ЕКСПОНЕНЦИАЛНО ИЗГЛАЖДАНЕ: МЕТОД И ПРИМЕР - ДУДА - 2025

В експоненциално изглаждане е начин да се прогнозира търсенето на една статия за даден период от време. Този метод изчислява, че търсенето ще бъде равно на средната стойност на историческото потребление за даден период, придавайки по-голямо тегло или тегло на стойностите, които са по-близки във времето. Освен това при следващите прогнози се взема предвид съществуващата грешка на текущата прогноза.

Прогнозирането на търсенето е методът за проектиране на търсенето на клиент за продукт или услуга. Този процес е непрекъснат, където мениджърите използват исторически данни, за да изчислят какво очакват продажбите на търсенето на стока или услуга.

Източник: pixabay.com

Информацията от миналото на компанията се използва, като се добавя към пазарни икономически данни, за да се види дали продажбите ще се увеличават или намаляват.

Резултатите от прогнозата за търсенето се използват за определяне на цели на отдела за продажби, опитвайки се да останат в съответствие с целите на компанията.

Експоненциален метод на изглаждане

Изглаждането е много често срещан статистически процес. Изгладените данни често се срещат в различни форми на ежедневието. Всеки път, когато се описва нещо средно, се използва гладко число.

Да предположим, че най-топлата зима в рекорда беше тази година. За да го оценим количествено, започваме с дневните данни за температурата за зимния период на всяка записана историческа година.

Това генерира редица числа с големи „скокове“. Имате нужда от число, което елиминира всички тези скокове от данните, за да улесните сравняването на една зима с друга.

Елиминирането на скока в данните се нарича изглаждане. В този случай може да се използва обикновена средна стойност за постигане на изглаждане.

Изглаждане в прогнозата

За прогнозиране на търсенето, изглаждането се използва и за премахване на вариациите в историческото търсене. Това позволява по-добра идентификация на моделите на търсене, която може да се използва за оценка на бъдещото търсене.

Колебанията в търсенето са същата концепция като "скока" на температурните данни. Най-разпространеният начин за премахване на промените в историята на търсенето е чрез използване на средна или конкретно подвижна средна стойност.

Подвижната средна стойност използва предварително определен брой периоди за изчисляване на средната стойност и тези периоди се движат с течение на времето.

Например, ако използвате четиримесечна подвижна средна стойност и днес е 1 май, ще използвате средното търсене за януари, февруари, март и април. На 1 юни ще се използва търсенето за февруари, март, април и май.

Претеглена подвижна средна

Когато се използва обикновена средна стойност, същото значение се прилага за всяка стойност в набора от данни. Следователно при четиримесечна подвижна средна стойност всеки месец представлява 25% от подвижната средна.

Използвайки историята на търсенето за проектиране на бъдещото търсене, е безспорно, че най-новият период има по-голямо влияние върху прогнозата.

Изчисляването на подвижната средна стойност може да се адаптира, за да се прилагат различни "тегла" за всеки период, за да се получат желаните резултати.

Тези тегла се изразяват като проценти. Общият размер на всички тегла за всички периоди трябва да достигне до 100%.

Следователно, ако искате да приложите 35% като тегло за най-близкия период в среднопретеглената средна стойност за четири месеца, можете да извадите 35% от 100%, оставяйки 65% да разделите между трите останали периода.

Например можете да завършите с тежест от 15%, 20%, 30% и 35% съответно за четирите месеца (15 + 20 + 30 + 35 = 100).

Експоненциално изглаждане

Контролният вход за изчисляване на експоненциалното изглаждане е известен като коефициент на изглаждане. Представлява теглото, приложено към търсенето през последния период.

Ако 35% се използва като най-новото тегло за периода в изчислението на средно претеглената средна стойност, можете също да изберете да използвате 35% като коефициент на изглаждане при изчисляването на експоненциалното изглаждане.

Експоненциална част

Разликата в изчисляването на експоненциалното изглаждане е, че вместо да се налага да се изчислява колко тегло да се прилага за всеки предишен период, коефициентът на изглаждане се използва за това автоматично.

Това е "експоненциалната" част. Ако като коефициент на изглаждане се използва 35%, теглото на търсенето за последния период ще бъде 35%. Теглото на търсенето от периода преди най-новото ще бъде 65% от 35%.

65% идва от изваждането на 35% от 100%. Това се равнява на 22,75% тегло за този период. Търсенето за следващия последен период ще бъде 65% от 65% от 35%, което е равно на 14.79%.

Предишният период ще бъде претеглян като 65% от 65% от 65% от 35%, което се равнява на 9,61%. Това ще бъде направено за всички предишни периоди, до първия период.

формула

Формулата за изчисляване на експоненциално изглаждане е следната: (D * S) + (P * (1-S)), където, D = най-новото търсене за периода.

S = коефициент на изглаждане, представен в десетична форма (35% би било 0,35).

P = прогноза за най-новия период, резултат от изчислението на изглаждането на предишния период.

Ако приемем, че имаме коефициент на изглаждане 0,35, тогава бихме имали: (D * 0,35) + (P * 0,65).

Както можете да видите, единствените необходими данни са търсенето и най-новата прогноза за периода.

пример

Застрахователна компания реши да разшири пазара си до най-големия град в страната, предоставяйки застраховка за превозни средства.

Като първоначално действие компанията иска да прогнозира колко застраховка на превозни средства ще бъдат закупени от жителите на този град.

За да направят това, те ще използват като първоначална информация размера на автомобилната застраховка, закупена в друг по-малък град.

Прогнозата за търсенето за период 1 е 2869 договорени застраховки на превозни средства, но реалното търсене в този период е 3200.

По преценка на компанията, тя присвоява коефициент на изглаждане 0,35. Прогнозното търсене за следващия период е: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Същото изчисление беше направено за цялата година, като се получи следната сравнителна таблица между реално полученото и прогнозираното за този месец.

В сравнение с техниките за усредняване, експоненциалното изглаждане може да прогнозира тенденцията по-добре. Въпреки това, той все още не достига, както е показано на графиката:

Може да се види как сивата линия на прогнозата може да бъде доста под или над синята линия на търсене, без да може да я следва напълно.

Препратки

1. Уикипедия (2019). Експоненциално изглаждане. Взета от: es.wikipedia.org.
2. Инженио Емпреса (2016). Как да използвате просто експоненциално изглаждане за прогнозиране на търсенето. Взета от: ingenioempresa.com.
3. Дейв Пясечки (2019). Изяснено експоненциално изглаждане. Взета от: invenops.com.
4. Проучване (2019). Техники за прогнозиране на търсенето: средно и експоненциално изглаждане. Взета от: study.com.
5. Ситиу ​​(2019). Експоненциални методи на изглаждане. Взето от: personal.cb.cityu.edu.hk.