EXPONENCIÁLIS SIMÍTÁS: MÓDSZER ÉS PÉLDA - DUDAS - 2026

Az exponenciális simítás lehetővé teszi egy cikk iránti igény előrejelzését egy adott időszakra. Ez a módszer becslése szerint a kereslet megegyezik egy adott időszak múltbeli fogyasztásának átlagával, nagyobb súlyt vagy súlyt adva az időben közelebb eső értékekhez. Ezenkívül a következő előrejelzéseknél vegye figyelembe a jelenlegi előrejelzés jelenlegi hibáját.

A kereslet előrejelzése a termék vagy szolgáltatás vevői igényének előrejelzése. Ez a folyamat folyamatos, ahol a vezetők a történeti adatok alapján kiszámítják, mire számítanak egy áru vagy szolgáltatás eladási igénye szerint.

Forrás: pixabay.com

A társaság múltbeli adatait felhasználva hozzáadjuk azokat a piaci gazdasági adatokhoz, hogy megnézhessük, növekszik-e vagy csökken az értékesítés.

A kereslet-előrejelzés eredményeit felhasználva célokat tűznek fel az értékesítési osztály számára, megpróbálva maradni a társaság céljaival.

Exponenciális simítási módszer

A simítás nagyon gyakori statisztikai folyamat. A sima adatok gyakran megtalálhatók a mindennapi élet különböző formáiban. Minden alkalommal, amikor egy átlagot használnak valami leírására, simított számot használnak.

Tegyük fel, hogy a rekord legmelegebb tél volt ebben az évben. Ennek számszerűsítéséhez az egyes rögzített történelmi évek téli időszakára vonatkozó napi hőmérsékleti adatokkal kezdjük.

Ez számos számot generál nagy „ugrásokkal”. Szüksége van egy számra, amely kiküszöböli ezeket az ugrásokat az adatokból, hogy könnyebb legyen összehasonlítani az egyik téli a másikkal.

Az adatok átugrásának kiküszöbölését simításnak nevezzük. Ebben az esetben az egyszerű átlag felhasználható a simítás elérésére.

Finomítás az előrejelzésben

A kereslet előrejelzéséhez a simítást a történelmi kereslet változásainak kiküszöbölésére is használják. Ez lehetővé teszi a keresleti minták jobb azonosítását, amelyek felhasználhatók a jövőbeli kereslet becslésére.

A kereslet változásai megegyeznek a hőmérsékleti adatok "átugrásának" fogalmával. A kereslet előzményeinek variációinak eltávolításának leggyakoribb módja egy átlagos, vagy konkrétan egy mozgó átlag használata.

A mozgó átlag előre meghatározott számú periódust használ az átlag kiszámításához, és ezek az időszakok az idő múlásával mozognak.

Például, ha négy hónap mozgó átlagot használ, és ma május 1., akkor január, február, március és április átlagos igényét fogja használni. Június 1-jén a február, március, április és május igényét kell felhasználni.

Súlyozott mozgóátlag

Egy egyszerű átlag használatakor az adatkészlet minden egyes értékére ugyanaz a jelentősége van. Ezért egy négy hónapos mozgóátlagban minden hónap a mozgó átlag 25% -át képviseli.

A kereslet előzményeinek a jövőbeli kereslet tervezésére történő felhasználásával nyilvánvaló, hogy a legutóbbi időszak nagyobb hatással van az előrejelzésre.

A mozgó átlag számítását úgy lehet adaptálni, hogy az egyes időszakokra különböző "súlyokat" alkalmazzon a kívánt eredmények elérése érdekében.

Ezeket a súlyokat százalékban fejezzük ki. Az összes időszak összes súlyának 100% -nak kell lennie.

Ezért, ha a négy hónapos súlyozott átlagban a 35% -ot szeretné alkalmazni a legközelebbi időszakra, akkor a 35% -ot levonhatja a 100% -ról, így a 65% -ot eloszthatja a fennmaradó három időszak között.

Például a négy hónapra 15%, 20%, 30% és 35% súlyozással bírhat (15 + 20 + 30 + 35 = 100).

Exponenciális simítás

Az exponenciális simítás számításának vezérlő bemenete simítási tényező. A legutóbbi időszak igényére alkalmazott súlyt képviseli.

Ha a súlyozott mozgó átlag kiszámításánál a legfrissebb periódus 35% -át használja, akkor dönthet úgy is, hogy az exponenciális simítás kiszámításánál a simítás tényezője a 35%.

Exponenciális rész

Az exponenciális simítási számításban az a különbség, hogy ahelyett, hogy kitalálni kellene, hogy mekkora súlyt kell alkalmazni az egyes előző időszakokra, a simítási tényezőt automatikusan megteszik.

Ez az "exponenciális" rész. Ha 35% -ot használunk simító tényezőként, akkor a legutóbbi időszakban a keresleti súly 35% lesz. A kereslet súlyozása a legutóbbi időszakot megelőző időszakban a 35% 65% -a lesz.

A 65% a 35% 100% -ból való kivonásából származik. Ez 22,75% -os súlyozást jelent abban az időszakban. A kereslet a következő legutóbbi időszakban 65% lesz, a 35% -ról 65%, ami 14,79%.

Az előző időszakra a 65% 65% -a 65% a 35%, azaz 9,61% értékkel kerül súlyozásra. Ezt minden korábbi periódusra megteszik, az első periódusig.

Képlet

Az exponenciális simítás kiszámításához használt képlet a következő: (D * S) + (P * (1-S)), ahol

D = a legutóbbi kereslet az időszakban.

S = simító tényező, decimális formában kifejezve (35% lenne 0,35).

P = a legutóbbi időszak előrejelzése, az előző időszak simításának kiszámítása alapján.

Feltételezve, hogy a simítási tényező 0,35, akkor az lenne: (D * 0,35) + (P * 0,65).

Mint láthatja, az egyetlen szükséges adatbevitel a kereslet és a legfrissebb periódus-előrejelzés.

Példa

Egy biztosítótársaság úgy döntött, hogy piacát kiterjeszti az ország legnagyobb városába, biztosítva a járműveket.

Első lépésként a vállalat előrejelzi, hogy mennyi járműbiztosítást vásárolnak a város lakói.

Ehhez kiindulási adatokként egy másik kisebb városban vásárolt gépjármű-biztosítás összegét fogják használni.

Az 1. időszakra előrejelzett kereslet 2869 szerződéses járműbiztosítás, de a valós kereslet ebben az időszakban 3200 volt.

A társaság belátása szerint 0,35-es simító tényezőt rendel hozzá. A következő időszakra előrejelzett kereslet: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Ugyanezt a számítást az egész évre elvégezték, és a következő összehasonlító táblázatot kapta meg a ténylegesen beszerzett és az adott hónapra előrejelzett adatok között.

Az átlagoló technikákhoz képest az exponenciális simítás jobban megjósolja a tendenciát. Ennek ellenére továbbra is elmarad, amint az a grafikonon látható:

Látható, hogy az előrejelzés szürke vonala jóval lehet a kereslet kék vonal alatt vagy felett, anélkül, hogy teljes mértékben követni tudnánk azt.

Irodalom

1. Wikipedia (2019). Exponenciális simítás. Forrás: es.wikipedia.org.
2. Ingenio Empresa (2016). Hogyan lehet felhasználni az egyszerű exponenciális simítást a kereslet előrejelzésére. Forrás: ingenioempresa.com.
3. Dave Piasecki (2019). Exponenciális simítás magyarázata. Forrás: inventops.com.
4. Tanulmány (2019). Igény-előrejelzési technikák: mozgó átlag és exponenciális simítás. Forrás: study.com.
5. Cityu (2019). Exponenciális simítási módszerek. Feltéve: personal.cb.cityu.edu.hk.