Média móvel ponderada no exemplo 1 da Previsão média móvel simples. Os pesos dados aos três valores anteriores eram todos iguais. Consideramos agora o caso em que esses pesos podem ser diferentes. Este tipo de previsão é denominado média móvel ponderada. Aqui, nós atribuímos m pesos w 1. , W m. Onde w 1. W m 1, e defina os valores previstos como segue Exemplo 1. Refazer o Exemplo 1 de Previsão Médica de Movimento Simples onde assumimos que as observações mais recentes são ponderadas mais do que observações mais antigas, usando os pesos w 1 .6, w 2 .3 e w 3 .1 (como mostrado no intervalo G4: G6 da Figura 1 ). Figura 1 Médias móveis ponderadas As fórmulas da Figura 1 são as mesmas da Figura 1 da Previsão Médica de Movimento Simples. Exceto para os valores de y previstos na coluna C. E. g. A fórmula na célula C7 é agora SUMPRODUCT (B4: B6, G4: G6). A previsão para o próximo valor na série temporal é agora 81.3 (célula C19), usando a fórmula SUMPRODUCT (B16: B18, G4: G6). Ferramenta de análise de dados de estatísticas reais. O Excel não fornece uma ferramenta de análise de dados de média móvel ponderada. Em vez disso, você pode usar a ferramenta de análise de dados de médias móveis ponderadas das estatísticas reais. Para usar esta ferramenta para o Exemplo 1, pressione Ctr-m. Escolha a opção Time Series no menu principal e, em seguida, na opção Basic forecasting methods da caixa de diálogo que aparece. Preencha a caixa de diálogo que aparece como mostrado na Figura 5 da Previsão Médica de Movimento Simples. Mas desta vez escolha a opção de média móvel ponderada e preencha o intervalo de pesos com G4: G6 (observe que nenhum título de coluna está incluído para o intervalo de pesos). Nenhum dos valores dos parâmetros é usado (essencialmente de Lags será o número de linhas no intervalo de pesos e de Estações e das Previsões será padrão para 1). O resultado será semelhante à saída na Figura 2 da Previsão Médica de Movimento Simples. Exceto que os pesos serão usados no cálculo dos valores de previsão. Exemplo 2. Use o Solver para calcular os pesos que produzem o menor erro quadrático médio MSE. Usando as fórmulas da Figura 1, selecione Data gt AnalysisSolver e preencha a caixa de diálogo como mostrado na Figura 2. Figura 2 Caixa de diálogo do Solver Observe que precisamos restringir a soma dos pesos a 1, o que fazemos clicando no Botão Adicionar. Isso traz a caixa de diálogo Adicionar restrição, que preenchemos como mostrado na Figura 3 e, em seguida, clique no botão OK. Figura 3 Caixa de diálogo Adicionar restrição Fazemos o próximo clique no botão Resolver (na Figura 2), que modifica os dados na Figura 1 como mostrado na Figura 4. Figura 4 Otimização do Solver Como pode ser visto na Figura 4, o Solver altera os pesos para 0 223757 e .776243 para minimizar o valor de MSE. Como você pode ver, o valor minimizado de 184.688 (célula E21 da Figura 4) é pelo menos menor do que o valor MSE de 191.366 na célula E21 da Figura 2). Para bloquear esses pesos, você precisa clicar no botão OK da caixa de diálogo Resultados do Solver mostrado na Figura 4. Usando a função PREVISÃO no Excel (e Open Office Calc), copie Copyright. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Deixe-me começar dizendo que Excels Forecast Function não é um sistema completo de previsão de inventário. A previsão no gerenciamento de inventário geralmente envolve a remoção do ruído da demanda, calculando e incorporando tendências, sazonalidade e eventos. A função de previsão não vai fazer todas essas coisas para você (tecnicamente, poderia, mas há maneiras melhores de realizar algumas delas). Mas é uma pequena função que é fácil de usar, e certamente pode ser uma parte do seu sistema de previsão. De acordo com a Ajuda da Microsoft na função Previsão. A função FORECAST (x, knownys, knownxs) retorna o valor previsto da variável dependente (representada nos dados por knownys) para o valor específico, x, da variável independente (representada nos dados por knownxs) usando o melhor ajuste (Mínimos quadrados) regressão linear para prever valores y de valores x. Então, o que exatamente isso significa Regressão linear é uma forma de análise de regressão e pode ser usado para calcular uma relação matemática entre dois (ou mais) conjuntos de dados. Na previsão, você usaria isso se achasse que um conjunto de dados poderia ser usado para prever outro conjunto de dados. Por exemplo, se você vendeu materiais de construção, você pode achar que as mudanças nas taxas de juros podem ser usadas para prever as vendas de seus produtos. Este é um exemplo clássico de utilização de regressão para calcular uma relação entre uma variável externa (taxas de juros) e uma variável interna (suas vendas). No entanto, como veremos mais adiante, você também pode usar regressão para calcular uma relação dentro do mesmo conjunto de dados. Uma abordagem típica para análise de regressão envolve o uso de regressão para determinar a relação matemática, mas também para ajudar a dar uma idéia de como essa relação é válida (ou seja, a parte de análise). A função de previsão ignora a análise e apenas calcula um relacionamento e aplica-se automaticamente à sua saída. Isso torna as coisas mais fáceis para o usuário, mas assume que seu relacionamento é válido. Então, essencialmente, a função Previsão usa regressão linear para prever um valor baseado em uma relação entre dois conjuntos de dados. Vamos ver alguns exemplos. Na Figura 1A, temos uma planilha que inclui a taxa de juros média nos últimos 4 anos e as vendas unitárias durante esse mesmo período de 4 anos. Também mostramos uma taxa de juros prevista para o 5º ano. Podemos ver no exemplo que nossas vendas de unidades aumentam à medida que as taxas de juros diminuem e diminuem à medida que as taxas de juros aumentam. Apenas olhando para o exemplo, provavelmente podemos adivinhar que nossas vendas para o ano 5 estarão em algum lugar entre 5.000 e 6.000 com base na relação observada entre taxas de juros e vendas nos períodos anteriores. Podemos usar a função de previsão para quantificar mais precisamente essa relação e aplicá-la ao 5º ano. Na Figura 1B, você pode ver a função de Previsão sendo aplicada. Nesse caso, a fórmula na célula F4 é PRÉVIA (F2, B3: E3, B2: E2). O que temos entre parênteses é conhecido como um argumento. Um argumento é realmente apenas um meio de passar parâmetros na função que está sendo usada (neste caso, a função Previsão). Cada parâmetro é separado por uma vírgula. Para que a função de previsão funcione, ele precisa saber o valor que estamos usando para prever nossa saída (nossas vendas no ano 5). No nosso caso, o parâmetro (nossa taxa de juros do ano 5) está na célula F2, então o primeiro elemento do nosso argumento é F2. Em seguida, ele precisa saber onde pode encontrar os valores existentes que ele usará para determinar o relacionamento a ser aplicado ao F2. Primeiro, precisamos inserir as células que representam os valores de nossa variável dependente. No nosso caso, estas seriam nossas unidades vendidas nos últimos 4 anos, portanto entramos em B3: E3. Então precisamos inserir as células que representam os valores da nossa variável preditor. No nosso caso, estas taxas de juros nos últimos 4 anos, portanto, entramos em B2: E2). A função de previsão agora pode comparar as unidades vendidas durante os anos 1 a 4 com as taxas de juros nesses mesmos anos e, em seguida, aplicar essa relação com nossa taxa de juros prevista do ano 5 para obter nossas vendas previstas para o ano 5 de 5.654 unidades. No exemplo anterior, podemos observar os gráficos para ajudar a visualizar o relacionamento. À primeira vista, pode não parecer tão óbvio porque temos uma relação inversa (as vendas vão para cima como taxas de juros ABAIXO), mas se você mentalmente lançou um dos gráficos, você veria um relacionamento muito claro. Essa é uma das coisas legais sobre a função de previsão (e análise de regressão). Ele pode lidar facilmente com uma relação inversa. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Agora vamos olhar outro exemplo. Na Figura 2A, vemos um novo conjunto de dados. Nesse exemplo, nossas taxas de juros subiram e baixaram nos últimos 4 anos, ainda que nossas vendas unitárias apresentaram uma tendência ascendente consistente. Embora seja possível que as taxas de juros tenham tido algum impacto nas nossas vendas neste exemplo, é óbvio que existem fatores muito mais significativos em jogo aqui. Ao usar nossa função de previsão com esses dados, devolvemos uma previsão de 7,118 unidades para o ano 5. Penso que a maioria de nós olharia nossa tendência de vendas e concorda que é muito mais provável que nossas vendas para o ano 5 sejam 9 mil unidades. Como eu mencionei anteriormente, a função de previsão assume que o relacionamento é válido, portanto, ele produz saída com base no melhor ajuste que pode fazer com os dados fornecidos. Em outras palavras, se dissermos que existe um relacionamento, ele nos acredita e produz a saída em conformidade sem nos dar uma mensagem de erro ou qualquer sinal que implique que o relacionamento seja muito pobre. Portanto, tenha cuidado com o que você pede. Os exemplos anteriores abrangiam a aplicação clássica de regressão à previsão. Embora tudo isso pareça bastante liso, esta aplicação clássica de regressão não é tão útil quanto você pensa (você pode verificar meu livro para obter mais informações sobre regressão e por que pode não ser uma boa escolha para suas necessidades de previsão). Mas agora vamos usar a função de previsão para simplesmente identificar a tendência dentro de um dado conjunto de dados. Comece por olhar a Figura 3A. Aqui temos demanda com uma tendência muito óbvia. A maioria de nós deve poder analisar esses dados e se sentir confortável ao prever que a demanda no Período 7 provavelmente será de 60 unidades. No entanto, se você executou esses dados através dos cálculos típicos de previsão utilizados no gerenciamento de estoque, você pode se surpreender com o quão pobre muitos desses cálculos são responsáveis pela tendência. Uma vez que a função de previsão exige que insiramos uma variável dependente e uma variável de preditores, como podemos usar a função de previsão se tivermos apenas um conjunto de dados. Bem, enquanto é tecnicamente verdade que temos um único conjunto de dados (nosso História de demanda), na verdade, temos um relacionamento em curso nesse conjunto de dados. Nesse caso, nosso relacionamento é baseado no tempo. Portanto, podemos usar cada demanda de períodos como uma variável de preditores para os próximos períodos de demanda. Portanto, precisamos apenas dizer a função de Previsão para usar a demanda nos Períodos 1 a 5 como os dados existentes para a variável do preditor e usar a demanda nos Períodos 2 a 6 como os dados existentes para a variável dependente. Em seguida, diga para aplicar essa relação com a demanda no Período 6 para calcular nossa previsão para o Período 7. Você pode ver na Figura 3B, nossa fórmula na célula I3 é PRÉVIA (H2, C2: H2, B2: G2). E retorna uma previsão de 60 unidades. Obviamente, este exemplo não é realista, pois a demanda é muito boa (sem ruído). Então, vamos ver a Figura 3C onde aplicamos esse mesmo cálculo a alguns dados mais realistas. Eu só quero reafirmar, que enquanto a função de previsão é útil, não é um sistema de previsão. Normalmente, eu prefiro ter um pouco mais de controle sobre exatamente como aplico e estendi as tendências à minha previsão. Além disso, você quer primeiro remover quaisquer outros elementos da sua demanda que não estejam relacionados à sua demanda e tendência base. Por exemplo, você deseja remover quaisquer efeitos de sazonalidade ou eventos (como promoções) de sua demanda antes de aplicar a função de previsão. Você aplicaria seu índice de sazonalidade e qualquer índice de eventos ao resultado da função de previsão. Você também pode brincar com suas entradas para obter um resultado desejado. Por exemplo, você pode tentar primeiro suavizar seu histórico de demanda (através de uma média móvel, média móvel ponderada ou suavização exponencial), e usando essa é a variável preditor em vez da demanda bruta. Para obter mais informações sobre Previsão, consulte o livro Gerenciamento de inventário explicado. Usando a função de previsão no Open Calc do Office. Para usuários do Openoffice. org Calc. A função Previsão funciona basicamente da mesma forma que no Excel. No entanto, há uma pequena diferença na sintaxe usada em Calc. Onde quer que você use uma vírgula em um argumento em uma função do Excel, você usaria um ponto e vírgula em Calc. Então, em vez da Fórmula Excel, você entraria na página Ir para artigos para mais artigos de Dave Piasecki. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Dave Piasecki. É um operador próprio da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de estoque, manuseio de materiais e operações de armazém. Ele tem mais de 25 anos de experiência em gerenciamento de operações e pode ser alcançado através do seu site (inventário), onde ele mantém informações relevantes adicionais. O Business Inventory Operations Consulting LLC da minha empresa fornece assistência rápida, acessível e especializada com gerenciamento de inventário e operações de armazenamento. Meus livros
No comments:
Post a Comment