Moving average sales forecasting

Moving Average Forecasting Pendahuluan. Seperti yang Anda duga, kita melihat beberapa pendekatan paling primitif terhadap peramalan. Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan Moving Average prakiraan. Moving Average Forecasts. Semua orang terbiasa dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin itu. Semua mahasiswa melakukannya setiap saat. Pikirkan nilai tes Anda di kursus di mana Anda akan menjalani empat tes selama semester ini. Mari kita asumsikan Anda mendapatkan 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda Menurut Anda apa yang akan diprediksikan oleh guru untuk mendapatkan skor tes berikutnya? Menurut Anda, apa perkiraan teman Anda untuk memprediksi skor tes berikutnya? Menurut Anda, apa yang diprediksi orang tua Anda untuk skor tes berikutnya? Semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu dari area yang Anda dapatkan. Nah, sekarang mari kita asumsikan bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan perkiraan Anda dan membayangkan bahwa Anda dapat belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang, apa yang menarik dan tidak peduli? Mengantisipasi Anda akan mendapatkan pada tes ketiga Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan berbagi dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, quotThis guy selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, quotWell, sejauh ini Anda sudah mendapatkan nilai 85 dan angka 73, jadi mungkin Anda harus memikirkan tentang (85 73) 2 79. Saya tidak tahu, mungkin jika Anda kurang berpesta Dan werent mengibaskan musang seluruh tempat dan jika Anda mulai melakukan lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. quot Kedua perkiraan ini sebenarnya bergerak perkiraan rata-rata. Yang pertama hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda. Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari kita asumsikan bahwa semua orang yang menghina pikiran besar ini membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga karena alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan kuotasi Anda. Anda mengikuti tes dan nilai Anda sebenarnya adalah 89 Setiap orang, termasuk Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester yang akan datang dan seperti biasa Anda merasa perlu mendorong setiap orang untuk membuat prediksi tentang bagaimana Anda melakukannya pada tes terakhir. Nah, semoga anda melihat polanya. Nah, semoga anda bisa melihat polanya. Yang Anda percaya adalah Whistle paling akurat Sementara Kami Bekerja. Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work. Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet. Kami pertama kali mempresentasikan data untuk perkiraan rata-rata pergerakan tiga periode. Entri untuk sel C6 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Perhatikan bagaimana rata-rata pergerakan data historis terbaru namun menggunakan tiga periode paling terakhir yang tersedia untuk setiap prediksi. Anda juga harus memperhatikan bahwa kita benar-benar tidak perlu membuat ramalan untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita. Ini jelas berbeda dengan model smoothing eksponensial. Ive menyertakan prediksi quotpast karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk ramalan rata-rata pergerakan dua periode. Entri untuk sel C5 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain melalui C6 C6. Perhatikan bagaimana sekarang hanya dua buah data historis terakhir yang digunakan untuk setiap prediksi. Sekali lagi saya telah menyertakan prediksi quotpast untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lain yang perlu diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m data terakhir yang digunakan untuk membuat prediksi. Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata pergerakan m-period, saat membuat prediksi quotpast predictququot, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata. Sekarang kita perlu mengembangkan kode ramalan rata-rata bergerak yang bisa digunakan lebih fleksibel. Kode berikut. Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan rangkaian nilai historis. Anda bisa menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage (Historis, NumberOfPeriods) Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter Sebagai Akumulasi Dim Integer Sebagai Single Dim HistoricalSize As Integer Inisialisasi variabel Counter 1 Akumulasi 0 Menentukan ukuran array historis HistoricalSize Historical. Count Untuk Counter 1 To NumberOfPeriods Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terakhir Akumulasi Akumulasi Historis (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kode akan dijelaskan di kelas. Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya seperti berikut. Rata-rata rata-rata data deret waktu (pengamatan sama spasi dalam waktu) dari beberapa periode berturut-turut. Disebut bergerak karena terus dihitung ulang saat data baru tersedia, ia berkembang dengan menjatuhkan nilai paling awal dan menambahkan nilai terbaru. Misalnya, rata-rata bergerak dari penjualan enam bulan dapat dihitung dengan mengambil rata-rata penjualan dari bulan Januari sampai Juni, lalu rata-rata penjualan dari bulan Februari sampai Juli, kemudian dari bulan Maret sampai Agustus, dan seterusnya. Moving averages (1) mengurangi efek variasi data sementara, (2) memperbaiki kecocokan data ke garis (proses yang disebut smoothing) untuk menunjukkan tren data dengan lebih jelas, dan (3) menyoroti nilai di atas atau di bawah kecenderungan. Jika Anda menghitung sesuatu dengan varians yang sangat tinggi, yang terbaik yang dapat Anda lakukan adalah mengetahui rata-rata bergerak. Saya ingin tahu data rata-rata yang bergerak, jadi saya akan memiliki pemahaman yang lebih baik tentang bagaimana keadaan kami. Ketika Anda mencoba untuk mencari tahu beberapa nomor yang sering berubah, yang terbaik yang dapat Anda lakukan adalah menghitung rata-rata bergerak. Moving average price (MAP) Pendekatan yang paling sederhana adalah dengan mengambil rata-rata Januari sampai Maret dan menggunakannya untuk memperkirakan penjualan April8217: (129 134 122) 3 128.333 Oleh karena itu, berdasarkan penjualan Januari sampai Maret, Anda memprediksi bahwa penjualan di April akan menjadi 128.333. Setelah penjualan April8217s aktual masuk, Anda kemudian akan menghitung perkiraan untuk bulan Mei, kali ini menggunakan Februari sampai April. Anda harus konsisten dengan jumlah periode yang Anda gunakan untuk peramalan rata-rata bergerak. Jumlah periode yang Anda gunakan dalam perkiraan rata-rata bergerak Anda sewenang-wenang, Anda hanya boleh menggunakan dua periode, atau lima atau enam periode apapun yang Anda inginkan untuk menghasilkan prakiraan Anda. Pendekatan di atas adalah rata-rata bergerak sederhana. Terkadang, penjualan bulan lalu yang lebih baru mungkin merupakan pendorong yang lebih kuat dari penjualan bulan depan yang akan datang, jadi Anda ingin memberi bobot lebih mendekati bulan di model perkiraan Anda. Ini adalah rata-rata bergerak tertimbang. Dan seperti jumlah periode, bobot yang Anda tetapkan itu murni sewenang-wenang. Misalnya, Anda ingin memberi bobot pada bulan Maret8217, berat badan Februari8217s 30, dan Januari8217s 20. Kemudian perkiraan Anda untuk bulan April akan menjadi 127.000 (122,50) (134,30) (129,20) 127. Keterbatasan Metode Bergerak Rata-rata Bergerak rata-rata dianggap sebagai teknik peramalan 8220moothing8221. Karena Anda rata-rata menghabiskan waktu rata-rata, Anda akan melembutkan (atau merapikan) efek dari kejadian tidak teratur dalam data. Akibatnya, efek musiman, siklus bisnis, dan kejadian acak lainnya dapat secara dramatis meningkatkan kesalahan perkiraan. Lihatlah data senilai setahun penuh, dan bandingkan rata-rata pergerakan 3 periode dan rata-rata pergerakan 5 periode: Perhatikan bahwa dalam contoh ini saya tidak membuat perkiraan, namun berpusat pada rata-rata bergerak. Rata-rata pergerakan 3 bulan pertama adalah untuk bulan Februari, dan rata-rata bulan Januari, Februari, dan Maret. Saya juga melakukan hal serupa untuk rata-rata 5 bulan. Sekarang lihatlah bagan berikut ini: Apa yang Anda lihat Tidakkah rangkaian rata-rata bergerak tiga bulan lebih mulus daripada seri penjualan sebenarnya Dan bagaimana dengan rata-rata pergerakan lima bulan itu bahkan lebih mulus. Oleh karena itu, semakin banyak periode yang Anda gunakan dalam rata-rata bergerak Anda, semakin halus deret waktu Anda. Oleh karena itu, untuk peramalan, rata-rata pergerakan sederhana mungkin bukan metode yang paling akurat. Metode rata-rata bergerak terbukti sangat berharga saat Anda mencoba mengekstrak komponen musiman, tidak teratur, dan siklis dari deret waktu untuk metode peramalan yang lebih maju, seperti regresi dan ARIMA, dan penggunaan rata-rata bergerak dalam pembusukan deret waktu akan dibahas kemudian. Dalam seri. Menentukan Akurasi Model Bergerak Rata-rata Umumnya, Anda menginginkan metode peramalan yang memiliki kesalahan paling sedikit antara hasil aktual dan prediksi. Salah satu ukuran akurasi kuadrat yang paling umum adalah Mean Absolute Deviation (MAD). Dalam pendekatan ini, untuk setiap periode dalam deret waktu yang menghasilkan perkiraan, Anda mengambil nilai mutlak dari perbedaan antara nilai aktual aktual dan perkiraan aktual (penyimpangan). Maka Anda rata-rata penyimpangan absolut dan Anda mendapatkan ukuran MAD. MAD dapat membantu dalam menentukan jumlah periode yang Anda rata-rata, dan atau jumlah berat yang Anda tempatkan pada setiap periode. Umumnya, Anda memilih salah satu yang menghasilkan MAD terendah. Berikut adalah contoh bagaimana MAD dihitung: MAD hanya rata-rata 8, 1, dan 3. Moving Averages: Recap Bila menggunakan moving averages untuk peramalan, ingat: Moving averages dapat sederhana atau tertimbang Jumlah periode yang Anda gunakan untuk Rata-rata, dan setiap bobot yang Anda tetapkan untuk masing-masing benar-benar sewenang-wenang Rata-rata bergerak menghaluskan pola tidak teratur dalam data deret waktu semakin besar jumlah periode yang digunakan untuk setiap titik data, semakin besar efek pemulusan Karena merapikan, meramalkan penjualan bulan depan8217 berdasarkan Penjualan beberapa bulan terakhir bisa menghasilkan penyimpangan yang besar karena pola musiman, siklis, dan tidak teratur dalam data dan Kemampuan pemulusan metode rata-rata bergerak dapat berguna dalam menguraikan deret waktu untuk metode peramalan yang lebih maju. Minggu Berikutnya: Exponential Smoothing Pada minggu depan8217s Forecast Friday. Kita akan membahas metode pemulusan eksponensial, dan Anda akan melihat bahwa metode tersebut dapat jauh lebih unggul daripada metode peramalan rata-rata bergerak. Masih belum tahu mengapa kami Forecast Jumat posting muncul pada hari Kamis Cari tahu di: tinyurl26cm6ma Seperti ini: Posting navigasi Tinggalkan Balasan Batalkan balasan Saya punya 2 pertanyaan: 1) Dapatkah Anda menggunakan pendekatan MA terpusat untuk meramalkan atau hanya untuk menghilangkan musiman 2) Kapan Anda menggunakan t sederhana (t-1t-2t-k) k MA untuk memperkirakan satu periode ke depan, mungkinkah meramalkan lebih dari 1 periode di masa depan, saya kira perkiraan Anda akan menjadi salah satu poin yang memberi makan berikutnya. Terima kasih. Cintai info dan penjelasan Anda. Saya senang Anda menyukai blog saya. Beberapa analis telah menggunakan pendekatan MA yang terpusat untuk peramalan, tapi saya sendiri tidak akan melakukannya, karena pendekatan tersebut mengakibatkan hilangnya pengamatan di kedua ujungnya. Ini sebenarnya berhubungan dengan pertanyaan kedua Anda. Umumnya, MA sederhana digunakan untuk memperkirakan hanya satu periode di masa depan, namun banyak analis 8211 dan saya juga kadang-kadang 8211 akan menggunakan proyeksi satu periode di depan saya sebagai salah satu masukan untuk periode kedua di depan. Ini penting untuk diingat bahwa semakin jauh ke masa depan Anda mencoba meramalkan, semakin besar risiko kesalahan perkiraan Anda. Inilah sebabnya mengapa saya tidak merekomendasikan MA yang terpusat untuk meramalkan 8211 hilangnya pengamatan pada akhirnya berarti harus bergantung pada perkiraan untuk pengamatan yang hilang, serta periode di depan, jadi ada kemungkinan kesalahan perkiraan yang lebih besar. Pembaca: Anda diundang untuk mempertimbangkan hal ini. Apakah Anda memiliki pemikiran atau saran mengenai Brian ini, terimakasih atas komentar anda dan pujian anda di blog prakarsa bagus dan penjelasan yang bagus. Ini sangat membantu. Saya meramalkan papan sirkuit cetak khusus untuk pelanggan yang tidak memberikan perkiraan apapun. Saya telah menggunakan moving average, namun tidak begitu akurat karena industri bisa naik turun. Kami melihat ke tengah musim panas sampai akhir tahun bahwa pengiriman pcb8217s habis. Kemudian kita lihat di awal tahun melambat turun. Bagaimana saya bisa lebih akurat dengan data saya Katrina, dari apa yang Anda katakan kepada saya, tampaknya penjualan papan sirkuit cetak Anda memiliki komponen musiman. Saya menangani seasonality di beberapa posting Forecast Friday lainnya. Pendekatan lain yang bisa Anda gunakan, yang cukup mudah, adalah algoritma Holt-Winters, yang memperhitungkan musiman akun. Anda bisa menemukan penjelasan bagus disini. Pastikan untuk menentukan apakah pola musiman Anda bersifat multiplicative atau aditif, karena algoritma ini sedikit berbeda untuk masing-masing. Jika Anda memplot data bulanan Anda dari beberapa tahun dan melihat bahwa variasi musiman pada waktu yang sama tahun nampaknya konstan dari tahun ke tahun, maka musimannya aditif jika variasi musiman dari waktu ke waktu tampaknya meningkat, maka musimannya adalah Perkalian Kebanyakan time series musiman akan bersifat multiplicative. Jika ragu, asumsikan perkalian. Semoga beruntung Hi there, Antara metode tersebut:. Peramalan Nave. Memperbarui Mean. Bergerak rata-rata panjang k. Entah Rata-rata Tertimbang Rata-rata Panjang K ATAU Pemulusan Eksponensial Yang mana dari model pembaharuan yang Anda rekomendasikan untuk saya gunakan untuk meramalkan data Menurut pendapat saya, saya memikirkan Moving Average. Tapi saya tidak tahu bagaimana membuatnya jelas dan terstruktur Hal ini sangat tergantung pada kuantitas dan kualitas data yang Anda miliki dan perkiraan horison (jangka panjang, jangka menengah atau jangka pendek)