Previsão Demanda Movimentação Média Exemplo

OR-Notes são uma série de notas introdutórias sobre tópicos que se enquadram no título geral do campo de pesquisa operacional (OR). Eles foram originalmente usados ​​por mim em um curso introdutório OU eu dou no Imperial College. Estão agora disponíveis para uso por qualquer aluno e professor interessado em OU sujeito às seguintes condições. Uma lista completa dos tópicos disponíveis em OR-Notes pode ser encontrada aqui. Exemplos de previsão Exemplo de previsão 1996 Exame UG A procura por um produto em cada um dos últimos cinco meses é mostrada abaixo. Use uma média móvel de dois meses para gerar uma previsão de demanda no mês 6. Aplique a suavização exponencial com uma constante de suavização de 0,9 para gerar uma previsão de demanda por demanda no mês 6. Qual destas duas previsões você prefere e por que? A média para os meses dois a cinco é dada por: A previsão para o mês seis é apenas a média móvel para o mês anterior que ou seja, a média móvel para o mês 5 m 5 2350. Aplicando suavização exponencial com uma constante de suavização de 0,9 obtemos: A previsão para o mês seis é apenas a média para o mês 5 M 5 2386 Para comparar as duas previsões, calculamos o desvio quadrático médio (MSD). Se fizermos isso, verificamos que para a média móvel MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16.67 e para a média exponencialmente suavizada com uma constante de suavização de 0.9 MSD (13-17) sup2 (16,60-19) sup2 (18,76 - 23) sup2 (22,58-24) sup24 10,44 Em geral, vemos que a suavização exponencial parece dar as melhores previsões de um mês de antecedência, uma vez que tem um MSD mais baixo. Assim, preferimos a previsão de 2386 que foi produzida por suavização exponencial. Exemplo de previsão 1994 UG exam A tabela abaixo mostra a procura de um novo aftershave em uma loja para cada um dos últimos 7 meses. Calcule uma média móvel de dois meses para os meses dois a sete. Qual seria sua previsão para a demanda no mês oito Aplicar suavização exponencial com uma constante de suavização de 0,1 para derivar uma previsão para a demanda no mês oito. Qual das duas previsões para o mês oito você prefere e por que? O detentor de loja acredita que os clientes estão mudando para este novo pós-barba de outras marcas. Discuta como você pode modelar esse comportamento de comutação e indicar os dados que você precisaria para confirmar se essa mudança está ocorrendo ou não. A média móvel de dois meses para os meses dois a sete é dada por: A previsão para o mês oito é apenas a média móvel para o mês anterior que ou seja, a média móvel para o mês 7 m 7 46. Aplicando alisamento exponencial com uma constante de suavização de 0,1 nós Obter: Como antes da previsão para o mês oito é apenas a média para o mês 7 M 7 31,11 31 (como não podemos ter fracionada demanda). Para comparar as duas previsões calculamos o desvio quadrático médio (MSD). Se fizermos isso, descobrimos que para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0,1 Overall, então vemos que a média móvel de dois meses parece dar as melhores previsões de um mês de antecedência, uma vez que tem um menor MSD. Assim, preferimos a previsão de 46 que foi produzida pela média móvel de dois meses. Para examinar a mudança precisamos usar um modelo de processo de Markov, onde marcas de estados e nós precisaríamos de informações de estado iniciais e probabilidades de troca de clientes (de pesquisas). Teríamos de executar o modelo em dados históricos para ver se temos um ajuste entre o modelo eo comportamento histórico. Exemplo de previsão 1992 UG exame A tabela abaixo mostra a demanda por uma determinada marca de barbear em uma loja para cada um dos últimos nove meses. Calcule uma média móvel de três meses para os meses três a nove. Qual seria sua previsão para a demanda no mês dez Aplicar suavização exponencial com uma constante de suavização de 0,3 para derivar uma previsão para a demanda no mês dez. Qual das duas previsões para o mês dez você prefere e por que? A média móvel de três meses para os meses 3 a 9 é dada por: A previsão para o mês 10 é apenas a média móvel para o mês anterior que ou seja, a média móvel para o mês 9 m 9 20,33. Portanto, como não podemos ter uma demanda fracionária, a previsão para o mês 10 é 20. Aplicando a suavização exponencial com uma constante de suavização de 0,3 obtemos: Como antes a previsão para o mês 10 é apenas a média para o mês 9 M 9 18,57 19 (como nós Não pode ter demanda fracionária). Para comparar as duas previsões calculamos o desvio quadrático médio (MSD). Se fizermos isso, descobrimos que, para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0,3 geral, então vemos que a média móvel de três meses parece dar as melhores previsões de um mês de antecedência, uma vez que tem um menor MSD. Assim, preferimos a previsão de 20 que foi produzida pela média móvel de três meses. Exemplo de previsão 1991 UG exame A tabela abaixo mostra a demanda por uma determinada marca de fax em uma loja de departamentos em cada um dos últimos doze meses. Calcular a média móvel de quatro meses para os meses 4 a 12. Qual seria a sua previsão para a demanda no mês 13 Aplicar suavização exponencial com uma constante de suavização de 0,2 para derivar uma previsão para a demanda no mês 13. Qual das duas previsões para o mês 13 que você prefere e por que Outros fatores, não considerados nos cálculos acima, podem influenciar a demanda para o fax no mês 13 A média móvel de quatro meses para os meses 4 a 12 é dada por: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 46,25 A previsão para o mês 13 é apenas a média móvel para o mês anterior, ou seja, a média móvel Para o mês 12 m 12 46,25. A previsão para o mês 13 é 46. Aplicando a suavização exponencial com uma constante de suavização de 0.2 obtemos: Como antes a previsão para o mês 13 é apenas a média para o mês 12 M 12 38.618 39 (como nós não podemos ter a demanda fracionária) Não pode ter demanda fracionária). Para comparar as duas previsões calculamos o desvio quadrático médio (MSD). Se fizermos isso, descobrimos que, para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0.2 Overall, vemos que a média móvel de quatro meses parece dar as melhores previsões de um mês de antecedência, uma vez que tem um MSD mais baixo. Assim, preferimos a previsão de 46 que foi produzida pela média móvel de quatro meses. A demanda sazonal mudanças de preços de publicidade, tanto esta marca e outras marcas situação económica geral nova tecnologia Exemplo de previsão 1989 UG exame A tabela abaixo mostra a demanda por uma determinada marca de forno de microondas em uma loja de departamentos em cada um dos últimos doze meses. Calcule uma média móvel de seis meses para cada mês. Qual seria a sua previsão para a demanda no mês 13 Aplicar suavização exponencial com uma constante de suavização de 0,7 para derivar uma previsão para a demanda no mês 13. Qual das duas previsões para o mês 13 você prefere e por que Agora não podemos calcular um seis Mês móvel até que tenhamos pelo menos 6 observações - ou seja, só podemos calcular tal média a partir do mês 6 em diante. Por conseguinte, temos: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 A previsão para o mês 13 é apenas a média móvel para o Mês anterior àquele, ou seja, a média móvel para o mês 12 m 12 38,17. Portanto, como não podemos ter demanda fracionária, a previsão para o mês 13 é de 38. Aplicando o suavização exponencial com uma constante de suavização de 0,7, obtemos: Média Móvel Ponderada Métodos de Previsão: Prós e Contras Oi, AME o seu Post. Estava me perguntando se você poderia elaborar mais. Usamos SAP. Nele há uma seleção que você pode escolher antes de executar sua previsão chamada inicialização. Se você marcar essa opção, você obterá um resultado de previsão, se você executar a previsão novamente, no mesmo período e não verificar a inicialização, o resultado será alterado. Eu não consigo descobrir o que a inicialização está fazendo. Quero dizer, matemática. Qual o resultado da previsão é melhor para salvar e usar, por exemplo. As mudanças entre os dois não estão na quantidade prevista, mas no MAD e erro, estoque de segurança e quantidades ROP. Não tenho certeza se você usa o SAP. Oi obrigado por explicar tão eficientemente seu gd demais. Obrigado novamente Jaspreet Deixe uma resposta Cancelar resposta Sobre Shmula Pete Abilla é o fundador da Shmula e do personagem, Kanban Cody. Ele ajudou empresas como a Amazon, Zappos, eBay, Backcountry e outros a reduzir custos e melhorar a experiência do cliente. Ele faz isso através de um método sistemático para identificar pontos de dor que afetam o cliente eo negócio, e incentiva a ampla participação dos associados da empresa para melhorar seus próprios processos. Este site é uma coleção de suas experiências que ele quer compartilhar com você. Primeiros passos com downloads gratuitos PREVISÃO A previsão envolve a geração de um número, conjunto de números ou cenário que corresponde a uma ocorrência futura. É absolutamente essencial para o planejamento de curto e longo alcance. Por definição, uma previsão é baseada em dados passados, em oposição a uma previsão, que é mais subjetiva e baseada em instinto, gut sentir, ou adivinhar. Por exemplo, a notícia da noite dá o tempo x0022forecastx0022 não o tempo x0022prediction. x0022 Independentemente, os termos de previsão e previsão são muitas vezes utilizados inter-changeably. Por exemplo, as definições da técnica de regressão x2014a, por vezes utilizada na previsãox2014, indicam, em geral, que o seu objectivo é explicar ou x0022predict. x0022 A previsão baseia-se em várias suposições: O passado repetir-se-á. Em outras palavras, o que aconteceu no passado voltará a acontecer no futuro. À medida que o horizonte de previsão se encurta, a precisão da previsão aumenta. Por exemplo, uma previsão para amanhã será mais precisa do que uma previsão para o próximo mês uma previsão para o próximo mês será mais preciso do que uma previsão para o próximo ano e uma previsão para o próximo ano será mais preciso do que uma previsão para dez anos no futuro. A previsão no agregado é mais precisa do que a previsão de itens individuais. Isso significa que uma empresa será capaz de prever a demanda total em todo o seu espectro de produtos com mais precisão do que ele será capaz de prever individual stock-keeping unidades (SKUs). Por exemplo, a General Motors pode prever com mais precisão o número total de carros necessários para o próximo ano do que o número total de Chevrolet Impalas branco com um pacote de opção certa. As previsões raramente são precisas. Além disso, as previsões quase nunca são totalmente exactas. Enquanto alguns são muito próximos, poucos são x0022right sobre o money. x0022 Portanto, é sábio para oferecer uma previsão x0022range. x0022 Se fosse prever uma demanda de 100.000 unidades para o próximo mês, é extremamente improvável que a demanda seria igual a 100.000 exatamente. No entanto, uma previsão de 90.000 a 110.000 forneceria um alvo muito maior para o planejamento. William J. Stevenson enumera uma série de características que são comuns a uma boa previsão: Accuratex2014 algum grau de precisão deve ser determinada e declarada de modo que a comparação pode ser feita para previsões alternativas. Reliablex2014the método de previsão deve consistentemente fornecer uma boa previsão se o usuário está a estabelecer algum grau de confiança. Timelyx2014a uma certa quantidade de tempo é necessário para responder à previsão de modo que o horizonte de previsão deve permitir o tempo necessário para fazer alterações. Fácil de usar e compreender os usuários da previsão deve estar confiante e confortável trabalhando com ele. O custo-efetivo do custo de fazer a previsão não deve superar os benefícios obtidos com a previsão. As técnicas de previsão variam do simples ao extremamente complexo. Estas técnicas são geralmente classificadas como qualitativas ou quantitativas. TÉCNICAS QUALITATIVAS Técnicas qualitativas de previsão são geralmente mais subjetivas do que suas contrapartes quantitativas. As técnicas qualitativas são mais úteis nos estágios iniciais do ciclo de vida do produto, quando há menos dados passados ​​para uso em métodos quantitativos. Métodos qualitativos incluem a técnica Delphi, Nominal Group Technique (NGT), opiniões de força de vendas, pareceres executivos e pesquisa de mercado. A TÉCNICA DELPHI. A técnica Delphi usa um painel de especialistas para produzir uma previsão. Cada perito é solicitado a fornecer uma previsão específica para a necessidade em mãos. Depois que as previsões iniciais são feitas, cada perito lê o que cada outro perito escreveu e é, naturalmente, influenciado por suas opiniões. Uma previsão subseqüente é então feita por cada especialista. Cada perito então lê novamente o que cada outro especialista escreveu e é novamente influenciado pelas percepções dos outros. Esse processo se repete até que cada especialista se aproxime do acordo sobre o cenário ou números necessários. TÉCNICA DE GRUPO NOMINAL. A técnica de grupo nominal é semelhante à técnica Delphi, na medida em que utiliza um grupo de participantes, normalmente especialistas. Depois que os participantes respondem a questões relacionadas a previsão, eles classificam suas respostas por ordem de importância relativa percebida. Em seguida, os rankings são coletados e agregados. Eventualmente, o grupo deve chegar a um consenso sobre as prioridades das questões classificadas. OPINIÕES DA FORÇA DE VENDAS. A equipe de vendas é muitas vezes uma boa fonte de informações sobre a demanda futura. O gerente de vendas pode pedir entrada de cada pessoa de vendas e agregar suas respostas em uma previsão composta de força de vendas. Cuidado deve ser exercido ao usar esta técnica como os membros da força de vendas pode não ser capaz de distinguir entre o que os clientes dizem eo que eles realmente fazem. Além disso, se as previsões serão utilizadas para estabelecer quotas de vendas, a força de vendas pode ser tentada a fornecer estimativas mais baixas. OPINIÕES EXECUTIVAS. Às vezes, os gerentes de nível superior se encontram e desenvolvem previsões com base em seu conhecimento de suas áreas de responsabilidade. Isso às vezes é referido como um júri de opinião executiva. PESQUISA DE MERCADO. Na pesquisa de mercado, pesquisas de consumo são usadas para estabelecer demanda potencial. Tais pesquisas de marketing normalmente envolvem a construção de um questionário que solicita informações pessoais, demográficas, econômicas e de marketing. De vez em quando, os pesquisadores de mercado coletam essas informações pessoalmente em pontos de venda e shoppings, onde o consumidor pode experimentar um produto especial, sentir, cheirar e ver. O pesquisador deve ter cuidado para que a amostra de pessoas pesquisadas seja representativa da meta de consumo desejada. TÉCNICAS QUANTITATIVAS Técnicas de previsão quantitativas são geralmente mais objetivas do que suas contrapartes qualitativas. As previsões quantitativas podem ser previsões de séries temporais (ou seja, uma projeção do passado para o futuro) ou previsões baseadas em modelos associativos (ou seja, com base em uma ou mais variáveis ​​explicativas). Dados de séries temporais podem ter comportamentos subjacentes que precisam ser identificados pelo previsor. Além disso, a previsão pode precisar identificar as causas do comportamento. Alguns desses comportamentos podem ser padrões ou variações simplesmente aleatórias. Entre os padrões estão: Tendências, que são os movimentos de longo prazo (para cima ou para baixo) nos dados. A sazonalidade, que produz variações de curto prazo que normalmente estão relacionadas com a época do ano, do mês ou mesmo de um dia específico, como testemunham as vendas no varejo no Natal ou os picos de atividade bancária no primeiro dia do mês e às sextas-feiras. Ciclos, que são variações onduladas durando mais de um ano que são geralmente ligados a condições econômicas ou políticas. Variações irregulares que não refletem comportamento típico, como um período de tempo extremo ou uma greve sindical. Variações aleatórias, que englobam todos os comportamentos não típicos não explicados pelas outras classificações. Entre os modelos de séries temporais, o mais simples é a previsão naxEFve. Uma previsão naxEFve simplesmente usa a demanda real para o período passado como a demanda prevista para o próximo período. Isto, naturalmente, faz a suposição de que o passado se repetirá. Também pressupõe que quaisquer tendências, sazonalidade ou ciclos são refletidas na demanda do período anterior ou não existem. Um exemplo de previsão naxEFve é apresentado na Tabela 1. Tabela 1 NaxEFve Forecasting Outra técnica simples é o uso da média. Para fazer uma previsão usando a média, basta tomar a média de alguns períodos de dados passados, somando cada período e dividindo o resultado pelo número de períodos. Esta técnica foi encontrada para ser muito eficaz para previsão de curto alcance. As variações da média incluem a média móvel, a média ponderada ea média móvel ponderada. Uma média móvel leva um número predeterminado de períodos, resume sua demanda real e divide-se pelo número de períodos para atingir uma previsão. Para cada período subseqüente, o período mais antigo de dados cai e o período mais recente é adicionado. Assumindo uma média móvel de três meses e usando os dados da Tabela 1, basta adicionar 45 (janeiro), 60 (fevereiro) e 72 (março) e dividir por três para chegar a uma previsão para abril: 45 60 72 177 X00F7 3 59 Para chegar a uma previsão para maio, um iria cair janeirox0027s demanda da equação e adicionar a demanda de abril. A Tabela 2 apresenta um exemplo de uma previsão média móvel de três meses. Tabela 2 Média Móvel de Três Mês Previsão Demanda Real (000x0027s) Uma média ponderada aplica um peso predeterminado a cada mês de dados passados, soma os dados passados ​​de cada período e divide-se pelo total dos pesos. Se o forecaster ajusta os pesos de modo que sua soma seja igual a 1, então os pesos são multiplicados pela demanda real de cada período aplicável. Os resultados são então somados para obter uma previsão ponderada. Geralmente, quanto mais recentes os dados, maior o peso, e quanto mais velhos os dados, menor o peso. Usando o exemplo de demanda, uma média ponderada usando pesos de 0,4. 3. 2 e .1 apresentariam a previsão para Junho como: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Os meteorologistas também podem usar uma combinação das projeções de média ponderada e média móvel . Uma previsão da média móvel ponderada atribui pesos a um número predeterminado de períodos de dados reais e calcula a previsão da mesma maneira como descrito acima. Como com todas as previsões em movimento, à medida que cada novo período é adicionado, os dados do período mais antigo são descartados. A Tabela 3 mostra uma média móvel ponderada de três meses utilizando os pesos .5. 3 e .2. Uma forma mais complexa de média móvel ponderada é a suavização exponencial, denominada assim porque o peso cai exponencialmente à medida que os dados envelhecem. Tabela 3 Taxa Mínima Média Ponderada Mensal Ponderada (000x0027s) A suavização exponencial toma a previsão do período anterior x0027s e ajusta-a por uma constante de suavização predeterminada, x03AC (chamado alfa o valor para alfa é menor que um) multiplicado pela diferença na previsão anterior e a demanda que realmente ocorreu durante o período previamente previsto Erro de previsão). A suavização exponencial é expressa como uma fórmula: Nova previsão previsão anterior alfa (demanda real x2212 previsão anterior) FF x03AC (A x 2212 F) A suavização exponencial requer que o anteciparador comece a previsão em um período passado e trabalhe para a frente para o período para o qual uma corrente Previsão é necessária. Uma quantidade substancial de dados passados ​​e uma previsão inicial ou inicial também são necessárias. A previsão inicial pode ser uma previsão real de um período anterior, a demanda real de um período anterior, ou pode ser estimada pela média de todos ou parte dos dados passados. Existem algumas heurísticas para calcular uma previsão inicial. Por exemplo, a heurística N (2 xF7 x03AC) x2212 1 e uma alfa de 0,5 renderia um N de 3, indicando que o usuário iria média dos três primeiros períodos de dados para obter uma previsão inicial. No entanto, a precisão da previsão inicial não é crítica se um está usando grandes quantidades de dados, uma vez que a suavização exponencial é x0022 self-correção. x0022 Dado períodos suficientes de dados passados, suavização exponencial, eventualmente, fazer correções suficientes para compensar uma inicial razoavelmente impreciso previsão. Usando os dados usados ​​em outros exemplos, uma previsão inicial de 50 e um alfa de .7, uma previsão para fevereiro é calculada como tal: Nova previsão (fevereiro) 50 .7 (45 x2212 50) 41.5 Em seguida, a previsão para março : Nova previsão (Março) 41.5 .7 (60 x2212 41.5) 54.45 Este processo continua até que o forecaster atinja o período desejado. Na Tabela 4 isto seria para o mês de junho, uma vez que a demanda real para junho não é conhecida. Demanda real (000x0027s) Uma extensão de suavização exponencial pode ser usada quando os dados de séries temporais exibem uma tendência linear. Este método é conhecido por vários nomes: suavização dupla tendência ajustada suavização exponencial previsão incluindo tendência (FIT) e Holtx0027s Modelo. Sem ajuste, os resultados de suavização exponencial simples ficarão aquém da tendência, ou seja, a previsão será sempre baixa se a tendência estiver aumentando ou alta se a tendência estiver diminuindo. Com este modelo existem duas constantes de suavização, x03AC e x03B2 com x03B2 representando a componente de tendência. Uma extensão do Modelo Holtx0027s, chamado Método Holt-Winterx0027s, leva em conta tanto a tendência quanto a sazonalidade. Existem duas versões, multiplicativas e aditivas, sendo a multiplicativa a mais utilizada. No modelo aditivo, a sazonalidade é expressa como uma quantidade a ser adicionada ou subtraída da média da série. O modelo multiplicativo expressa a sazonalidade como uma porcentagem x2014 conhecida como parentes sazonais ou índices sazonaisx2014 da média (ou tendência). Estes valores são então multiplicados vezes para incorporar a sazonalidade. Um parente de 0,8 indicaria demanda que é 80 por cento da média, enquanto 1,10 indicaria demanda que é 10 por cento acima da média. Informações detalhadas sobre este método podem ser encontradas na maioria dos manuais de gerenciamento de operações ou em um número de livros sobre previsão. As técnicas associativas ou causais envolvem a identificação de variáveis ​​que podem ser usadas para prever outra variável de interesse. Por exemplo, as taxas de juros podem ser usadas para prever a demanda por refinanciamento doméstico. Tipicamente, isso envolve o uso de regressão linear, onde o objetivo é desenvolver uma equação que resume os efeitos das variáveis ​​preditoras (independentes) sobre a variável (dependente) prevista. Se a variável preditora fosse plotada, o objeto seria obter uma equação de uma reta que minimize a soma dos desvios quadrados da linha (sendo o desvio a distância de cada ponto à linha). A equação apareceria como: ya bx, onde y é a variável predita (dependente), x é a variável preditor (independente), b é a inclinação da linha e a é igual à altura da linha na y - interceptar. Uma vez que a equação é determinada, o usuário pode inserir valores atuais para a variável preditor (independente) para chegar a uma previsão (variável dependente). Se houver mais de uma variável preditora ou se a relação entre preditor e previsão não for linear, a regressão linear simples será inadequada. Para situações com múltiplos preditores, a regressão múltipla deve ser empregada, enquanto que as relações não lineares exigem o uso da regressão curvilínea. FORMAÇÃO ECONÓMETRICA Métodos econométricos, como o modelo de média móvel auto-regressiva (ARIMA), utilizam equações matemáticas complexas para mostrar relações passadas entre demanda e variáveis ​​que influenciam a demanda. Uma equação é derivada e então testada e ajustada para garantir que ela é tão confiável uma representação do relacionamento passado quanto possível. Uma vez feito isso, os valores projetados das variáveis ​​influenciadoras (renda, preços, etc.) são inseridos na equação para fazer uma previsão. AVALIAÇÃO DE PREVISÕES A precisão da previsão pode ser determinada calculando o viés, o desvio absoluto médio (MAD), o erro quadrático médio (MSE) ou o erro médio de percentagem absoluta (MAPE) para a previsão utilizando diferentes valores para alfa. Bias é a soma dos erros de previsão x2211 (FE). Para o exemplo de suavização exponencial acima, o viés calculado seria: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Se se assume que um viés baixo indica um erro global de previsão baixa, Calcular o viés para um número de potenciais valores de alfa e assumir que o com o menor viés seria o mais exato. No entanto, cuidado deve ser observado em que imprecisamente imprecisas previsões podem produzir um viés baixo se eles tendem a ser tanto sobre a previsão e sob previsão (negativa e positiva). Por exemplo, ao longo de três períodos, uma empresa pode usar um valor específico de alfa para superestimar em 75.000 unidades (x221275.000), sob previsão de 100.000 unidades (100.000), e depois sobre a previsão de 25.000 unidades (x221225.000), rendendo Um viés de zero (x221275.000 100.000 x2212 25.000 0). Em comparação, outro alfa produzindo sobre previsões de 2.000 unidades, 1.000 unidades e 3.000 unidades resultaria em um viés de 5.000 unidades. Se a demanda normal fosse de 100.000 unidades por período, o primeiro alfa resultaria em previsões que estavam desativadas em até 100%, enquanto o segundo alfa seria desligado por um máximo de apenas 3%, mesmo que o preconceito na primeira previsão fosse zero. Uma medida mais segura da precisão de previsão é o desvio absoluto médio (MAD). Para calcular o MAD, o forecaster somar o valor absoluto dos erros de previsão e, em seguida, divide pelo número de previsões (x2211 FE x00F7 N). Tomando o valor absoluto dos erros de previsão, a compensação de valores positivos e negativos é evitada. Isto significa que tanto uma sobreprevisão de 50 como uma previsão inferior a 50 estão desactivadas em 50. Usando os dados do exemplo de suavização exponencial, MAD pode ser calculado como se segue: (60 x 2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) XxxF7 4 16.35 Portanto, o previsor está fora de uma média de 16,35 unidades por previsão. Quando comparado com o resultado de outros alfas, o forecaster saberá que o alfa com o menor MAD está produzindo a previsão mais precisa. O erro quadrático médio (MSE) também pode ser utilizado da mesma maneira. MSE é a soma dos erros de previsão ao quadrado dividido por N-1 (x2211 (FE)) x00F7 (N-1). Esquadrando os erros de previsão elimina a possibilidade de compensar números negativos, uma vez que nenhum dos resultados pode ser negativo. Utilizando os mesmos dados acima, o MSE seria: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Tal como acontece com MAD, o meteorologista pode comparar o MSE de previsões derivadas usando vários valores de alfa e Assumir que o alfa com o menor MSE está produzindo a previsão mais precisa. O erro percentual absoluto médio (MAPE) é o erro percentual absoluto médio. Para chegar ao MAPE deve-se tomar a soma das razões entre o erro de previsão e os tempos reais de demanda 100 (para obter a porcentagem) e dividir por N (x2211 Demanda real x2212 previsão x00F7 Demanda real) xD7 100 x00F7 N. Usando os dados de O exemplo de suavização exponencial, MAPE pode ser calculado da seguinte forma: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Como com MAD e MSE, quanto menor o erro relativo, mais precisa a previsão. Deve-se notar que em alguns casos a capacidade da previsão de mudar rapidamente para responder a mudanças nos padrões de dados é considerada mais importante do que a precisão. Portanto, onex0027s escolha do método de previsão deve refletir o equilíbrio relativo de importância entre precisão e capacidade de resposta, conforme determinado pelo previsor. FAZENDO UMA PREVISÃO William J. Stevenson lista o seguinte como as etapas básicas no processo de previsão: Determine a finalidade do forecastx0027s. Fatores como como e quando a previsão será usada, o grau de precisão necessária e o nível de detalhe desejado determinam o custo (tempo, dinheiro, funcionários) que pode ser dedicado à previsão e o tipo de método de previsão a ser utilizado . Estabelecer um horizonte de tempo. Isso ocorre depois que se determinou o propósito da previsão. As previsões a mais longo prazo exigem horizontes de tempo mais longos e vice-versa. Precisão é novamente uma consideração. Selecione uma técnica de previsão. A técnica selecionada depende da finalidade da previsão, do horizonte temporal desejado e do custo permitido. Reunir e analisar dados. A quantidade e o tipo de dados necessários são regidos pelo propósito da previsão, a técnica de previsão selecionada e quaisquer considerações de custo. Faça a previsão. Monitorar a previsão. Avalie o desempenho da previsão e modifique, se necessário. LEITURA ADICIONAL: Finch, Byron J. Operações Agora: Lucratividade, Processos, Desempenho. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Análise Econométrica. 5 ed. Upper Saddle River, Nova Jersey: Prentice Hall, 2003. Joppe, Dr. Marion. X0022The Nominal Group Technique. x0022 O Processo de Pesquisa. Disponível em x003C ryerson. ca Stevenson, William J. Gestão de Operações. 8 ed. Boston: McGraw-Hill Irwin, 2005. Leia também artigo sobre Previsão da Wikipedia