Prognosen sind entscheidend für jede Unternehmensorganisation und für jede wichtige Managemententscheidung. Während eine Prognose aufgrund der Dynamik des externen Geschäftsumfelds nie perfekt ist, ist sie für alle Ebenen der funktionalen Planung, der strategischen Planung und der Haushaltsplanung von Vorteil. Entscheidungsträger nutzen Prognosen, um viele wichtige Entscheidungen in Bezug auf die zukünftige Ausrichtung der Organisation zu treffen. Vorhersagetechniken und - modelle können sowohl qualitativ als auch quantitativ sein, und ihr Ausmaß an Raffinesse hängt von der Art der Informationen und den Auswirkungen der Entscheidung ab. Das Prognosemodell, das ein Unternehmen übernehmen sollte, hängt von mehreren Faktoren ab, einschließlich des Zeithorizonts, der Datenverfügbarkeit, der Genauigkeit, der Größe des Prognosebudgets und der Verfügbarkeit von qualifiziertem Personal. Demand Management besteht, um alle Nachfragequellen zu koordinieren und zu kontrollieren, damit das produktive System effizient genutzt werden kann und das Produkt termingerecht geliefert wird. Die Nachfrage kann entweder abhängig von der Nachfrage nach anderen Produkten oder Dienstleistungen oder unabhängig sein, da sie nicht direkt von der anderer Produkte abgeleitet werden kann. Die Prognose kann in vier Grundtypen eingeteilt werden: qualitative, Zeitreihenanalyse, Kausalbeziehungen und Simulation. Qualitative Techniken in der Prognose können Graswurzeln Prognose, Marktforschung, Panel Konsens, historische Analogie und die Delphi-Methode. Zeitreihen-Prognosemodelle versuchen, die Zukunft auf der Grundlage vergangener Daten vorherzusagen. Eine einfache gleitende Durchschnittsprognose wird verwendet, wenn die Nachfrage nach einem Produkt oder einer Dienstleistung ohne saisonale Schwankungen konstant ist. Eine gewichtete gleitende Durchschnittsprognose variiert die Gewichte bei einem bestimmten Faktor und ist somit in der Lage, die Effekte zwischen aktuellen und vergangenen Daten zu variieren. Die exponentielle Glättung verbessert die einfache und gewichtete gleitende Durchschnittsprognose, da sie die neueren Datenpunkte für wichtiger hält. Zur Korrektur eines Aufwärts - oder Abwärtstrends werden Daten, die über Zeitperioden bis zu Glättungskonstanten gesammelt werden, verwendet. Alpha ist die Glättungskonstante, während Delta die Auswirkungen des Fehlers, der zwischen der tatsächlichen und der Prognose auftritt, reduziert. Prognosefehler sind die Differenz zwischen dem Prognosewert und dem, was tatsächlich eingetreten ist. Alle Prognosen enthalten einen gewissen Grad an Fehler, aber es ist wichtig, zwischen Fehlerquellen und Fehlermessung zu unterscheiden. Fehlerquellen sind zufällige Fehler und Bias. Es gibt verschiedene Messungen, um den Grad des Fehlers in einer Prognose zu beschreiben. Bias-Fehler treten auf, wenn ein Fehler gemacht wird, d. h. nicht die korrekte Variable enthält oder die saisonale Nachfrage verschiebt. Zufällige Fehler können nicht erkannt werden, sie treten normalerweise auf. Ein Verfolgungssignal zeigt an, ob das Prognosemittel mit irgendwelchen Bewegungsänderungen der Nachfrage Schritt hält. Der MAD oder die mittlere absolute Abweichung ist auch ein einfaches und nützliches Werkzeug, um Tracking-Signale zu erhalten. Ein ausgereifteres Prognosewerkzeug, um die funktionale Beziehung zwischen zwei oder mehr korrelierten Variablen zu definieren, ist die lineare Regression. Dies kann verwendet werden, um eine Variable mit dem Wert für eine andere vorauszusagen. Es ist nützlich für kürzere Zeiträume, da es eine lineare Beziehung zwischen Variablen annimmt. Kausale Beziehung Prognose versucht, das Auftreten eines Ereignisses basierend auf dem Auftreten eines anderen Ereignisses zu bestimmen. Focus Prognose versucht mehrere Regeln, die logisch und leicht zu verstehen, um Vergangenheit Daten in die Zukunft scheinen. Heute sind viele Computer-Prognose-Programme verfügbar, um leicht zu prognostizieren Variablen. Wenn langfristige Entscheidungen auf der Grundlage zukünftiger Prognosen getroffen werden, sollte man sorgfältig darauf achten, die Prognose zu entwickeln. Ebenso sollten mehrere Ansätze zur Prognose eingesetzt werden. Forecasting muss in verschiedenen Bereichen des Managements wie Finanzmanagement, Marketing-Management, Personalmanagement etc. getan werden und die gleichen Techniken, die in diesem Artikel diskutiert werden in diesen Disziplinen auch verwendet. Die Prognose ist eine wichtige Aufgabe der Sicherheitsanalyse. Arten von Prognose-Komponenten der Nachfrage IV. Qualitative Techniken in der Prognose Grass Roots Marktforschungsbereich Konsens Historische Analogie Delphi Methode Zeitreihenanalyse Simple Moving Average Weighted Moving Average Exponentielle Glättung Prognosefehler Fehlerquellen Fehlermessung Lineare Regressionsanalyse Zerlegung einer Zeitreihe Kausale Beziehung Prognose Mehrere Regressionsanalyse. Fokusprognose Methodik der Fokusprognose Webbasierte Prognose: Kollaborative Planung, Prognose und Nachschub (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, Operations Management für Wettbewerbsvorteile, 10e, McGraw-Hill Higher Education, In der Praxis wird der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihe liefern, wenn der Mittelwert konstant ist oder sich langsam ändert. Deutsch: bti2003.bertelsmann - transformation - .... 0.html? & L = 0. Im Fall eines konstanten Mittelwertes wird der grßte Wert von m die besten Schätzungen des zugrunde liegenden Mittels liefern. Ein längerer Beobachtungszeitraum wird die Effekte der Variabilität ausmachen. Der Zweck der Bereitstellung eines kleineren m ist es, die Prognose auf eine Änderung in dem zugrunde liegenden Prozess zu ermöglichen. Um zu veranschaulichen, schlagen wir einen Datensatz vor, der Änderungen im zugrundeliegenden Mittel der Zeitreihen enthält. Die Abbildung zeigt die Zeitreihen für die Darstellung zusammen mit der mittleren Nachfrage, aus der die Serie generiert wurde. Der Mittelwert beginnt als eine Konstante bei 10. Ab dem Zeitpunkt 21 erhöht er sich um eine Einheit in jeder Periode, bis er zum Zeitpunkt 30 den Wert von 20 erreicht. Dann wird er wieder konstant. Die Daten werden simuliert, indem dem Mittelwert ein Zufallsrauschen aus einer Normalverteilung mit Nullmittelwert und Standardabweichung 3 zugeführt wird. Die Ergebnisse der Simulation werden auf die nächste Ganzzahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für das Beispiel. Wenn wir die Tabelle verwenden, müssen wir bedenken, dass zu einem gegebenen Zeitpunkt nur die letzten Daten bekannt sind. Die Schätzwerte des Modellparameters, für drei verschiedene Werte von m, werden zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung gezeigt. Die Abbildung zeigt die gleitende durchschnittliche Schätzung des Mittelwerts zu jedem Zeitpunkt und nicht die Prognose. Die Prognosen würden die gleitenden Durchschnittskurven nach Perioden nach rechts verschieben. Eine Schlussfolgerung ergibt sich unmittelbar aus der Figur. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend, wobei die Verzögerung mit m zunimmt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, während der Mittelwert zunimmt. Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und dem Mittelwert, der durch den gleitenden Durchschnitt vorhergesagt wird. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ. Bei einem abnehmenden Mittelwert ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Bias in der Schätzung eingeführt sind Funktionen von m. Je größer der Wert von m. Desto größer ist die Größe der Verzögerung und der Vorspannung. Für eine stetig wachsende Serie mit Trend a. Die Werte der Verzögerung und der Vorspannung des Schätzers des Mittelwerts sind in den folgenden Gleichungen gegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, da das Beispielmodell nicht kontinuierlich zunimmt, sondern als Konstante beginnt, sich in einen Trend ändert und dann wieder konstant wird. Auch die Beispielkurven sind vom Rauschen betroffen. Die gleitende Durchschnittsprognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Vorspannung nehmen proportional zu. Die nachstehenden Gleichungen zeigen die Verzögerung und die Vorspannung von Prognoseperioden in die Zukunft im Vergleich zu den Modellparametern. Diese Formeln sind wiederum für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten dieses Ergebnis nicht überraschen. Der gleitende Durchschnittsschätzer basiert auf der Annahme eines konstanten Mittelwerts, und das Beispiel hat einen linearen Trend im Mittel während eines Teils des Studienzeitraums. Da Realzeitreihen den Annahmen eines Modells nur selten gehorchen, sollten wir auf solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Rauschens den größten Effekt für kleinere m hat. Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20. Wir haben die widerstrebenden Wünsche, m zu erhöhen, um den Effekt der Variabilität aufgrund des Rauschens zu verringern und m zu verringern, um die Prognose besser auf Veränderungen anzupassen Im Mittel. Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert. Wenn die Zeitreihe wirklich ein konstanter Wert ist, ist der erwartete Wert des Fehlers Null und die Varianz des Fehlers besteht aus einem Term, der eine Funktion von und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes mit einer Stichprobe von m Beobachtungen, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert. Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Ein großes m macht die Prognose auf eine Änderung der zugrunde liegenden Zeitreihen unempfänglich. Um die Prognose auf Veränderungen anzupassen, wollen wir m so klein wie möglich (1), aber dies erhöht die Fehlerabweichung. Praktische Voraussage erfordert einen Zwischenwert. Prognose mit Excel Das Prognose-Add-In implementiert die gleitenden Durchschnittsformeln. Das folgende Beispiel zeigt die Analyse des Add-In für die Beispieldaten in Spalte B. Die ersten 10 Beobachtungen sind mit -9 bis 0 indexiert. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für die Periode 0 zu berechnen. Die Spalte MA (10) zeigt die berechneten Bewegungsdurchschnitte. Der gleitende Mittelwert m ist in Zelle C3. Die Fore (1) Spalte (D) zeigt eine Prognose für einen Zeitraum in die Zukunft. Das Prognoseintervall ist in Zelle D3. Wenn das Prognoseintervall auf eine größere Zahl geändert wird, werden die Zahlen in der Spalte Vorwärts verschoben. Die Err (1) - Spalte (E) zeigt die Differenz zwischen der Beobachtung und der Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 6. Der prognostizierte Wert, der aus dem gleitenden Durchschnitt zum Zeitpunkt 0 gemacht wird, beträgt 11,1. Der Fehler ist dann -5.1. Die Standardabweichung und mittlere mittlere Abweichung (MAD) werden in den Zellen E6 bzw. E7 berechnet. . Operations Management 101: Gleitende Mittelwerte: 5. 2012. Korrektur: Bei 20:43 sollte die WMA 29.794 sein. Ich glaube, ich habe etwas aus Excel übernommen. Meine Entschuldigungen. In diesem Video decke ich die Grundlagen der Moving Averages in der Zeitreihenvorhersage ab. Wir diskutieren die Naive Methode, Simple Moving Average und Weighted Moving Averages. In diesem Beispiel werden wir mit College-Immatrikulationsdaten, um verschiedene Methoden zu testen und dann zu prognostizieren Herbst 2012 Einschreibung. Auch mit dem Aktienchart für Apple (AAPL), zeigen wir auch, wie gleitende Durchschnitte werden in der Grundinvestition verwendet. Dank für das Aufpassen Für meine komplette videobibliothek, die durch Wiedergabeliste organisiert wird, gehe bitte zu meiner videoseite hier:
No comments:
Post a Comment