Einfacher gleitender Durchschnitt Die zweite Ad-hoc-Methode ist Einfacher gleitender Durchschnitt. In denen vorherige Werte verwendet werden, um den am besten geeigneten Parameter zu finden, der den niedrigsten Prognosefehler liefert. Der entscheidende Teil bei dieser Methode ist die richtige Wahl der Anzahl der Perioden in der Prognose genommen. Weatherford und Kimes (2003) prüften 2 8211 8 Perioden und zeigten, dass der niedrigste Fehler 8 Perioden gleitenden Durchschnitt gab. Die Prognose wird mathematisch wie folgt berechnet: wobei F (t1) - bei Raumforderung im Zeitraum t1, x 8211 die Anzahl der verkauften Räume im Zeitraum i, N - die Anzahl der vergangenen Perioden (Phumchusri und Mongkolkul, 2012) ist. Ein einfacher gleitender Durchschnitt ist einfach, schnell zu berechnen und reagiert schneller auf Verschiebungen in der Nachfrage, wenn die N Periode klein ist. Diese Methode hat jedoch zwei wesentliche Nachteile. Erstens geht man davon aus, dass die jüngsten Beobachtungen bessere Prädiktoren sind als ältere Daten. Zweitens, wenn Daten einen Aufwärts - oder Abwärtstrend aufweisen, wird das Verfahren ständig überprognostiziert oder unterforciert. Um diesen Trends gerecht zu werden, empfehlen Talluri und Van Ryzin (2004) einen doppelten oder dreifachen gleitenden Durchschnitt. Die Anwendung dieser Methode auf unseren Datensatz ist hier verfügbar: Simple Moving Average In unserer Anwendung dieser Prognose-Methode ermöglicht, MAPE von 4 zu erreichen, was ist ein sehr gutes Beispiel. Jedoch, wie es zuvor erwähnt wurde, ist dieses Verfahren ein schlechter Prädiktor, wenn die Nachfrage instabiler ist. Die folgende Grafik zeigt eine Situation, in der MAPE 60 (im Modell 2 8211 prognostizierten Werte 1: 2 Perioden) und 55 (in Modell 8 8211 prognostizierten Werten2: 8 Perioden) betrug. Phumchusri, D. Mongkolkul, J. (2012) Hotelzimmer Nachfrage über Observed Reservierungsinformationen. (2004) Die Theorie und Praxis des Revenue Managements. (2004) Talluri, K. und Van Ryzin, G. (2004) Theorie und Praxis des Revenue Managements. Boston, Kluwer Akademische Verlage. Weatherford, L. R. Amp Kimes, S. E. (2003). Ein Vergleich von Prognosemethoden für das Hotel-Revenue-Management. Zeitschrift für anorganische und allgemeine Chemie. Vol. 19, Nr. 3, S. 401-415. Anteil SuchmaschineKapitel 11 - Demand Management amp Forecasting 1. Perfekte Prognose ist praktisch unmöglich 2. Anstatt auf der Suche nach der perfekten Prognose ist es weitaus wichtiger, die Praxis der kontinuierlichen Überprüfung der Prognose zu etablieren und mit ungenauer Prognose leben zu lernen 3. Bei der Prognose, eine gute Strategie ist es, 2 oder 3 Methoden verwenden und suchen sie für die gesunden Sicht. 2. Grundquellen der Nachfrage 1. Abhängige Nachfrage - Nachfrage nach Produkten oder Dienstleistungen aufgrund der Nachfrage nach anderen Produkten oder Dienstleistungen. Nicht viel das Unternehmen tun kann, muss es erfüllt werden. 2. Unabhängige Nachfrage - Nachfrage, die nicht direkt von der Nachfrage nach anderen Produkten abgeleitet werden kann. Unternehmen können: a) eine aktive Rolle übernehmen, um die Nachfrage zu beeinflussen - Druck auf Ihre Vertriebsmitarbeiter ausüben b) Nehmen Sie eine passive Rolle, um die Nachfrage zu beeinflussen - wenn ein Unternehmen auf einer vollen Kapazität läuft, kann es nichts über die Nachfrage tun. Andere Gründe sind wettbewerbsfähig, legal, ökologisch, ethisch und moralisch. Versuchen Sie, die Zukunft anhand vergangener Daten vorherzusagen. 1. Kurzfristig - unter 3 Monaten - taktische Entscheidungen wie Nachschub des Inventars oder Terminierung von EEs kurzfristig 2. Mittelfristig - 3 M-2Y - Erfassung saisonaler Effekte wie Kunden reagieren auf ein neues Produkt 3. Langfristig - mehr als 2 Jahre. Um die wichtigsten Wendepunkte zu identifizieren und allgemeine Trends zu erkennen. Lineare Regression ist eine spezielle Regression, bei der die Beziehungen zwischen Variablen eine Gerade Y abX bilden. Y - abhängige Variable a - Y Abzweigung b - Steigung X - unabhängige Variable Sie dient der langfristigen Prognose von Großereignissen und der Gesamtplanung. Es wird sowohl für die Zeitreihenprognose als auch für die Gelegenheitsprognose verwendet. Ist die am häufigsten verwendete Prognosetechnik. Die jüngsten Ereignisse sind für die Zukunft (höchster vorhersehbarer Wert) mehr indikativ als die in der fernen Vergangenheit. Wir sollten den Erz in den letzten Zeiträumen mehr Gewicht verleihen als die Prognose. Jedes Inkrement in der Vergangenheit wird durch (1 - alpha) verringert. Je höher die Alpha, desto genauer folgt die Prognose der tatsächlichen. Die aktuelle Gewichtung alpha (1-alpha) na 0 Daten eine Zeitperiode ältere alpha (1-alpha) na 1 Daten zwei Zeitalter ältere alpha (1-alpha) na 2 Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der Richtige Personen, die urteilsmäßig verwendet werden, um tatsächlich den prognostizierten Wert zu erzeugen, muss zwischen 0 und 1 liegen. 2 oder mehr vorbestimmte Werte von Alpha - abhängig vom Fehlergrad werden unterschiedliche Werte von Alpha verwendet. Wenn der Fehler groß ist, ist Alpha 0,8, wenn der Fehler klein ist, ist Alpha 0,2 2. Berechnete Werte von Alpha - exponentiell geglätteten tatsächlichen Fehler geteilt durch den exponentiell erstickten absoluten Fehler. Qualitative Techniken in der Prognose Expertenwissen und viel Urteilsvermögen (neue Produkte oder Regionen) 1. Marktforschung - Suche nach neuen Produkten und Ideen, Vorlieben und Abneigungen gegen bestehende Produkte. In erster Linie SURVEYS amp INTERVIEWS 2. Panel Consensus - die Idee, dass 2 Köpfe besser als eins sind. Panel von Menschen aus einer Vielzahl von Positionen kann eine zuverlässigere Prognose als eine schmalere Gruppe zu entwickeln. Problem ist, dass niedrigere EE-Ebenen von höheren Ebenen der Verwaltung eingeschüchtert werden. Exekutives Urteil wird verwendet (ein höheres Management ist beteiligt). 3. Historische Analogie - eine Firma, die bereits Toaster produziert und Kaffee-Töpfe produzieren möchte, könnte die Toaster-Geschichte als wahrscheinliches Wachstumsmodell nutzen. 4. Delphi-Methode - sehr abhängig von der Auswahl der richtigen Personen, die urteilsmäßig verwendet werden, um tatsächlich die Prognose zu generieren. Jeder hat das gleiche Gewicht (fairer). Zufriedenstellende Ergebnisse werden in der Regel in 3 Runden erreicht. OBJECTIVE - Gemeinsame Planung, Prognose und Nachschub (CPFR) Um ausgewählte interne Informationen auf einem gemeinsamen Webserver auszutauschen, um zuverlässige und langfristige Zukunftsansichten in der Lieferkette zur Verfügung zu stellen. Sie müssen Javascript aktivieren, um diese Website anzuzeigen . Bitte ändern Sie Ihre Browsereinstellungen, um Javascript zu aktivieren und diese Seite neu zu laden. KEY OUTLINE Demand Management Abhängiges Bedarfsmanagement Definierte Independent Demand Definierte Arten von Prognosen Zeitreihenanalyse DefinedQualitative Techniken in der Prognose Grass Roots Marktforschungsbereich Konsens Historische Analogie Delphi Methode Zeitreihenanalyse Simple Moving Average Weighted Moving Average Exponentielle Glättung Exponentielle Glättung Defined Smoothing Constant Alpha (945 ) Definierte Glättung Konstantes Delta (948) Definierte Vorhersagefehler Fehlerquellen Fehlermessung Mittlere absolute Abweichung (MAD) Definiertes Nachführungssignal Definierte lineare Regressionsanalyse Lineare Regression Prognose Definierte Zerlegung einer Zeitreihe Kausale Beziehung Prognose Casual Beziehungsdefinierte MehrfachregressionsanalyseFokusvorhersage Methodik von Fokus Prognose Fokus Prognose Definierte Web-basierte Prognose: Kollaborative Planung, Prognose und Nachschub (CPFR) CPFR DefinedForecasts sind von entscheidender Bedeutung für jede Unternehmensorganisation und für jede wichtige Managemententscheidung. Während eine Prognose aufgrund der Dynamik des externen Geschäftsumfelds nie perfekt ist, ist sie für alle Ebenen der funktionalen Planung, der strategischen Planung und der Haushaltsplanung von Vorteil. Entscheidungsträger nutzen Prognosen, um viele wichtige Entscheidungen in Bezug auf die zukünftige Ausrichtung der Organisation zu treffen. Vorhersagetechniken und - modelle können sowohl qualitativ als auch quantitativ sein, und ihr Ausmaß an Raffinesse hängt von der Art der Informationen und den Auswirkungen der Entscheidung ab. Das Prognosemodell, das ein Unternehmen übernehmen sollte, hängt von mehreren Faktoren ab: Prognosezeithorizont, Datenverfügbarkeit, erforderliche Genauigkeit, Größe des Prognosebudgets und Verfügbarkeit von qualifiziertem Personal. Demand Management besteht, um alle Nachfragequellen zu koordinieren und zu kontrollieren, damit das produktive System effizient genutzt und das Produkt termingerecht geliefert werden kann. Die Nachfrage kann entweder abhängig von der Nachfrage nach anderen Produkten oder Dienstleistungen oder unabhängig sein, weil sie nicht direkt von der anderer Produkte abgeleitet werden kann. Die Prognose kann in vier Grundtypen eingeteilt werden: qualitative, Zeitreihenanalyse, Kausalbeziehungen und Simulation. Qualitative Techniken in der Prognose können Graswurzeln Prognose, Marktforschung, Panel Konsens, historische Analogie und die Delphi-Methode. Zeitreihen-Prognosemodelle versuchen, die Zukunft auf der Grundlage vergangener Daten vorherzusagen. Eine einfache gleitende Durchschnittsprognose wird verwendet, wenn die Nachfrage nach einem Produkt oder einer Dienstleistung ohne saisonale Schwankungen konstant ist. Eine gewichtete gleitende Durchschnittsprognose variiert die Gewichte bei einem bestimmten Faktor und ist somit in der Lage, die Effekte zwischen aktuellen und vergangenen Daten zu variieren. Die exponentielle Glättung verbessert die einfachen und die gewichteten gleitenden Durchschnittsprognosen, da die exponentielle Glättung die neueren Datenpunkte als wichtiger betrachtet. Zur Korrektur eines Aufwärts - oder Abwärtstrends werden Daten, die über Zeitperioden bis zu Glättungskonstanten gesammelt werden, verwendet. Alpha ist die Glättungskonstante, während Delta die Auswirkungen des Fehlers, der zwischen der tatsächlichen und der Prognose auftritt, reduziert. Prognosefehler sind die Differenz zwischen dem Prognosewert und dem, was tatsächlich eingetreten ist. Alle Prognosen enthalten zwar einen gewissen Fehler, es ist jedoch wichtig, zwischen Fehlerquellen und Fehlermessung zu unterscheiden. Fehlerquellen sind zufällige Fehler und Bias. Es gibt verschiedene Messungen, um den Grad des Fehlers in einer Prognose zu beschreiben. Bias-Fehler treten auf, wenn ein Fehler gemacht wird, d. h. nicht die korrekte Variable enthält oder die saisonale Nachfrage verschiebt. Während zufällige Fehler nicht erkannt werden, treten sie normalerweise auf. Ein Verfolgungssignal zeigt an, ob das Prognosemittel mit irgendwelchen Bewegungsänderungen der Nachfrage Schritt hält. Der MAD oder die mittlere absolute Abweichung ist auch ein einfaches und nützliches Werkzeug, um Tracking-Signale zu erhalten. Ein ausgereifteres Prognosewerkzeug, um die funktionale Beziehung zwischen zwei oder mehr korrelierten Variablen zu definieren, ist die lineare Regression. Dies kann verwendet werden, um eine Variable mit dem Wert für eine andere vorauszusagen. Es ist nützlich für kürzere Zeiträume, da es eine lineare Beziehung zwischen Variablen annimmt. Kausale Beziehung Prognose versucht, das Auftreten eines Ereignisses basierend auf dem Auftreten eines anderen Ereignisses zu bestimmen. Focus Prognose versucht mehrere Regeln, die logisch und leicht zu verstehen, um Vergangenheit Daten in die Zukunft scheinen. Heute sind viele Computer-Prognose-Programme verfügbar, um leicht zu prognostizieren Variablen. Wenn langfristige Entscheidungen auf der Grundlage zukünftiger Prognosen getroffen werden, sollte man sorgfältig darauf achten, die Prognose zu entwickeln. Ebenso sollten mehrere Ansätze zur Prognose eingesetzt werden.
No comments:
Post a Comment