Forecasting
This presentation is the property of its rightful owner.
Sponsored Links
1 / 45

Forecasting PowerPoint PPT Presentation


  • 141 Views
  • Uploaded on
  • Presentation posted in: General

Forecasting. Menu Indledning Kvantitative metoder Moving average Weighted moving average Exponential smoothing Lineær regression Trends og sæsonudsving Kausale metoder Mål for nøjagtighed af forecasts. Hvorfor lave forecast?. Vurdere kapacitetskrav på lang sigt

Download Presentation

Forecasting

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Forecasting

Forecasting

Menu

  • Indledning

  • Kvantitative metoder

    • Moving average

    • Weighted moving average

    • Exponential smoothing

    • Lineær regression

  • Trends og sæsonudsving

  • Kausale metoder

  • Mål for nøjagtighed af forecasts


Hvorfor lave forecast

Hvorfor lave forecast?

  • Vurdere kapacitetskrav på lang sigt

  • Udvikle budgetter, mandskabsplanlægning, etc.

  • Planlæg produktion og/eller ordre på materialer

  • Opnå enighed indenfor virksomheden på tværs af supply chain partnere

  • Forecast omkring udbud-efterspørgsel-priser


Karakteristika ved forecasts

Karakteristika ved Forecasts

  • Næsten altid fejlagtig i et eller andet omfang

  • Mere nøjagtigt for grupper af produkter

  • Mere nøjagtig for kortere tidsperioder

  • Er ikke substitut for kalkuleret efterspørgsel.


Forskellige forecasting approaches

Kvantitative Metoder

Anvendes når situationen er “stabil” og historiske data er tilrådighed

Eksisterende produkter

Aktuel/Eksisterende teknologi

Brug af matematiske /statisktiske teknikker

*******************************

F.eks., forecasting salg af et velkendt produkt

Kvalitative Metoder

anvendes når situationen er uklar/uvis og kun lidt data er tilrådighed

Nyt produkt

Ny teknologi

Involverer intuition, erfaring

*****************************

F.eks., forecasting salg til et nyt marked

Forskellige Forecasting Approaches


Forecasting metoder

Forecasting metoder


Kvalitativ forecasting

Kvalitativ Forecasting

  • Forbruger surveys (stikprøver)

  • Build-up forecasts

  • The life cycle analogy method

  • Panel consensus

  • Delphi metode


Kvantitativ forecasting overskrifter

Kvantitativ forecasting:Overskrifter

  • Basale tidsserie modeller

  • Lineær regression

    • For tidsserier eller kausal modellering

  • Måling af forecast præcision


Tidsserie modeller

PeriodeEfteresp.

112

215

311

4 9

510

6 8

714

812

Tidsserie-modeller

Hvilke antagelser

må vi lave for at

kunne bruge disse

data til forecast?


Tidsserie komponenter her kun

Tidsserie-komponenter, her kun

Efterspørgsel

.. . stokastiske udsving

Tid


Tids serie med

Tids-serie med …

Efterspørgsel

. . . stokastiske udsving og trend

Tid


Tids serie med1

Tids-serie med. . .

Efterspørgsel

. . . stokastiske udsving, trend

og sæsonvariation

May

May

May

May


Et vigtigt potentiale bag tidsserie modeller er

Et vigtigt potentiale bag tidsserie-modeller er,..

.. at de tillader os at skelne mellem stokastiske fluktuationer og ”sande” ændringer i de underliggende efterspørgsels-mønstre.


Moving average modeller ma 3 forecast af d 8

PeriodeEftersp.

112

215

311

4 9

510

6 8

714

812

Moving Average Modeller,MA(3), forecast af D8

3-periode moving average forecast for periode 8:

=(14 + 8 + 10) / 3

=10.67


Weighted moving averages

Weighted Moving Averages

Forecast for periode 8

=[(0.5 14) + (0.3 8) + (0.2 10)] / (0.5 + 0.3 + 0.1)

=11.4

Hvad er fordelene her

Skal vægtene summe til et eller andet?

Kan vi anvende forskellige vægte?

Sammenlign med et simpelt 3-periode moving average.


Tabel af forecasts og eftersp rgselsv rdier

Tabel af forecasts og efterspørgselsværdier. . .


Og den tilh rende graf

. . . og den tilhørende graf.

Bemærk, hvordan forecastet udglatter variationerne


Exponentiel udglatning 1

Exponentiel Udglatning (1)

  • Vejet gennemsnits model

  • Behøver kun tre “tal” for at danne Ft+1 :

    Ft= Forecast for den aktuelle periode t

    Dt= Efterspørgsel for den aktuelle period t

    a= Vægt mellem 0 og 1


Exponentiel udglatning 2

Exponentiel Udglatning (2)

Formel

Ft+1

=a ×Dt + (1 – a) × Ft

= Ft + a(Dt – Ft)

  • Hvor kommer det aktuelle forecast fra?

  • Hvad sker der hvis a nærmer sig 0 eller 1?

  • Hvor kommer det allerførste forecast fra?

Sammenvægtning af

i) sidste periodes aktuelle efterspørgsel, og

ii) sidste periodes forecastede efterspørgsel


Exponentiel udglatning forecast med a 0 3

Exponentiel Udglatning Forecast med a = 0.3

F2 = 0.3×12 + 0.7×11

= 3.6 + 7.7

= 11.3

F3 = 0.3×15 + 0.7×11.3

= 12.41


Grafen med exponentiel udglatning

Grafen med exponentiel udglatning


Effekter af a

Effekter af a


Simpel line r regression

Simpellineær regression

  • tidsserie ELLER kausal model

  • Antag en lineær sammenhæng: y = a + b(x)

y

x


Definitioner

Definitioner

Y = a + b(X)

Y = prediktionsvariabel (f.eks., eftersp.)X = predictor-variabel

“X” kan være en periodeangivelse eller en anden type af variabel


Bestemmelse af a og b

Bestemmelse af a og b:


Eksempel brug af regression i tidsserie analyse

Eksempel:Brug af regression i tidsserie analyse

Søjle Summer


Resultat forecast 10 98 periode

Resultat:Forecast = 10 + 98×periode


S sonvariation

Sæsonvariation

Kvartal PeriodeEftersp

Vinter 021 80

Forår2 240

Sommer3 300

Efterår4 440

Vinter 035 400

Forår6 720

Sommer7 700

Efterår8 880


Hvad bem rker man her

Hvad bemærker man her?


Regressionen fanger trenden men ikke s sonvariationen

Regressionen fanger trenden, men ikke sæsonvariationen


En simpel 4 step procedure til s sonkorrigereing

En simpel 4 step procedure til sæsonkorrigereing

  • For hver af efterspøgselsværdierne i tidsserien, beregn det korresponderende forecast, ved at anvende en af forecast modellerne (f.eks. regression) i en ujusteret version.

  • For hver efterspørgselsværdi, beregn forholdet Eftersp./Forecast.

    • Hvis ratiet <= 1, så har modellen overforecasted

    • Hvis ratiet > 1, så har modellen underforecasted;

  • Hvis tidsserien dækker flere år, så beregn den gennemsnitlige værdi af ratierne Eftersp./Forecast for hver af året måneder eller årets kvartaler, og anvend disse 4 gennemsnit som SÆSONINDEKS (ellers brug værdierne af ratierne fra step 2)

  • Multiplicer de ikke justerede forecast fra step 1 med sæson-indeksene for at få justerede forecast værdier.


Beregn s sonindeks vinter kvartal

Beregn Sæsonindeks: Vinter-kvartal

(Faktisk Eftersp./ Forecast) for vinter-kvartal:Vinter ‘02:(80 / 90) = 0.89Vinter ‘03:(400 / 524.3) = 0.76

Gennemsnit af disse to = 0.83

Fortolkning!


S sonkorrigeret forecast model

Sæsonkorrigeret forecast model

For Vinter-kvartal [ –18.57 + 108.57×periode ] × 0.83

Eller mere generelt:[ –18.57 + 108.57 × periode ] ×Sæson-indeks


S sonkorrigeret forecasts

Sæsonkorrigeret forecasts


Kausal modeller

Kausal Modeller

Tidsserier antager, at efterspøgsel er en funktion af tid.

Dette er ikke altid sandt.

1. Pounds of BBQ eaten at party.

2. Dollars spent on drought relief.

3. Lumber sales.

Lineær regression kan anvendes i sådanne situationer til at beskrive sådanne sammenhænge.


M ling af pr cision af forecasts

Måling af præcision af Forecasts

Hvordan ved vi:

  • om en forecast model er den “bedste”?

  • om en forecast model stadig “duer nu”?

  • hvilke typer af fejl en specifik forecast model forventes at lave?

  • Vi behøver et mål for præcision af forecasts.


M ling af pr cision af forecasts1

Måling af præcision af Forecasts

Fejl = Faktisk eftersp. – forecast

eller

Et = Dt–Ft


Mean forecast error mfe

Mean Forecast Error (MFE)

For n tidsperioder, hvor vi har faktisk efterspørgsel og forecast værdier:


Mean absolute deviation mad

Mean Absolute Deviation (MAD)

For n tidsperioder, hvor vi har faktisk efterspørgsel og forecast værdier:

Hvad er forskellen på MFE og MAD?


Example

Example

Hvad er MFE?=2/6 ?

Hvad er MAD?=14/6 ? Fortolkning.


Mfe og mad

MFE og MAD:

Lav MFE og MAD:

Forecast fejl

er små og unbiased


Mfe og mad1

MFE og MAD:

Lav MFE, men høj

MAD:

I gennemsnit rammer

pilen i centrum

(so much for averages!)


Mfe og mad2

MFE og MAD:

Høj MFE og MAD:

Forecasts

er upræcise og

biased


  • Login