EXPONENTIAL SMOOTHING: PAMAMARAAN AT HALIMBAWA - DUDAS - 2025

Ang exponential smoothing ay isang paraan upang matantya ang demand para sa isang artikulo para sa isang naibigay na tagal. Tinatantya ng pamamaraang ito na ang demand ay magiging katumbas ng average ng pagkonsumo ng kasaysayan sa isang naibigay na panahon, na nagbibigay ng mas malaking timbang o timbang sa mga halagang mas malapit sa oras. Bilang karagdagan, para sa mga sumusunod na mga pagtataya isinasaalang-alang ang umiiral na error ng kasalukuyang forecast.

Ang pagtataya ng Demand ay ang paraan ng pag-project ng demand ng customer para sa isang produkto o serbisyo. Ang prosesong ito ay tuluy-tuloy, kung saan ang mga tagapamahala ay gumagamit ng data sa kasaysayan upang makalkula kung ano ang inaasahan nila na ang demand ng benta para sa isang mahusay o serbisyo.

Pinagmulan: pixabay.com

Ang impormasyon mula sa nakaraan ng kumpanya ay ginagamit sa pamamagitan ng pagdaragdag nito sa data sa merkado ng ekonomiya upang makita kung tataas o bababa ang benta.

Ang mga resulta ng demand na demand ay ginagamit upang magtakda ng mga layunin para sa departamento ng mga benta, sinusubukan na manatiling naaayon sa mga layunin ng kumpanya.

Kaakibat na paraan ng pagpapadulas

Ang Smoothing ay isang pangkaraniwang proseso ng istatistika. Ang mga nakuhang data ay madalas na matatagpuan sa iba't ibang anyo ng pang-araw-araw na buhay. Sa bawat oras na ang isang average ay ginagamit upang ilarawan ang isang bagay, ginagamit ang isang smoothed number.

Ipagpalagay na ang pinakamainit na taglamig sa talaan ay naranasan sa taong ito. Upang matukoy ito, magsisimula kami sa pang-araw-araw na data ng temperatura para sa taglamig ng panahon ng bawat naitala na makasaysayang taon.

Ito ay bumubuo ng isang bilang ng mga numero na may malaking "jumps". Kailangan mo ng isang numero na nag-aalis ng lahat ng mga ito jumps mula sa data upang gawing mas madali upang ihambing ang isang taglamig sa isa pa.

Ang pagtanggal ng jump sa data ay tinatawag na makinis. Sa kasong ito isang simpleng average ay maaaring magamit upang makamit ang makinis.

Makinis sa forecast

Para sa demand na pagtataya, ang smoothing ay ginagamit din upang maalis ang mga pagkakaiba-iba sa kahilingan sa kasaysayan. Pinapayagan nito para sa mas mahusay na pagkakakilanlan ng mga pattern ng demand, na maaaring magamit upang matantya ang kahilingan sa hinaharap.

Ang mga pagkakaiba-iba ng hinihingi ay ang parehong konsepto ng "jump" ng data ng temperatura. Ang pinaka-karaniwang paraan na ang mga pagkakaiba-iba sa kasaysayan ng demand ay tinanggal ay sa pamamagitan ng paggamit ng isang average, o partikular, isang average na paglipat.

Ang gumagalaw na average ay gumagamit ng isang paunang-natukoy na bilang ng mga panahon upang makalkula ang average, at ang mga panahong iyon ay lumilipas habang lumilipas ang oras.

Halimbawa, kung gumagamit ka ng isang apat na buwan na average na paglipat at ngayon ay Mayo 1, gagamitin mo ang average na kahilingan para sa Enero, Pebrero, Marso, at Abril. Sa Hunyo 1, gagamitin ang demand para sa Pebrero, Marso, Abril at Mayo.

Timbang na paglipat average

Kapag gumagamit ng isang simpleng average, ang parehong kahalagahan ay inilalapat sa bawat halaga sa set ng data. Samakatuwid, sa isang apat na buwan na average na paglipat, ang bawat buwan ay kumakatawan sa 25% ng average na paglipat.

Sa pamamagitan ng paggamit ng kasaysayan ng demand sa proyekto sa hinaharap, nangangahulugan ito na ang pinakahuling panahon ay may mas malaking epekto sa forecast.

Ang paglipat ng average na pagkalkula ay maaaring maiakma upang mag-aplay ng iba't ibang "mga timbang" sa bawat panahon upang makuha ang ninanais na mga resulta.

Ang mga timbang na ito ay ipinahayag bilang porsyento. Ang kabuuan ng lahat ng mga timbang para sa lahat ng mga panahon ay dapat magdagdag ng hanggang sa 100%.

Samakatuwid, kung nais mong mag-aplay ng 35% bilang ang timbang para sa pinakamalapit na panahon sa average na timbang na may apat na buwan, maaari mong ibawas ang 35% mula sa 100%, na iniwan ang 65% upang hatiin sa pagitan ng tatlong natitirang panahon.

Halimbawa, maaari mong tapusin ang isang bigat ng 15%, 20%, 30%, at 35% ayon sa pagkakabanggit para sa apat na buwan (15 + 20 + 30 + 35 = 100).

Pagpapaunlad na pagpapagaan

Ang control input para sa exponential smoothing pagkalkula ay kilala bilang ang smoothing factor. Kinakatawan ang bigat na inilapat sa demand para sa pinakabagong panahon.

Kung ang 35% ay ginagamit bilang pinakabagong timbang ng panahon sa timbang na paglipat ng average na pagkalkula, maaari mo ring piliing gumamit ng 35% bilang isang kadalisayan na kadahilanan sa pagkalkula ng exponential smoothing.

Napakahusay na bahagi

Ang pagkakaiba sa pagkalkula ng exponential smoothing ay na sa halip na kailangang malaman kung gaano karaming timbang ang ilalapat sa bawat nakaraang panahon, ang kadalisayan na kadahilanan ay ginamit upang awtomatikong gawin iyon.

Ito ang "exponential" na bahagi. Kung ang 35% ay ginagamit bilang isang makinis na kadahilanan, ang timbang ng demand para sa pinakabagong panahon ay 35%. Ang bigat ng demand mula sa panahon bago ang pinakahuling isa ay 65% ​​ng 35%.

Ang 65% ay nagmula sa pagbabawas ng 35% mula sa 100%. Ito ay katumbas ng 22.75% na timbang para sa panahong iyon. Ang demand para sa susunod na pinakabagong panahon ay 65% ​​mula sa 65% mula sa 35%, na katumbas ng 14.79%.

Ang nakaraang panahon ay timbangin bilang 65% ng 65% ng 65% ng 35%, katumbas ng 9.61%. Gagawin ito para sa lahat ng nakaraang mga panahon, hanggang sa unang panahon.

Pormula

Ang pormula para sa pagkalkula ng exponential smoothing ay ang mga sumusunod: (D * S) + (P * (1-S)), kung saan,

D = pinakahuling pangangailangan para sa panahon.

S = kadalisayan kadahilanan, na kinakatawan sa desimal na form (35% ay magiging 0.35).

P = forecast ng pinakabagong panahon, na nagreresulta mula sa pagkalkula ng smoothing ng nakaraang panahon.

Sa pag-aakalang mayroon kaming isang makinis na kadahilanan na 0.35, magkakaroon tayo pagkatapos ng: (D * 0.35) + (P * 0.65).

Tulad ng nakikita mo, ang tanging mga input ng data na kinakailangan ay ang hinihingi at ang pinakabagong forecast sa panahon.

Halimbawa

Ang isang kumpanya ng seguro ay nagpasya na palawakin ang merkado nito sa pinakamalaking lungsod sa bansa, na nagbibigay ng seguro para sa mga sasakyan.

Bilang isang paunang pagkilos, nais ng kumpanya na mag-forecast kung magkano ang mabibili ng seguro sa sasakyan ng mga naninirahan sa lungsod na ito.

Upang gawin ito, gagamitin nila bilang paunang data ang halaga ng seguro ng kotse na binili sa isa pang mas maliit na lungsod.

Ang forecast ng demand para sa panahon 1 ay 2,869 na kinontrata ng seguro sa sasakyan, ngunit ang tunay na hinihingi sa panahong iyon ay 3,200.

Sa pagpapasya ng kumpanya, nagtatalaga ito ng isang smoothing factor na 0.35. Ang hiling sa forecast para sa susunod na panahon ay: P2 = (3200 * 0.35) + 2869 * (1-0.35) = 2984.85.

Ang parehong pagkalkula ay ginawa para sa buong taon, pagkuha ng sumusunod na paghahambing talahanayan sa pagitan ng kung ano ang tunay na nakuha at kung ano ang inaasahan para sa buwan na iyon.

Kung ikukumpara sa mga diskarte sa averaging, ang exponential smoothing ay maaaring mahulaan nang maayos ang takbo. Gayunpaman, bumabagsak pa rin ito, tulad ng ipinapakita sa graph:

Makikita kung paano ang kulay abong linya ng forecast ay maaaring maayos sa ibaba o sa itaas ng asul na linya ng demand, nang hindi magagawang ganap na sundin ito.

Mga Sanggunian

1. Wikipedia (2019). Exponential smoothing. Kinuha mula sa: es.wikipedia.org.
2. Ingenio Empresa (2016). Paano gamitin ang simpleng pagpapaunlad na makinis upang mataya ang demand. Kinuha mula sa: ingenioempresa.com.
3. Dave Piasecki (2019). Naipaliliwanag ang Pinalalasang Smoothing. Kinuha mula sa: inventoryops.com.
4. Pag-aaral (2019). Mga Diskarte sa Pagtataya ng Demand: Paglipat Average & Exponential Smoothing. Kinuha mula sa: study.com.
5. Cityu (2019). Mga Paraan ng Nakagaganyak na Pamamaraan. Kinuha mula sa: personal.cb.cityu.edu.hk.