Moving Access Supply Chain

SUPPLY CHAIN ​​MINDED Die statistische Prognose basiert auf mehreren Typen von Formeln: Formeln, auf denen die Prognosemodelle basieren Formeln, die für die Auswertung der Prognoseergebnisse verwendet werden Formel zur Berechnung der Toleranzspanne für die automatische Ausreißerkorrektur Formeln für Prognosemodelle Gleitendes Durchschnittsmodell Dieses Modell Wird verwendet, um Unregelmäßigkeiten im Zeitreihenmuster auszuschließen. Der Mittelwert der n letzten Zeitreihenwerte wird berechnet. Der Mittelwert kann immer aus n Werten nach Formel (1) berechnet werden. Formel für den gleitenden Mittelwert So wird der neue Mittelwert aus dem vorherigen Mittelwert und dem mit 1 / n gewichteten aktuellen Wert abzüglich des ältesten mit 1 / n gewichteten Wertes berechnet. Diese Vorgehensweise eignet sich nur für Zeitreihen, die konstant sind, dh für Zeitreihen, die keine trendartigen oder jahreszeitlichen Muster aufweisen. Da alle historischen Daten mit dem Faktor 1 / n gleich gewichtet werden, braucht es genau n Perioden, damit sich die Prognose an eine mögliche Pegeländerung anpassen kann. Gewichtetes gleitendes Durchschnittsmodell Sie erreichen bessere Ergebnisse als diejenigen, die mit dem gleitenden Durchschnittsmodell erhalten werden, indem Gewichtungsfaktoren für jeden historischen Wert eingeführt werden. In dem gewichteten gleitenden Durchschnittsmodell wird jeder historische Wert mit dem Faktor R gewichtet. Die Summe der Gewichtungsfaktoren ist 1 (siehe nachstehende Formeln (3) und (4)). Formel für den gewichteten gleitenden Durchschnitt Wenn die zu prognostizierenden Zeitreihen trendähnliche Variationen enthalten, werden bessere Ergebnisse erzielt, wenn das gewichtete gleitende Durchschnittsmodell und nicht das gleitende Durchschnittsmodell verwendet werden. Das gewichtete gleitende Durchschnittsmodell wiegt die jüngsten Daten stärker als ältere Daten bei der Bestimmung des Durchschnitts, sofern Sie die Gewichtungsfaktoren entsprechend ausgewählt haben. Daher kann das System schneller auf eine Niveauänderung reagieren. Die Genauigkeit dieses Modells hängt weitgehend von der Wahl der Gewichtungsfaktoren ab. Wenn sich das Zeitreihenmuster ändert, müssen Sie auch die Gewichtungsfaktoren anpassen. Exponentielles Glättungsmodell erster Ordnung Die Prinzipien dieses Modells sind: Je älter die Zeitreihenwerte sind, desto weniger werden sie für die Berechnung der Prognose herangezogen. Der aktuelle Prognosefehler wird bei nachfolgenden Prognosen berücksichtigt. Das exponentielle Glättungskonstantenmodell kann aus den obigen zwei Überlegungen abgeleitet werden (siehe nachstehende Formel (5)). In diesem Fall wird die Formel zur Berechnung des Grundwerts verwendet. Eine einfache Transformation erzeugt die Grundformel für die exponentielle Glättung (siehe nachstehende Formel (6)). Formeln für die exponentielle Glättung Bestimmung des Grundwerts Zur Ermittlung des Prognosewertes benötigen Sie lediglich den vorherigen Prognosewert, den letzten historischen Wert und den Glättungsfaktor 8220alpha8221. Dieser Glättungsfaktor gewichtet die jüngeren historischen Werte mehr als die jüngeren, so haben sie einen größeren Einfluss auf die Prognose. Wie schnell die Prognose auf eine Änderung des Musters reagiert, hängt vom Glättungsfaktor ab. Wenn Sie für Alpha 0 wählen, entspricht der neue Durchschnitt dem alten. In diesem Fall bleibt der vorher berechnete Grundwert erhalten, dh die Prognose reagiert nicht auf aktuelle Daten. Wenn Sie für den Alphawert 1 wählen, entspricht der neue Durchschnitt dem letzten Wert in der Zeitreihe. Die häufigsten Werte für alpha liegen also zwischen 0,1 und 0,5. Zum Beispiel gewichtet ein Alpha-Wert von 0,5 historische Werte wie folgt: 1. historischer Wert: 50 2. historischer Wert: 25 3. historischer Wert: 12.5 4. historischer Wert: 6.25 Die Gewichtungen der historischen Daten können durch einen einzigen Parameter geändert werden. Daher ist es relativ einfach, auf Veränderungen in den Zeitreihen zu reagieren. Das oben abgeleitete konstante Modell der exponentiellen Glättung erster Ordnung kann auf Zeitreihen angewandt werden, die keine trendartigen Muster oder saisonale Variationen aufweisen. Allgemeine Formel für die exponentielle Glättung erster Ordnung Unter Verwendung der oben abgeleiteten Basisformel (6) wird die allgemeine Formel für die exponentielle Glättung erster Ordnung (7) bestimmt, indem sowohl Trend - als auch saisonale Variationen berücksichtigt werden. Dabei werden der Grundwert, der Trendwert und der saisonale Index wie in den Formeln (8) 8211 (10) angegeben berechnet. Formeln für exponentielles Glättungsglied erster Ordnung Exponentielles Glättungsmodell zweiter Ordnung Wenn eine Zeitreihe über mehrere Perioden eine Änderung des dem Trendmodell entsprechenden Mittelwerts zeigt, liegen die Prognosewerte immer um einen oder mehrere Perioden hinter den tatsächlichen Werten zurück In der exponentiellen Glättungsprozedur erster Ordnung. Sie können eine effizientere Anpassung der Prognose an das Ist-Werte-Muster durch eine Exponentialglättung zweiter Ordnung erreichen. Das exponentielle Glättungsmodell zweiter Ordnung basiert auf einem linearen Trend und besteht aus zwei Gleichungen (siehe Formel (11)). Die erste Gleichung entspricht der exponentiellen Glättung erster Ordnung mit Ausnahme der Klammerindizes. In der zweiten Gleichung werden die in der ersten Gleichung berechneten Werte als Anfangswerte verwendet und wieder geglättet. Formeln für die Exponentialglättung der zweiten Ordnung Vorhersagekriterien Jede Prognose sollte eine Art Grundlage für eine Entscheidung bilden. Das SAP R / 3-System berechnet die folgenden Parameter für die Auswertung einer Prognosergüte: Fehler Gesamt Mean absolute Abweichung (MAD) Tracking-Signal Theil-Koeffizient Mittel Absolute Abweichung für Prognose-Initialisierung Mittlere Absolutabweichung für Ex-Post Prognoserechnung für die Toleranzstrecke Korrektur von Ausreißern Automatisch in den historischen Daten, auf denen die Prognose basiert, wählen Sie Outlier-Steuerung im Prognoseprofil. Das System berechnet dann eine Toleranzspur für die historische Zeitreihe, basierend auf dem Sigma-Faktor. Historische Daten, die außerhalb der Toleranzspur liegen, werden so korrigiert, dass sie dem Ex-post-Wert für diesen Zeitpunkt entsprechen. Wenn Sie die Prognose online ausführen, werden historische Daten, die durch diese Funktion automatisch korrigiert wurden, in Spalte C des Dialogfeldes Prognose: Historische Werte angezeigt. Die Breite der Toleranzspur für die Ausreißersteuerung wird durch den Sigma-Faktor bestimmt. Je kleiner der Sigma-Faktor, desto größer die Kontrolle. Der Standard-Sigma-Faktor ist 1, was bedeutet, dass 90 der Daten unkorrigiert bleiben. Wenn Sie den Sigma-Faktor selbst einstellen, legen Sie ihn zwischen 0,6 und 2.Weight Moving Average Model Definition Im gewichteten gleitenden Durchschnittsmodell (Prognosestrategie 14) wird jeder historische Wert mit einem Faktor aus der Gewichtungsgruppe im univariaten Prognoseprofil gewichtet . Formel für den gewichteten gleitenden Durchschnitt Das gewichtete gleitende Durchschnittsmodell ermöglicht es Ihnen, aktuelle historische Daten stärker als ältere Daten zu gewichten, wenn Sie den Durchschnitt bestimmen. Sie tun dies, wenn die neueren Daten repräsentativer sind, was zukünftige Nachfrage sein wird als ältere Daten. Daher kann das System schneller auf eine Niveauänderung reagieren. Die Genauigkeit dieses Modells hängt weitgehend von der Wahl der Gewichtungsfaktoren ab. Wenn sich das Zeitreihenmuster ändert, müssen Sie auch die Gewichtungsfaktoren anpassen. Beim Anlegen einer Gewichtungsgruppe tragen Sie die Gewichtungsfaktoren in Prozent ein. Die Summe der Gewichtungsfaktoren muss nicht 100 sein. Keine Ex-post-Prognose wird mit dieser Prognosestrategie berechnet. SCRC Artikelbibliothek: Zeitreihenmodelle: Ansätze zur Prognose. Ein Tutorial Zeitreihenmodelle: Ansätze zur Prognose. Ein Tutorial Zeitreihenmodelle Quantitative Prognosemodelle, die chronologisch geordnete Daten verwenden, um Prognosen zu erstellen. Angenommen, was in der Vergangenheit passiert ist ein guter Ausgangspunkt für die Vorhersage, was in der Zukunft passieren wird. Diese Modelle können entworfen werden, um folgendes zu berücksichtigen: Zufälligkeit Trend Saisonalität Effekte Vorteile Kann schnell auf eine große Anzahl von Produkten angewendet werden Prognose Genauigkeit Maßnahmen können verwendet werden, um zu identifizieren Prognosen, die Anpassung benötigen (Management von Ausnahmen Zufälligkeit amp Trend Zufall, Trend Amp-Saisonalität Unterscheiden zwischen Einfache Vorgehensweise Wählen Sie das einfachste Modell, das den Job ausführt Basierend auf den letzten x Perioden Glättet zufällige Fluktuationen Verschiedene Gewichte können auf vergangene Beobachtungen angewendet werden, wenn dies gewünscht wird