ถัว เฉลี่ยเคลื่อนที่ พยากรณ์ ppt

1 บทที่ 13 การพยากรณ์การจัดการความต้องการวิธีการคาดการณ์เชิงคุณภาพการคาดการณ์การถดถอยเชิงปริมาณแบบง่าย การนำเสนอในหัวข้อ: 1 บทที่ 13 การคาดการณ์การจัดการความต้องการวิธีการคาดการณ์เชิงคุณภาพการคาดการณ์การถดถอยเชิงปริมาณแบบถัวเฉลี่ยแบบง่าย 1 1 บทที่ 13 การคาดการณ์การจัดการความต้องการวิธีการคาดการณ์เชิงคุณภาพการคาดการณ์การคาดการณ์โดยเฉลี่ยแบบละเอียดถ่วงน้ำหนักการคาดการณ์อย่างราบรื่น 5 5 ประเภทของการคาดการณ์ตามเวลาขอบฟ้าการคาดการณ์ในระยะสั้นการคาดการณ์ในระยะปานกลางการคาดการณ์ในระยะยาว 6 6 ประเภทของการคาดการณ์ตามรายการพยากรณ์การคาดการณ์ทางเศรษฐกิจ การพยากรณ์ความต้องการทางเทคโนโลยีการคาดการณ์อุปสงค์ 8 8 องค์ประกอบของอุปสงค์ความต้องการเฉลี่ยของช่วงเวลาช่วงเวลาองค์ประกอบตามฤดูกาลองค์ประกอบของวัฏจักรการสุ่มตัวอย่างความสัมพันธ์อัตโนมัติ 9 9 การหาองค์ประกอบของอุปสงค์ 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx ปีขายความแปรผันตามฤดูกาลแนวโน้มตามเทรนด์ 10 10 ส่วนประกอบของวัฏจักร ทำซ้ำการเคลื่อนไหวลงเนื่องจากการปฏิสัมพันธ์ของปัจจัยที่มีอิทธิพลต่อเศรษฐกิจโดยปกติแล้วระยะเวลา 2-10 ปี Mo. Qtr. ปี วัฏจักรของการตอบสนอง B 11 11 องค์ประกอบแบบสุ่มผิดปกติไม่มีความเกี่ยวเนื่องกับความผันผวนของความผันผวนเนื่องจากความผันผวนหรือเหตุการณ์ที่ไม่คาดฝันระยะเวลาสั้น nonrepeating 1984-1994 TMaker Co. 12 12 วิธีการเชิงคุณภาพรากหญ้าแผงการวิจัยตลาด Consensus Executive Judgment การเปรียบเทียบความคล้ายคลึงกัน Delphi Method วิธีการเชิงคุณภาพ 13 13 Delphi วิธีการ l เลือกผู้เชี่ยวชาญที่จะเข้าร่วม 2. ผ่านแบบสอบถาม (หรือ E-mail) ขอรับการคาดการณ์จากผู้เข้าร่วมทั้งหมด 3. สรุปผลและแจกจ่ายให้ผู้เข้าอบรมพร้อมกับคำถามใหม่ที่เหมาะสม 4. สรุปข้อสรุปปรับปรุงการคาดการณ์และเงื่อนไขและพัฒนาคำถามใหม่อีกครั้ง 5. ทำซ้ำขั้นตอนที่ 4 หากจำเป็น แจกจ่ายผลลัพธ์สุดท้ายให้กับผู้เข้าร่วมทั้งหมด 14 14 แบบจําลองปจจัยเชิงปริมาณการคาดการ ณ เชิงปริมาณแบบจําลองแบบจําลองการถดถอยเชิงเสน คุณสามารถเลือกแบบจําลองไดจาก: 16 16 สูตรการเคลื่อนที่เฉลี่ยแบบอยางง่ายแบบเฉลี่ยถวงน้ําหนักเฉลี่ยสมมติวาคาเฉลี่ยของพฤติกรรมในอนาคต สูตรสำหรับค่าเฉลี่ยเคลื่อนที่แบบง่ายๆคือ: F t การคาดการณ์สำหรับช่วงเวลาที่จะมาถึง N จำนวนครั้งที่จะเฉลี่ย A t-1 เกิดขึ้นจริงในช่วงเวลาที่ผ่านมาเป็นเวลาถึง n งวด 17 17 ปัญหาเฉลี่ยที่เคลื่อนที่โดยเฉลี่ย (1) คำถาม: อะไร คือการพยากรณ์อากาศเฉลี่ย 3 สัปดาห์และ 6 สัปดาห์สำหรับความต้องการสมมติว่าคุณมีข้อมูลความต้องการจริง 3 สัปดาห์และ 6 สัปดาห์สำหรับการคาดการณ์ที่เกี่ยวข้อง 18 F 4 (650678720) 3 682.67 F 7 (650678720 785859920) 6 768.67 คำนวณการเคลื่อนย้าย (2) คำถามเกี่ยวกับข้อมูล: การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 สัปดาห์สำหรับข้อมูลนี้สมมติว่าคุณมีข้อมูลความต้องการที่แท้จริงเพียง 3 สัปดาห์และ 5 สัปดาห์เท่านั้น สำหรับการคาดการณ์ที่เกี่ยวข้อง 22 22 สูตรเฉลี่ยถ่วงน้ำหนักสูตรในขณะที่สูตรเฉลี่ยเคลื่อนที่หมายถึงน้ำหนักเท่ากันที่วางอยู่บนแต่ละค่าที่คำนวณโดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักจะให้น้ำหนักที่ไม่เท่ากันในช่วงเวลาก่อนหน้า w t น้ำหนักให้กับระยะเวลา t การเกิดขึ้น (น้ำหนักต้องเพิ่มหนึ่งอัน) สูตรสำหรับค่าเฉลี่ยเคลื่อนที่คือ: 23 23 ปัญหาน้ำหนักเฉลี่ยถ่วงน้ำหนัก (1) น้ำหนักข้อมูล: t-1.5 t-2.3 t-3.2 คำถาม: เมื่อพิจารณาความต้องการและน้ำหนักของสัปดาห์ สำหรับรอบระยะเวลาที่ 4 หรือสัปดาห์ที่ 4 25 25 ปัญหาน้ำหนักเฉลี่ยถ่วงน้ำหนัก (2) น้ำหนักข้อมูล: t-1.7 t-2.2 t-3.1 คำถาม: เมื่อพิจารณาข้อมูลและน้ำหนักของอุปสงค์รายสัปดาห์แล้วค่าพยากรณ์เฉลี่ยถ่วงน้ำหนักของ 5 (28) ปัญหาที่เกิดขึ้นในการจำแนกตามข้อมูล (Exponential Smoothing Problem) (1) คำถามเกี่ยวกับข้อมูล: ข้อมูลความต้องการรายสัปดาห์มีการคาดการณ์การให้ราบเรียบชี้แจงสำหรับช่วงเวลา 2-10 โดยใช้ 0.10 และ 0.60 สมมติว่า F 1 D 1 29 29 คำตอบ: คอลัมน์ alphas หมายถึง ค่าคาดการณ์ โปรดทราบว่าคุณสามารถคาดการณ์ช่วงเวลาหนึ่ง ๆ ได้ในอนาคตเท่านั้น 31 31 ปัญหา Smoothing Exponential (2) คำถามเกี่ยวกับข้อมูล: การคาดการณ์การให้ราบเรียบแบบเอ็กซเรนแนนเชียนสำหรับช่วงเวลา 2-5 มีอะไรบ้างโดยใช้สมมติฐานที่ 0.5 สมมติว่า F 1 D 1 33 33 การคาดการณ์เชิงเส้นแบบ Linear Trend ใช้สำหรับการคาดการณ์เส้นแนวโน้มเชิงเส้นสมมติความสัมพันธ์ระหว่างตัวแปรตอบ Y เวลา X คือ ฟังก์ชันเชิงเส้น 34 34 X X การถดถอยเชิงเส้นค่าที่สังเกตได้ YabX ii YabX ii ข้อผิดพลาดการถดถอยของบรรทัดฐาน 35 35 คำตอบที่สัมพันธ์กันความสัมพันธ์เชิงเส้นระหว่างตัวแปร 2 ตัวแปรความสัมพันธ์ของค่าสัมประสิทธิ์สหสัมพันธ์ใช้เป็นหลักในการทำความเข้าใจ 36 36 สัมประสิทธิ์สหสัมพันธ์ค่าสัมบูรณ์ 1 ความสัมพันธ์ที่เพิ่มขึ้นของความสัมพันธ์เชิงลบ -5.5 ความสัมพันธ์เชิงลบที่สมบูรณ์แบบไม่มีความสัมพันธ์เพิ่มระดับความสัมพันธ์ทางบวก 37 37 การถดถอยเชิงเส้นแบบง่าย Y ta bx 0 1 2 3 4 5 x (เวลา) Y แบบจำลองการถดถอยเชิงเส้นแบบง่ายพยายามพอดีกับเส้นผ่าน ข้อมูลต่างๆในช่วงเวลา เป็นรูปแบบการถดถอยเชิงเส้น Yt คือค่าพยากรณ์ที่ถูกถดถอยหรือตัวแปรตามในโมเดล a คือค่าการสกัดกั้นของเส้นการถดถอยและ b มีความคล้ายคลึงกับความลาดเอียงของเส้นการถดถอย อย่างไรก็ตามเนื่องจากมีการคำนวณด้วยความแปรปรวนของข้อมูลในใจสูตรของมันไม่ได้เป็นแบบตรงไปข้างหน้าตามปกติของความชันของเรา 39 39 ปัญหาการถดถอยเชิงเส้นแบบง่ายคำถาม: ข้อมูลที่ได้มาด้านล่างแบบจำลองการถดถอยเชิงเส้นแบบง่ายๆคืออะไรที่สามารถใช้ในการพยากรณ์ยอดขาย 41 41 MAD ข้อมูลปัญหา MonthSalesForecast 1220na 2250255 3210205 4300320 5325315 คำถาม: ค่า MAD คือค่าพยากรณ์อย่างไร ในตารางด้านล่าง 42 42 MAD ปัญหาการแก้ปัญหา MonthSalesForecastAbs ข้อผิดพลาด 1220na 22502555 32102055 430032020 532531510 40 โปรดทราบว่าด้วยตัวเอง MAD จะช่วยให้เราทราบค่าเฉลี่ยข้อผิดพลาดในชุดของการคาดการณ์เท่านั้น 43 43 สูตรสัญญาณติดตาม TS เป็นมาตรวัดที่บ่งชี้ว่าค่าเฉลี่ยของการคาดการณ์นั้นสอดคล้องกับการเปลี่ยนแปลงใด ๆ ที่เกิดขึ้นจริงหรือไม่ขึ้นกับความต้องการของแท้ TS สามารถใช้เช่นแผนภูมิการควบคุมคุณภาพที่ระบุเมื่อโมเดลกำลังสร้างข้อผิดพลาดมากเกินไปในการคาดการณ์ สูตร TS คือ: 1 บทที่ 13 การคาดการณ์การจัดการความต้องการวิธีการคาดการณ์เชิงคุณภาพการคาดการณ์การถดถอยเชิงปริมาณแบบง่ายน้ำหนักเฉลี่ยที่คาดการณ์ Smoothing แบบ Exponential การนำเสนอในหัวข้อ: 1 บทที่ 13 การคาดการณ์การจัดการความต้องการวิธีการคาดการณ์เชิงคุณภาพการคาดการณ์การถดถอยเชิงปริมาณแบบถัวเฉลี่ยแบบง่าย 1 1 บทที่ 13 การคาดการณ์การจัดการความต้องการวิธีการคาดการณ์เชิงคุณภาพการคาดการณ์การคาดการณ์โดยเฉลี่ยแบบละเอียดถ่วงน้ำหนักการคาดการณ์อย่างราบรื่น 5 5 ประเภทของการคาดการณ์ตามเวลาขอบฟ้าการคาดการณ์ในระยะสั้นการคาดการณ์ในระยะปานกลางการคาดการณ์ในระยะยาว 6 6 ประเภทของการคาดการณ์ตามรายการพยากรณ์การคาดการณ์ทางเศรษฐกิจ การพยากรณ์ความต้องการทางเทคโนโลยีการคาดการณ์อุปสงค์ 8 8 องค์ประกอบของอุปสงค์ความต้องการเฉลี่ยของช่วงเวลาช่วงเวลาองค์ประกอบตามฤดูกาลองค์ประกอบของวัฏจักรการสุ่มตัวอย่างความสัมพันธ์อัตโนมัติ 9 9 การหาองค์ประกอบของอุปสงค์ 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx ปีขายความแปรผันตามฤดูกาลแนวโน้มตามเทรนด์ 10 10 ส่วนประกอบของวัฏจักร ทำซ้ำการเคลื่อนไหวลงเนื่องจากการปฏิสัมพันธ์ของปัจจัยที่มีอิทธิพลต่อเศรษฐกิจโดยปกติแล้วระยะเวลา 2-10 ปี Mo. Qtr. ปี วัฏจักรของการตอบสนอง B 11 11 องค์ประกอบแบบสุ่มผิดปกติไม่มีความเกี่ยวเนื่องกับความผันผวนของความผันผวนเนื่องจากความผันผวนหรือเหตุการณ์ที่ไม่คาดฝันระยะเวลาสั้น nonrepeating 1984-1994 TMaker Co. 12 12 วิธีการเชิงคุณภาพรากหญ้าแผงการวิจัยตลาด Consensus Executive Judgment การเปรียบเทียบความคล้ายคลึงกัน Delphi Method วิธีการเชิงคุณภาพ 13 13 Delphi วิธีการ l เลือกผู้เชี่ยวชาญที่จะเข้าร่วม 2. ผ่านแบบสอบถาม (หรือ E-mail) ขอรับการคาดการณ์จากผู้เข้าร่วมทั้งหมด 3. สรุปผลและแจกจ่ายให้ผู้เข้าอบรมพร้อมกับคำถามใหม่ที่เหมาะสม 4. สรุปข้อสรุปปรับปรุงการคาดการณ์และเงื่อนไขและพัฒนาคำถามใหม่อีกครั้ง 5. ทำซ้ำขั้นตอนที่ 4 หากจำเป็น แจกจ่ายผลลัพธ์สุดท้ายให้กับผู้เข้าร่วมทั้งหมด 14 14 แบบจําลองปจจัยเชิงปริมาณการคาดการ ณ เชิงปริมาณแบบจําลองแบบจําลองการวิเคราะหเชิงเสนการเสนโคงแบบเสนใยอัตราการเคลื่อนที่เฉลี่ย 15 15 การวิเคราะหอนุกรมเวลา คุณสามารถเลือกแบบจําลองไดจาก: 16 16 สูตรการเคลื่อนที่เฉลี่ยแบบอยางง่ายแบบเฉลี่ยถวงน้ําหนักเฉลี่ยสมมติวาคาเฉลี่ยของพฤติกรรมในอนาคต สูตรสำหรับค่าเฉลี่ยเคลื่อนที่แบบง่ายๆคือ: F t การคาดการณ์สำหรับช่วงเวลาที่จะมาถึง N จำนวนครั้งที่จะเฉลี่ย A t-1 เกิดขึ้นจริงในช่วงเวลาที่ผ่านมาเป็นเวลาถึง n งวด 17 17 ปัญหาเฉลี่ยที่เคลื่อนที่โดยเฉลี่ย (1) คำถาม: อะไร คือการพยากรณ์อากาศเฉลี่ย 3 สัปดาห์และ 6 สัปดาห์สำหรับความต้องการสมมติว่าคุณมีข้อมูลความต้องการจริง 3 สัปดาห์และ 6 สัปดาห์สำหรับการคาดการณ์ที่เกี่ยวข้อง 18 F 4 (650678720) 3 682.67 F 7 (650678720 785859920) 6 768.67 คำนวณการเคลื่อนย้าย (2) คำถามเกี่ยวกับข้อมูล: การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 สัปดาห์สำหรับข้อมูลนี้สมมติว่าคุณมีข้อมูลความต้องการที่แท้จริงเพียง 3 สัปดาห์และ 5 สัปดาห์เท่านั้น สำหรับการคาดการณ์ที่เกี่ยวข้อง 22 22 สูตรเฉลี่ยถ่วงน้ำหนักสูตรในขณะที่สูตรเฉลี่ยเคลื่อนที่หมายถึงน้ำหนักเท่ากันที่วางอยู่บนแต่ละค่าที่คำนวณโดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักจะให้น้ำหนักที่ไม่เท่ากันในช่วงเวลาก่อนหน้า w t น้ำหนักให้กับระยะเวลา t การเกิดขึ้น (น้ำหนักต้องเพิ่มหนึ่งอัน) สูตรสำหรับค่าเฉลี่ยเคลื่อนที่คือ: 23 23 ปัญหาน้ำหนักเฉลี่ยถ่วงน้ำหนัก (1) น้ำหนักข้อมูล: t-1.5 t-2.3 t-3.2 คำถาม: เมื่อพิจารณาความต้องการและน้ำหนักของสัปดาห์ สำหรับรอบระยะเวลาที่ 4 หรือสัปดาห์ที่ 4 25 25 ปัญหาน้ำหนักเฉลี่ยถ่วงน้ำหนัก (2) น้ำหนักข้อมูล: t-1.7 t-2.2 t-3.1 คำถาม: เมื่อพิจารณาข้อมูลและน้ำหนักของอุปสงค์รายสัปดาห์แล้วค่าพยากรณ์เฉลี่ยถ่วงน้ำหนักของ 5 (28) ปัญหาที่เกิดขึ้นในการจำแนกตามข้อมูล (Exponential Smoothing) (1) คำถามเกี่ยวกับข้อมูล: ข้อมูลความต้องการรายสัปดาห์มีการคาดการณ์การให้ราบเรียบชี้แจงสำหรับช่วงเวลา 2-10 โดยใช้ 0.10 และ 0.60 สมมติว่า F 1 D 1 29 29 คำตอบ: คอลัมน์ alphas หมายถึง ค่าคาดการณ์ โปรดทราบว่าคุณสามารถคาดการณ์ช่วงเวลาหนึ่งได้ในอนาคตเท่านั้น 31 31 ปัญหา Smoothing Exponential (2) คำถามเกี่ยวกับข้อมูล: การคาดการณ์การให้ราบเรียบแบบเอ็กซเรนแนนเชียนสำหรับช่วงเวลา 2-5 มีอะไรบ้างโดยใช้สมมติฐานที่ 0.5 สมมติว่า F 1 D 1 33 33 การคาดการณ์แนวโน้มเชิงเส้นใช้สำหรับการคาดการณ์เส้นแนวโน้มเชิงเส้น ฟังก์ชันเชิงเส้น 34 34 X X การถดถอยเชิงเส้นค่าที่สังเกตได้ YabX ii YabX ii ข้อผิดพลาดการถดถอยของบรรทัดฐาน 35 35 คำตอบที่สัมพันธ์กันความสัมพันธ์เชิงเส้นระหว่างตัวแปร 2 ตัวแปรความสัมพันธ์ของค่าสัมประสิทธิ์สหสัมพันธ์ใช้เป็นหลักเพื่อการทำความเข้าใจ 36 36 สัมประสิทธิ์สหสัมพันธ์ค่า 1.00 Perfect Positive ความสัมพันธ์ที่เพิ่มขึ้นของความสัมพันธ์เชิงลบ -5.5 ความสัมพันธ์เชิงลบที่สมบูรณ์แบบไม่มีความสัมพันธ์เพิ่มระดับความสัมพันธ์ทางบวก 37 37 การถดถอยเชิงเส้นแบบง่าย Y ta bx 0 1 2 3 4 5 x (เวลา) Y แบบจำลองการถดถอยเชิงเส้นแบบง่ายพยายามพอดีกับเส้นผ่าน ข้อมูลต่างๆในช่วงเวลา เป็นรูปแบบการถดถอยเชิงเส้น Yt คือค่าพยากรณ์ที่ถูกถดถอยหรือตัวแปรตามในโมเดล a คือค่าการสกัดกั้นของเส้นการถดถอยและ b มีความคล้ายคลึงกับความลาดเอียงของเส้นการถดถอย อย่างไรก็ตามเนื่องจากมีการคำนวณด้วยความแปรปรวนของข้อมูลในใจสูตรของมันไม่ได้เป็นแบบตรงไปข้างหน้าตามปกติของความชันของเรา 39 39 ปัญหาการถดถอยเชิงเส้นแบบง่ายคำถาม: ข้อมูลที่ได้มาด้านล่างแบบจำลองการถดถอยเชิงเส้นแบบง่ายๆคืออะไรที่สามารถใช้ในการพยากรณ์ยอดขาย 41 41 MAD ข้อมูลปัญหา MonthSalesForecast 1220na 2250255 3210205 4300320 5325315 คำถาม: ค่า MAD คือค่าพยากรณ์อย่างไร ในตารางด้านล่าง 42 42 MAD ปัญหาการแก้ปัญหา MonthSalesForecastAbs ข้อผิดพลาด 1220na 22502555 32102055 430032020 532531510 40 โปรดทราบว่าด้วยตัวเอง MAD จะช่วยให้เราทราบค่าเฉลี่ยข้อผิดพลาดในชุดของการคาดการณ์เท่านั้น 43 43 สูตรสัญญาณติดตาม TS เป็นมาตรการที่บ่งชี้ว่าค่าเฉลี่ยของการคาดการณ์นั้นสอดคล้องกับการเปลี่ยนแปลงใด ๆ ที่เกิดขึ้นจริงหรือลดลงในความต้องการของแท้ TS สามารถใช้เช่นแผนภูมิการควบคุมคุณภาพที่ระบุเมื่อโมเดลกำลังสร้างข้อผิดพลาดมากเกินไปในการคาดการณ์ สูตร TS คือ: 1 พยากรณ์การคาดการณ์คำศัพท์การเคลื่อนที่แบบเรียบง่ายถ่วงน้ำหนักเฉลี่ยการคำนวณการถดถอยเชิงเส้นแบบเอกฐาน การนำเสนอในหัวข้อ: 1 พยากรณ์การคาดการณ์คำศัพท์การเคลื่อนที่แบบเรียบง่ายถ่วงน้ำหนักเฉลี่ยการคำนวณการถดถอยเชิงเส้นแบบเอกฐาน 1 1 การคาดการณ์การคาดการณ์คำศัพท์การเคลื่อนที่แบบเรียบง่ายถ่วงน้ำหนักเฉลี่ยการเคลื่อนที่แบบถ่วงน้ำหนักตามลำดับความสำคัญแบบจำลองการถดถอยเชิงเส้นแบบง่ายแบบจำลองความล่าช้าแบบจำลองแบบฤดูกาล (ไม่มีแนวโน้ม) แบบฤดูหนาวสำหรับข้อมูลที่มีแนวโน้มและองค์ประกอบตามฤดูกาล 2 2 การประเมินการคาดการณ์ข้อคิดเห็นภาพจาก Visual Errors Errors Measures MPE and MAPE สัญญาณการติดตาม 3 3 ข้อมูลย้อนหลัง 0 50 100 150 200 250 300 350 400 01020304050 การคาดการณ์คำศัพท์การเริ่มต้นการคาดการณ์ล่วงหน้าการคาดการณ์ข้อมูลทางประวัติศาสตร์ 4 4 ขณะนี้เรากำลังมองหาอนาคตจากที่นี่และในอนาคตที่เรากำลังมองหาในเดือนกุมภาพันธ์ และเราสามารถรวมอดีตไว้ในการคาดการณ์ของเราได้ 1993 ครึ่งปีแรกซึ่งขณะนี้เป็นอดีตและเป็นอนาคตเมื่อเราได้ออกการคาดการณ์ครั้งแรกของเราตอนนี้ผ่าน Laura DAndrea Tyson หัวหน้าสภาที่ปรึกษาทางเศรษฐกิจของประธานาธิบดีซึ่งอ้างถึงในเดือนพฤศจิกายนปี 1993 ใน Chicago Tribune อธิบายว่าเหตุใด การบริหารลดประมาณการของการเติบโตทางเศรษฐกิจไปร้อยละ 2 จากร้อยละ 3.1 ที่คาดการณ์ไว้ในเดือนกุมภาพันธ์ สมมติว่าบ้านพี่น้องของคุณใช้จำนวนเบียร์ต่อไปนี้ในช่วง 6 สัปดาห์ที่ผ่านมา: 8, 5, 7, 3, 6, 9 คุณคิดว่าจะมีกี่ปีที่คุณคิดว่าจะมีการพบปะกับพี่น้องของคุณในช่วงสุดสัปดาห์นี้ 6 6. 0 1 2 3 4 5 6 7 8 9 10 012345678 การพยากรณ์กรณีสัปดาห์: วิธีเฉลี่ยเคลื่อนที่แบบง่ายโดยใช้ค่าเฉลี่ยเคลื่อนที่สามช่วงเราจะได้รับการคาดการณ์ดังต่อไปนี้: 7 7 0 1 2 3 4 5 6 7 8 9 10 012345678 รายสัปดาห์ การคาดการณ์: วิธีเฉลี่ยในการเคลื่อนที่แบบง่ายถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่สองช่วง 8 8 จำนวนงวดที่ใช้ในการพยากรณ์อากาศเฉลี่ยเคลื่อนที่จะมีผลต่อการตอบสนองของวิธีพยากรณ์: 0 1 2 3 4 5 6 7 8 9 10 012345678 การพยากรณ์กรณีสัปดาห์ : Simple Moving Average วิธีที่ 2 ระยะเวลา 3 Periods 1 ระยะเวลา 9 9 Terminology พยากรณ์อากาศการใช้คำศัพท์นี้กับปัญหาของเราโดยใช้การคาดการณ์ Moving Average: Initialization ExPost Forecast Model Evaluation 10 10 แทนที่จะใช้น้ำหนักเท่ากันอาจทำให้รู้สึกถึงการใช้ Weig hts ซึ่งสนับสนุนการบริโภคที่เพิ่มขึ้นเมื่อเร็ว ๆ นี้ ด้วยน้ำหนักถ่วงน้ำหนักเฉลี่ยเราต้องเลือกน้ำหนักที่มากกว่าศูนย์และน้อยกว่า 1 รายการและเป็นกลุ่มรวมเป็น 1: น้ำหนักที่ถูกต้อง: (.5, .3, .2), (.6, .3 , .1), (12, 13, 16) น้ำหนักที่ไม่ถูกต้อง: (.5, .2, .1), (.6, -.1, .5), (.5, .4, .3, .2 ) การคาดการณ์โดยเฉลี่ยถ่วงน้ำหนัก (16, 13, 12) จะทำดังนี้: คุณคาดการณ์การถ่วงน้ำหนักเฉลี่ยของการเคลื่อนที่โดยเฉลี่ยได้อย่างไร 12 12 เลขยกกำลัง Smoothing ได้รับการออกแบบมาเพื่อให้ประโยชน์ในการคาดการณ์โดยเฉลี่ยของการถ่วงน้ำหนักโดยไม่มีปัญหายุ่งยากในการระบุน้ำหนัก ใน Exponential Smoothing มีเพียงหนึ่งพารามิเตอร์ (): ค่าคงที่ที่ราบเรียบ (ระหว่าง 0 ถึง 1) การคาดการณ์: Exponential Smoothing 14 14 tA (t) F (t) 18 256.5 375.9 436.34 565 695.4 7 6.84 8 9 10 6.84 Forecasting: Exponential Smoothing การใช้ 0.4, Initialization ExPost Forecast 16 16 การคาดการณ์: Smoothing Exponential 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1234567 ระยะเวลา 0.1 0.3 0.5 0.7 0.9 20 20 การคาดการณ์: การถดถ้วนเชิงเส้นแบบง่ายการวิเคราะห์เชิงเส้นแบบง่ายสามารถใช้ในการคาดการณ์ข้อมูลที่มีแนวโน้ม D คือค่าพยากรณ์ที่ถูกถดถอยหรือตัวแปรตามในโมเดล a คือค่าการขัดจังหวะของเส้นการถดถอยและ b คือความชันของเส้นการถดถอย a D 0 1 2 3 4 5 I b 21 21 การคาดการณ์: แบบจําลองการถดถ้วนเชิงเส้นแบบจําลองในการถดถอยเชิงเส้นข้อผิดพลาดของ squared ลดลงข้อผิดพลาด 23 23 0 50 100 150 200 250 0246810121416 ข้อจํากัดในแบบจําลองการถดถอยเชิงเส้น (Linear Regression Model) จุดข้อมูลทั้งหมดนับอย่างเท่าเทียมกันกับการถดถอยเชิงเส้นอย่างง่าย 24 24 การคาดการณ์: แบบจำลอง Holts Trend ในการคาดการณ์ข้อมูลด้วยเทรนด์เราสามารถใช้โมเดลการทำให้ราบเรียบที่มีแนวโน้มเป็นที่รู้จักกันในชื่อ Holts รุ่น: L (t) A (t) (1-) F (t) T (t) L (t) - L (t-1) (1-) T (t-1) F (t1) L (t) T (t) เราสามารถใช้การถดถอยเชิงเส้นเพื่อเริ่มต้นแบบ 26 26 Holts Trend Model: Updating 52 L (t) A (t) (1-) F (t) L (5) 0.3 (52) 0.7 (70) 64.6 T (t) L (t) - L (t-1) (1-) T (t -1) T (5) 0.4 64.6 60.1 0.6 (9.9) 7.74 F (t1) L (t) T (t) F (6) 64.6 7.74 72.34 64.6 7.74 72.346 27 27 แบบจําลอง Holts: การอัพเดต 63 L (6) 0.3 (63) 0.7 (72.34) 69.54 T (6) 0.4 69.54 64.60 0.6 (7.74) 6.62 F (7) 69.54 6.62 76.16 69.54 6.62 76.167 72 29 29 การถดถอย 0 50 100 150 200 250 300 350 05101520 การเริ่มต้นการคาดการณ์การคาดการณ์ล่วงหน้าผลลัพท์แบบจำลอง 31 31 L (t) A (t) S (tp) (1-) L (t-1) S (t) A (t) L (t) (1-) S (tp) สูตรตามฤดูกาล p สูตรคือ จำนวนครั้งในฤดูกาลข้อมูลรายไตรมาส: p 4 ข้อมูลรายเดือน: p 12 F (t1) L (t) S (t1-p) 32 32 ฤดูกาลรุ่น Initia lization S (5) 0.60 S (6) 1.00 S (7) 1.55 S (8) 0.85 L (8) 26.5 Quarter Average 16.0 26.5 41.0 22.5 ปัจจัยฤดูกาล S (t) 0.60 1.00 1.55 0.85 ยอดขายเฉลี่ยต่อไตรมาส 26.5 A (t ) 2003Spring16 Summer27 Fall39 Winter22 2004Spring16 Summer26 Fall43 Winter23 33 33 พยากรณ์อากาศตามฤดูกาล 26.711.0325.18 26.621.5541.32 25.180.5916.002005Spring14 ฤดูร้อน 29 ฤดูใบไม้ร่วง 41 Winter22 26.340.8422.60 2006Spring ฤดูร้อนฤดูใบไม้ร่วงฤดูหนาว 15.53 27.02 40.69 22.25 A (t) L (t) ตามฤดูกาล S ( t) F (t) 2004Spring160.60 Summer261.00 Fall431.55 Winter2326.500.85 35 35 การคาดการณ์: Winters Model สำหรับข้อมูลที่มีแนวโน้มและส่วนประกอบตามฤดูกาล L (t) A (t) S (tp) (1-) L (t -1) T (t-1) T (t) L (t) - L (t-1) (1-) T (t-1) S (t) A (t) L (t) (1-) การสลายตัวแบบตามฤดูกาลการเริ่มต้นของ Winters Model เราจะใช้ Decomposition Forecasting ซึ่งสามารถนำมาใช้ในการคาดคะเนได้ S: T (T) 37 37 การคาดการณ์การสลายตัวมีสองวิธีในการแยกข้อมูลคาดการณ์ด้วยส่วนประกอบของเทรนด์และตามฤดูกาล: ใช้การถดถอยเพื่อหาเทรนด์ใช้เส้นแนวโน้มเพื่อหาปัจจัยตามฤดูกาลใช้ค่าเฉลี่ยเพื่อให้ได้ปัจจัยตามฤดูกาลยกเลิกการจัดลำดับข้อมูลแล้วใช้การถดถอย ได้รับแนวโน้ม 38 38 การพยากรณ์การสลายตัวข้อมูลต่อไปนี้มีส่วนประกอบของเทรนด์และตามฤดูกาล: 39 39 การพยากรณ์การสลายตัวปัจจัยฤดูกาลจะได้รับโดยใช้วิธีเดียวกับที่ใช้สำหรับการคาดการณ์ตามฤดูกาล: PeriodQuarterSales 1Spring90 2Summer157 3Fall123 4Winter93 5Spring128 6Summer211 7Fall163 8Winter122 เฉลี่ย 135.9 เฉลี่ย 1 Qtr. Ave. 109 184 143 107.5 ทะเล Factor 0.80 1.35 1.05 0.79 1.00 40 40 การคาดการณ์การสลายตัวด้วยปัจจัยตามฤดูกาลข้อมูลสามารถถูกทำให้เป็นแก่นตามฤดูกาลได้โดยการหารข้อมูลตามปัจจัยฤดูกาล: การถดถอยบนข้อมูลที่ไม่เป็นไปตามฤดูกาลจะทำให้เกิดแนวโน้ม 42 42 การถดถอยพังทลายของการย่อยสลายในโครงการ de (m) b) 101.2 การคาดการณ์สามารถทำได้โดยใช้สมการต่อไปนี้ mx b (factor ตามฤดูกาล) 44 44 ฤดูหนาวการเริ่มต้นแบบเราสามารถใช้การคาดการณ์การสลายตัวเพื่อกำหนดพารามิเตอร์ของ Winters Model ต่อไปนี้ : L (n) bm (n) T (n) m S (j) S (jp) L (8) 101.2 8 (7.71) 162.88 T (8) 7.71 S (5) 0.80 S (6) 1.35 S (7 ) 1.05 S (8) 0.79 จากรุ่นก่อนหน้านี้เรามี 45 45 Winters ตัวอย่างเช่น 176.4110.040.81136.47 197.8514.601.39251.71 215.0015.621.06223.07 9Spring152 10Summer303 11Fall232 12Winter171 226.3713.920.78182.19 13Spring 14Summer 15Fall 16Winter 195.19 352.41 283.09 220.87 0.3 0.4 0.2 PeriodQuarterSalesL (t) T (t) S (t) F (t) 1S pring90 2Summer157 3Fall123 4Winter93 5Spring1280.8 6Summer2111.35 7Fall1621.05 8Winter122162.887.710.79 46 46 0 50 100 150 200 250 300 350 400 12345678910111213141516 ฤดูหนาวตัวอย่างเช่น 47 47 การประเมินการคาดการณ์ความเชื่อถือ แต่ตรวจสอบ Ronald W. Reagan ซอฟต์แวร์คอมพิวเตอร์ช่วยให้เราได้ ในขณะที่ซอฟต์แวร์เช่น SAP สามารถเลือกโมเดลและพารามิเตอร์แบบจำลองสำหรับชุดข้อมูลโดยอัตโนมัติและโดยปกติจะทำอย่างถูกต้องเมื่อข้อมูลมีความสำคัญมนุษย์ควรทบทวนผลการจำลองแบบหนึ่ง เครื่องมือที่ดีที่สุดคือสายตามนุษย์ 48 48 0 10 20 30 40 50 60 123456789101112131415 การวิพากษ์ภาพคุณจะประเมินการคาดการณ์นี้อย่างไร 49 49 0 50 100 150 200 250 300 350 400 01020304050 การคาดการณ์การคาดการณ์การประเมินค่าพยากรณ์ประจำการพยากรณ์อากาศที่คาดการณ์ไว้ที่ไหนประเมินไม่รวมการเริ่มต้น ข้อมูลในการประเมิน 50 50 0 100 150 200 250 300 350 400 2025303540 ข้อผิดพลาดเครื่องมือวัดความคลาดเคลื่อนทั้งหมดเปรียบเทียบรูปแบบการคาดการณ์กับข้อมูลจริงของ ExPost Foreca st region 51 51 ข้อผิดพลาด Measure All มาตรการข้อผิดพลาดจะขึ้นอยู่กับการเปรียบเทียบค่าพยากรณ์กับค่าที่เกิดขึ้นจริงในพื้นที่ Forecast for ExPost ไม่รวมข้อมูลจากการเตรียมใช้งาน 53 53 อคติบอกเราว่าเรามีแนวโน้มที่จะเกินหรือต่ำกว่าคาดการณ์ ถ้าข้อสันนิษฐานของเราอยู่ในช่วงกลางของข้อมูลข้อผิดพลาดควรเป็นบวกและลบอย่างเท่าเทียมกันและควรรวมเป็น 0 MAD (Mean Absolute Deviation) คือค่าเฉลี่ยผิดพลาดโดยไม่สนใจว่าข้อผิดพลาดเป็นค่าบวกหรือค่าลบ ข้อผิดพลาดไม่ดีและใกล้เคียงกับศูนย์ข้อผิดพลาดคือการคาดการณ์ที่ดีกว่าน่าจะเป็น มาตรการข้อผิดพลาดบอกวิธีที่ดีที่วิธีการทำงานในภูมิภาคคาดการณ์ ExPost การคาดการณ์ในอนาคตจะเป็นไปในทิศทางที่ไม่แน่นอน Bias และ MAD 54 54 การวัดสัมบูรณ์และสัมพัทธ์การคาดการณ์ได้ทำขึ้นสำหรับข้อมูลสองชุด ข้อมูลที่คาดไว้ดีกว่าชุดข้อมูล 1 ค่าความลำเอียง 18.72 MAD 43.99 ชุดข้อมูล 2 ค่าอคติ 182 MAD 912.5 ชุดข้อมูล 1 ชุดข้อมูล 2 55 55 MPE และ MAPE เมื่อตัวเลขในชุดข้อมูลมีขนาดใหญ่ขึ้นขนาดนั้นมาตรการข้อผิดพลาดน่าจะมีขนาดใหญ่ เช่นกันแม้ว่าแบบเต็มอาจไม่ดีเท่า ค่าเฉลี่ยเปอร์เซ็นต์ข้อผิดพลาด (MPE) และ Mean Absolute Percentage Error (MAPE) เป็นรูปแบบสัมพัทธ์ของ Bias และ MAD ตามลำดับ MPE และ MAPE สามารถใช้เพื่อเปรียบเทียบการคาดการณ์สำหรับชุดข้อมูลที่แตกต่างกันได้ 60 60 0 10 20 30 40 50 60 123456789101112131415 สัญญาณติดตามเหตุที่เกิดขึ้นในสถานการณ์เช่นนี้เราจะตรวจจับสิ่งนี้ได้อย่างไรในสภาพแวดล้อมที่คาดการณ์อัตโนมัติ 61 61 สัญญาณติดตามสัญญาณสามารถติดตามสัญญาณติดตามได้หลังจากที่มีการบันทึกมูลค่าการขายจริงแต่ละครั้ง สัญญาณการติดตามจะคำนวณเป็น: สัญญาณการติดตามคือการวัดสัมพัทธ์เช่น MPE และ MAPE ดังนั้นจึงสามารถเปรียบเทียบกับค่าที่ตั้งไว้ (ปกติ 4 หรือ 5) เพื่อระบุเมื่อพารามิเตอร์การพยากรณ์และโมเดลต้องมีการเปลี่ยนแปลงคำอธิบายใน แบบถัวเฉลี่ยถ่วงน้ำหนัก (ยุทธศาสตร์การพยากรณ์ที่ 14) ทุกๆค่าทางประวัติศาสตร์จะมีการถ่วงน้ำหนักด้วยปัจจัยจากกลุ่มการถ่วงน้ำหนักในข้อมูลพยากรณ์ที่ไม่แปรเปลี่ยน สูตรสำหรับค่าเฉลี่ยถ่วงน้ำหนักแบบถ่วงน้ำหนักโมเดลเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักช่วยให้คุณสามารถวัดข้อมูลประวัติที่ผ่านมาได้หนักกว่าข้อมูลที่เก่ากว่าเมื่อพิจารณาค่าเฉลี่ย คุณทำเช่นนี้หากข้อมูลล่าสุดเป็นข้อมูลเพิ่มเติมเกี่ยวกับความต้องการในอนาคตที่จะมากกว่าข้อมูลที่เก่ากว่า ดังนั้นระบบสามารถตอบสนองต่อการเปลี่ยนแปลงของระดับได้อย่างรวดเร็ว ความถูกต้องของแบบจำลองนี้ขึ้นอยู่กับการเลือกปัจจัยการถ่วงน้ำหนัก ถ้ารูปแบบชุดเวลาเป็นแบบเปลี่ยนแปลงคุณต้องปรับปัจจัยการถ่วงน้ำหนัก เมื่อสร้างกลุ่มการถ่วงน้ำหนักคุณจะป้อนค่าน้ำหนักเป็นเปอร์เซ็นต์ ผลรวมของปัจจัยการถ่วงน้ำหนักไม่จำเป็นต้องเป็น 100 ไม่มีการคาดการณ์การคาดการณ์ล่วงหน้าจากกลยุทธ์การคาดการณ์นี้