Die een seizoen relateert aan de voorouders in seizoensgebonden exponentiële smoothing - dummies

Denk eens aan hoe exponentiele afvlakking werkt wanneer u seizoensgebonden exponentiële afvlakking in Excel uitvoert. Het gebruikt een formule zoals deze om de volgende prognose gedeeltelijk te baseren op de eerdere werkelijke en gedeeltelijk op de eerdere prognose:

Nieuwe prognose = (0. 3 × eerdere werkelijke) + (0. 7 × eerdere prognose) < Dit komt neer op een gewogen gemiddelde van twee eerdere cijfers - de werkelijke en de prognose. Deze formule geeft een beetje meer gewicht aan de prognose dan aan de werkelijke. Je moet rond een aantal experimenteren met een bepaalde basislijn om de juiste smoothingconstante te krijgen (dat is de 0. 3 in de formule) en de juiste dempingsfactor (dat is de 0. 7 in de formule).

Het idee hier is dat één tijdsperiode in de basislijn nauw gerelateerd zal zijn aan de volgende tijdsperiode. Als de huidige hoge temperatuur 70 ° F was, zou je een naderend koud front moeten laten zien om iemand ervan te overtuigen dat de high van morgen 50 ° F zal zijn. Zonder aanvullende, tegenstrijdige informatie zouden ze gokken op 70 ° F. Gisteren heeft de neiging om te voorspellen vandaag, en vandaag heeft de neiging om morgen te voorspellen.

Maar schakel over naar maanden. De gemiddelde temperatuur van een bepaalde maand is veel nauwer gerelateerd aan het historische gemiddelde van die maand dan aan de gemiddelde temperatuur van de vorige maand. Als de gemiddelde dagelijkse high van mei 70 ° F was, zou je in juni nog steeds naar 70 ° F leunen, maar voordat je er geld op zet, zou je willen weten wat de gemiddelde dagelijkse high van juni was

afgelopen.

Dus dit is wat je gaat doen: in plaats van slechts één verzachtingsconstante te gebruiken, gebruik je er twee. In plaats van slechts één constante te gebruiken in combinatie met de onmiddellijk voorafgaande basislijnwaarde, gebruik je er een voor de eerdere waarde (het effenen van mei om te helpen bij het voorspellen van juni), en een voor het seizoen dat een jaar teruggaat van dit jaar (vloeiend maken afgelopen juni tot hulp voorspellen volgende juni).

De figuur toont een basis voor seizoensverkoop en de bijbehorende prognoses in de praktijk.

De seizoensvoorspellingen kunnen niet starten totdat een reeks basislijnseizoenen is verstreken.

Merk op hoe de verkoop steevast tijdens het derde kwartaal van elk jaar omhoog gaat en de piek in het vierde kwartaal. Dan valt de bodem uit tijdens het eerste en tweede kwartier. De figuur toont ook de voorspellingen, die het seizoenspatroon hebben vastgelegd in een smoothing-vergelijking, waardoor de voorspellingen veel nauwkeuriger zijn.

Wat als u eenvoudige exponentiële smoothing gebruikte? De figuur geeft een deel van het slechte nieuws.

De voorspellingen verlopen soepel door het signaal in de basislijn.

Hier is de egalisatieconstante 0. 3, en de voorspellingen zijn relatief ongevoelig voor schommelingen in de werkelijke waarden van de basislijn. De voorspellingen knikken in het voorbijgaan naar de toppen en dalen in de basislijn, maar het is een minachtende knik.

Wat als u de uitvullingsconstante verhoogt, zodat de voorspellingen de werkelijke waarden meer volgen dan dat ze worden gladgestreken? Die situatie wordt hier getoond, waarbij de afvlakkingsconstante gelijk is aan 0. 7.

De prognoses zijn te laat om de veranderingen in de basislijn weer te geven.

De toppen en dalen worden duidelijker weergegeven - maar ze liggen een periode achter op hun werkelijke voorval. Vergelijk het laatste cijfer en de late voorspellingen met het eerste cijfer en de bijbehorende prognoses. De voorspellingen in figuur 18.1 kunnen op tijd verschijnen omdat ze aandacht besteden aan wat er vorig jaar is gebeurd. En opdagen is 85 procent van het leven.

De volgende afbeelding laat zien hoe u de componenten kunt combineren om een ​​voorspellingswaarde te krijgen. Maakt u zich geen zorgen, de bron van de componenten en wat ze betekenen, wordt duidelijk als u door de ontwikkeling van de seizoensvoorspelling loopt.

De seizoeneffecten zijn boven (positieve waarden) en onder (negatieve waarden) het huidige algemene niveau van de basislijn.

De formule in cel F5 geeft het niveau van de basislijn vanaf het vierde kwartaal van 2012. De formule is:

= GEMIDDELDE (D2: D5)

Aan het begin van het verzachtingsproces is dit onze beste schatting van het huidige niveau van de basislijn. Het is slechts het gemiddelde van de vier driemaandelijkse omzetcijfers voor 2012. Het is analoog aan het gebruik van de eerste waarneming als de eerste voorspelling in eenvoudige exponentiële afvlakking.

Door de formule in cel H5 te bekijken:

= F5 + G2

kunt u zien dat de prognose voor Kwartaal 1 van 2013 de som is van twee hoeveelheden:

Het prognosiveau van de basislijn voor K1 2013 vanaf K4 2012 (zie cel F5)

Het effect van vanaf kwartaal 1 in 2012 (zie cel G2)

• Elke prognose in kolom E en kolom H is de som van het prognoseniveau van de basislijn en het effect van het seizoen van het voorgaande jaar. Een goede sanitaire controle vergelijkt de seizoensafvlakkingsprognoses in de eerste figuur met de gewone verzachtingsprognoses in de volgende twee cijfers.
• Het is duidelijk dat u beter af bent als u het seizoenseffect

vóór

kunt schatten. Dit is wat er gebeurt in de laatste figuur, die het niveau dat is toe te schrijven aan een seizoen combineert met het algemene niveau van de basislijn om de voorspelling van het huidige seizoen vóór te krijgen wanneer het volgende exemplaar van het seizoen plaatsvindt. Dat is de reden om de prognose voor de volgende

periode in kolom H en voor de huidige periode in kolom E te plaatsen. Zo helpt u zich te herinneren dat u de prognose kunt samenstellen voor een bepaalde periode aan het einde van de voorgaande periode. Bedenk bijvoorbeeld dat cel H5 de prognose voor de volgende periode heeft, dat cel E6 de prognose voor de huidige periode heeft en dat ze allebei gelijk zijn aan $ 548, 160.