Spreadsheet-Implementierung der saisonalen Anpassung und exponentieller Glättung Es ist einfach, saisonale Anpassung durchzuführen und exponentielle Glättungsmodelle mit Excel anzupassen. Die unten aufgeführten Bildschirmbilder und Diagramme werden einer Tabellenkalkulation entnommen, die eine multiplikative saisonale Anpassung und eine lineare Exponentialglättung für die folgenden vierteljährlichen Verkaufsdaten von Outboard Marine darstellt: Um eine Kopie der Tabellenkalkulation selbst zu erhalten, klicken Sie hier. Die Version der linearen exponentiellen Glättung, die hier für Demonstrationszwecke verwendet wird, ist die Brown8217s-Version, nur weil sie mit einer einzigen Spalte von Formeln implementiert werden kann und es nur eine Glättungskonstante gibt, die optimiert werden soll. In der Regel ist es besser, Holt8217s Version, die separate Glättungskonstanten für Ebene und Trend hat. Der Prognoseprozess verläuft wie folgt: (i) Die Daten werden saisonbereinigt (ii) sodann für die saisonbereinigten Daten über lineare exponentielle Glättung Prognosen erstellt und (iii) schließlich werden die saisonbereinigten Prognosen zur Erzielung von Prognosen für die ursprüngliche Serie herangezogen . Der saisonale Anpassungsprozess wird in den Spalten D bis G durchgeführt. Der erste Schritt in der Saisonbereinigung besteht darin, einen zentrierten gleitenden Durchschnitt (hier in Spalte D) zu berechnen. Dies kann erreicht werden, indem der Durchschnitt von zwei einjährigen Durchschnittswerten, die um eine Periode relativ zueinander versetzt sind, genommen wird. (Eine Kombination von zwei Offset-Durchschnittswerten anstatt eines einzigen Mittels wird für die Zentrierung benötigt, wenn die Anzahl der Jahreszeiten gleich ist.) Der nächste Schritt besteht darin, das Verhältnis zum gleitenden Durchschnitt zu berechnen. Wobei die ursprünglichen Daten durch den gleitenden Durchschnitt in jeder Periode dividiert werden - was hier in Spalte E durchgeführt wird. (Dies wird auch Quottrend-Cyclequot-Komponente des Musters genannt, sofern Trend - und Konjunktur-Effekte als all dies betrachtet werden können Bleibt nach einer Durchschnittsberechnung über ein ganzes Jahr im Wert von Daten bestehen. Natürlich können die monatlichen Veränderungen, die nicht saisonal bedingt sind, durch viele andere Faktoren bestimmt werden, aber der 12-Monatsdurchschnitt glättet sie weitgehend Wird der geschätzte saisonale Index für jede Jahreszeit berechnet, indem zuerst alle Verhältnisse für die jeweilige Jahreszeit gemittelt werden, was in den Zellen G3-G6 unter Verwendung einer AVERAGEIF-Formel erfolgt. Die Durchschnittsverhältnisse werden dann neu skaliert, so daß sie auf das genau 100-fache der Anzahl der Perioden in einer Jahreszeit, oder 400 in diesem Fall, das in den Zellen H3-H6 erfolgt, summieren. Unten in der Spalte F werden VLOOKUP-Formeln verwendet, um den entsprechenden saisonalen Indexwert in jede Zeile der Datentabelle einzufügen, entsprechend dem Viertel des Jahres, das es repräsentiert. Der mittlere gleitende Durchschnitt und die saisonbereinigten Daten enden wie folgt: Beachten Sie, dass der gleitende Durchschnitt typischerweise wie eine glattere Version der saisonbereinigten Serie aussieht und an beiden Enden kürzer ist. Ein weiteres Arbeitsblatt in derselben Excel-Datei zeigt die Anwendung des linearen exponentiellen Glättungsmodells auf die saisonbereinigten Daten beginnend in Spalte G. Über der Prognosespalte (hier in Zelle H9) wird ein Wert für die Glättungskonstante (alpha) eingetragen Zur Vereinfachung wird ihm der Bereichsname quotAlpha. quot zugewiesen (Der Name wird mit dem Befehl quotInsertNameCreatequot zugewiesen.) Das LES-Modell wird initialisiert, indem die ersten beiden Prognosen gleich dem ersten Istwert der saisonbereinigten Serie gesetzt werden. Die hier verwendete Formel für die LES-Prognose ist die rekursive Einzelformel des Brown8217s-Modells: Diese Formel wird in der Zelle entsprechend der dritten Periode (hier Zelle H15) eingegeben und von dort nach unten kopiert. Beachten Sie, dass sich die LES-Prognose für den aktuellen Zeitraum auf die beiden vorherigen Beobachtungen und die beiden vorherigen Prognosefehler sowie auf den Wert von alpha bezieht. Somit bezieht sich die Prognoseformel in Zeile 15 nur auf Daten, die in Zeile 14 und früher verfügbar waren. (Natürlich könnten wir statt der linearen exponentiellen Glättung einfach statt der linearen exponentiellen Glättung verwenden, könnten wir stattdessen die SES-Formel ersetzen. Wir könnten auch Holt8217s anstelle von Brown8217s LES-Modell verwenden, was zwei weitere Spalten von Formeln erfordern würde, um das Niveau und den Trend zu berechnen Die in der Prognose verwendet werden.) Die Fehler werden in der nächsten Spalte (hier Spalte J) durch Subtrahieren der Prognosen von den Istwerten berechnet. Der Quadratwurzel-Quadratfehler wird als Quadratwurzel der Varianz der Fehler plus dem Quadrat des Mittelwerts berechnet. (Das ergibt sich aus der mathematischen Identität: MSE VARIANCE (Fehler) (AVERAGE (Fehler)). 2) Bei der Berechnung des Mittelwertes und der Varianz der Fehler in dieser Formel sind die ersten beiden Perioden ausgeschlossen, da das Modell nicht tatsächlich mit der Prognose beginnt Die dritte Periode (Zeile 15 auf der Kalkulationstabelle). Der optimale Wert von alpha kann entweder durch manuelles Ändern von alpha gefunden werden, bis das minimale RMSE gefunden wird, oder Sie können das quotSolverquot verwenden, um eine genaue Minimierung durchzuführen. Der Wert von alpha, den der Solver gefunden hat, wird hier angezeigt (alpha0.471). Es ist in der Regel eine gute Idee, die Fehler des Modells (in transformierten Einheiten) zu zeichnen und ihre Autokorrelationen zu berechnen und zu zeichnen, bis zu einer Saison. Hier ist eine Zeitreihenfolge der (saisonbereinigten) Fehler: Die Fehlerautokorrelationen werden mit Hilfe der CORREL () - Funktion berechnet, um die Korrelationen der Fehler selbst mit einer oder mehreren Perioden zu berechnen - Einzelheiten sind im Kalkulationsblatt dargestellt . Hier ist ein Diagramm der Autokorrelationen der Fehler bei den ersten fünf Verzögerungen: Die Autokorrelationen bei den Verzögerungen 1 bis 3 sind sehr nahe bei Null, aber die Spitze bei Verzögerung 4 (deren Wert 0,35 ist) ist etwas mühsam Saisonale Anpassungsprozess nicht vollständig erfolgreich war. Allerdings ist es eigentlich nur marginal signifikant. 95 Signifikanzbanden zum Testen, ob Autokorrelationen signifikant von Null verschieden sind, sind ungefähr plus-oder-minus 2SQRT (n-k), wobei n die Stichprobengröße und k die Verzögerung ist. Hier ist n gleich 38 und k variiert von 1 bis 5, so daß die Quadratwurzel von - n-minus-k für alle von etwa 6 ist, und daher sind die Grenzen für das Testen der statistischen Signifikanz von Abweichungen von Null ungefähr plus - Oder-minus 26 oder 0,33. Wenn Sie den Wert von alpha von Hand in diesem Excel-Modell variieren, können Sie den Effekt auf die Zeitreihen und Autokorrelationsdiagramme der Fehler sowie auf den Root-mean-squared-Fehler beobachten, der nachfolgend erläutert wird. Am Ende der Kalkulationstabelle wird die Prognoseformel quasi in die Zukunft gestartet, indem lediglich Prognosen für tatsächliche Werte an dem Punkt ausgetauscht werden, an dem die tatsächlichen Daten ablaufen - d. h. Wo die Zukunft beginnt. (Mit anderen Worten, in jeder Zelle, in der ein zukünftiger Datenwert auftreten würde, wird eine Zellreferenz eingefügt, die auf die Prognose für diese Periode hinweist.) Alle anderen Formeln werden einfach von oben nach unten kopiert: Beachten Sie, dass die Fehler für die Prognosen von Die Zukunft werden alle berechnet, um Null zu sein. Dies bedeutet nicht, dass die tatsächlichen Fehler null sein werden, sondern lediglich die Tatsache, dass wir für die Vorhersage davon ausgehen, dass die zukünftigen Daten den Prognosen im Durchschnitt entsprechen. Die daraus resultierenden LES-Prognosen für die saisonbereinigten Daten sehen folgendermaßen aus: Mit diesem für α-Periodenprognosen optimalen Wert von alpha ist der prognostizierte Trend leicht nach oben, was auf den lokalen Trend in den letzten 2 Jahren zurückzuführen ist oder so. Für andere Werte von alpha könnte eine sehr unterschiedliche Trendprojektion erhalten werden. Es ist normalerweise eine gute Idee, zu sehen, was mit der langfristigen Trendprojektion geschieht, wenn Alpha variiert wird, weil der Wert, der für kurzfristige Prognosen am besten ist, nicht notwendigerweise der beste Wert für die Vorhersage der weiter entfernten Zukunft sein wird. Dies ist beispielsweise das Ergebnis, das erhalten wird, wenn der Wert von alpha manuell auf 0,25 gesetzt wird: Der projizierte Langzeittrend ist jetzt eher negativ als positiv Mit einem kleineren Wert von alpha setzt das Modell mehr Gewicht auf ältere Daten Seine Einschätzung des aktuellen Niveaus und Tendenz und seine langfristigen Prognosen spiegeln den in den letzten 5 Jahren beobachteten Abwärtstrend wider, eher als der jüngste Aufwärtstrend. Dieses Diagramm zeigt auch deutlich, wie das Modell mit einem kleineren Wert von alpha langsamer ist, um auf quotturning pointsquot in den Daten zu antworten und daher tendiert, einen Fehler des gleichen Vorzeichens für viele Perioden in einer Reihe zu machen. Die Prognosefehler von 1-Schritt-Vorhersage sind im Mittel größer als die, die zuvor erhalten wurden (RMSE von 34,4 statt 27,4) und stark positiv autokorreliert. Die Lag-1-Autokorrelation von 0,56 übersteigt den oben berechneten Wert von 0,33 für eine statistisch signifikante Abweichung von Null deutlich. Als Alternative zum Abkürzen des Wertes von Alpha, um mehr Konservatismus in Langzeitprognosen einzuführen, wird manchmal ein Quottrend-Dämpfungsquotfaktor dem Modell hinzugefügt, um die projizierte Tendenz nach einigen Perioden abflachen zu lassen. Der letzte Schritt beim Erstellen des Prognosemodells besteht darin, die LES-Prognosen durch Multiplikation mit den entsprechenden saisonalen Indizes zu veranschaulichen. Somit sind die reseasonalisierten Prognosen in Spalte I einfach das Produkt der saisonalen Indizes in Spalte F und der saisonbereinigten LES-Prognosen in Spalte H. Es ist relativ einfach, Konfidenzintervalle für einstufige Prognosen dieses Modells zu berechnen: Erstens Berechnen Sie den RMSE (root-mean-squared Fehler, der nur die Quadratwurzel des MSE ist) und berechnen Sie dann ein Konfidenzintervall für die saisonbereinigte Prognose durch Addition und Subtraktion zweimal des RMSE. (Im Allgemeinen ist ein 95-Konfidenzintervall für eine Ein-Perioden-Vorausprognose ungefähr gleich der Punktvorhersage plus-oder-minus-zweimal der geschätzten Standardabweichung der Prognosefehler, vorausgesetzt, die Fehlerverteilung ist annähernd normal und die Stichprobengröße Ist groß genug, sagen wir, 20 oder mehr Hier ist die RMSE anstelle der Standardabweichung der Fehler die beste Schätzung der Standardabweichung der zukünftigen Prognosefehler, weil sie auch die Zufallsvariationen berücksichtigt.) Die Vertrauensgrenzen Für die saisonbereinigte Prognose werden dann reseasonalisiert. Zusammen mit der Prognose, durch Multiplikation mit den entsprechenden saisonalen Indizes. In diesem Fall ist die RMSE gleich 27,4 und die saisonbereinigte Prognose für die erste künftige Periode (Dez-93) beträgt 273,2. So dass das saisonbereinigte 95-Konfidenzintervall von 273,2-227,4 218,4 auf 273,2227,4 328,0 liegt. Das Multiplizieren dieser Limits durch Decembers saisonalen Index von 68,61. Erhalten wir niedrigere und obere Konfidenzgrenzen von 149,8 und 225,0 um die Dez-93-Punktprognose von 187,4. Die Vertrauensgrenzen für Prognosen, die länger als eine Periode vorangehen, werden sich in der Regel aufgrund der Unsicherheit über das Niveau und den Trend sowie die saisonalen Faktoren erweitern, da der Prognosehorizont zunimmt, aber es ist schwierig, diese im allgemeinen durch analytische Methoden zu berechnen. (Die geeignete Methode zur Berechnung der Vertrauensgrenzen für die LES-Prognose ist die Verwendung der ARIMA-Theorie, aber die Unsicherheit in den saisonalen Indizes ist eine andere Angelegenheit.) Wenn Sie ein realistisches Konfidenzintervall für eine Prognose über mehrere Zeiträume wünschen, Fehler zu berücksichtigen, ist Ihre beste Wette, empirische Methoden zu verwenden: Zum Beispiel, um ein Vertrauensintervall für eine 2-Schritt-Vorausprognose zu erhalten, könnten Sie eine weitere Spalte auf der Kalkulationstabelle erstellen, um eine 2-Schritt-Voraus-Prognose für jeden Zeitraum zu berechnen Durch Booten der Ein-Schritt-Voraus-Prognose). Dann berechnen Sie die RMSE der 2-Schritt-Voraus-Prognose Fehler und verwenden Sie diese als Grundlage für ein 2-Schritt-vor-Vertrauensintervall. Was ist ein saisonaler Index - Das vierte Quartal des Jahres ist die Monate Oktober bis Dezember. Wie Sie wahrscheinlich wissen, und wir darauf hingewiesen, in dem Kapitel ein Videos, Amazon verkauft viel mehr Waren im vierten Quartal als jedes andere Quartal, vor allem wegen der Ferienzeit. Dies ist ein Beispiel für Saisonalität, und das Problem mit Saisonalität ist es macht es wirklich schwierig, künftige Werte einer Zeitreihe vorhersagen. Wenn Sie bemerkt haben, haben alle Beispiele, die wir bisher in der Prognose getan haben keine Saisonalität. Sie waren jährliche Daten, aber jetzt sind wir bereit, die Frage der Saisonalität in den verbleibenden zwei Kapiteln dieses Videos anzupacken. Also, ein wirklich wichtiges Konzept, das wirklich Ihr Verständnis von in diesem Video zu verfeinern, ist das Konzept eines saisonalen Index, und dann in den Rest des Kapitels wir39ll lehren Sie das Verhältnis zu gleitenden Durchschnitt Methode, die eine einfache, aber leistungsstarke ist Methode, um Saisonalität in Ihre Prognosen, von vielen Unternehmen verwendet. Okay, so let39s nehmen Sie an, dass Sie für Q1 bis Q4 diese vier Zahlen haben, die wir saisonale Indizes nennen. Also, was bedeuten diese Die Q4 saisonalen Index von 1,3 bedeutet in Q4 dieses Unternehmen neigt dazu, 30 mehr als ein durchschnittliches Quartal zu verkaufen. Das ist was das 1.3 bedeutet. Und im Q1 verkauft dieses Unternehmen 20 weniger als ein durchschnittliches Quartal. That39s, was die 0.8 bedeutet. So müssen saisonale Indizes eine bestimmte Eigenschaft haben. Sie müssen durchschnittlich eins sein. Mit anderen Worten, die Quartiere, die über dem Durchschnitt liegen, müssen von den Quartieren, die unter dem Durchschnitt liegen, abgesagt werden. Aber Sie können wirklich nicht viel prognostizieren auf vierteljährlichen Daten oder monatlichen Daten, wenn Sie nicht verstehen Saisonalität, und das wird das Hauptthema dieses ganzen Kapitels sein, aber in diesem Video wollen wir nur Ihnen ein einfaches Verständnis der saisonalen Indizes geben. Also, wir haben ein wenig Gehirn Teaser für Sie, dass ich oft verwenden, wenn ich bei Unternehmen zu trainieren, und nur sehr wenige Menschen bekommen das Gehirn teaser richtig. So, we39ll Arbeit Sie durch sie. Okay, so let39s sehen, wenn wir Saisonalität verstehen. Also, nehmen Sie an, Sie arbeiten für ein Unternehmen, dessen viertes Quartal groß ist. It39s saisonale Index ist zwei. Also, was bedeutet das? Im vierten Quartal, sind ihre Verkäufe in der Regel doppelt so durchschnittlich im Quartal, und sie waren ziemlich schlecht im ersten Quartal. Ihre saisonale Index ist 0,5, was bedeutet, dass in ihrem ersten Quartal ihre Verkäufe tendenziell die Hälfte eines durchschnittlichen Quartals. Let39s Blick auf einige Umsatzdaten für diese fiktive Firma. Let39s nehmen an, in Q4 von 2014 verkauften sie 400 Million Dollar Wert der Waren. Q1 von 2015, verkauften sie 200 Millionen Dollar Wert von Waren, und Sie wurden gebeten, die Leistung des Unternehmens als externe Berater bewerten. Sind sie besser oder werden sie schlimmer Naive Analyse ist wie folgt. Verkäufe fielen 50. Zweihundert ist 50 von vierhundert. Diese Firma hat echte Probleme. Nun, du bist nicht ein sehr guter Berater, wenn du das denkst, weil du die Saisonalität vernachlässigst. Was Sie tun müssen, ist wirklich deseasonalize der Verkäufe. Ich sage oft Desalinisierung, aber deseasonalize. Also, was Sie tun wollen, ist sagen, hey, was wirklich passiert in jedem Quartal, in Bezug auf ein durchschnittliches Quartal Grundsätzlich Q4 von 2014, aber der saisonale Index war zwei. So, that39s wirklich wie das Verkaufen dieses viel in einem durchschnittlichen Viertel. Sie teilen sich durch den saisonalen Index. That39s eine ziemlich gute Schätzung dessen, was das Niveau während dieses Q4 war. Mit anderen Worten, 400 in Q4 ist im Grunde sage Ihnen, das Niveau der Zeitreihen, basierend auf dieser Beobachtung, war 200 in diesem vierten Quartal. Jetzt, wenn Sie deseasonal Q1 von 2015, teilen Sie durch den saisonalen Index für das Viertel von 0,5, und Sie erhalten 400 in einem durchschnittlichen Quartal. Wenn Sie also auf den richtigen Weg schauen, obwohl der Umsatz um 50 gesunken ist, deuten die Daten darauf hin, dass sich das Umsatzniveau von Q4 2014 auf Q1 2015 verdoppelte. Sie sehen also aus diesem sehr einfachen Beispiel, Würden Sie eine falsche Schlussfolgerung ziehen, dass diese Firma schlimmer wird, wenn sie tatsächlich tun fantastisch. So werden wir im nächsten Video das Verhältnis zur gleitenden Durchschnittsmethode vorstellen, die verwendet werden kann, um Saisonalität in Prognosen zu integrieren und saisonale Indizes zu schätzen. Fortsetzen der Transkript-Auto-Scroll-Professor Wayne Winston hat fortgeschrittene Prognose-Techniken Fortune 500 Unternehmen für mehr als zwanzig Jahre gelehrt. In diesem Kurs zeigt er, wie man Excels Datenanalyse-Tools mit Diagrammen, Formeln und Funktionen verwendet, um genaue und aufschlussreiche Prognosen zu erstellen. Erfahren Sie, wie Sie Zeitreihen-Daten visuell darstellen, um sicherzustellen, dass Ihre Prognosen genau sind, indem Sie für Fehler und Bias-Trendlinien analysieren, um Trends und Ausreißer-Datenmodellwachstum zu identifizieren, um Saisonalität zu berücksichtigen und unbekannte Variablen zu identifizieren, mit einer multiplen Regressionsanalyse. Eine Reihe von Praxis-Herausforderungen auf dem Weg hilft Ihnen, Ihre Fähigkeiten zu testen und vergleichen Sie Ihre Arbeit mit Waynes-Lösungen. Lynda ist ein PMI Registered Education Provider. Dieser Kurs eignet sich für professionelle Entwicklungseinheiten (PDUs). Um die Aktivitäten und PDU-Details für diesen Kurs zu sehen, klicken Sie hier. Das PMI Registered Education Provider-Logo ist eine eingetragene Marke des Project Management Institute, Inc. Themen sind: Plotten und Anzeigen von Zeitreihen-Daten Erstellen einer gleitenden durchschnittlichen Diagramm Accounting für Fehler und Bias Verwenden und Interpretieren von Trendlinien Modellierung exponentielles Wachstum Berechnung der jährlichen jährlichen Wachstumsrate (CAGR) Analyse der Auswirkungen der Saisonalität Einführung der Verhältnis-zu-Gleitender Methode Vorhersage mit mehrfacher Regression Skill-Level IntermediateSeasonality in Prognose Saisonalität bezieht sich auf die Veränderungen der Nachfrage, die im Laufe des Jahres in einem regelmäßigen jährlichen Zyklus auftreten. Sie wird durch verschiedene Faktoren verursacht, die regelmäßige Witterungsverhältnisse, religiöse Ereignisse, traditionelle Verhaltensmuster und Schulferien beinhalten können. Wenn es markante oder extreme Saisonalität in der Nachfrage Muster, die Wirksamkeit im Umgang mit ihm haben die größten Auswirkungen auf die Prognose Genauigkeit. Die andere Seite der Gleichung ist, dass es wichtig ist, keine Saisonalität in die Prognose zu bauen, wenn sie nicht wirklich existiert, da dies die Prognosegenauigkeit negativ beeinflussen würde. In Daten, in denen die Existenz von Saisonalität zweideutig ist, ist es wichtig, die bestmögliche Entscheidung darüber zu treffen, ob die Saisonalität im Prognoseprozess angewendet werden soll oder nicht. Verschiedene statistische Tests können dabei helfen. Berechnungsmethoden für Saisonalität Möglicherweise ist die einfachste Weise, Saisonalität zu berücksichtigen, die Prognose auf dem gleichen wie letztes Jahr zu bilden Grundlage. Dies ist in der Regel nicht ein guter Weg, um zu gehen, weil die letzten Jahre Verkäufe können abnorme für eine Reihe von möglichen Gründen. Beliebte Ansätze umfassen den Prozentsatz des Jahresansatzes oder die Schaffung von additiven saisonalen Faktoren oder multiplikativen saisonalen Indizes. Bei der Berechnung multiplikativer Saisonindizes gibt es verschiedene Methoden. Einfache Ansätze umfassen saisonale Mittelung und das Verhältnis zu zentrierten gleitenden Durchschnitt Methode. Andere Verfahren umfassen eine Fourier-Analyse, bei der verschiedene Sinus - und Cosinuswellen kombiniert werden, um das saisonale Muster darzustellen. Seasonal Average Methode Dies ist eine wirklich einfache Methode. Zuerst wird der durchschnittliche Umsatz für jede Saison, z. B. Monat. Dies gibt den Durchschnitt für Januar, den Durchschnitt für Februar, etc. Das Grand ist Durchschnitt wird dann als der Durchschnitt der saisonalen Mittelwerte berechnet. Schließlich werden die saisonalen Indizes erstellt, indem jeder saisonale Durchschnitt durch den großen Durchschnitt aufgeteilt wird. Die Indizes werden durchschnittlich 1,00. Diese einfache Methode ist gut, wenn die Verkaufsgeschichte vernünftigerweise stabil ist, d. H. Sie unterliegt keinen großen Änderungen in dem zugrundeliegenden Bedarfsniveau im Laufe der Zeit. Für weniger stabile Daten kann das nachstehend beschriebene Verhältnis zum mittleren Mittelwertverfahren besser sein. Verhältnis zu zentrierter gleitender Mittelwertmethode Das Verhältnis zur zentrierten gleitenden Durchschnittsmethode für die Berechnung multiplikativer Saisonindizes ist eine einfache Berechnung, die einfach in Excel oder einer anderen Software eingerichtet werden kann. Das folgende Beispiel für monatliche Daten: Erstellen Sie eine Serie für den zentrierten jährlichen Gleitender Durchschnitt (CMA), z. B. Beginnen Sie, indem Sie den Monatsdurchschnitt für 2009 gegen Juni 2009, etc. berechnen. Eine andere Reihe als das Verhältnis des Umsatzes in einem gegebenen Monat zum CMA in diesem Monat berechnen, das Verhältnis Verkäufe CMA. Berechnen Sie die saisonalen Indizes als den Durchschnitt der Verhältnisse pro Saisonmonat, z. B. Der saisonale Index für März ist der Durchschnitt der Verhältnisse für Mar-09, Mar-10, Mar-11, Mar-12, Mar-13 und Mar-14. Passen Sie die Indizes bei Bedarf an, um die Saisonindizes um 12.00 zu erhöhen. Da die Mitte eines 12-Monats-Kalenders nicht Juni oder Juli, sondern in der Mitte der beiden ist, war die traditionelle Methode für Schritt 1 darin begründet, zwei Serien für die CMA zu schaffen. So in einer Reihe, die den Jahresdurchschnitt gegen Juni, in der anderen gegen Juli setzt. Dann wurden die beiden CMA-Reihen gemittelt, um etwas zu schaffen, das man wirklich zentrieren könnte. In der Praxis macht dies wenig Unterschied zu den meisten kommerziellen Daten. Der einzige Nachteil dieser Methode ist, dass es etwas mehr historische Daten als die saisonale Durchschnittsmethode benötigt. Mindestens drei Jahre sind erforderlich. Datenbereinigung und Datenvolatilität Datenreinigung wirkt sich auf die Berechnung der Saisonalität in dem Sinne aus, dass abnormale Daten aus der saisonalen Berechnung ausgeschlossen werden sollten. Es ist klar, dass die natürliche Saisonalität nicht als abnorme Verkäufe missverstanden werden sollte, so dass die Datenreinigung und die saisonale Berechnung eng miteinander verknüpft sind. Mindestens zwei Jahre historische Daten sollten zur Berechnung der Saisonalität zur Verfügung gestellt werden. Angesichts der Tatsache, dass es notwendig sein kann, bestimmte Daten auszuschließen, wenn es anormal ist, ist es normalerweise ratsam, mindestens drei oder vier Jahre Informationen aufzunehmen. Das Problem mit einer Menge von Business-Prognose ist, dass es oft eine relativ kurze Zeit der konsequenten Geschichte. Das macht die saisonale Analyse oft eher zu einer Kunst als zu einer exakten Wissenschaft. Es können verschiedene Verfahren eingesetzt werden, um die Auswirkung von flüchtigen Daten auf die Berechnung der Saisonalität für die Prognose zu reduzieren und somit die Prognosegenauigkeit zu verbessern. Dazu gehören: saisonale Indizes (Berechnung der Indizes auf aggregierter Ebene) saisonale Vereinfachung (zB monatliche Indizes für wöchentliche Daten) saisonale Schrumpfung (saisonale Dämpfung) saisonale Glättung (z In der wöchentlichen und täglichen Prognose Die Probleme, die sich aus einer kleinen Menge an Geschichte und volatilen Daten ergeben, werden größer, wenn sie von der Berechnung der monatlichen Saisonalität zur Berechnung der wöchentlichen Saisonalität übergehen. Es wird unwahrscheinlicher, dass die jährlichen Ereignisse in demselben Kalenderzeitraum stattfinden, so dass es notwendig sein kann, jene Fälle zu reinigen, die aus der Verkaufsgeschichte resultieren und zukünftige Fälle der Prognose als geplante Ereignisse hinzufügen. Es gibt manchmal einen zusätzlichen Zyklus der Woche innerhalb des Monats zu behandeln. Bei wöchentlicher Saisonalität wird in den Indizes, die sich aus der saisonalen Berechnung ergeben, oftmals viel Restvolatilität gesehen, so dass die Rohindizes nicht vertrauenswürdig sind. So gibt es eine größere Notwendigkeit, die Indizes mit Gruppensaisonindizes, saisonale Vereinfachung oder saisonale Glättung zu ändern. Wenn es einen Bedarf für eine tägliche Prognose gibt, ist es meist am besten, zuerst die Saisonalität mit wöchentlichen Daten zu berechnen, dann nähert sich der Rest der Aufgabe mit Hilfe von Wochentagsprofilen, um Wochen bis Tage zu teilen.
No comments:
Post a Comment