EKSPONENTINIS IŠLYGINIMAS: METODAS IR PAVYZDYS - DUDAS

Eksponentinio išlyginimo būdas prognozuoti, kad reikia tam tikru laikotarpiu straipsnio paklausą. Šiuo metodu apskaičiuojama, kad paklausa bus lygi istorinio suvartojimo vidurkiu tam tikru laikotarpiu, suteikiant didesnį svorį ar reikšmę vertėms, kurios yra arčiau laiko. Be to, šiose prognozėse atsižvelkite į esamą dabartinės prognozės klaidą.

Paklausos prognozavimas yra kliento produkto ar paslaugos paklausos prognozavimo metodas. Šis procesas yra tęstinis, kai vadovai naudoja istorinius duomenis apskaičiuodami, koks, jų manymu, yra prekės ar paslaugos pardavimo poreikis.

Šaltinis: pixabay.com

Informacija iš įmonės praeities naudojama pridedant ją prie rinkos ekonomikos duomenų, kad būtų galima pamatyti, ar pardavimai padidės, ar sumažės.

Paklausos prognozės rezultatai naudojami nustatant pardavimo skyriaus tikslus, stengiantis nenukrypti nuo įmonės tikslų.

Eksponentinis išlyginimo metodas

Išlyginimas yra labai dažnas statistinis procesas. Išlyginti duomenys dažnai randami įvairiose kasdienio gyvenimo formose. Kiekvieną kartą, kai kažkam apibūdinti naudojamas vidurkis, naudojamas išlygintas skaičius.

Tarkime, kad šilčiausia žiemą buvo patirta šiais metais. Norėdami tai kiekybiškai įvertinti, pradedame nuo dienos temperatūros duomenų, nustatytų kiekvienų įrašytų istorinių metų žiemos laikotarpiui.

Tai sukuria daugybę skaičių su dideliais „šuoliais“. Jums reikia numerio, kuris pašalintų visus šiuos šuolius iš duomenų, kad būtų lengviau palyginti vieną žiemą su kita.

Duomenų šuolio pašalinimas vadinamas išlyginimu. Tokiu atveju norint pasiekti išlyginimą, gali būti naudojamas paprastas vidurkis.

Prognozės išlyginimas

Prognozuojant paklausą, lyginimas taip pat naudojamas siekiant pašalinti istorinės paklausos svyravimus. Tai leidžia geriau nustatyti paklausos modelius, kurie gali būti naudojami būsimai paklausai įvertinti.

Paklausos svyravimai yra ta pati sąvoka kaip ir temperatūros duomenų „peršokimas“. Dažniausiai paklausos istorijos variantai pašalinami naudojant vidurkį arba, konkrečiai, slenkamąjį vidurkį.

Slenkamasis vidurkis apskaičiuoja vidurkį iš anksto nustatytu laikotarpių skaičiumi, o tie laikotarpiai keičiasi laikui bėgant.

Pvz., Jei naudojate keturių mėnesių slenkamą vidurkį, o šiandien yra gegužės 1 d., Naudosite sausio, vasario, kovo ir balandžio mėn. Vidutinį poreikį. Birželio 1 d. Bus naudojamasi vasario, kovo, balandžio ir gegužės mėnesiais.

Svertinis slenkamasis vidurkis

Kai naudojamas paprastas vidurkis, kiekviena duomenų rinkinio reikšmė yra tokia pati. Todėl keturių mėnesių slenkamasis vidurkis kiekvieną mėnesį sudaro 25% slenkančio vidurkio.

Naudodamas paklausos istoriją planuodamas būsimą paklausą, akivaizdu, kad paskutinis laikotarpis daro didesnę įtaką prognozėms.

Slenkamasis vidurkis gali būti pritaikytas pritaikant skirtingus „svorius“ kiekvienam laikotarpiui, norint gauti norimus rezultatus.

Šie svoriai išreiškiami procentais. Bendras visų laikotarpių svoris turi sudaryti iki 100%.

Todėl, jei norite taikyti 35% kaip artimiausio laikotarpio svorį per keturių mėnesių svertinį vidurkį, galite atimti 35% iš 100%, paliekant 65% paskirstyti tarp trijų likusių laikotarpių.

Pavyzdžiui, keturių mėnesių svoris gali būti atitinkamai 15%, 20%, 30% ir 35% (15 + 20 + 30 + 35 = 100).

Eksponentinis išlyginimas

Kontrolinis įvestis eksponentiniam išlyginimui apskaičiuoti yra žinomas kaip išlyginimo koeficientas. Parodo paklausos svorį paskutiniu laikotarpiu.

Jei apskaičiuojant svertinį slenkamąjį vidurkį kaip paskutinis laikotarpio svoris naudojamas 35%, taip pat galite pasirinkti naudoti 35% kaip išlyginamąjį koeficientą eksponentiniame išlyginime.

Eksponentinė dalis

Skirtumas eksponentinio išlyginimo skaičiavime yra tas, kad užuot apskaičiavęs, kokį svorį reikia pritaikyti kiekvienam ankstesniam laikotarpiui, naudojamas automatiškai išlyginamasis faktorius.

Tai yra „eksponentinė“ dalis. Jei kaip išlyginamąjį faktorių bus naudojami 35%, paklausos svoris paskutiniu laikotarpiu bus 35%. Ankstesnio laikotarpio iki paskutiniojo laikotarpio paklausa bus įvertinta 65% iš 35%.

65% gaunama atėmus 35% iš 100%. Tai prilygsta 22,75% to laikotarpio svoriui. Kito paskutinio laikotarpio paklausa bus 65% nuo 65% nuo 35%, tai yra lygi 14,79%.

Ankstesniam laikotarpiui bus taikoma 65% iš 65% iš 65% iš 35%, tai atitinka 9,61%. Tai bus daroma visais ankstesniais laikotarpiais, iki pirmojo laikotarpio.

Formulė

Eksponentinio išlyginimo apskaičiavimo formulė yra tokia: (D * S) + (P * (1-S)), kur,

D = paskutinė laikotarpio paklausa.

S = išlyginimo koeficientas, išreikštas dešimtosios formos (35% būtų 0,35).

P = paskutinio laikotarpio prognozė, gauta išlyginant ankstesnio laikotarpio skaičiavimus.

Darant prielaidą, kad turime išlyginamąjį koeficientą 0,35, tada turėtume: (D * 0,35) + (P * 0,65).

Kaip matote, vieninteliai reikalingi duomenų įvestys yra paklausa ir paskutinė laikotarpio prognozė.

Pavyzdys

Draudimo bendrovė nusprendė išplėsti savo rinką į didžiausią šalies miestą, teikdama transporto priemonių draudimą.

Pirmiausia įmonė nori numatyti, kiek transporto priemonių nupirks šio miesto gyventojai.

Norėdami tai padaryti, jie naudos kaip pradinius duomenis automobilio draudimo sumą, įsigytą kitame mažesniame mieste.

Prognozuojama, kad 1-ajam laikotarpiui bus draudžiama 2869 transporto priemonių draudimas, tačiau reali paklausa tuo laikotarpiu buvo 3200.

Bendrovės nuožiūra ji skiria 0,35 lyginamąjį koeficientą. Prognozuojamas kito laikotarpio poreikis: P2 = (3200 * 0,35) + 2869 * (1–0,35) = 2984,85.

Tas pats skaičiavimas buvo atliktas už visus metus, gaunant šią palyginamąją lentelę tarp to, kas iš tikrųjų buvo gauta, ir to, kas buvo prognozuojama tą mėnesį.

Palyginus su vidurkinimo metodais, eksponentinis išlyginimas gali geriau numatyti tendenciją. Tačiau vis tiek jo trūksta, kaip parodyta diagramoje:

Galima pastebėti, kaip pilka prognozės linija gali būti gerokai žemiau arba virš mėlynos paklausos linijos, negalėdama jos visiškai sekti.

Nuorodos

Vikipedija (2019). Eksponentinis išlyginimas. Paimta iš: es.wikipedia.org.
„Ingenio Empresa“ (2016). Kaip prognozuoti paklausą naudojant paprastą eksponentinį lyginimą. Paimta iš: ingenioempresa.com.
Dave'as Piaseckis (2019 m.). Paaiškintas eksponentinis lyginimas. Paimta iš: inventorizacijos.lt
Tyrimas (2019 m.). Paklausos prognozavimo metodai: kintamasis vidurkis ir eksponentinis išlyginimas. Paimta iš: study.com.
„Cityu“ (2019 m.). Eksponentiniai išlyginimo metodai. Paimta iš: personal.cb.cityu.edu.hk.

EKSPONENTINIS IŠLYGINIMAS: METODAS IR PAVYZDYS - DUDAS - 2025