OR-Notes são uma série de notas introdutórias sobre tópicos que se enquadram no título geral do campo de pesquisa de operações OU Eles foram originalmente usados por mim em um curso introdutório OU eu dou no Imperial College Eles estão agora disponíveis para uso por qualquer estudante e Professores interessados em OU sujeito às seguintes condições. Uma lista completa dos tópicos disponíveis em OR-Notes pode ser encontrada aqui. Forecasting exemplos. Forecasting exemplo 1996 UG exam. The procura de um produto em cada um dos últimos cinco meses é mostrado abaixo . Utilize uma média móvel de dois meses para gerar uma previsão de demanda no mês 6. Aplique a suavização exponencial com uma constante de suavização de 0 9 para gerar uma previsão de demanda por demanda no mês 6.Qual dessas duas previsões prefere e por quê. A média móvel de dois meses para os meses dois a cinco é dado por. A previsão para o mês seis é apenas a média móvel para o mês anterior que ou seja, a média móvel para o mês 5 m 5 2350.Applying suavização exponencial com um suavização Constante de 0 9 nós get. As antes da previsão para o mês seis é apenas a média para o mês 5 M 5 2386.Para comparar as duas previsões que calculam o desvio médio quadrado MSD Se fizermos isso, encontramos que para a média móvel. MSD E para a média exponencialmente suavizada com uma constante de alisamento de 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. Em geral, Ver que a suavização exponencial parece dar as melhores previsões de um mês de antecedência, uma vez que tem um MSD menor Por isso, preferimos a previsão de 2386 que foi produzido por suavização exponencial. Forecasting exemplo 1994 exame UG. A tabela abaixo mostra a demanda por um novo pós-barba Em uma loja para cada um dos últimos 7 meses. Calcule uma média móvel de dois meses para os meses dois a sete Qual seria sua previsão para a demanda no mês oito. Aplicar alisamento exponencial com uma constante de suavização de 0 1 para derivar uma previsão para o Demanda no mês oito. Qual das duas previsões para o mês oito do yo U preferir e porquê. O detentor de loja acredita que os clientes estão mudando para este novo pós-barba de outras marcas Discutir como você pode modelar este comportamento de comutação e indicar os dados que você iria exigir para confirmar se esta mudança está ocorrendo ou não. A média para os meses dois a sete é dada por. A previsão para o mês oito é apenas a média móvel para o mês antes que, ou seja, a média móvel para o mês 7 m 7 46.Applying suavização exponencial com uma constante de suavização de 0 1 we get. As Antes da previsão para o mês oito é apenas a média para o mês 7 M 7 31 11 31 como não podemos ter demanda fracionária. Para comparar as duas previsões, calcular o desvio quadrático médio MSD Se fizermos isso, encontramos que para a média móvel. and Para a média exponencialmente suavizada com uma constante de suavização de 0 1. Em geral, vemos que a média móvel de dois meses parece dar as melhores previsões de um mês de antecedência, uma vez que tem um MSD menor. F 46 que foi produzido pela média móvel de dois meses. Para examinar a mudança precisamos usar um modelo de processo de Markov, onde as marcas de estados e nós precisariamos de informações de estado iniciais e probabilidades de troca de clientes de pesquisas Nós precisaríamos executar o modelo em Dados históricos para ver se temos um ajuste entre o modelo eo comportamento histórico. Forecasting exemplo 1992 UG exam. The tabela abaixo mostra a demanda por uma determinada marca de barbear em uma loja para cada um dos últimos nove meses. Calcular um movimento de três meses Média para os meses três a nove Qual seria sua previsão para a demanda no mês dez. Apply suavização exponencial com uma constante de suavização de 0 3 para derivar uma previsão para a demanda no mês dez. Qual das duas previsões para o mês dez você prefere E porquê. A média móvel de três meses para os meses 3 a 9 é dada por. A previsão para o mês 10 é apenas a média móvel para o mês anterior que ou seja, a média móvel para o mês 9 m 9 20 33.Hence como não podemos ter A demanda fracionária a previsão para o mês 10 é 20.Applying suavização exponencial com uma constante de suavização de 0 3 que get. As antes da previsão para o mês 10 é apenas a média para o mês 9 M 9 18 57 19 como não podemos ter fracionada demand. To Compare as duas previsões que calculamos o desvio quadrático médio MSD Se fizermos isso, encontramos que para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0 3. Em geral, vemos que a média móvel de três meses parece dar As melhores previsões de um mês de antecedência, uma vez que tem um MSD menor Por isso, preferimos a previsão de 20 que foi produzido pela média móvel de três meses. Forecasting exemplo 1991 exame UG. A tabela abaixo mostra a demanda por uma determinada marca de fax em Uma loja de departamentos em cada um dos últimos doze meses. Calcule a média móvel de quatro meses para os meses 4 a 12 Qual seria sua previsão para a demanda no mês 13.Apply suavização exponencial com uma constante de suavização de 0 2 para deri Ve uma previsão para a demanda no mês 13.Qual das duas previsões para o mês 13 você prefere e por quê. O que outros fatores, não considerados nos cálculos acima, podem influenciar a demanda para a máquina de fax no mês 13.A movimentação de quatro meses A média dos meses 4 a 12 é dada por M. 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 m 8 33 32 30 27 4 30 5 m 9 37 33 32 30 4 33 m 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25.A previsão para o mês 13 é apenas a média móvel para o Mês antes que isto é a média móvel para o mês 12 m 12 46 25. Assim como nós não podemos ter a demanda fracionária a previsão para o mês 13 é 46.Applying suavização exponencial com uma constante de suavização de 0 2 nós começ. Como antes da previsão para o mês 13 É apenas a média para o mês 12 M 12 38 618 39 como não podemos ter fracionada demanda. Para comparar as duas previsões, calculamos o desvio quadrático médio MSD Se fizermos isso, encontramos que para a média móvel. e para a média exponencialmente suavizada com uma constante de suavização de 0 2. Em geral, vemos que a média móvel de quatro meses parece dar as melhores previsões de um mês de antecedência, uma vez que tem um MSD menor. Assim, preferimos a previsão de 46 que foi Produzido pela média móvel de quatro meses. seasonal demanda. preço mudanças, tanto esta marca e outras marcas. geral situação econômica. new technology. Forecasting exemplo 1989 UG exam. The tabela abaixo mostra a demanda por uma determinada marca de forno de microondas em um departamento Armazenar em cada um dos últimos doze meses. Calcular uma média móvel de seis meses para cada mês Qual seria a sua previsão para a demanda no mês 13.Apply suavização exponencial com uma constante de suavização de 0 7 para derivar uma previsão para a demanda no mês 13.Qual das duas previsões para o mês 13 você prefere e porquê. Agora não podemos calcular uma média móvel de seis meses até que tenhamos pelo menos 6 observações - ou seja, só podemos calcular essa média a partir do mês 6 em diante Henc E temos 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17. A previsão para o mês 13 é apenas a média móvel para o Mês antes disso, ou seja, a média móvel para o mês 12 m 12 38 17.Assim, como não podemos ter demanda fracionária a previsão para o mês 13 é 38.Applying suavização exponencial com uma constante de suavização de 0 7 get. In prática a média móvel irá fornecer Uma boa estimativa da média das séries temporais se a média for constante ou mudando lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos de A finalidade de fornecer um menor m é permitir que a previsão para responder a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças no subjacente m Ean da série temporal A figura mostra a série de tempo usada para ilustração juntamente com a demanda média a partir da qual a série foi gerada A média começa como uma constante em 10 A partir do tempo 21, ela aumenta em uma unidade em cada período até atingir a Valor de 20 no tempo 30 Então torna-se constante novamente Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3 Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra As observações simuladas usadas para o exemplo Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro de modelo,, para três valores diferentes de m são mostrados juntamente com a média de A série de tempo na figura abaixo A figura mostra a média móvel estimativa da média em cada momento e não a previsão As previsões iria deslocar a média móvel curvas para a direita por periods. One conclusão é immedi O lag é a distância entre o modelo e a estimativa na dimensão do tempo Devido ao atraso, a média móvel subestima as observações Como a média está aumentando O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito pela média móvel O viés quando a média está aumentando é negativo Para uma média decrescente, o viés é Positivo O atraso no tempo e o viés introduzido na estimativa são funções de m Quanto maior o valor de m maior a magnitude do atraso e do viés. Para uma série continuamente crescente com tendência a os valores de atraso e de viés do estimador do As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, Omes constante também As curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente As equações abaixo indicam o atraso e o viés de um período de previsão em O futuro quando comparado com os parâmetros do modelo Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com este resultado O estimador da média móvel é baseado na suposição de uma média constante, eo exemplo tem um Tendência linear na média durante uma porção do período do estudo Desde que as séries de tempo real raramente obedecerão exatamente às suposições de todo o modelo, nós devemos ser preparados para tais resultados. Podemos também concluir da figura que a variabilidade do ruído tem o maior Efeito para m menor A estimativa é muito mais volátil para a média móvel de 5 que a média móvel de 20 Temos os desejos conflitantes de aumentar m para reduzir o efeito de F devido ao ruído e diminuir m para tornar a previsão mais responsiva às mudanças na média. O erro é a diferença entre os dados reais e o valor previsto Se a série de tempo é verdadeiramente um valor constante o valor esperado do erro É zero ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo os dados Vem de uma população com uma média constante Este termo é minimizado fazendo m tão grande quanto possível Um grande m faz a previsão não responder a uma mudança nas séries temporais subjacentes Para fazer a previsão responsiva às mudanças, queremos que m seja o menor possível 1 , Mas isso aumenta a variância de erro A previsão prática requer um valor intermediário. Previsão com o Excel. O suplemento de Previsão implementa as fórmulas de média móvel O exemplo abaixo mostra a análise fornecida pelo add-in f Ou os dados da amostra na coluna B As primeiras 10 observações são indexadas -9 a 0 Comparadas com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usados para calcular a movimentação Média para o período 0 A coluna 10 do MA 10 mostra as médias móveis calculadas O parâmetro da média móvel m está na célula C3 A coluna Fore 1 D mostra uma previsão para um período no futuro O intervalo de previsão está na célula D3 Quando o intervalo de previsão é alterado Para um número maior os números na coluna Fore são deslocados para baixo. A coluna Err 1 E mostra a diferença entre a observação e a previsão Por exemplo, a observação no tempo 1 é 6 O valor previsto feito a partir da média móvel no tempo 0 é 11 1 O erro é então de -5 1 O desvio padrão e o Desvio médio médio MAD são calculados nas células E6 e E7 respectivamente. A forçagem envolve a geração de um número, conjunto de números ou cenário que corresponde a um fu Por definição, uma previsão é baseada em dados passados, em oposição a uma previsão, que é mais subjetiva e baseada no instinto, na intuição ou na suposição. Por exemplo, as definições de regressão uma técnica às vezes usada na previsão geralmente afirmam que seu objetivo é explicar ou prever. A previsão é baseada em Um número de suposições. O passado se repetirá Em outras palavras, o que aconteceu no passado acontecerá novamente no futuro. À medida que o horizonte de previsão se encurta, a precisão da previsão aumenta. Por exemplo, uma previsão para amanhã será mais precisa do que uma previsão Para o próximo mês uma previsão para o próximo mês será mais precisa do que uma previsão para o próximo ano e uma previsão para o próximo ano será mais preciso do que uma previsão para dez anos no A previsão no agregado é mais precisa do que a previsão de itens individuais. Isso significa que uma empresa será capaz de prever a demanda total em todo o seu espectro de produtos com mais precisão do que será capaz de prever SKU individual unidades de estoque. Os motores podem prever com mais precisão o número total de carros necessários para o próximo ano do que o número total de Chevrolet Impalas branco com um pacote de opção certa. As previsões são raramente precisas Além disso, as previsões são quase nunca totalmente preciso Enquanto alguns são muito próximos, poucos estão certos O dinheiro Portanto, é sábio para oferecer um intervalo de previsão Se fosse prever uma demanda de 100.000 unidades para o próximo mês, é extremamente improvável que a demanda seria igual a 100.000 exatamente No entanto, uma previsão de 90.000 a 110.000 forneceria um muito maior Alvo para o planejamento. William J Stevenson lista uma série de características que são comuns a uma boa previsão. Exato algum grau de precisão deve ser Determinado e declarado de modo que a comparação pode ser feita a previsões alternativos. Reliable o método de previsão deve consistentemente fornecer uma boa previsão se o usuário está a estabelecer algum grau de confiança. Timely uma certa quantidade de tempo é necessário para responder à previsão de modo a previsão Horizonte deve permitir o tempo necessário para fazer changes. Easy para usar e entender os usuários da previsão deve ser confiante e confortável trabalhando com it. Cost-eficaz o custo de fazer a previsão não deve superar os benefícios obtidos a partir da forecast. Forecasting técnicas As técnicas qualitativas são geralmente mais subjetivas do que suas contrapartes quantitativas. As técnicas qualitativas são mais úteis nos estágios iniciais do ciclo de vida do produto, quando menos Existem dados passados para uso em métodos quantitativos Métodos qualitativos incl Ude a técnica de Delphi, técnica de grupo nominal NGT, opiniões de força de vendas, pareceres executivos e pesquisa de mercado. A técnica Delphi. A técnica Delphi usa um painel de especialistas para produzir uma previsão Cada perito é convidado a fornecer uma previsão específica para a necessidade em Depois que as previsões iniciais são feitas, cada perito lê o que cada outro especialista escreveu e é, naturalmente, influenciado por suas opiniões. Uma previsão subseqüente é então feita por cada especialista. Cada perito lê novamente o que cada outro perito escreveu e é novamente influenciado por As percepções dos outros Este processo se repete até que cada especialista se aproxime do acordo sobre o cenário ou os números necessários. Técnica do Grupo Nacional. Técnica do Grupo Nacional é semelhante à técnica Delphi, na medida em que utiliza um grupo de participantes, geralmente especialistas Depois que os participantes respondem As questões relacionadas à previsão, eles classificam suas respostas em ordem de importância relativa percebida Em seguida, os rankings são coletados e agregados Eventual A equipe de vendas é muitas vezes uma boa fonte de informações sobre a demanda futura O gerente de vendas pode pedir entrada de cada pessoa de vendas e agregar suas respostas em Uma previsão composta da força de vendas Cuidado deve ser exercido ao usar esta técnica como os membros da força de vendas pode não ser capaz de distinguir entre o que os clientes dizem e o que eles realmente fazem Além disso, se as previsões serão utilizadas para estabelecer quotas de vendas, as vendas A força pode ser tentada fornecer estimativas mais baixas. OPINIÕES EXECUTIVAS. Às vezes os gerentes de níveis superiores se encontram e desenvolvem previsões baseadas em seu conhecimento de suas áreas de responsabilidade. Isto é consultado às vezes como um júri da opinião executiva. INVESTIGAÇÃO DE MERCADO. Inquéritos são utilizados para estabelecer a demanda potencial Tais pesquisas de marketing geralmente envolve a construção de um questionário que solicita pessoais, demográficas, Econômica e de marketing Na ocasião, os pesquisadores de mercado coletam essas informações pessoalmente em pontos de venda e shoppings, onde o consumidor pode experimentar gosto, sentir, sentir e ver um produto específico. O pesquisador deve ter cuidado para que a amostra de pessoas pesquisadas seja representativa Do alvo desejado para o consumidor. TÉCNICAS QUANTITATIVAS. Técnicas de previsão quantitativas são geralmente mais objetivas do que suas contrapartes qualitativas As previsões quantitativas podem ser previsões de séries temporais, isto é, uma projeção do passado para o futuro ou previsões baseadas em modelos associativos, isto é, com base em uma ou mais variáveis explicativas Dados de séries temporais podem ter comportamentos subjacentes que precisam ser identificados pelo previsor Além disso, a previsão pode precisar identificar as causas do comportamento Alguns desses comportamentos podem ser padrões ou simplesmente variações aleatórias Entre os padrões são. Trends, que são Movimentos de longo prazo para cima ou para baixo nos dados. A estacionalidade, que produz Meses, ou mesmo um dia em particular, como testemunhado por vendas no varejo no Natal ou os picos na atividade bancária no primeiro do mês e nas sextas-feiras. Ciclos, que são variações onduladas durando mais Do que um ano que normalmente estão ligados a condições econômicas ou políticas. Variações irregulares que não refletem o comportamento típico, como um período de tempo extremo ou uma greve sindical. As variações randômicas, que englobam todos os comportamentos não típicos não explicados pelos outros Entre as séries de séries temporais, a mais simples é a previsão geral. Uma previsão simples usa simplesmente a demanda real para o período passado como a demanda prevista para o próximo período. Isso, naturalmente, faz a suposição de que o passado se repetirá Ele também pressupõe que qualquer tendência, sazonalidade ou ciclos são refletidos na demanda do período anterior ou não existem. Um exemplo de previsão é apresentado na Tabela 1.Tabela 1 Na ve Forecasting. Anothe A técnica simples é a utilização da média. Para fazer uma previsão usando a média, basta tomar a média de alguns períodos de dados passados, somando cada período e dividindo o resultado pelo número de períodos. Esta técnica tem se mostrado muito efetiva Para médias de média ponderada e média móvel ponderada. Uma média móvel toma um número predeterminado de períodos, resume sua demanda real e divide pelo número de períodos para alcançar uma previsão para Assumindo uma média móvel de três meses e usando os dados da Tabela 1, basta adicionar 45 de janeiro, 60 de fevereiro e 72 de março e dividir por três, para cada período subsequente. Chegar a uma previsão para abril 45 60 72 177 3 59.Para chegar a uma previsão para maio, um iria cair janeiro s demanda da equação e adicionar a demanda de abril Tabela 2 apresenta um exemplo de um três-mont H média móvel média. Tabela 2 Média Móvel de Três Mês Previsão. Medição Ponderada A média ponderada de 000 sA aplica um peso predeterminado a cada mês de dados passados, soma os dados passados de cada período e divide-se pelo total dos pesos Se o antecipador ajustar Os pesos de modo que sua soma seja igual a 1, então os pesos são multiplicados pela demanda real de cada período aplicável Os resultados são então somados para conseguir uma previsão ponderada Geralmente, quanto mais recentes os dados, maior o peso e mais velho o Dados o menor o peso Usando o exemplo da demanda, uma média ponderada usando pesos de 4 3 2 e 1 renderia a previsão para junho como 60 1 72 2 58 3 40 4 53 8. Os meteorologistas também podem usar uma combinação da média ponderada E previsões médias móveis Uma previsão média móvel ponderada atribui pesos a um número predeterminado de períodos de dados reais e calcula a previsão da mesma forma como descrito acima Como com todas as previsões móveis, como cada novo período é Adicionado, os dados do período o mais velho são rejeitados A tabela 3 mostra uma previsão média móvel ponderada de três meses usando os pesos 5 3, e 2.Table 3 média móvel ponderada de três meses Previsão. Demanda ativa 000 sA forma mais complexa de média móvel ponderada É a suavização exponencial, assim denominada porque o peso cai exponencialmente à medida que os dados envelhecem. A suavização exponencial toma a previsão do período anterior e ajusta-a por uma constante de suavização predeterminada, chamada alfa, o valor para alfa é menor que um multiplicado pela diferença no anterior Previsão e a demanda que realmente ocorreu durante o período previamente previsto denominado erro de previsão A suavização exponencial é expressa como tal fórmula Nova previsão previsão anterior previsão alfa real previsão anterior FFA F. Suavização exponencial requer que o antecipar para começar a previsão em um período passado e trabalhar em frente Para o período para o qual uma previsão atual é necessária Uma quantidade substancial de dat passado A e uma previsão inicial ou inicial também são necessárias A previsão inicial pode ser uma previsão real de um período anterior, a demanda real de um período anterior, ou pode ser estimada pela média de todos ou parte dos dados passados Algumas heurísticas existem para a computação Uma previsão inicial Por exemplo, a heurística N 2 1 e um alfa de 5 renderiam um N de 3, indicando que o usuário iria média dos três primeiros períodos de dados para obter uma previsão inicial. No entanto, a precisão da previsão inicial não é crítica Se um estiver usando grandes quantidades de dados, uma vez que a suavização exponencial é auto-correta Dado períodos suficientes de dados passados, a suavização exponencial acabará por fazer correções suficientes para compensar uma previsão inicial razoavelmente imprecisa Usando os dados usados em outros exemplos, uma previsão inicial de 50, e um alfa de 7, uma previsão para fevereiro é computada como tal Nova previsão fevereiro 50 7 45 50 41 5.Next, a previsão para Março Nova previsão Março 41 5 7 60 41 5 54 45 Th É processo continua até que o forecaster alcança o período desejado Na tabela 4 isto seria para o mês de junho, desde que a demanda real para junho não é conhecida. A demanda real 000. Uma extensão do alisamento exponencial pode ser usada quando os dados da série de tempo Exibe uma tendência linear Este método é conhecido por vários nomes de suavização dupla tendência ajustada de suavização exponencial previsão incluindo tendência FIT e Holt s modelo sem ajuste, resultados de suavização exponencial simples vai atrasar a tendência, ou seja, a previsão será sempre baixa se a tendência Está aumentando, ou alto se a tendência está diminuindo Com este modelo há duas constantes de alisamento, e com representar a componente da tendência. Uma extensão do modelo de Holt, chamada método de Holt-Inverno, toma em consideração a tendência ea sazonalidade Há dois Versões, multiplicativas e aditivas, sendo o multiplicativo o mais utilizado No modelo aditivo, a sazonalidade é expressa como uma quantidade a ser adicionada ou subtraída do Série média O modelo multiplicativo expressa a sazonalidade como uma porcentagem conhecida como parentes sazonais ou índices sazonais da média ou tendência Estes são então multiplicados vezes valores para incorporar sazonalidade Um parente de 0 8 indicaria demanda que é 80 por cento da média, enquanto 1 10 indicaria demanda que é 10 por cento acima da média As informações detalhadas sobre este método podem ser encontradas na maioria dos manuais de gerenciamento de operações ou em um número de livros sobre previsão. Técnicas associativas ou causais envolvem a identificação de variáveis que podem ser usadas para prever Outra variável de interesse Por exemplo, as taxas de juros podem ser usadas para prever a demanda por refinanciamento domiciliar Normalmente, isso envolve o uso de regressão linear, onde o objetivo é desenvolver uma equação que resume os efeitos das variáveis preditoras independentes sobre o Se a variável preditora fosse plotada, o objeto seria obter Uma equação de uma reta que minimiza a soma dos desvios quadrados da linha com desvio sendo a distância de cada ponto à linha A equação apareceria como ya bx, onde y é a variável dependente predita, x é a variável independente preditora , B é a inclinação da linha e a é igual à altura da linha na intercepção-y. Uma vez que a equação é determinada, o usuário pode inserir valores atuais para que a variável independente preditora chegue a uma variável dependente da previsão. Há mais de uma variável preditora ou se a relação entre preditor e previsão não é linear, a regressão linear simples será inadequada. Para situações com múltiplos preditores, deve ser empregada regressão múltipla, enquanto as relações não-lineares exigem o uso da regressão curvilínea. FORMAÇÃO ECONÔMETRICA. Métodos econométricos, como o modelo ARREMA de média móvel auto-regressiva, usam equações matemáticas complexas para mostrar relacionamentos passados Entre demanda e variáveis que influenciam a demanda Uma equação é derivada e depois testada e ajustada para garantir que é tão confiável uma representação da relação passada quanto possível Uma vez feito isso, os valores projetados das variáveis influenciando renda, preços, etc São inseridos na equação para fazer uma previsão. VALORIZANDO AS PREVISÕES. A precisão da prontidão pode ser determinada calculando o viés, o desvio absoluto médio MAD, o erro quadrático médio MSE ou o erro médio absoluto de porcentagem MAPE para a previsão usando valores diferentes para o Bias alfa. Soma dos erros de previsão FE Para o exemplo de suavização exponencial acima, o viés calculado seria 60. Se se supor que um viés baixo indica um erro de previsão geral baixo, pode-se calcular O viés para um número de valores potenciais de alfa e assumir que aquele com o viés mais baixo seria o mais exato. No entanto, deve-se ter cuidado em que previsões excessivamente imprecisas podem produzir um Baixa tendência se eles tendem a ser tanto sobre a previsão e sob previsão negativa e positiva Por exemplo, ao longo de três períodos de uma empresa pode usar um valor específico de alfa para mais de previsão de 75.000 unidades 75.000, sob previsão de 100.000 unidades 100.000, Por 25.000 unidades 25.000, resultando em um viés de zero 75.000 100.000 25.000 0 Em comparação, outro alfa rendendo sobre as previsões de 2.000 unidades, 1.000 unidades e 3.000 unidades resultaria em um viés de 5.000 unidades Se a demanda normal fosse de 100.000 unidades por período, a O primeiro alfa renderia as previsões que estavam fora por tanto quanto 100 por cento quando o segundo alfa estaria fora por um máximo de somente 3 por cento, mesmo que o viés na primeira previsão fosse zero. Uma medida mais segura da exatidão da previsão é a média absoluta Desvio MAD Para calcular o MAD, o forecaster somar o valor absoluto dos erros de previsão e depois divide pelo número de previsões FE N Tomando o valor absoluto dos erros de previsão, a compensação de p Valores ositivos e negativos são evitados Isto significa que tanto uma sobreprevisão de 50 quanto uma previsão inferior de 50 estão desativadas por 50 Usando os dados do exemplo de suavização exponencial, o MAD pode ser calculado da seguinte forma 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Portanto, o previsor está fora de uma média de 16 35 unidades por previsão Quando comparado com o resultado de outros alfas, o previsor saberá que o alfa com o menor MAD está produzindo a previsão mais precisa. Meio erro quadrado MSE Também pode ser utilizado da mesma forma MSE é a soma dos erros de previsão ao quadrado dividido por N-1 FE N-1 A quadratura dos erros de previsão elimina a possibilidade de compensação de números negativos, uma vez que nenhum dos resultados pode ser negativo Utilizando os mesmos dados Como acima, o MSE seria 18 5 17 55 8 74 20 62 3 383 94 Tal como acontece com MAD, o previsor pode comparar o MSE de previsões derivadas usando vários valores de alfa e assumir o alfa com o menor MSE está produzindo a previsão mais precisa A mea N erro percentual absoluto MAPE é o erro percentual absoluto médio Para chegar ao MAPE deve-se tomar a soma das razões entre o erro de previsão e os tempos reais de demanda 100 para obter a porcentagem e dividir por N Previsão de demanda real Demanda real 100 N Usando os dados A partir do exemplo de suavização exponencial, o MAPE pode ser calculado como se segue: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Tal como com MAD e MSE, quanto mais baixo o erro relativo, mais precisa a previsão. Em alguns casos, a capacidade da previsão de mudar rapidamente para responder a mudanças nos padrões de dados é considerada mais importante do que a precisão. Portanto, a escolha de um método de previsão deve refletir o equilíbrio relativo entre a precisão ea responsividade, conforme determinado pela forecaster. MAKING A FORECAST. William J Stevenson lists the following as the basic steps in the forecasting process. Determine the forecast s purpose Factors such as how and when the forecast will be used , the degree of accuracy needed, and the level of detail desired determine the cost time, money, employees that can be dedicated to the forecast and the type of forecasting method to be utilized. Establish a time horizon This occurs after one has determined the purpose of the forecast Longer-term forecasts require longer time horizons and vice versa Accuracy is again a consideration. Select a forecasting technique The technique selected depends upon the purpose of the forecast, the time horizon desired, and the allowed cost. Gather and analyze data The amount and type of data needed is governed by the forecast s purpose, the forecasting technique selected, and any cost considerations. Make the forecast. Monitor the forecast Evaluate the performance of the forecast and modify, if necessary. FURTHER READING. Finch, Byron J Operations Now Profitability, Processes, Performance 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion The Nominal Group Technique The Research Process Available from. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Also read article about Forecasting from Wikipedia.
No comments:
Post a Comment