de données. La seconde est également une prévision moyenne mobile, mais en utilisant deux périodes de données. Supposons que toutes ces personnes se brisant sur votre grand esprit ont sorte de pissé vous off et vous décidez de bien faire sur le troisième test pour vos propres raisons et de mettre un score plus élevé en face de vos quotalliesquot. Vous prenez le test et votre score est en fait un 89 Tout le monde, y compris vous-même, est impressionné. Donc, maintenant, vous avez le test final du semestre à venir et, comme d'habitude, vous vous sentez le besoin d'inciter tout le monde à faire leurs prédictions sur la façon dont vous allez faire sur le dernier test. Eh bien, j'espère que vous voyez le modèle. Maintenant, j'espère que vous pouvez voir le modèle. Qui pensez-vous est le sifflet le plus précis alors que nous travaillons. Maintenant, nous revenons à notre nouvelle entreprise de nettoyage a commencé par votre demi-soeur sœur appelé Whistle While We Work. Vous avez des données de ventes passées représentées par la section suivante dans une feuille de calcul. Nous présentons d'abord les données pour une moyenne mobile de trois périodes prévisionnelles. L'entrée pour la cellule C6 doit être maintenant Vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C7 à C11. Remarquez comment la moyenne se déplace sur les données historiques les plus récentes, mais utilise exactement les trois périodes les plus récentes disponibles pour chaque prédiction. Vous devriez également remarquer que nous n'avons pas vraiment besoin de faire les prédictions pour les périodes passées afin de développer notre prédiction la plus récente. Ceci est certainement différent du modèle de lissage exponentiel. Ive inclus les prévisions quotpastquot parce que nous les utiliserons dans la prochaine page Web pour mesurer la validité de prédiction. Maintenant, je veux présenter les résultats analogues pour une prévision moyenne mobile à deux périodes. L'entrée pour la cellule C5 doit être Maintenant, vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C6 à C11. Remarquez que maintenant, seules les deux plus récentes données historiques sont utilisées pour chaque prédiction. Ici encore, j'ai inclus les prévisions quotpast à des fins d'illustration et pour une utilisation ultérieure dans la validation des prévisions. Quelques autres choses qui sont d'importance à remarquer. Pour une prévision moyenne mobile de la période m, seules les m valeurs de données les plus récentes sont utilisées pour faire la prédiction. Rien d'autre n'est nécessaire. Pour une prévision moyenne mobile de la période m, lorsque vous faites des prédictions quotpast, notez que la première prédiction se produit dans la période m 1. Ces deux questions seront très importantes lorsque nous développerons notre code. Développement de la fonction Moyenne mobile. Maintenant, nous devons développer le code de la moyenne mobile qui peut être utilisé avec plus de souplesse. Le code suit. Notez que les entrées sont pour le nombre de périodes que vous souhaitez utiliser dans la prévision et le tableau des valeurs historiques. Vous pouvez le stocker dans le classeur que vous voulez. Fonction DéplacementAvant (Historique, NumberOfPeriods) En tant que Déclaration unique et initialisation de variables Dim Item Comme Variant Dim Compteur Comme Entier Dim Accumulation Comme Simple Dim HistoricalSize As Integer Initialisation des variables Counter 1 Accumulation 0 Détermination de la taille de Historique HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Accumuler le nombre approprié des valeurs les plus récentes observées antérieurement Accumulation Accumulation Historique (Historique - Taille - NombreOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Le code sera expliqué en classe. Vous souhaitez positionner la fonction sur la feuille de calcul afin que le résultat du calcul s'affiche où il devrait aimer le suivant. Exemples de calcul de prévision A.1 Méthodes de calcul de prévision Douze méthodes de calcul des prévisions sont disponibles. La plupart de ces méthodes permettent un contrôle limité de l'utilisateur. Par exemple, on peut spécifier le poids des données historiques récentes ou la période des données historiques utilisées dans les calculs. Les exemples suivants montrent la procédure de calcul pour chacune des méthodes de prévision disponibles, compte tenu d'un ensemble de données historiques identiques. Les exemples suivants utilisent les mêmes données de ventes pour 2004 et 2005 pour produire une prévision de ventes pour 2006. En plus du calcul de la prévision, chaque exemple inclut une prévision simulée de 2005 pour une période de retenue de trois mois (option de traitement 19 3) qui est ensuite utilisée pour le pourcentage de précision et les calculs d'écart absolu moyen (ventes réelles par rapport aux prévisions simulées). A.2 Critères d'évaluation de la performance des prévisions En fonction de votre sélection des options de traitement et des tendances et modèles existant dans les données de vente, certaines méthodes de prévision auront un meilleur rendement que d'autres pour un ensemble de données historiques donné. Une méthode de prévision appropriée pour un produit peut ne pas convenir à un autre produit. Il est également peu probable qu'une méthode de prévision fournissant de bons résultats à un stade du cycle de vie d'un produit reste appropriée tout au long du cycle de vie. Vous pouvez choisir entre deux méthodes pour évaluer les performances actuelles des méthodes de prévision. Il s'agit de l'écart absolu moyen (MAD) et du pourcentage d'exactitude (POA). Ces deux méthodes d'évaluation des performances requièrent des données de ventes historiques pour une période spécifiée par l'utilisateur. Cette période de temps est appelée période de blocage ou période de meilleur ajustement (PBF). Les données de cette période servent de base à la recommandation des méthodes de prévision à utiliser pour la projection suivante. Cette recommandation est spécifique à chaque produit et peut changer d'une génération de prévision à l'autre. Les deux méthodes d'évaluation des performances des prévisions sont illustrées dans les pages qui suivent les exemples des douze méthodes de prévision. A.3 Méthode 1 - Pourcentage spécifié au cours de l'année dernière Cette méthode multiplie les données sur les ventes de l'année précédente par un facteur spécifié par l'utilisateur, par exemple, 1,10 pour une augmentation de 10 ou 0,97 pour une diminution de 3. Historique des ventes requis: Un an pour calculer la prévision plus le nombre spécifié par l'utilisateur de périodes d'évaluation des performances de prévision (option de traitement 19). A.4.1 Calcul de prévision Gamme des historiques de ventes à utiliser pour calculer le facteur de croissance (option de traitement 2a) 3 dans cet exemple. Somme des trois derniers mois de 2005: 114 119 137 370 Somme des mêmes trois mois pour l'année précédente: 123 139 133 395 Le facteur calculé 370395 0,9367 Calculez les prévisions: Ventes de janvier 2005 128 0,9367 119,8036 ou environ 120 février 2005 ventes 117 0,9367 109,5939 ou environ 110 mars 2005 ventes 115 0,9367 107,7205 ou environ 108 A.4.2 Calcul prévisionnel simulé Somme des trois mois de 2005 avant la période de blocage (juillet, aou, sept): 129 140 131 400 Somme des mêmes trois mois pour le Année précédente: 141 128 118 387 Le facteur calculé 400387 1.033591731 Calculer la prévision simulée: Octobre 2004 ventes 123 1.033591731 127.13178 Novembre 2004 ventes 139 1.033591731 143.66925 Décembre 2004 ventes 133 1.033591731 137.4677 A.4.3 Pourcentage du calcul de la précision POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 Calcul de l'écart absolu moyen MAD (127,13178 - 114 143,66925 - 119 137,4677- 137) 3 (13,13178 24,66925 0,4677) 3 12,75624 A.5 Méthode 3 - Année passée à cette année Cette méthode Copie les données de ventes de l'année précédente à l'année suivante. Historique des ventes requis: Un an pour le calcul de la prévision plus le nombre de périodes spécifiées pour l'évaluation des performances de prévision (option de traitement 19). A.6.1 Calcul des prévisions Nombre de périodes à inclure dans la moyenne (option de traitement 4a) 3 dans cet exemple Pour chaque mois de la prévision, moyenne des données des trois mois précédents. Prévisions de janvier: 114 119 137 370, 370 3 123.333 ou 123 Prévisions de février: 119 137 123 379, 379 3 126.333 ou 126 Prévisions de mars: 137 123 126 379, 386 3 128.667 ou 129 A.6.2 Estimation simulée 140 131) 3 133,3333 Chiffre d'affaires en novembre 2005 (140 131 114) 3 128,3333 Chiffre d'affaires de décembre 2005 (131 114 119) 3 121,3333 A.6.3 Pourcentage de précision Calcul POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Moyenne absolue Calcul de l'écart MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Méthode 5 - Approximation linéaire L'approximation linéaire calcule une tendance basée sur deux points de données d'historique des ventes. Ces deux points définissent une ligne de tendance droite qui est projetée dans l'avenir. Utilisez cette méthode avec prudence, car les prévisions à long terme sont exploitées par de petits changements en seulement deux points de données. Historique des ventes requis: nombre de périodes à inclure dans la régression (option de traitement 5a), plus 1 plus le nombre de périodes d'évaluation des performances de prévision (option de traitement 19). A.8.1 Calcul de la prévision Nombre de périodes à inclure dans la régression (option de traitement 6a) 3 dans cet exemple Pour chaque mois de la prévision, ajoutez l'augmentation ou la diminution pendant les périodes spécifiées avant la période de blocage de la période précédente. Moyenne des trois mois précédents (114 119 137) 3 123,333 Sommaire des trois mois précédents avec poids considéré (114 1) (119 2) (137 3) 763 Différence entre les valeurs 763 - 123.3333 (1 2 3) 23 Ratio ( 12 22 32) - 2 3 14 - 12 2 Valeur1 DifférenceRatio 232 11,5 Valeur2 Rapport moyen-valeur1 123,3333 - 11,5 2 100,3333 Prévision (1 n) valeur1 valeur2 4 11,5 100,333 146,333 ou 146 Prévision 5 11,5 100,333 157,8333 ou 158 Prévision 6 11,5 100,333 169,3333 Ou 169 A.8.2 Calcul des prévisions simulées Ventes d'octobre 2004: Moyenne des trois mois précédents (129 140 131) 3 133.3333 Sommaire des trois mois précédents avec pondération considérée (129 1) (140 2) (131 3) 802 Différence entre Valeurs1 Valeur1 DifférenceRatio 22 1 Valeur2 Rapport moyen-valeur1 133.3333 - 1 2 131.3333 Prévision (1 n) valeur1 valeur2 4 1 131.3333 135.3333 Novembre 2004 Moyenne des trois mois précédents (140 131 114) 3 128,3333 Sommaire des trois mois précédents avec poids considéré (140 1) (131 2) (114 3) 744 Différence entre les valeurs 744 - 128.3333 (1 2 3) -25.9999 Valeur1 DifférenceRatio -25,99992 -12,9999 Valeur2 Rapport moyen-valeur1 128,3333 - (-12,9999) 2 154,3333 Prévision 4 -12,9999 154,3333 102,3333 Chiffre d'affaires de décembre 2004 Moyenne des trois mois précédents (131 114 119) 3 121,3333 Sommaire des trois mois précédents, (131 1) (114 2) (119 3) 716 Différence entre les valeurs 716 - 121.3333 (1 2 3) -11.9999 Valeur1 DifférenceRatio -11.99992 -5.9999 Valeur2 Ratio moyen-valeur1 121.3333 - (-5.9999) 2 133.3333 Prévision 4 (- 5.9999) 133.3333 109.3333 A.8.3 Pourcentage de précision Calcul POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Calcul de l'écart absolu moyen MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Méthode 7 - Approximation du second degré La régression linéaire détermine les valeurs de a et b dans la formule de prévision Y a bX dans le but d'ajuster une droite aux données de l'historique des ventes. Approximation du deuxième degré est similaire. Cependant, cette méthode détermine les valeurs de a, b et c dans la formule de prévision Y a bX cX2 dans le but d'ajuster une courbe aux données de l'historique des ventes. Cette méthode peut être utile lorsqu'un produit est en transition entre les étapes d'un cycle de vie. Par exemple, lorsqu'un nouveau produit passe de l'introduction aux étapes de croissance, la tendance des ventes peut s'accélérer. En raison du terme du second ordre, la prévision peut rapidement approcher l'infini ou tomber à zéro (selon que le coefficient c est positif ou négatif). Par conséquent, cette méthode n'est utile qu'à court terme. Spécifications de prévision: Les formules trouvent a, b et c pour adapter une courbe à exactement trois points. Vous spécifiez n dans l'option de traitement 7a, le nombre de périodes de données à accumuler dans chacun des trois points. Dans cet exemple n 3. Par conséquent, les données réelles sur les ventes d'avril à juin sont combinées dans le premier point, Q1. Juillet à Septembre sont ajoutés pour créer Q2, et d'Octobre à Décembre somme à Q3. La courbe sera ajustée aux trois valeurs Q1, Q2 et Q3. Historique des ventes requis: 3 n périodes de calcul de la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). Nombre de périodes à inclure (option de traitement 7a) 3 dans cet exemple Utiliser les mois précédents (3 n) en blocs de trois mois: T1 (avril - juin) 125 122 137 384 T2 (juillet à septembre) 129 140 131 400 Q3 (1) Q1 a bX cX2 (où X 1) abc (2) Q2 (1) Q1 a bX cX2 (où X 1) abc (2) Q2 A b b c c X 2 (où X 3) a 3b 9c Résoudre les trois équations simultanément pour trouver b, a et c: Soustraire l'équation (1) de l'équation (2) Et de résoudre pour b (2) - (1) Q2 - Q1 b 3c Remplacer cette équation pour b dans l'équation (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Enfin, substituer ces équations pour a et b dans (Q1 - Q2) (Q1 - Q2) 2 La méthode d'approximation du second degré calcule a, b et c comme suit: a Q3 (Q3 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (Q2 - Q1) 370 - 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Prévisions de janvier à mars (X4): (322 340 - 368) 3 2943 98 par période Prévision d'avril à juin (X5): (322 510 - 828) 3 1,33 ou 1 par période Octobre à décembre (X7) (322 595 - 11273 -70) A.9.2 Calcul simulé des prévisions Chiffre d 'affaires Octobre, Novembre et Décembre 2004: T1 (Jan - Mar) 360 T2 (Avril - Juin) 384 T3 (Juil - Sept) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) ) -44 (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Pourcentage de précision Calcul POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Moyenne Calcul de l'écart absolu MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Méthode 8 - Méthode flexible La méthode flexible (pourcentage sur n mois avant) est semblable à la méthode 1, pourcentage par rapport à l'année dernière. Les deux méthodes multiplient les données de ventes d'une période précédente par un facteur spécifié par l'utilisateur, puis projetent ce résultat dans le futur. Dans la méthode Pourcentage sur l'année dernière, la projection est basée sur les données de la même période de l'année précédente. La méthode flexible ajoute la possibilité de spécifier une période autre que la même période de l'année dernière à utiliser comme base pour les calculs. Facteur de multiplication. Par exemple, spécifiez 1.15 dans l'option de traitement 8b pour augmenter les données d'historique des ventes précédentes avant 15. Période de base. Par exemple, n 3 fera en sorte que la première prévision soit basée sur les données de ventes en octobre 2005. Historique de ventes minimum: L'utilisateur a spécifié le nombre de périodes de retour à la période de base, plus le nombre de périodes nécessaires pour évaluer les performances de prévision PBF). A.10.4 Calcul moyen de l'écart absolu MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Méthode 9 - Moyenne mobile pondérée La méthode de la moyenne mobile pondérée (WMA) est semblable à la méthode 4, Moyenne mobile (MA). Cependant, avec la moyenne mobile pondérée, vous pouvez affecter des pondérations inégales aux données historiques. La méthode calcule une moyenne pondérée de l'historique des ventes récentes pour arriver à une projection à court terme. Les données plus récentes sont habituellement attribuées à un poids plus important que les données plus anciennes, ce qui rend WMA plus sensible aux changements dans le niveau des ventes. Cependant, le biais de prévision et les erreurs systématiques se produisent toujours lorsque l'historique des ventes de produits montre une forte tendance ou des modèles saisonniers. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures plutôt que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. N le nombre de périodes de l'historique des ventes à utiliser dans le calcul des prévisions. Par exemple, spécifiez n 3 dans l'option de traitement 9a pour utiliser les trois périodes les plus récentes comme base pour la projection dans la période suivante. Une grande valeur pour n (telle que 12) nécessite plus d'historique des ventes. Il en résulte une prévision stable, mais sera lent à reconnaître les changements dans le niveau des ventes. D'autre part, une petite valeur pour n (comme 3) répondra plus rapidement aux variations du niveau des ventes, mais la prévision peut fluctuer si largement que la production ne peut pas répondre aux variations. Le poids attribué à chacune des périodes de données historiques. Les poids attribués doivent totaliser 1,00. Par exemple, lorsque n 3, assigner des poids de 0,6, 0,3 et 0,1, les données les plus récentes recevant le plus grand poids. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Méthode 10 - Lissage linéaire Cette méthode est similaire à la Méthode 9, Moyenne mobile pondérée (AMM). Cependant, au lieu d'attribuer arbitrairement des pondérations aux données historiques, une formule est utilisée pour attribuer des poids qui diminuent de façon linéaire et forment une somme de 1,00. La méthode calcule ensuite une moyenne pondérée des historiques de ventes récents pour arriver à une projection à court terme. Comme c'est le cas pour toutes les techniques de prévision linéaire des moyennes mobiles, les biais de prévision et les erreurs systématiques se produisent lorsque l'historique des ventes du produit présente une forte tendance ou des modèles saisonniers. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures plutôt que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. N le nombre de périodes de l'historique des ventes à utiliser dans le calcul des prévisions. Ceci est spécifié dans l'option de traitement 10a. Par exemple, spécifiez n 3 dans l'option de traitement 10b pour utiliser les trois périodes les plus récentes comme base pour la projection dans la période suivante. Le système attribue automatiquement les pondérations aux données historiques qui diminuent de façon linéaire et totalisent à 1,00. Par exemple, lorsque n 3, le système attribuera des poids de 0,5, 0,3333 et 0,1, les données les plus récentes recevant le poids le plus élevé. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). A.12.1 Calcul de prévision Nombre de périodes à inclure dans la moyenne de lissage (option de traitement 10a) 3 dans cet exemple Ratio pour une période antérieure 3 (n2 n) 2 3 (32 3) 2 36 0,5 Ratio pour deux périodes antérieures 2 (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Rapport pour trois périodes antérieures 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Prévisions de janvier: 137 0,5 119 13 114 16 127,16 ou 127 Prévision de février: 127 0,5 137 13 119 16 129 Prévisions de mars: 129 0,5 127 13 137 16 129,666 ou 130 A.12.2 Calcul simulé des prévisions Ventes d'octobre 2004 129 16 140 26 131 36 133,6666 Ventes de novembre 2004 140 16 131 26 114 36 124 Chiffre d'affaires de décembre 2004 131 16 114 26 119 36 119.3333 A.12.3 Calcul de l'écart absolu moyen MAD (133.6666 - 114 124 - 119 119.3333 - 137) Calcul de la précision APA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13 Méthode 11 - Lissage exponentiel Cette méthode est similaire à la méthode 10, Lissage linéaire. Dans Linear Smoothing, le système attribue des poids aux données historiques qui diminuent linéairement. Dans le lissage exponentiel, le système attribue des poids qui décroissent exponentiellement. L'équation de prévision de lissage exponentiel est la suivante: Prévision a (Ventes réelles antérieures) (1 - a) Prévision précédente La prévision est une moyenne pondérée des ventes réelles de la période précédente et des prévisions de la période précédente. A est le poids appliqué aux ventes réelles de la période précédente. (1-a) est le poids appliqué à la prévision pour la période précédente. Valeurs valides pour une plage de 0 à 1, et tombent généralement entre 0,1 et 0,4. La somme des poids est de 1,00. A (1-a) 1 Vous devez affecter une valeur pour la constante de lissage, a. Si vous n'attribuez pas de valeurs pour la constante de lissage, le système calcule une valeur supposée basée sur le nombre de périodes de l'historique de vente spécifié dans l'option de traitement 11a. A la constante de lissage utilisée dans le calcul de la moyenne lissée pour le niveau général ou l'ampleur des ventes. Valeurs valides pour une plage de 0 à 1. n la plage des données d'historique des ventes à inclure dans les calculs. Généralement, une année de données sur les ventes est suffisante pour estimer le niveau général des ventes. Pour cet exemple, une petite valeur pour n (n 3) a été choisie afin de réduire les calculs manuels requis pour vérifier les résultats. Le lissage exponentiel peut générer une prévision basée sur un point de données historiques. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). A.13.1 Calcul de prévision Nombre de périodes à inclure dans la moyenne de lissage (option de traitement 11a) 3 et facteur alpha (option de traitement 11b) vide dans cet exemple un facteur pour les données de vente les plus anciennes 2 (11) ou 1 lorsque alpha est spécifié Un facteur pour les 2es données de ventes les plus anciennes 2 (12), ou alpha lorsque alpha est spécifié un facteur pour les 3es données de vente les plus anciennes 2 (13), ou alpha lorsque alpha est spécifié un facteur pour les données de ventes les plus récentes 2 (1n) , Ou alpha lorsque alpha est spécifié Novembre Sm. Moy. A (Octobre Réel) (1 - a) Octobre Sm. Moy. 1 114 0 0 114 décembre Sm. Moy. A (Novembre Actualités) (1 - a) Novembre Sm. Moy. 23 119 13 114 117.3333 Janvier Prévisions a (Décembre Actual) (1 - a) Décembre Sm. Moy. 24 137 24 117.3333 127.16665 ou 127 Février Prévisions Janvier Prévisions 127 Mars Prévisions Janvier Prévisions 127 A.13.2 Calcul simulé des prévisions Juillet 2004 Sm. Moy. 22 129 129 août Sm. Moy. 23 140 13 129 136,333 Septembre Sm. Moy. 24 131 24 136.3333 133.6666 Octobre, 2004 ventes Sep Sm. Moy. 133,6666 Août 2004 Sm. Moy. 22 140 140 septembre Sm. Moy. 23 131 13 140 134 Octobre Sm. Moy. 24 114 24 134 124 Novembre, 2004 ventes Sep Sm. Moy. 124 septembre 2004 Sm. Moy. 22 131 131 octobre Sm. Moy. 23 114 13 131 119,6666 Novembre Sm. Moy. 24 119 24 119,6666 119,333 Décembre 2004 ventes Sep Sm. Moy. 119.3333 A.13.3 Calcul du pourcentage de précision APA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Calcul de l'écart absolu moyen MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Méthode 12 - Lissage exponentiel Avec Tendance et Saisonnalité Cette méthode est similaire à la Méthode 11, Lissage Exponentiel en ce qu'une moyenne lissée est calculée. Cependant, la Méthode 12 comprend également un terme dans l'équation de prévision pour calculer une tendance lissée. La prévision se compose d'une moyenne lissée ajustée pour une tendance linéaire. Lorsque spécifié dans l'option de traitement, la prévision est également ajustée en fonction de la saisonnalité. A la constante de lissage utilisée dans le calcul de la moyenne lissée pour le niveau général ou l'ampleur des ventes. Les valeurs valides pour alpha varient de 0 à 1. b la constante de lissage utilisée pour calculer la moyenne lissée pour la composante de tendance de la prévision. Les valeurs valides pour la plage bêta vont de 0 à 1. Si un indice saisonnier est appliqué à la prévision a et b sont indépendants l'un de l'autre. Ils n'ont pas à ajouter à 1,0. Historique des ventes minimum requis: deux ans plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). La méthode 12 utilise deux équations de lissage exponentielles et une moyenne simple pour calculer une moyenne lissée, une tendance lissée et un facteur saisonnier moyen simple. A.14.1 Calcul des prévisions A) Moyenne exponentiellement lissée MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Évaluation des prévisions Vous pouvez sélectionner des méthodes de prévision pour générer jusqu'à 12 prévisions pour chaque produit. Chaque méthode de prévision créera probablement une projection légèrement différente. Lorsque des milliers de produits sont prévus, il est peu pratique de prendre une décision subjective sur laquelle des prévisions à utiliser dans vos plans pour chacun des produits. Le système évalue automatiquement les performances pour chacune des méthodes de prévision que vous sélectionnez et pour chacun des produits prévus. Vous pouvez choisir entre deux critères de performance, l'écart absolu moyen (MAD) et le pourcentage d'exactitude (POA). MAD est une mesure de l'erreur de prévision. Le POA est une mesure du biais de prévision. Ces deux techniques d'évaluation de performance requièrent des données d'historique de ventes réelles pour une période de temps spécifiée par l'utilisateur. Cette période de l'histoire récente est appelée une période de blocage ou une période de meilleur ajustement (PBF). Pour mesurer la performance d'une méthode de prévision, utilisez les formules de prévision pour simuler une prévision pour la période de retenue historique. Il y aura généralement des différences entre les données réelles sur les ventes et les prévisions simulées pour la période d'attente. Lorsque plusieurs méthodes de prévision sont sélectionnées, ce même processus se produit pour chaque méthode. De multiples prévisions sont calculées pour la période de blocage et comparées à l'historique des ventes connu pour la même période. La méthode de prévision la plus adéquate entre les prévisions et les ventes réelles durant la période d'indisponibilité est recommandée pour vos plans. Cette recommandation est spécifique à chaque produit et peut changer d'une génération de prévision à l'autre. A.16 Ecart absolu moyen (MAD) MAD est la moyenne (ou moyenne) des valeurs absolues (ou magnitude) des écarts (ou erreurs) entre les données réelles et les prévisions. MAD est une mesure de l'ampleur moyenne des erreurs à attendre, compte tenu d'une méthode de prévision et de l'historique des données. Comme les valeurs absolues sont utilisées dans le calcul, les erreurs positives n'annulent pas les erreurs négatives. Lors de la comparaison de plusieurs méthodes de prévision, celle qui a le plus petit MAD s'est avérée la plus fiable pour ce produit pour cette période de blocage. Lorsque la prévision est impartiale et que les erreurs sont normalement distribuées, il existe une relation mathématique simple entre MAD et deux autres mesures communes de distribution, d'écart type et d'erreur quadratique moyenne: A.16.1 Pourcentage d'exactitude (POA) Une mesure du biais de prévision. Lorsque les prévisions sont constamment trop élevées, les stocks s'accumulent et les coûts d'inventaire augmentent. Lorsque les prévisions sont constamment deux faibles, les stocks sont consommés et le service à la clientèle décline. Une prévision qui est de 10 unités trop faible, puis 8 unités trop élevé, puis 2 unités trop élevées, serait une prévision impartiale. L'erreur positive de 10 est annulée par des erreurs négatives de 8 et 2. Erreur Réelle - Prévision Quand un produit peut être stocké en inventaire, et quand la prévision est impartiale, une petite quantité de stock de sécurité peut être utilisée pour amortir les erreurs. Dans cette situation, il n'est pas si important d'éliminer les erreurs de prévision que de générer des prévisions impartiales. Toutefois, dans les industries de services, la situation ci-dessus serait considérée comme trois erreurs. Le service ne disposerait pas de suffisamment de personnel au cours de la première période, puis de sursous pour les deux prochaines périodes. Dans les services, l'ampleur des erreurs de prévision est généralement plus importante que le biais prévu. La somme sur la période de blocage permet aux erreurs positives d'annuler les erreurs négatives. Lorsque le total des ventes réelles dépasse le total des ventes prévues, le ratio est supérieur à 100. Bien sûr, il est impossible d'être plus de 100 précise. Lorsqu'une prévision est impartiale, le rapport POA sera de 100. Par conséquent, il est plus souhaitable d'être précis que d'être précis. Les critères POA sélectionnent la méthode de prévision dont le rapport POA est le plus proche de 100. Le script de cette page améliore la navigation sur le contenu, mais ne modifie en rien le contenu.