Exponentiell mjukgöringsmetod och exempel

han exponentiell mjukning Det är ett sätt att förutse efterfrågan på en artikel under en viss period. Denna metod uppskattar att efterfrågan kommer att vara lika med genomsnittet av historisk konsumtion under en viss period, vilket ger större vikt eller viktning av de värden som är närmaste i tiden. För följande prognoser tar det dessutom hänsyn till det befintliga felet i den nuvarande prognosen.

Efterfrågan prognos är metoden för att projicera efterfrågan på en produkt eller tjänst av kunder. Denna process är kontinuerlig, där chefer använder historiska data för att beräkna vad de förväntar sig att vara efterfrågan på försäljning av en god eller tjänst.

Källa: Pixabay.com

Information från företagets förflutna används genom att lägga till den till marknadens ekonomiska uppgifter för att se om försäljningen kommer att öka eller minska.

Resultaten av efterfrågan prognos används för att fastställa mål för försäljningsavdelningen och försöka hålla sig i linje med företagets mål.

[TOC]

Exponentiell mjukgöringsmetod

Soften är en mycket vanlig statistisk process. Mjukade data finns ofta i olika former av vardagen. Varje gång ett genomsnitt används för att beskriva något används ett mjukt antal.

Anta att i år de varmaste registrerade upplevdes. För att kvantifiera den börjar den dagliga datauppsättningen för vinterperioden för varje inspelat historiskt år.

Detta genererar ett antal nummer med stora "hopp". Ett nummer behövs som eliminerar alla dessa data från uppgifterna för att lättare kunna jämföra en vinter med en annan.

Eliminera hoppet i uppgifterna kallas mjukt. I detta fall kan ett enkelt genomsnitt användas för att uppnå mjukare.

Kan tjäna dig: EFI Matrix: Vad utvärderar, hur man gör det, analys, exempel

Mjukgöring i prognosen

För prognosen för efterfrågan används mjukningen också för att eliminera variationerna i historisk efterfrågan. Detta gör det möjligt att bättre identifiera efterfrågemönster, som kan användas för att uppskatta framtida efterfrågan.

Variationer i efterfrågan är samma koncept som "hopp" av temperaturdata. Det vanligaste sättet på vilket efterfrågan historiska variationer elimineras är att använda ett genomsnitt, eller specifikt, ett mobilt medelvärde.

Det mobila genomsnittet använder ett fördefinierat antal perioder för att beräkna genomsnittet, och dessa perioder rör sig när tiden går.

Till exempel, om ett fyra -månaders mobilmedelvärde används och idag är den 1 maj, kommer den genomsnittliga efterfrågan som inträffade i januari, februari, mars och april. Den 1 juni kommer efterfrågan på februari, mars, april och maj att användas.

Vägt mobilt medelvärde

När ett enkelt medelvärde används tillämpas samma betydelse på varje värde i datauppsättningen. Därför representerar det 25% av det mobila genomsnittet i ett fyra -månaders mobilt medelvärde varje månad 25% av det mobila genomsnittet.

Genom att använda efterfrågan för att projicera framtida efterfrågan är det logiskt att dra slutsatsen att den senaste perioden har en större inverkan på prognosen.

Beräkningen av det mobila genomsnittet kan anpassas för att tillämpa olika "pesos" på varje period för att få önskade resultat.

Dessa pesos uttrycks som procentsatser. Summan av alla vikter för alla perioder måste lägga till 100%.

Därför, om du vill applicera 35% som vikten för den närmaste perioden i det fyra månaders viktade genomsnittet, kan 35% av 100% subtraheras, vilket lämnar 65% för att dela mellan de återstående tre perioderna

Kan tjäna dig: Deming Circle: Steg, fördelar, nackdelar och exempel

Till exempel kan du avsluta med en viktning på 15%, 20%, 30% respektive 35% i fyra månader (15+20+30+35 = 100).

Exponentiell mjukning

Exponentiell mjukning av beräkning av beräkning är känd som en mjukgörande faktor. Representerar den viktning som tillämpas på efterfrågan på den senaste perioden.

Om 35% används som en viktning av den senaste perioden i beräkningen av det vägda mobila genomsnittet, kan det också väljas att använda 35% som en mjukad faktor i beräkningen av exponentiell mjukning.

Exponentiell del

Skillnaden i beräkningen av exponentiell mjukning är att istället för att behöva ta reda på hur mycket vikt som gäller för varje tidigare period används den mjukade faktorn för att göra det automatiskt.

Detta är den "exponentiella" delen. Om 35% används som en mjukad faktor kommer viktningen av efterfrågan på den senaste perioden att vara 35%. Viktningen av efterfrågan på perioden före den senaste kommer att vara 65% av 35%.

65% kommer från att subtrahera 35% av 100%. Detta motsvarar 22,75% viktning för den perioden. Efterfrågan på nästa senaste period kommer att vara 65% av 65% av 35%, vilket motsvarar 14,79%.

Den föregående perioden kommer att vägas eftersom 65% av 65% av 65% av 35%, motsvarande 9,61%. Detta kommer att göras för alla tidigare perioder tills du når den första perioden.

Formel

Formeln för beräkning av exponentiell mjukning är som följer: (d*s) + (p*(1-s)), där,

D = nyare efterfrågan på perioden.

S = mjukaste faktor, representerade decimalt (35% skulle vara 0,35).

P = prognos för den senaste perioden, resultatet av beräkningen av mjukning av föregående period.

Det kan tjäna dig: Nayarit ekonomiska aktiviteter

Förutsatt att det finns en 0,35 mjukformad faktor, skulle det då vara: (D*0,35) + (P*0,65).

Som framgår är de enda nödvändiga datainmatningarna efterfrågan och prognosen för den senaste perioden.

Exempel

Ett försäkringsbolag har beslutat att utöka sin marknad till den största staden i landet och tillhandahålla försäkring för fordon.

Som en första åtgärd vill företaget förutse hur många fordonsförsäkring som kommer att köpas av invånarna i denna stad.

För att göra detta kommer de att använda som initialdata mängden bilförsäkring som köpts i en annan mindre stad.

Efterfrågan prognos för period 1 är 2.869 kontrakterade fordonsförsäkring, men den verkliga efterfrågan under den perioden var 3.200.

Enligt företagets kriterier tilldelar det en 0,35 mjukare faktor. Den förutsagda efterfrågan från följande period är: P2 = (3200*0,35) + 2869*(1-0,35) = 2984,85.

Samma beräkning gjordes för hela året och uppnådde följande jämförande tabell mellan vad som verkligen erhölls och prognos för den månaden.

I jämförelse med medelvärden kan exponentiell mjukning förutsäga trenden på ett bättre sätt. Men det är fortfarande kort, som visas i grafen:

Du kan se hur den grå prognoslinjen kan hittas långt under eller över den blå efterfrågan utan att bli helt.

Referenser

1. Wikipedia (2019). Exponentiell mjukning. Taget från: det är.Wikipedia.org.
2. Employment Ingenio (2016). Hur man använder enkel exponentiell mjukgöring för att förutse efterfrågan. Taget från: Ingenioempresa.com.
3. Dave Piacki (2019). Exponentiell utjämning förklaras. Taget från: inventeringsp.com.
4. Study (2019). Efterfrågan prognostekniker: Flytta Avege och exponentiell utjämning. Taget från: studie.com.
5. Cityu (2019). Exponentiella utjämningsmetoder. Taget från: personlig.CB.Stad.Edu.Hk.