อธิบาย ที่ แตกต่าง ระหว่าง การเคลื่อนไหว ค่าเฉลี่ย และ ชี้แจง ความเรียบเนียน

อธิบายให้เรียบ สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ เมื่อคนแรกพบคำว่า Smoothing Exponential พวกเขาอาจคิดว่าเสียงเหมือนนรกของมากเรียบ สิ่งที่เรียบคือ จากนั้นพวกเขาก็เริ่มวาดภาพการคำนวณทางคณิตศาสตร์ที่มีความซับซ้อนซึ่งอาจต้องใช้การศึกษาระดับปริญญาในด้านคณิตศาสตร์เพื่อให้เข้าใจและหวังว่าจะมีฟังก์ชัน Excel ในตัวหากพวกเขาจำเป็นต้องทำ ความเป็นจริงของการทำให้เรียบเป็นทวีคูณน้อยกว่าที่น่าทึ่งและบาดแผลน้อยมาก ความจริงคือการทำให้เรียบเรียบเป็นเรื่องง่ายที่คำนวณได้ง่าย มันก็มีชื่อที่ซับซ้อนเพราะสิ่งที่เกิดขึ้นในทางเทคนิคอันเป็นผลมาจากการคำนวณง่ายๆนี้เป็นเพียงเล็กน้อยที่ซับซ้อน เพื่อให้เข้าใจถึงการทำให้เรียบขึ้นเรื่อย ๆ จะช่วยให้เริ่มต้นด้วยแนวคิดทั่วไปในการทำให้เรียบและวิธีการทั่วไปอื่น ๆ ที่ใช้เพื่อให้ได้ความเรียบเนียน Smoothing คืออะไรการเรียบเป็นขั้นตอนทางสถิติที่พบบ่อยมาก ในความเป็นจริงเรามักพบข้อมูลที่ราบรื่นในรูปแบบต่างๆในชีวิตประจำวันของเรา เมื่อใดก็ตามที่คุณใช้ค่าเฉลี่ยในการอธิบายสิ่งใดคุณใช้หมายเลขที่ราบรื่น ถ้าคุณคิดถึงเหตุผลที่คุณใช้ค่าเฉลี่ยในการอธิบายบางสิ่งบางอย่างคุณจะเข้าใจแนวคิดเรื่องการทำให้ราบเรียบได้อย่างรวดเร็ว ตัวอย่างเช่นเราเพิ่งมีประสบการณ์ฤดูหนาวที่อบอุ่นที่สุดในเร็กคอร์ด เราจะเริ่มต้นด้วยชุดข้อมูลอุณหภูมิที่สูงและต่ำเป็นประจำทุกวันสำหรับช่วงที่เราเรียกว่าฤดูหนาวสำหรับแต่ละปีในประวัติศาสตร์ที่บันทึกไว้ แต่นั่นทำให้เรามีตัวเลขที่กระโดดไปรอบ ๆ นิดหน่อย (ไม่เหมือนทุกวันในฤดูหนาวนี้ก็อุ่นขึ้นกว่าวันที่เหมือนกันจากทุกปีที่ผ่านมา) เราจำเป็นต้องมีหมายเลขที่ลบข้อมูลทั้งหมดนี้ออกจากข้อมูลเพื่อให้เราเปรียบเทียบได้ง่ายขึ้นในช่วงฤดูหนาว การถอดการกระโดดไปรอบ ๆ ในข้อมูลเรียกว่าการทำให้เรียบและในกรณีนี้เราสามารถใช้ค่าเฉลี่ยที่เรียบง่ายเพื่อให้การเรียบลื่น ในการคาดการณ์ความต้องการเราใช้การปรับให้เรียบเพื่อลบความผันแปรแบบสุ่ม (เสียง) ออกจากความต้องการในอดีตของเรา วิธีนี้ช่วยให้เราสามารถระบุรูปแบบความต้องการได้ดีขึ้น (ตามหลักแนวโน้มและฤดูกาล) และระดับความต้องการที่สามารถใช้ในการประมาณการความต้องการในอนาคตได้ เสียงดังกล่าวเป็นแนวคิดเดียวกับการกระโดดรายวันของข้อมูลอุณหภูมิ ไม่น่าแปลกใจที่คนส่วนใหญ่จะเอาเสียงรบกวนออกจากประวัติความต้องการคือการใช้ค่าเฉลี่ยอย่างง่ายโดยเฉพาะค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่จะใช้ระยะเวลาที่กำหนดไว้ล่วงหน้าเพื่อคำนวณค่าเฉลี่ยและช่วงเวลาเหล่านี้จะเลื่อนตามเวลาที่ผ่านไป ตัวอย่างเช่นถ้า Im ใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือนและวันนี้คือวันที่ 1 พฤษภาคม Im ใช้ค่าเฉลี่ยความต้องการที่เกิดขึ้นในเดือนมกราคมกุมภาพันธ์มีนาคมและเมษายน ในวันที่ 1 มิถุนายนฉันจะใช้ความต้องการตั้งแต่เดือนกุมภาพันธ์มีนาคมเมษายนและพฤษภาคม ค่าเฉลี่ยถ่วงน้ำหนัก เมื่อใช้ค่าเฉลี่ยเราใช้ความสำคัญ (น้ำหนัก) เดียวกันกับแต่ละค่าในชุดข้อมูล ในค่าเฉลี่ยเคลื่อนที่ 4 เดือนแต่ละเดือนมีค่าเฉลี่ยเคลื่อนที่ 25 ค่า เมื่อใช้ประวัติความต้องการเพื่อคาดการณ์ความต้องการในอนาคต (และแนวโน้มในอนาคตโดยเฉพาะอย่างยิ่ง) เหตุผลที่จะสรุปได้ว่าคุณต้องการให้ประวัติล่าสุดมีผลกระทบมากขึ้นกับการคาดการณ์ของคุณ เราสามารถปรับการคำนวณค่าเฉลี่ยเคลื่อนที่ของเราเพื่อใช้น้ำหนักที่ต่างกันในแต่ละช่วงเวลาเพื่อให้ได้ผลลัพธ์ที่ต้องการ เราแสดงน้ำหนักเหล่านี้เป็นเปอร์เซ็นต์และน้ำหนักทั้งหมดของทุกช่วงเวลาต้องเพิ่มขึ้น 100 ดังนั้นหากเราตัดสินใจว่าเราต้องการใช้ 35 เป็นน้ำหนักในช่วงเวลาใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก 4 เดือนของเราเราสามารถ ลบ 35 ออกจาก 100 เพื่อหาว่าเราเหลืออีก 65 คนในช่วงเวลาอื่น ๆ ตัวอย่างเช่นเราอาจจะมีน้ำหนัก 15, 20, 30 และ 35 ตามลำดับเป็นเวลา 4 เดือน (15 20 30 35 100) การทำให้เรียบเรียบขึ้น ถ้าเรากลับไปใช้แนวความคิดในการใช้น้ำหนักกับงวดล่าสุด (เช่น 35 ในตัวอย่างก่อนหน้า) และการกระจายน้ำหนักที่เหลือ (คำนวณโดยการหักน้ำหนักช่วงล่าสุดของ 35 จาก 100 เป็น 65) เรามี หน่วยการสร้างพื้นฐานสำหรับการคำนวณการเรียบของเราชี้แจง อินพุทควบคุมของการคำนวณการคำนวณความเร่งด่วนเป็นที่รู้จักกันว่าเป็นปัจจัยการทำให้ราบรื่น (smoothing factor) หรือเรียกอีกอย่างว่า smoothing constant) มันเป็นหลักหมายถึงการถ่วงน้ำหนักที่ใช้กับงวดล่าสุดความต้องการ ดังนั้นที่เราใช้ 35 เป็นน้ำหนักสำหรับงวดล่าสุดในการคำนวณถัวเฉลี่ยถ่วงน้ำหนักเราสามารถเลือกที่จะใช้ 35 เป็นปัจจัยการทำให้ราบเรียบในการคำนวณการคำนวณความเร่งด่วนเพื่อให้ได้ผลเช่นเดียวกัน ความแตกต่างกับการคำนวณการให้ความเรียบแบบเลขยกกำลังคือการที่เราต้องพิจารณาน้ำหนักที่จะนำไปใช้กับแต่ละช่วงเวลาก่อนหน้านี้ทำให้เราต้องใช้ปัจจัยที่ราบเรียบเพื่อทำสิ่งนี้ให้โดยอัตโนมัติ ดังนั้นนี่เป็นส่วนที่อธิบาย ถ้าเราใช้ 35 เป็นปัจจัยการทำให้ราบเรียบการถ่วงน้ำหนักของความต้องการช่วงเวลาล่าสุดจะเป็น 35 การนับถ่วงน้ำหนักของงวดถัดไปที่ต้องการ (ระยะก่อนหน้าล่าสุด) จะเท่ากับ 65 จาก 35 (65 มาจากหัก 35 จาก 100) นี้เท่ากับ 22.7 ถ่วงน้ำหนักในช่วงเวลานั้นถ้าคุณทำคณิตศาสตร์ ความต้องการระยะเวลาต่อไปครั้งต่อไปคือ 65 จาก 65 ใน 35 ซึ่งเท่ากับ 14.79 ช่วงก่อนหน้านั้นจะมีน้ำหนัก 65 ถึง 65 จาก 65 ใน 35 ซึ่งเท่ากับ 9.61 และอื่น ๆ และสิ่งนี้จะย้อนกลับไปในทุกช่วงเวลาก่อนหน้าของคุณตลอดระยะเวลาย้อนกลับไปจนถึงจุดเริ่มต้นของเวลา (หรือจุดที่คุณเริ่มต้นใช้การเพิ่มความล คุณอาจคิดว่าเรื่องนี้ดูเหมือนจะเป็นเรื่องคณิตศาสตร์มาก แต่ความงามของการคำนวณการคำนวณหาผลคูณแบบเอกซ์โพเนนเชียลคือแทนที่จะต้องคำนวณใหม่ในแต่ละช่วงเวลาก่อนหน้านี้ทุกครั้งที่คุณได้รับช่วงเวลาใหม่ ๆ คุณก็ใช้ผลลัพธ์ของการคำนวณการคำนวณความเร่งด่วนจากช่วงก่อนหน้าเพื่อแสดงช่วงก่อนหน้าทั้งหมด คุณสับสนยังจะทำให้รู้สึกมากขึ้นเมื่อเราดูที่การคำนวณที่เกิดขึ้นจริงโดยปกติเราจะอ้างถึงผลลัพธ์ของการคำนวณการเรียบเป็น exponential คาดการณ์ระยะเวลาถัดไป ในความเป็นจริงการคาดการณ์ที่ดีที่สุดต้องการการทำงานเพียงเล็กน้อย แต่สำหรับวัตถุประสงค์ของการคำนวณเฉพาะนี้เราจะอ้างถึงเป็นประมาณการ การคำนวณการคำนวณหาผลคูณเป็นดังนี้: ความต้องการของงวดล่าสุดที่คูณกับปัจจัยการปรับให้เรียบ PLUS ระยะเวลาล่าสุดที่คาดการณ์ไว้คูณด้วย (หนึ่งลบด้วยปัจจัยการทำให้ราบเรียบ) D ช่วงล่าสุดต้องการ S ปัจจัยการทำให้ราบรื่นแสดงในรูปแบบทศนิยม (ดังนั้น 35 จะแสดงเป็น 0.35) F คาดการณ์ช่วงเวลาล่าสุด (ผลลัพธ์ของการคำนวณการปรับให้เรียบจากงวดก่อนหน้า) OR (สมมติว่าค่าการปรับให้เรียบเท่ากับ 0.35) (D 0.35) (F 0.65) มันไม่ง่ายนักหรอก ที่คุณเห็นทั้งหมดที่เราต้องใช้สำหรับการป้อนข้อมูลที่นี่คือความต้องการช่วงเวลาล่าสุดและการคาดการณ์ช่วงเวลาล่าสุด เราใช้ปัจจัยการทำให้ราบเรียบ (ถ่วงน้ำหนัก) เป็นระยะเวลาล่าสุดเช่นเดียวกับที่เราคำนวณในการคำนวณถัวเฉลี่ยถ่วงน้ำหนัก จากนั้นเราจะใช้การถ่วงน้ำหนักที่เหลือ (1 ลบด้วยตัวปรับความเรียบ) ไปเป็นระยะเวลาการคาดการณ์ล่าสุด เนื่องจากการคาดการณ์ช่วงเวลาล่าสุดได้รับการสร้างขึ้นจากความต้องการของช่วงเวลาก่อนหน้าและการคาดการณ์ในช่วงก่อนหน้าซึ่งขึ้นอยู่กับความต้องการในช่วงก่อนหน้านั้นและการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับความต้องการของช่วงเวลาก่อน และการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับระยะเวลาก่อนหน้านั้น ดีคุณสามารถดูความต้องการทั้งหมดของช่วงเวลาก่อนหน้านี้ได้อย่างไรในการคำนวณโดยไม่ต้องย้อนกลับและคำนวณอะไรใหม่ และ thats สิ่งที่ขับรถความนิยมเริ่มต้นของการเรียบชี้แจง ไม่ใช่เพราะมันเป็นงานที่ดีกว่าการถ่วงน้ำหนักมากกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเนื่องจากการคำนวณในโปรแกรมคอมพิวเตอร์นั้นง่ายกว่า และเนื่องจากคุณไม่จำเป็นต้องคิดถึงการถ่วงเวลาก่อนหน้านี้หรือจำนวนงวดก่อนหน้าที่จะใช้ตามที่คุณต้องการในค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเพราะมันฟังดูเย็นกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก ในความเป็นจริงอาจเป็นที่ถกเถียงกันอยู่ว่าค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักให้ความยืดหยุ่นมากขึ้นเนื่องจากคุณสามารถควบคุมน้ำหนักของช่วงเวลาก่อนหน้าได้มากขึ้น ความเป็นจริงคือสิ่งเหล่านี้สามารถให้ผลลัพธ์ที่น่าพอใจได้ดังนั้นทำไมไม่ไปกับการออกเสียงที่ง่ายและเย็นกว่า Exponential Smoothing in Excel ให้ดูวิธีนี้จริงจะดูในกระดาษคำนวณที่มีข้อมูลจริง สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ ในรูปที่ 1A เรามีสเปรดชีต Excel ที่มีความต้องการใช้งานเป็นเวลา 11 สัปดาห์และมีการคาดการณ์แบบเรียบเรียงตามที่คำนวณได้จากความต้องการดังกล่าว Ive ใช้ค่า smoothing factor 25 (0.25 ในเซลล์ C1) เซลล์ที่ใช้งานปัจจุบันเป็นเซลล์ M4 ซึ่งมีการคาดการณ์สำหรับสัปดาห์ที่ 12 คุณสามารถดูได้ในแถบสูตรสูตรคือ (L3C1) (L4 (1-C1)) ดังนั้นปัจจัยการผลิตเพียงอย่างเดียวในการคำนวณนี้คือความต้องการของช่วงเวลาก่อนหน้า (เซลล์ L3) การพยากรณ์ช่วงก่อนหน้า (เซลล์ L4) และปัจจัยการทำให้ราบรื่น (เซลล์ C1 แสดงเป็นข้อมูลอ้างอิงของเซลล์สัมบูรณ์ C1) เมื่อเราเริ่มต้นการคำนวณการทำให้เรียบโดยใช้เลขแจงเราจำเป็นต้องเสียบค่าสำหรับการคาดการณ์ที่ 1 ด้วยตนเอง ดังนั้นใน Cell B4 แทนที่จะเป็นสูตรเราจึงพิมพ์ความต้องการจากช่วงเวลาเดียวกันกับที่คาดไว้ ในเซลล์ C4 เรามีการคำนวณการปันส่วนเป็นครั้งที่ 1 (B3C1) (B4 (1-C1)) จากนั้นเราสามารถคัดลอกเซลล์ C4 และวางในเซลล์ D4 ผ่าน M4 เพื่อกรอกข้อมูลในส่วนที่เหลือของเซลล์คาดการณ์ของเรา ขณะนี้คุณสามารถดับเบิลคลิกที่เซลล์คาดการณ์ใด ๆ เพื่อดูข้อมูลได้จากช่วงคาดการณ์ของเซลล์ก่อนหน้าและเซลล์ความต้องการช่วงก่อนหน้า ดังนั้นการคำนวณการคำนวณตามความเร่งด่วนที่ตามมาแต่ละครั้งจึงสืบทอดผลลัพธ์ของการคำนวณการคำนวณหาผลคูณด้วยเอกซ์โพเนนเชียลก่อนหน้านี้ นั่นคือความต้องการของแต่ละงวดก่อนหน้านี้เป็นอย่างไรในการคำนวณระยะเวลาล่าสุดแม้ว่าการคำนวณดังกล่าวไม่ได้อ้างอิงถึงช่วงเวลาก่อนหน้านี้โดยตรงก็ตาม ถ้าคุณต้องการได้รับแฟนซีคุณสามารถใช้ฟังก์ชัน Excels trace precedents เมื่อต้องการทำเช่นนี้ให้คลิกที่เซลล์ M4 จากนั้นบนแถบเครื่องมือริบบิ้น (Excel 2007 หรือ 2010) คลิกแท็บสูตรแล้วคลิกสืบค้นย้อนกลับ มันจะวาดเส้นเชื่อมต่อไปยังระดับที่ 1 ของ precedents แต่ถ้าคุณคลิกที่ Trace Precedents ก็จะวาดเส้นเชื่อมต่อไปยังช่วงก่อนหน้าทั้งหมดเพื่อแสดงความสัมพันธ์ที่สืบทอด ตอนนี้เรามาดูกันว่าการทำให้เรียบแบบทวีคูณเป็นอย่างไรบ้างสำหรับเรา รูปที่ 1B แสดงแผนภูมิเส้นของความต้องการและการคาดการณ์ของเรา กรณีที่คุณเห็นว่าการคาดการณ์ที่ราบเรียบตามลำดับส่วนมากจะช่วยขจัดความหยาบคาย (กระโดดไปรอบ ๆ ) จากความต้องการรายสัปดาห์ แต่ยังคงสามารถปฏิบัติตามสิ่งที่ดูเหมือนจะเป็นความต้องการที่เพิ่มสูงขึ้น นอกจากนี้คุณจะสังเกตเห็นว่าเส้นคาดการณ์ที่ราบเรียบมีแนวโน้มที่จะต่ำกว่าเส้นความต้องการ นี้เป็นที่รู้จักกันเป็นล้าสมัยแนวโน้มและเป็นผลข้างเคียงของกระบวนการราบเรียบ เมื่อใดก็ตามที่คุณใช้การทำให้ราบเรียบเมื่อมีแนวโน้มเกิดขึ้นการคาดการณ์ของคุณจะล่าช้ากว่าแนวโน้ม นี่เป็นจริงสำหรับเทคนิคการทำให้ราบเรียบใด ๆ ในความเป็นจริงหากเราดำเนินการต่อสเปรดชีตนี้ต่อไปและเริ่มป้อนตัวเลขความต้องการที่ต่ำลง (ทำให้มีแนวโน้มลดลง) คุณจะเห็นการลดลงของความต้องการและเส้นแนวโน้มจะเลื่อนไปเหนือก่อนที่จะเริ่มตามแนวโน้มลดลง Thats ทำไมฉันได้กล่าวถึงก่อนหน้านี้ออกจากการคำนวณการคำนวณเรียบที่เราเรียกว่าการคาดการณ์ยังคงต้องทำงานเพิ่มเติมบางอย่าง มีมากขึ้นในการคาดการณ์มากกว่าเพียงแค่เรียบออกกระแทกในความต้องการ เราจำเป็นต้องปรับเปลี่ยนเพิ่มเติมสำหรับสิ่งต่างๆเช่นความล้าตามฤดูกาลฤดูกาลเหตุการณ์ที่เป็นที่รู้จักซึ่งอาจมีผลต่อความต้องการ ฯลฯ แต่สิ่งที่อยู่นอกเหนือขอบเขตของบทความนี้ คุณอาจจะใช้เป็นคำเช่นการเพิ่มความเรียบแบบเลขสองเท่าและการปรับให้เรียบแบบสามขั้นแทน คำเหล่านี้เป็นบิตที่ทำให้เข้าใจผิดเนื่องจากคุณไม่ได้ปรับความต้องการอีกหลายครั้ง (คุณสามารถทำได้ถ้าต้องการ แต่ไม่ใช่ประเด็นที่นี่) คำเหล่านี้แสดงถึงการใช้การเพิ่มความลื่นในเชิงตัวเลขในองค์ประกอบเพิ่มเติมของการคาดการณ์ ดังนั้นด้วยการเรียบแบบเรียบง่ายคุณจึงปรับความต้องการพื้นฐานได้ แต่ด้วยการปรับให้เรียบแบบทวีคูณเป็นสองเท่าคุณจะปรับความต้องการพื้นฐานพร้อมกับแนวโน้มและด้วยการเรียบเรียบแบบสามขั้นตอนคุณจะทำให้ความต้องการพื้นฐานลดลงพร้อมกับแนวโน้มบวกกับฤดูกาล คำถามอื่น ๆ ที่ถามบ่อยเกี่ยวกับการทำให้เรียบเป็นทวีคูณคือสิ่งที่ฉันจะได้รับปัจจัยการทำให้ราบเรียบของฉันไม่มีคำตอบที่น่าอัศจรรย์ที่นี่คุณต้องทดสอบปัจจัยการทำให้ราบเรียบต่างๆพร้อมกับข้อมูลความต้องการของคุณเพื่อดูว่าอะไรทำให้คุณได้รับผลลัพธ์ที่ดีที่สุด มีการคำนวณที่สามารถตั้งค่า (และเปลี่ยน) ตัวปรับความเรียบได้โดยอัตโนมัติ ฤดูใบไม้ร่วงเหล่านี้อยู่ภายใต้การปรับให้เรียบแบบปรับได้ แต่คุณต้องระมัดระวังกับพวกเขา ไม่มีคำตอบที่สมบูรณ์แบบและคุณไม่ควรสุ่มสี่สุ่มห้าใช้การคำนวณใด ๆ โดยไม่มีการทดสอบอย่างละเอียดและพัฒนาความเข้าใจอย่างถ่องแท้ในสิ่งที่คำนวณได้ นอกจากนี้คุณควรใช้สถานการณ์สมมติแบบใดหากดูว่าการคำนวณเหล่านี้ตอบสนองต่อการเปลี่ยนแปลงความต้องการที่อาจไม่มีอยู่ในข้อมูลความต้องการที่คุณกำลังใช้ในการทดสอบ ตัวอย่างข้อมูลที่ฉันใช้ก่อนหน้านี้เป็นตัวอย่างที่ดีมากสำหรับสถานการณ์ที่คุณต้องทดสอบสถานการณ์อื่น ๆ ตัวอย่างข้อมูลดังกล่าวแสดงถึงแนวโน้มที่มีแนวโน้มสูงขึ้นอย่างมาก บริษัท ขนาดใหญ่หลายแห่งที่มีซอฟต์แวร์คาดการณ์ราคาแพงมีปัญหาใหญ่ในอดีตที่ไม่ไกลเกินไปเมื่อการตั้งค่าซอฟต์แวร์ของตนที่ปรับแต่งเพื่อให้เศรษฐกิจเติบโตไม่ตอบสนองได้ดีเมื่อเศรษฐกิจเริ่มหดตัวหรือหดตัว สิ่งเช่นนี้เกิดขึ้นเมื่อคุณไม่เข้าใจว่าการคำนวณ (ซอฟต์แวร์) ของคุณกำลังทำอยู่จริง ถ้าพวกเขาเข้าใจระบบการคาดการณ์ของพวกเขาพวกเขาจะได้รู้ว่าพวกเขาต้องการที่จะก้าวกระโดดและเปลี่ยนอะไรบางอย่างเมื่อมีการเปลี่ยนแปลงอย่างฉับพลันในธุรกิจของพวกเขา ดังนั้นคุณจึงมีพื้นฐานของการเรียบอธิบายอธิบาย ต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับการใช้การทำให้เรียบโดยใช้การชี้แจงในการคาดการณ์ที่เกิดขึ้นจริงโปรดดูคำอธิบายเกี่ยวกับการจัดการสินค้าคงคลังในหนังสือของฉัน สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ Dave Piasecki เป็นเจ้าของผู้ดำเนินงาน Inventory Operations Consulting LLC บริษัท ที่ปรึกษาที่ให้บริการเกี่ยวกับการจัดการสินค้าคงคลังการจัดการวัสดุและการดำเนินงานคลังสินค้า เขามีประสบการณ์มากกว่า 25 ปีในการบริหารจัดการการดำเนินงานและสามารถเข้าถึงได้จากเว็บไซต์ของเขา (inventoryops) ซึ่งเขามีข้อมูลที่เกี่ยวข้องเพิ่มเติม วิธีการของชุดข้อมูลทางธุรกิจของฉันวิธีการแบบอนุกรมเป็นเทคนิคสถิติที่ใช้ข้อมูลประวัติที่สะสมในช่วงเวลาหนึ่ง 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 ความแตกต่างระหว่างค่าเฉลี่ยถ่วงน้ำหนักกับค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักค่าเฉลี่ยเคลื่อนที่ 5 ช่วงโดยอิงจากราคาข้างต้นจะคำนวณโดยใช้สูตรต่อไปนี้: ตามสมการข้างต้นราคาเฉลี่ย ในช่วงที่ระบุไว้ข้างต้นคือ 90.66 การใช้ค่าเฉลี่ยเคลื่อนที่เป็นวิธีที่มีประสิทธิภาพในการขจัดความผันผวนของราคาที่แข็งแกร่ง ข้อ จำกัด ที่สำคัญคือจุดข้อมูลจากข้อมูลที่เก่ากว่าจะไม่ได้รับการถ่วงน้ำหนักใด ๆ กว่าจุดข้อมูลใกล้จุดเริ่มต้นของชุดข้อมูล นี่คือที่ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักเข้ามาเล่น ค่าเฉลี่ยถ่วงน้ำหนักกำหนดน้ำหนักให้มากขึ้นกับจุดข้อมูลปัจจุบันมากขึ้นเนื่องจากมีความเกี่ยวข้องมากกว่าจุดข้อมูลในอดีตอันไกลโพ้น ผลรวมของการถ่วงน้ำหนักควรเพิ่มได้ถึง 1 (หรือ 100) ในกรณีของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆการถ่วงน้ำหนักมีการกระจายอย่างเท่าเทียมกันซึ่งเป็นเหตุผลว่าทำไมจึงไม่แสดงในตารางด้านบน ราคาปิดของ AAPL