Eksponentiell utjevning. Dette eksempelet lærer deg hvordan du bruker eksponensiell utjevning til en tidsserie i Excel. Eksponensiell utjevning brukes til å jevne ut uregelmessigheter topper og daler for å lett gjenkjenne trender. 1 Først, la oss ta en titt på våre tidsserier.2 På Dataflikk, klikk Data Analysis. Note kan ikke finne Data Analysis-knappen Klikk her for å laste inn Analysis ToolPak add-in.3 Velg eksponensiell utjevning og klikk OK.4 Klikk i feltet Innmatingsområde og velg området B2 M2.5 Klikk i Dampingfaktor-boksen og type 0 9 Literatur snakker ofte om utjevningskonstanten alfa Verdien 1- kalles dempningsfaktoren.6 Klikk i feltet Utmatingsområde og velg celle B3.8 Plott en graf av disse verdiene. Planlegging fordi vi sett alpha til 0 1, blir det forrige datapunktet gitt en relativt liten vekt mens den forrige glatte verdien er gitt en stor vekt, dvs. 0 9 Som et resultat blir toppene og dalene utjevnet. Grafen viser en økende trend. Excel kan ikke beregne smooten hed-verdi for det første datapunktet fordi det ikke er noen tidligere datapunkt Den glattede verdien for det andre datapunktet er lik det forrige datapunktet. 9 Gjenta trinnene 2 til 8 for alfa 0 3 og alfa 0 8. Konklusjon Den mindre alfa bedre dempingen faktor, jo mer toppene og dalene blir utjevnet. Den større alfa mindre dempningsfaktoren, jo nærmere de glatte verdiene er til de faktiske datapunktene. Gjennomsnittlig gjennomsnitt. Dette eksemplet lærer deg hvordan du beregner det bevegelige gjennomsnittet av en tidsserie i Excel Et glidende gjennomsnitt brukes til å utjevne uregelmessigheter, topper og daler for å enkelt gjenkjenne trender. 1 Først, ta en titt på vår tidsserie.2 På Data-fanen klikker du Data Analysis. Note kan ikke finne Data Analysis-knappen Klikk her for å laste inn Analysis ToolPak add-in.3 Velg Moving Average og klikk OK.4 Klikk i Inngangsområde-boksen og velg området B2 M2.5 Klikk i Intervall-boksen og skriv 6.6 Klikk i feltet Utmatingsområde og velg celle B3 .8 Skriv en graf av disse verdiene es. Explantering fordi vi stiller intervallet til 6, er det glidende gjennomsnittet gjennomsnittet for de forrige 5 datapunktene og det nåværende datapunktet. Resultatet blir at topper og daler utjevnes. Grafen viser en økende trend. Excel kan ikke beregne det bevegelige gjennomsnittet for de første 5 datapunktene fordi det ikke er nok tidligere datapunkter.9 Gjenta trinnene 2 til 8 for intervall 2 og intervall 4. Konklusjon Jo større intervallet jo flere tinder og daler utjevnes. Jo mindre intervallet jo nærmere de bevegelige gjennomsnittene er de faktiske datapunktene. Eksponentiell utjevning Forklaret. Kopyright Innhold på er beskyttet av opphavsrett og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, kan de tro at det høres ut som et helvete med mye utjevning uansett utjevning er de begynner å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon benytter klar hvis de noen gang trenger å gjøre det Realiteten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som gir en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk skjer som Et resultat av denne enkle beregningen er faktisk litt komplisert. For å forstå eksponensiell utjevning, hjelper det å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes for å oppnå utjevning. Hva er utjevning. Modeling er en svært vanlig statistisk prosess Faktisk møter vi jevne data i ulike former i våre daglige liv. Hver gang du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer. Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du raskt forstå begrepet utjevning For eksempel har vi nettopp opplevd den varmeste vinteren på rekord Hvordan kan vi kvantifisere dette Vel, vi starter med datasett av det daglige hei gh og lave temperaturer for perioden vi kalder vinter for hvert år i innspilt historie Men det gir oss en mengde tall som hopper rundt ganske mye det er ikke som hver dag i vinter var varmere enn de tilsvarende dager fra alle tidligere år Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerning av hopping rundt i dataene kalles glatting, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsforespørsel benytter vi utjevning for å fjerne tilfeldig variasjonsstøy fra vår historiske etterspørsel. Dette gjør at vi bedre kan identifisere etterspørselsmønstre, hovedsakelig trend og sesongmessighet og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel. Støy i etterspørsel er det samme konseptet som det daglige hopper rundt temperaturdataene Ikke overraskende er den vanligste måten folk fjerner støy fra etterspørselshistorien å bruke et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt A glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg når tiden går. For eksempel hvis jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg et gjennomsnitt av etterspørselen som skjedde I januar, februar, mars og april 1. juni bruker jeg etterspørsel fra februar, mars, april og mai. Vektet glidende gjennomsnitt. Når du bruker et gjennomsnitt, bruker vi samme vekt på hver verdi i datasettet I 4 måneders glidende gjennomsnitt hver måned representerte 25 av det bevegelige gjennomsnittet Når du bruker etterspørselshistorie for å projisere fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på din prognose Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til hver periode for å få våre ønskede resultater. Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100. Derfor, hvis vi bestemmer oss, vil vi bruk 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt. Vi kan trekke 35 fra 100 for å finne at vi har 65 igjen å dele over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på 15, Henholdsvis 20, 30 og 35 i de 4 månedene 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet med å bruke en vekt til den siste perioden som 35 i det forrige eksempelet og sprer den gjenværende vekten beregnet av subtraherer den siste tidsvekten på 35 fra 100 til 65, har vi de grunnleggende byggeblokkene for vår eksponentielle utjevningsberegning. Den kontrollerende inngangen til eksponensiell utjevningsberegning kalles utjevningsfaktoren også kalt utjevningskonstanten. Det representerer i hovedsak vektingen til den siste periodens etterspørsel Så, der vi brukte 35 som vekten for den siste perioden i den veide gjennomsnittlige beregningen, kunne vi også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning for å få en lignende effekt Forskjellen med eksponensiell utjevningsberegning er at i stedet for at vi også må finne ut hvor mye vekt som skal gjelde for hver tidligere periode, blir utjevningsfaktoren brukt til å automatisk gjøre det. Så her kommer eksponentiell del Hvis vi bruker 35 som utjevningsfaktor, vil vekten av den siste perioden etterspørselen være 35 Vektingen av neste siste periode s krever perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 vekting for den perioden hvis du gjør matematikken. Den neste siste periodens etterspørsel vil være 65 av 65 av 35, som tilsvarer 14 79 Perioden før den blir vektet som 65 av 65 av 65 av 35, som tilsvarer 9 61 osv. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du begynte å bruke eksponensiell utjevning for den aktuelle gjenstanden. Du blir probabl du tenker på at det ser ut som en masse matematikk, men skjønnheten i eksponensiell utjevningsberegning er at i stedet for å beregne for hver tidligere periode hver gang du får en ny periodes etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra den forrige perioden til å representere alle tidligere periodene. Er du forvirret ennå Dette vil gjøre mer fornuftig når vi ser på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognose. I virkeligheten trenger den ultimate prognosen litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger. Den siste periodens etterspørsel multiplisert med utjevningsfaktoren PLUS Den siste periodens prognose multiplisert med en minus utjevningsfaktor. D siste periode s krever S utjevningsfaktoren representert i desimalform slik at 35 ville bli representert som 0 35 F den siste perioden s anslår resultatet av utjevningsberegningen fra forrige periode. OR antar en utjevningsfaktor på 0 35. Det blir ikke mye enklere enn det. Som du kan se, er alt vi trenger for datainnganger her, de siste periode s etterspørsel og siste periode s prognose Vi bruker utjevningsfaktoren vekting til den siste perioden s etterspørselen på samme måte som vi ville i vektet glidende gjennomsnittlig beregning Vi bruker deretter den gjenværende vekten 1 minus utjevningsfaktoren til de mest siste periode s prognose. Siden den siste perioden s prognosen ble opprettet basert på forrige periode s etterspørsel og forrige periode s prognose, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. vel, kan du se hvordan alle tidligere perioders etterspørsel er representert i beregningen på uten å gå tilbake og omberegne noe. Og det var det som kjørte den opprinnelige populariteten til eksponensiell utjevning. Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram. Og, fordi du ikke behøvde å tenke på hvilken vekting å gi tidligere perioder eller hvor mange tidligere perioder å bruke, som du ville i vektet glidende gjennomsnitt, og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er at noen av disse kan gi respektverdige resultater, så hvorfor ikke gå med enklere og kjøligere lyd. Eksponentiell utjevning i Excel. Vi ser hvordan dette egentlig ser ut i et regneark med ekte data. Opphavsrett Innhold på er beskyttet av copyright og er ikke tilgjengelig for republisering. I figur 1A har vi et Excel-regneark med 11 vi eks av etterspørsel og en eksponensielt jevn prognose beregnet ut fra den etterspørselen jeg har brukt en utjevningsfaktor på 25 0 25 i celle C1 Den nåværende aktive cellen er Celle M4 som inneholder prognosen for uke 12 Du kan se i formellinjen, formelen er L3 C1 L4 1- C1 Så de eneste direkte inngangene til denne beregningen er den forrige perioden s etterspørsel Cell L3, forrige periode s prognose Cell L4 og utjevningsfaktoren Cell C1, vist som absolutt celle referanse C1.Når vi starter en eksponentiell utjevningsberegning, må vi manuelt koble verdien til 1. prognose. Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognosen. I Cell C4 har vi vår første eksponensielle utjevningsberegning B3 C1 B4 1- C1 Vi kan da kopiere Cell C4 og lime den inn i Cells D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbeltklikke på en prognose celle for å se den er basert på forrige periode s prognose celle og forrige periode s etterspørsel celle Så hver etterfølgende eksponensiell utjevningsberegning arver utgangen av den forrige eksponensielle utjevningsberegningen. Det er hvordan hver forrige periode s etterspørsel er representert i den siste periodens beregning, selv om denne beregningen ikke direkte refererer til de tidligere periodene. Hvis du vil ha lyst, du kan bruke Excel s trace precedents funksjon For å gjøre dette, klikk på Cell M4, deretter på bånd verktøylinjen Excel 2007 eller 2010 klikk på Formulas-fanen, og klikk deretter Trace Precedents Det trekker tilkoblingslinjer til 1. nivå av precedenter, men hvis du fortsetter å klikke Trace Precedents det vil trekke kontaktlinjer til alle tidligere perioder for å vise deg det arvelige forhold. Nå la oss se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram av etterspørsel og prognose. Du ser hvordan eksponensielt glattet prognosen fjerner det meste av den ujevnheten som hopper rundt fra den ukentlige etterspørselen, men klarer fortsatt å følge det som synes å være en oppadgående trend i dem og du vil også legge merke til at den glatte prognoselinjen har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendlag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge bak trenden Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre som gir en nedadgående trend, vil du se etterspørselslinjen slippe, og trendlinjen beveger seg over den før du begynner å følge den nedadgående trenden. Det er derfor jeg tidligere nevnte produksjonen fra eksponentiell utjevningsberegning som vi kaller en prognose, trenger fortsatt litt mer arbeid. Det er mye mer å prognose enn å bare utjevne støtene i etterspørselen. Vi må gjøre ytterligere justeringer for ting som trendlag , sesongmessighet, kjente hendelser som kan påvirke etterspørselen, osv. Men alt som er utenfor omfanget av denne artikkelen. Du vil sannsynligvis også gå inn i begreper som dobbel eksponensiell utjevning og triple-expo nøkkelutjevning Disse betingelsene er litt misvisende, siden du ikke re-utjevner etterspørselen flere ganger du kan hvis du vil, men det er ikke poenget her. Disse termer representerer bruk av eksponensiell utjevning på ytterligere elementer i prognosen. Så med enkel eksponensiell utjevning, du utjevner basenes etterspørsel, men med dobbel eksponensiell utjevning utjevner du basen etterspørselen pluss trenden, og med triple-eksponensiell utjevning utjevner du basen etterspørsel pluss trenden pluss sesongmessighet. Det andre vanligste spørsmålet om eksponentiell utjevning er hvor får jeg utjevningsfaktoren min Det er ikke noe magisk svar her, du må teste forskjellige utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene. Det er beregninger som automatisk kan angi og endre utjevningsfaktoren. Disse faller under Begrepet adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar, og du bør ikke blindt implementere noen beregning uten grundig testing og å utvikle en grundig forståelse av hva denne beregningen gjør. Du bør også kjøre hva-hvis scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i etterspørseldataene du bruker til testing. Dataeksempelet I brukt tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier. Det spesielle datautvalget viser en noe konsistent oppadgående trend. Mange store selskaper med svært kostbar prognoseprogramvare har store problemer i den ikke så fjerne fortiden da deres programvareinnstillinger som var tweaked for en voksende økonomi, reagerte ikke bra når økonomien begynte å stagnere eller krympe. Slike ting skjer når du ikke forstår hva beregningsprogramvarene faktisk gjør. Hvis de forsto deres prognosesystem, ville de ha visst at de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i virksomheten deres. Så der har du jeg t grunnleggende om eksponensiell utjevning forklares Ønsker du å vite mer om bruk av eksponensiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Copyright Innholdet på, er beskyttet av copyright og er ikke tilgjengelig for republisering. Dave Piasecki er eieroperatør av Inventory Operations Consulting LLC et konsulentfirma som tilbyr tjenester relatert til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i driftsledelse og kan nås gjennom hans nettside, der han opprettholder tilleggsinformasjon. Min virksomhet.
No comments:
Post a Comment