Prévision Moyenne Pondérée Mobile Formule

Moyenne mobile Prévision 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, donc 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 wagging la belette partout et si vous avez commencé à faire beaucoup plus d'étude, vous pourriez obtenir un score plus élevé. 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 de 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 Variante 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. Prévision de la demande future La deuxième partie de cette série montre comment affiner la prévision moyenne pondérée pour gérer l'inventaire plus efficacement. Le dernier article de cette série (juillet 2006, page 52) a exploré la prévision de la demande future de produits à usage récurrent. Bien que la moyenne pondérée des prévisions ait produit des résultats plus précis que la moyenne de l'utilisation enregistrée au cours des derniers mois, l'erreur de prévision reste élevée. Il existait encore une différence significative entre notre prévision de la demande future et celle de l'utilisation réelle. Cet article continuera d'explorer les moyens d'améliorer l'exactitude des prévisions. Révision des prévisions moyennes pondérées La plupart des distributeurs électriques utilisent des prévisions moyennes simples pour prédire l'utilisation future des articles stockés. Par exemple, ils peuvent faire la moyenne de l'utilisation enregistrée au cours des six mois précédents. Cela fonctionne bien si les produits ont une utilisation assez cohérente, mais de nombreux produits connaissent une utilisation croissante ou décroissante au fil du temps. D'autres produits ont un schéma saisonnier d'utilisation, où les ventes sont généralement plus élevées pendant certaines périodes de l'année. Certains produits connaissent des pointes récurrentes dans l'utilisation tout au long de l'année. La moyenne pondérée des prévisions nous permet d'aborder différents modèles d'utilisation dans les calculs de prévisions. Chaque formule moyenne pondérée place le poids, ou l'accent mis sur l'historique d'utilisation enregistré au cours des mois précédents. Voici un ensemble commun de poids à utiliser pour calculer la demande d'un article non saisonnier avec une augmentation ou une diminution progressive des ventes: Placez un poids de 3,0 sur l'utilisation enregistrée au cours de la période la plus récente. Placer un poids de 2,5 sur l'utilisation enregistrée au cours de la période suivante. Placer un poids de 2,0 sur l'utilisation enregistrée au cours de la période suivante. Placer un poids de 1,5 sur l'utilisation enregistrée au cours de la période suivante. Placer un poids de 1,0 sur l'utilisation enregistrée au cours de la période suivante. Utilisons le tableau 1, Prévision moyenne pondérée, pour vous aider à comprendre comment calculer la prévision de Julys pour un article avec l'historique d'utilisation suivant. Chaque poids est multiplié par l'utilisation des mois correspondants. L'extension totale (1 297,5) est divisée par le poids total (10) pour déterminer notre prédiction de la demande pour juillet de 129,75 ou 130 pièces. Bien que ce soit mieux qu'une prévision de 120 morceaux dérivés de la moyenne des six mois précédents d'utilisation (148 133 126 110 104 98) 6 120, il ne semble pas encore être une grande prévision. Regardez le graphique de l'utilisation au cours des six mois précédents pour le tableau 1. La prévision de 130 pièces est représentée par la ligne noire pleine. L'utilisation est évidemment croissante avec le temps. Peu importe le jeu de poids utilisé, aucune moyenne de l'utilisation passée ne peut donner lieu à une prévision supérieure à l'utilisation des mois les plus élevés. Pour mieux prédire la demande future, considérez les quatre éléments d'une prévision précise: Augmenter ou diminuer les tendances dans l'utilisation. Des informations collaboratives sur les besoins futurs spécifiques des clients. Le calendrier ou l'horizon approprié pour la prévision. Les tendances peuvent être déterminées en examinant l'utilisation au cours des derniers mois. Dans le tableau 2, remarquez l'augmentation continue, mais irrégulière, de l'utilisation au cours des quatre derniers mois. L'augmentation moyenne de l'utilisation au cours des quatre derniers mois est de 10,5 pour cent (14,5 5,6 11,3) 3 10,5. Pour appliquer ce facteur de tendance, multipliez les résultats de la formule de moyenne pondérée (130) par 1.105 pour obtenir une prévision de 144 pièces. Le tableau 3 illustre la stabilisation de l'augmentation enregistrée au cours des derniers mois. Veuillez noter deux lignes directrices pour l'application des facteurs de tendance aux formules de prévision: Dans la plupart des cas, les facteurs tendanciels ne devraient pas être appliqués à moins que l'utilisation croissante ou décroissante n'ait lieu pendant trois ou quatre périodes d'inventaire. Tout facteur de tendance calculé supérieur à 100% (un doublement de l'utilisation) devrait normalement être porté à l'attention d'un acheteur ou d'un planificateur d'inventaire avant son application. Les facteurs de tendance qui peuvent être déterminés en examinant les antécédents d'utilisation passés sont appelés facteurs de tendance interne. Mais d'autres tendances peuvent ne pas être reflétées dans l'histoire d'utilisation passée. Voici trois exemples: Votre département de marketing pourrait estimer les ventes des articles dans une ligne particulière de produits augmentera de 15 pour cent. Cela peut être dû à un nouvel effort de vente, à un changement de l'économie, à une augmentation de l'activité des clients actuels, à un concurrent sortant du marché ou à une autre raison. Vous pourriez anticiper une diminution de l'utilisation de 10 pour cent en raison d'un nouveau concurrent entrant sur le marché ou une augmentation des taux d'intérêt. Les facteurs météorologiques tels que les températures extrêmes ou les précipitations peuvent entraîner une augmentation ou une diminution de l'utilisation. Ceux-ci sont appelés facteurs de tendance externes parce que les informations pour eux proviennent de l'extérieur de votre organisation: vos observations des vendeurs du marché, les nouvelles financières dans un journal local ou sur Internet, les prévisions météorologiques ou une autre source. Les facteurs de tendance externes affectent souvent une ligne de produits entière ou tous les produits d'une succursale, mais les facteurs de tendance internes sont calculés pour les articles individuels. Les facteurs de tendance externes sont habituellement identifiés par l'observation. Cela signifie que les vendeurs ou les acheteurs remarquer un changement important dans l'utilisation et commencer à chercher une raison. Il est important d'enregistrer ces observations et de voir si elles se reproduisent à l'avenir. Notez l'effet spécifique de chaque facteur externe chaque fois qu'il affecte la prévision. Par exemple, les ventes ont-elles augmenté de 15 p. 100 lorsqu'un concurrent a quitté le marché ou est-ce 12 p. 100? Les résultats serviront de guide pour l'application du facteur spécifique dans les prévisions futures. Des prévisions précises permettent d'atteindre l'objectif d'une gestion efficace des stocks: répondre ou dépasser les attentes des clients quant à la disponibilité des produits avec le montant de chaque article qui maximisera vos profits nets. Le prochain article explorera les éléments restants d'une prévision précise: les estimations collaboratives et l'horizon de prévision. En attendant, si vous avez des questions spécifiques, n'hésitez pas à me le faire savoir. Avec plus de 36 ans d'expérience, Jon Schreibfeder est président de la gestion des stocks efficace inc. Coppell, Texas, une société de conseil consacrée à aider les distributeurs à maximiser la productivité et la rentabilité de leur investissement dans l'inventaire des stocks. Schreibfeder est l'auteur de la récemment publiée Achieving Effective Inventory Management 3ème édition. Contactez Schreibfeder au (972) 304-3325 ou à l'inventeur jonseffective. Partagez cet article