Moving Average Sales Prognose Methode

Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für deine nächste Testpartitur. Was denkst du, deine Eltern könnten für deinen nächsten Testbericht voraussagen. Unabhängig von all dem Blabbing, den du deinen Freunden und Eltern machen kannst, sind sie und dein Lehrer sehr wahrscheinlich, dass du etwas in der Gegend bekommst Von der 85 Sie gerade bekommen. Well, jetzt lassen Sie s davon ausgehen, dass trotz Ihrer Selbst-Förderung zu Ihren Freunden, Sie über-schätzen Sie sich selbst und Figur können Sie weniger für den zweiten Test zu studieren und so erhalten Sie eine 73.Now was sind Alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung zu entwickeln, unabhängig davon, ob sie es mit Ihnen teilen. Sie können sich selbst sagen, Dieser Kerl ist immer bläst Rauch Über seine smarts Er wird eine weitere 73 bekommen, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so weit haben Sie eine 85 und eine 73 bekommen, so vielleicht sollten Sie sich auf eine 85 73 2 79 Ich weiß es nicht, vielleicht, wenn du weniger feiern musstest und den Wiesel an der ganzen Stelle wedeln würdest und wenn du anfingst, viel mehr zu studieren, kannst du eine höhere Punktzahl bekommen. Von diesen Schätzungen werden tatsächlich durchschnittliche Prognosen getragen. Die erste ist nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose aber mit zwei Perioden von data. Let s davon ausgehen, dass alle diese Menschen Zerschlagung Auf deinem großen Verstand hast du dich verärgert und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen. Du nimmst den Test und dein Ergebnis ist eigentlich ein Allein, auch dich selbst , Ist beeindruckt. So jetzt haben Sie die endgültige Prüfung des Semesters kommen und wie üblich fühlen Sie sich die Notwendigkeit, goad jeder in die Herstellung ihrer Vorhersagen darüber, wie Sie tun, auf den letzten Test Nun, hoffentlich sehen Sie das Muster. Jetzt, hoffentlich Du siehst das Muster, das du glaubst, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von deiner entfremdeten Halbschwester namens Whistle angerufen wurde. Wir arbeiten, wir haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt dargestellt werden Kalkulationstabelle Wir stellen zunächst die Daten für eine dreiseitige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Nichts, wie sich der Durchschnitt über die aktuellsten historischen Daten bewegt Verwendet genau die drei letzten Perioden, die für jede Vorhersage zur Verfügung stehen Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um die Vorhersagegültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt können Sie diese Zelle Formel auf zu kopieren Die anderen Zellen C6 bis C11.Notice, wie jetzt nur die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden Wieder habe ich die Vergangenheit Vorhersagen für illustrative Zwecke und für spätere Verwendung in der Prognosevalidierung enthalten. Einige andere Dinge, die von Bedeutung sind Hinweis: Für eine m-Periode gleitende durchschnittliche Prognose nur die m aktuellsten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode M 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir den Code für die gleitende Durchschnittprognose entwickeln, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten und das Array von historischen Werten Sie können es in beliebiger Arbeitsmappe speichern, die Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item Als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden. Moving Durchschnitt. Mean der Zeitreihe Daten Beobachtungen gleichermaßen beabstandet in der Zeit von mehreren aufeinander folgenden Perioden Angerufen bewegt sich, weil es kontinuierlich neu berechnet wird, wie neue Daten verfügbar wird, geht es durch das Fallenlassen der frühesten Wert und das Hinzufügen der neuesten Wert Zum Beispiel die Gleitender Durchschnitt von sechsmonatigen Verkäufen kann berechnet werden, indem man den Durchschnitt des Umsatzes von Januar bis Juni, dann der Durchschnitt der Verkäufe von Februar bis Juli, dann von März bis August, und so weiter Moving Durchschnitte 1 reduzieren die Wirkung von temporären Variationen in Daten, 2 verbessern die Anpassung der Daten an eine Zeile ein Prozess namens Glättung, um die Daten s Trend klarer zu zeigen, und 3 markieren Sie jeden Wert über oder unter dem Trend. Wenn Sie berechnen etwas mit sehr hoher Varianz das Beste, das Sie in der Lage sein können Zu tun ist herauszufinden, die gleitenden Durchschnitt. Ich wollte wissen, was der gleitende Durchschnitt war von den Daten, so würde ich ein besseres Verständnis davon, wie wir taten. Wenn Sie versuchen, herauszufinden, einige Zahlen, die oft ändern die besten Sie Kann tun, ist berechnen die gleitenden Durchschnitt. Box Jenkins BJ Modelle. Die einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und verwenden, um zu schätzen April s Umsatz. 129 134 122 3 128 333.Hier, auf der Grundlage der Verkäufe von Januar bis März, prognostizieren Sie, dass der Umsatz im April 128,333 Nach April s tatsächlichen Umsatz kommen, würden Sie dann berechnen die Prognose für Mai, diesmal mit Februar bis April Sie müssen mit der Anzahl der Perioden übereinstimmen, die Sie für die gleitende durchschnittliche Prognose verwenden. Die Anzahl der Perioden, die Sie in Ihren gleitenden Durchschnittsprognosen verwenden, sind willkürlich, Sie können nur zwei Perioden oder fünf oder sechs Perioden verwenden, was auch immer Sie Ihre Prognosen generieren möchten. Der Ansatz oben ist ein einfacher gleitender Durchschnitt Manchmal, in den letzten Monaten Verkäufe können stärkere Beeinflusser des kommenden Monats s Verkäufe sein, also möchten Sie diesen näheren Monaten mehr Gewicht in Ihrem Vorhersagemodell geben Dieses ist ein gewichteter gleitender Durchschnitt Und gerade wie die Zahl Von Perioden, die Gewichte, die Sie zuordnen sind rein willkürlich Lassen Sie uns sagen, Sie wollten März s Umsatz 50 Gewicht, Februar s 30 Gewicht und Januar s 20 Dann Ihre Prognose für April wird 127.000 122 50 134 30 129 20 127.Limitationen von Moving Average Methods Moving Mittelwerte gelten als eine Glättung Prognose Technik Weil Sie einen Durchschnitt im Laufe der Zeit nehmen, sind Sie erweichen oder Glättung der Auswirkungen von unregelmäßigen Vorkommnissen innerhalb der Daten Als Folge der Auswirkungen von Saisonalität, Konjunkturzyklen und andere zufällige Ereignisse Kann den Prognosefaktor drastisch erhöhen. Werfen Sie einen Blick auf ein ganzes Jahr im Wert von Daten und vergleichen Sie einen 3-Periode gleitenden Durchschnitt und einen 5-Periode gleitenden Durchschnitt. Notice, dass in diesem Fall, dass ich keine Prognosen, sondern eher zentriert die Bewegung Durchschnitte Der erste dreimonatige gleitende Durchschnitt ist für Februar, und es ist der Durchschnitt von Januar, Februar und März Ich habe auch ähnlich für die 5-Monats-Durchschnitt Nun werfen Sie einen Blick auf die folgende Chart. Was sehen Sie ist nicht die Dreimonatige gleitende durchschnittliche Serie viel glatter als die tatsächliche Umsatz-Serie Und wie wäre es mit dem Fünf-Monats-Gleitende Durchschnitt Es ist noch glatter Je mehr Perioden Sie in Ihrem gleitenden Durchschnitt verwenden, desto glatter Ihre Zeitreihe Daher für die Prognose, eine einfache Gleitender Durchschnitt kann nicht die genaueste Methode sein Bewegliche durchschnittliche Methoden erweisen sich als sehr wertvoll, wenn Sie versuchen, die saisonalen, unregelmäßigen und zyklischen Komponenten einer Zeitreihe für fortgeschrittenere Prognosemethoden, wie Regression und ARIMA, und die Verwendung von Umzug zu extrahieren Mittelwerte bei der Zerlegung einer Zeitreihe werden später in der Serie angesprochen. Bestimmung der Genauigkeit eines Moving Average Model. Generally, wollen Sie eine Prognosemethode, die den geringsten Fehler zwischen tatsächlichen und vorhergesagten Ergebnissen hat Eine der häufigsten Maßnahmen der Prognose Genauigkeit ist Die mittlere Absolute Abweichung MAD In diesem Ansatz, für jede Periode in der Zeitreihe, für die Sie eine Prognose erstellt haben, nehmen Sie den absoluten Wert der Differenz zwischen dieser Periode s tatsächlichen und prognostizierten Werte die Abweichung Dann beurteilen Sie diese absoluten Abweichungen und Sie erhalten Ein Maß für MAD MAD kann bei der Entscheidung über die Anzahl der Perioden, die Sie durchschnittlich, und oder die Menge an Gewicht, die Sie auf jeder Periode im Allgemeinen, wählen Sie diejenige, die Ergebnisse in der niedrigsten MAD Hier ist ein Beispiel, wie MAD berechnet wird. MAD ist einfach der Durchschnitt von 8, 1 und 3.Moving Averages Recap Bei Verwendung von gleitenden Durchschnitten für die Prognose, erinnern. Moving Mittelwerte können einfach oder gewichtet werden. Die Anzahl der Perioden, die Sie für Ihren Durchschnitt verwenden, und alle Gewichte, die Sie zuweisen Jeder ist streng willkürlich. Moving Mittelwerte glätten unregelmäßige Muster in Zeitreihen Daten umso größer die Anzahl der Perioden für jeden Datenpunkt verwendet, desto größer die Glättung Wirkung. Wegen der Glättung, Prognose nächsten Monat s Umsatz auf der letzten paar Monate s Verkäufe können zu großen Abweichungen aufgrund von Saisonalität, zyklischen und unregelmäßigen Mustern in den Daten führen. Die Glättung Fähigkeiten einer gleitenden durchschnittlichen Methode kann bei der Zerlegung einer Zeitreihe für fortgeschrittenere Prognosemethoden nützlich sein. Nächste Woche Exponentielle Glättung In der nächsten Woche s Prognose Freitag werden wir diskutieren exponentielle Glättung Methoden, und Sie werden sehen, dass sie weit überlegen, gleitende durchschnittliche Prognose Methoden. Still don t wissen, warum unsere Prognose Freitag Beiträge erscheinen am Donnerstag Finden Sie heraus, bei. Post Navigation. Leave eine Antwort Abbrechen Antwort. Ich hatte 2 Fragen.1 Können Sie die zentrierte MA-Ansatz zur Prognose oder nur für die Beseitigung der Saisonalität verwenden.2 Wenn Sie die einfache t t-1 t-2 tk k MA verwenden, um eine Periode voraus vorauszusagen, ist es möglich, mehr als zu prognostizieren 1 Periode voraus Ich denke, dann wäre Ihre Prognose einer der Punkte, die in die nächste. Thanks Liebe die Info und Ihre Erklärungen. Ich bin froh, dass Sie wie das Blog Ich bin sicher, dass mehrere Analysten haben die zentrierte MA-Ansatz für die Prognose verwendet, aber ich Persönlich würde nicht, da dieser Ansatz führt zu einem Verlust von Beobachtungen an beiden Enden Dies tatsächlich dann Bindungen in Ihre zweite Frage Im Allgemeinen wird einfach MA verwendet, um nur eine Periode voraus vorauszusagen, aber viele Analysten und ich auch manchmal wird meine Ein-Periode verwenden Vorhersage als einer der Inputs in die zweite Periode voraus Es ist wichtig, sich daran zu erinnern, dass die weiter in die Zukunft Sie versuchen zu prognostizieren, desto größer ist Ihr Risiko der Prognose Fehler Dies ist der Grund, warum ich nicht empfehlen, zentriert MA für die Vorhersage der Verlust von Beobachtungen am Ende bedeutet, dass man sich auf Prognosen für die verlorenen Beobachtungen, sowie die Periode s voraus, so gibt es größere Chance der Prognose Fehler. Reader Sie wieder eingeladen, um auf diese haben Sie haben keine Gedanken oder Anregungen auf diese. Brian, danke für Ihren Kommentar und Ihre Komplimente auf der blog. Nice Initiative und schöne Erklärung Es ist wirklich hilfreich. I prognostiziert benutzerdefinierte Leiterplatten für einen Kunden, der keine Prognosen gibt ich den gleitenden Durchschnitt, aber es ist nicht Sehr genau wie die Branche auf und ab gehen Wir sehen in der Mitte des Sommers bis zum Ende des Jahres, dass die Schifffahrt pcb s ist dann sehen wir zu Beginn des Jahres verlangsamt sich nach unten Wie kann ich genauer mit meinen data. Katrina , Von dem, was du mir gesagt hast, es scheint deine gedruckte Leiterplatte Verkäufe haben eine saisonale Komponente Ich nehme Saisonalität in einigen der anderen Forecast Freitag Beiträge Ein weiterer Ansatz, den Sie verwenden können, was ziemlich einfach ist, ist der Holt-Winters-Algorithmus, der dauert Zu berücksichtigen Saisonalität Sie können eine gute Erklärung hier finden Hier ist sicher zu bestimmen, ob Ihre saisonalen Muster sind multiplikativ oder additiv, weil der Algorithmus ist etwas anders für jeden Wenn Sie Ihre monatlichen Daten aus ein paar Jahren und sehen, dass die saisonalen Variationen bei Die gleichen Zeiten der Jahre scheinen konstant zu sein im Jahr, dann ist die Saisonalität additiv, wenn die saisonalen Variationen im Laufe der Zeit zu erhöhen scheinen, dann ist die Saisonalität multiplikativ Die meisten saisonalen Zeitreihen werden multiplikativ sein Wenn im Zweifel, multiplikativ viel Glück annehmen. Hi there, Zwischen diesen Methoden Nave Forecasting Aktualisieren der mittleren Verschiebung Durchschnitt der Länge k Entweder Weighted Moving Durchschnitt der Länge k ODER Exponentielle Glättung Welches einer dieser Aktualisierungsmodelle empfehlen Sie mir, die Daten zu prognostizieren. Meiner Meinung nach denke ich an Moving Durchschnittlich Aber ich weiß nicht, wie man es klar und strukturiert macht. Es hängt wirklich von der Quantität und Qualität der Daten ab, die Sie haben und Ihren Prognosehorizont langfristig, mittelfristig oder kurzfristig.