Examinez-le Liste certaines des opérations et des fonctions d'une entreprise qui dépendent d'une prévision de la demande de produit. Quelle est la différence entre les méthodes de prévisions quantitatives et les méthodes de prévisions qualitatives? Décrire la différence entre les prévisions à court et à long terme. Discuter du rôle des prévisions dans la gestion de la chaîne d'approvisionnement. Pourquoi les prévisions exactes sont-elles si importantes pour les entreprises qui utilisent un système d'inventaire de réapprovisionnement continu? Discutez de la relation entre la prévision et la TQM. Quels types de méthodes de prévision sont utilisées pour la planification stratégique à long terme Décrire la méthode Delphi pour la prévision. Quelle est la différence entre une tendance et un cycle et un schéma saisonnier Comment la méthode de la moyenne mobile est-elle similaire au lissage exponentiel Dans les exemples de chapitre pour les méthodes de séries chronologiques, on a toujours supposé que la prévision de départ était la même que la demande réelle dans la première période . Suggérez d'autres façons que la prévision de départ pourrait être dérivée dans l'utilisation réelle. Quel effet sur le modèle de lissage exponentiel augmentera la constante de lissage? Comment le lissage exponentiel ajusté diffère-t-il du lissage exponentiel? Qu'est-ce qui détermine le choix de la constante de lissage pour la tendance dans un modèle de lissage exponentiel ajusté Comment le modèle de prévision de ligne de tendance linéaire diffère - Modèle de régression pour la prévision Parmi les modèles de séries chronologiques présentés dans ce chapitre, y compris la moyenne mobile et la moyenne mobile pondérée, le lissage exponentiel et le lissage exponentiel ajusté, et la ligne de tendance linéaire, laquelle considérez-vous la meilleure? Sur une ligne de tendance linéaire pour la demande prévue qui présente une tendance Décrire comment une prévision est surveillée pour détecter les biais. Expliquer la relation entre l'utilisation d'un signal de suivi et les limites de contrôle statistique pour le contrôle des prévisions. Sélection de MAD, MAPD, MSE, E et E. Quelle est la différence entre la régression linéaire et la régression multiple? Définissez les différentes composantes (y, x, a et b) d'une équation de régression linéaire. Une entreprise qui produit du matériel vidéo, y compris des magnétoscopes, des caméras vidéo et des téléviseurs, essaie de prévoir ce que les nouveaux produits et innovations de produits pourraient être technologiquement réalisables et que les clients pourraient exiger dix ans dans le futur. Estimez quel type de méthodes qualitatives il pourrait utiliser pour développer ce type de prévision. Exercice de glisser-déplacer Avec votre souris, faites glisser les termes à l'emplacement approprié sur le graphique. Lancement de l'exercice 10.1 Problèmes résolus 1. Moyenne mobile Une entreprise manufacturière a une demande mensuelle pour l'un de ses produits comme suit: Développer une prévision moyenne mobile à trois périodes et une moyenne mobile pondérée à trois périodes avec des pondérations de 0,50, 0,30 et 0,20 pour Les valeurs de demande les plus récentes, dans cet ordre. Calculer MAD pour chaque prévision, et indiquer ce qui semble le plus précis. Étape 1. Calculez la moyenne mobile sur 3 mois en utilisant la formule Pour mai, la prévision moyenne mobile est l'étape 2. Calculez la moyenne mobile pondérée de 3 mois en utilisant la formule Pour mai, la prévision moyenne pondérée est Les valeurs des prévisions moyennes mobiles Sont indiquées dans le tableau suivant: Étape 3. Calculez la valeur MAD pour les deux prévisions: La valeur MAD pour la moyenne mobile sur 3 mois est de 80,0 et la valeur MAD pour la moyenne mobile pondérée sur 3 mois est de 75,6 indiquant qu'il n'y a pas Beaucoup de différence dans l'exactitude entre les deux prévisions, bien que la moyenne mobile pondérée soit légèrement meilleure. 2. Lissage exponentiel Une entreprise de logiciels a connu la demande suivante pour son progiciel de finances personnelles: Développer une prévision de lissage exponentielle en utilisant une prévision de lissage exponentielle de 0,40 et une prévision de lissage exponentielle ajustée en utilisant 0,40 et b 0,20. Comparer l'exactitude des deux prévisions en utilisant MAD et l'erreur cumulative. Étape 1. Calculez la prévision de lissage exponentiel avec un 0.40 en utilisant la formule suivante: Pour la période 2, la prévision (en supposant F 1 56) est Pour la période 3, la prévision est calculée de la même façon et sont présentées dans le tableau ci-joint. Étape 2. Calculez la prévision de lissage exponentielle ajustée avec 0,40 et b 0,20 en utilisant la formule En commençant par la prévision pour la période 3 (puisque F 1 F 2 et nous supposerons T 2 0), les prévisions ajustées restantes sont calculées de façon similaire et sont Comme indiqué dans le tableau suivant: Étape 3. Calculez la valeur MAD pour chaque prévision: Étape 4. Calculez l'erreur cumulative pour chaque prévision: Étant donné que MAD et l'erreur cumulative sont moins élevés pour la prévision ajustée, il semble être le plus précis . 3. Régression linéaire Un magasin local de produits de construction a accumulé des données sur les ventes pour 2 165 4 bois d'œuvre (pieds de planches) et le nombre de permis de construction dans sa région pour les dix derniers trimestres: Élaborer un modèle de régression linéaire pour ces données et déterminer la force De la relation linéaire par corrélation. Si le modèle semble relativement fort, déterminer les prévisions pour le bois donné dix permis de construction au prochain trimestre. Étape 1. Calculer les composantes de l'équation de régression linéaire, y a bx, en utilisant les formules des moindres carrés Étape 2. Développer l'équation de régression linéaire: Étape 3. Calculer le coefficient de corrélation: Ainsi, il semble y avoir une relation linéaire forte. Étape 4. Calculer la prévision pour les permis de x 10. Les données de lissage enlèvent la variation aléatoire et montrent les tendances et les composantes cycliques Inherente à la collecte des données prises dans le temps est une forme de variation aléatoire. Il existe des procédés pour réduire l'annulation de l'effet dû à une variation aléatoire. Une technique souvent utilisée dans l'industrie est le lissage. Cette technique, lorsqu'elle est correctement appliquée, révèle plus clairement la tendance sous-jacente, les composantes saisonnières et cycliques. Il existe deux groupes distincts de méthodes de lissage Méthodes de moyenne Méthodes de lissage exponentielles Prendre des moyennes est le moyen le plus simple de lisser les données Nous allons d'abord étudier certaines méthodes de calcul de la moyenne, comme la moyenne simple de toutes les données passées. Un gestionnaire d'un entrepôt veut savoir combien un fournisseur typique livre en unités de 1000 dollars. Heshe prélève au hasard un échantillon de 12 fournisseurs, obtenant les résultats suivants: Moyenne ou moyenne calculée des données 10. Le gestionnaire décide d'utiliser cette estimation comme estimation des dépenses d'un fournisseur type. Est-ce une bonne ou mauvaise estimation L'erreur quadratique moyenne est un moyen de juger de la qualité d'un modèle? Nous calculons l'erreur quadratique moyenne. Le montant exact de l'erreur dépensé moins le montant estimé. L'erreur au carré est l'erreur ci-dessus, au carré. Le SSE est la somme des erreurs au carré. Le MSE est la moyenne des erreurs au carré. Les résultats sont: Erreur et carré Erreurs L'estimation 10 La question se pose: pouvons-nous utiliser la moyenne pour prévoir le revenu si nous soupçonnons une tendance Un regard sur le graphique ci-dessous montre clairement que nous ne devrions pas faire. La moyenne moyenne de toutes les observations passées est seulement une estimation utile pour la prévision quand il n'y a pas de tendances. S'il ya des tendances, utilisez des estimations différentes qui tiennent compte de la tendance. La moyenne pèse toutes les observations passées également. Par exemple, la moyenne des valeurs 3, 4, 5 est 4. On sait, bien sûr, qu'une moyenne est calculée en additionnant toutes les valeurs et en divisant la somme par le nombre de valeurs. Une autre façon de calculer la moyenne est d'ajouter chaque valeur divisée par le nombre de valeurs, ou 33 43 53 1 1.3333 1.6667 4. Le multiplicateur 13 est appelé le poids. En général: bar fraction somm de gauche (frac droite) x1 gauche (frac droite) x2,. ,, Gauche (frac droite) xn. Méthodes de séries chronologiques Les méthodes de séries chronologiques sont des techniques statistiques qui utilisent des données historiques accumulées sur une période de temps. Les méthodes de séries chronologiques supposent que ce qui s'est passé dans le passé continuera à se produire à l'avenir. Comme le suggère le nom des séries chronologiques, ces méthodes relient la prévision à un seul facteur - temps. Ils incluent la moyenne mobile, le lissage exponentiel et la ligne de tendance linéaire et ils sont parmi les méthodes les plus populaires pour la prévision à courte portée parmi les entreprises de services et de fabrication. Ces méthodes supposent que des tendances historiques identifiables ou des tendances de la demande au fil du temps se reproduiront. Moyenne mobile Une prévision de séries chronologiques peut être aussi simple que d'utiliser la demande dans la période en cours pour prédire la demande au cours de la période suivante. C'est ce qu'on appelle parfois une prévision naïve ou intuitive. Par exemple, si la demande est de 100 unités cette semaine, la demande pour les prochaines semaines demande est de 100 unités si la demande se révèle être de 90 unités à la place, puis la demande des semaines suivantes est de 90 unités, et ainsi de suite. Ce type de méthode de prévision ne prend pas en compte le comportement historique de la demande, il ne dépend que de la demande dans la période courante. Il réagit directement aux mouvements normaux et aléatoires de la demande. La méthode de la moyenne mobile simple utilise plusieurs valeurs de demande au cours du passé récent pour élaborer une prévision. Cela tend à amortir, ou à lisser, les augmentations et les baisses aléatoires d'une prévision qui n'utilise qu'une seule période. La moyenne mobile simple est utile pour la prévision de la demande qui est stable et ne montre pas de comportement prononcé de la demande, comme une tendance ou un schéma saisonnier. Les moyennes mobiles sont calculées pour des périodes spécifiques, comme trois mois ou cinq mois, selon la mesure dans laquelle le prévisionniste désire lisser les données de la demande. Plus la période de la moyenne mobile est longue, plus elle sera lisse. La formule pour calculer la moyenne mobile simple est de calculer une moyenne mobile simple La société de fournitures de bureau Instant Paper Clip vend et fournit des fournitures de bureau aux entreprises, écoles et agences dans un rayon de 50 milles de son entrepôt. L'offre de fournitures de bureau est concurrentielle et la capacité de livrer rapidement des commandes est un facteur qui permet d'obtenir de nouveaux clients et de conserver les anciens. (Les bureaux ne commandent généralement pas quand ils manquent de fournitures, mais quand ils sont complètement épuisés. Par conséquent, ils ont besoin de leurs commandes immédiatement.) Le gestionnaire de la société veut être certain que les conducteurs et les véhicules sont disponibles pour livrer les commandes rapidement et Ils ont un inventaire adéquat en stock. Par conséquent, le gestionnaire souhaite pouvoir prévoir le nombre d'ordres qui se produiront au cours du mois suivant (c'est-à-dire prévoir la demande pour les livraisons). À partir des enregistrements des ordres de livraison, la direction a accumulé les données suivantes pour les 10 derniers mois, à partir de laquelle il veut calculer des moyennes mobiles de 3 et 5 mois. Supposons que c'est la fin d'octobre. La prévision résultant soit de la moyenne mobile à 3 ou 5 mois est généralement pour le mois suivant dans la séquence, qui dans ce cas est Novembre. La moyenne mobile est calculée à partir de la demande pour les ordres pour les 3 mois précédents dans la séquence selon la formule suivante: La moyenne mobile sur 5 mois est calculée à partir des données de la demande précédente de 5 mois comme suit: Les 3 et 5 mois Les prévisions de moyenne mobile pour tous les mois de données sur la demande sont présentées dans le tableau suivant. En fait, seule la prévision pour novembre, basée sur la plus récente demande mensuelle, serait utilisée par le gestionnaire. Cependant, les prévisions antérieures pour les mois précédents nous permettent de comparer la prévision avec la demande réelle pour voir à quel point la méthode de prévision est précise, c'est-à-dire comment elle fonctionne. Moyennes de trois et cinq mois Les deux prévisions de la moyenne mobile dans le tableau ci-dessus tendent à lisser la variabilité des données réelles. Cet effet de lissage peut être observé dans la figure suivante où les moyennes sur 3 mois et sur 5 mois ont été superposées à un graphique des données originales: La moyenne mobile sur 5 mois de la figure précédente lisse les fluctuations dans une plus grande mesure que La moyenne mobile de 3 mois. Toutefois, la moyenne sur 3 mois reflète plus fidèlement les données les plus récentes dont dispose le gestionnaire de l'offre de bureau. En général, les prévisions utilisant la moyenne mobile à plus longue période sont plus lentes à réagir aux changements récents de la demande que ne le feraient les moyennes mobiles à plus courte période. Les périodes supplémentaires de données ralentissent la vitesse avec laquelle la prévision répond. L'établissement du nombre approprié de périodes à utiliser dans une prévision moyenne mobile nécessite souvent une certaine quantité d'essais expérimentaux. L'inconvénient de la méthode de la moyenne mobile est qu'il ne réagit pas aux variations qui se produisent pour une raison, comme les cycles et les effets saisonniers. Les facteurs qui provoquent des changements sont généralement ignorés. Il s'agit essentiellement d'une méthode mécanique, qui reflète les données historiques d'une manière cohérente. Cependant, la méthode de la moyenne mobile présente l'avantage d'être facile à utiliser, rapide et relativement peu coûteuse. En général, cette méthode peut fournir une bonne prévision à court terme, mais elle ne doit pas être poussée trop loin dans l'avenir. Moyenne mobile pondérée La méthode de la moyenne mobile peut être ajustée pour refléter plus étroitement les fluctuations des données. Dans la méthode de la moyenne mobile pondérée, les pondérations sont affectées aux données les plus récentes selon la formule suivante: Les données de demande pour PM Computer Services (indiquées dans le tableau de l'exemple 10.3) semblent suivre une tendance linéaire croissante. L'entreprise veut calculer une ligne de tendance linéaire pour voir si elle est plus précise que le lissage exponentiel et les prévisions de lissage exponentielles ajustées développées dans les exemples 10.3 et 10.4. Les valeurs requises pour les calculs des moindres carrés sont les suivantes: En utilisant ces valeurs, les paramètres de la ligne de tendance linéaire sont calculés comme suit: Pour calculer une prévision pour la période 13, soit x 13 dans la droite linéaire Ligne de tendance: Le graphique suivant montre la ligne de tendance linéaire par rapport aux données réelles. La ligne de tendance semble refléter étroitement les données réelles - c'est-à-dire être un bon ajustement - et serait donc un bon modèle de prévision pour ce problème. Cependant, un inconvénient de la ligne de tendance linéaire est qu'il ne s'adaptera pas à un changement dans la tendance, comme c'est le cas pour les méthodes de prévision exponentielle du lissage, on suppose que toutes les prévisions futures suivront une ligne droite. Cela limite l'utilisation de cette méthode à un délai plus court dans lequel vous pouvez être relativement certain que la tendance ne changera pas. Ajustements saisonniers Un schéma saisonnier est une augmentation et une diminution répétitives de la demande. De nombreux articles de demande présentent un comportement saisonnier. Les ventes de vêtements suivent les tendances saisonnières annuelles, la demande de vêtements chauds augmentant à l'automne et à l'hiver et diminuant au printemps et en été alors que la demande de vêtements plus froids augmente. La demande pour de nombreux articles de vente au détail, y compris les jouets, les équipements sportifs, les vêtements, les appareils électroniques, les jambons, les dindes, le vin et les fruits, augmente pendant la période des Fêtes. La demande de carte de voeux augmente parallèlement à des jours spéciaux tels que le jour de la Saint Valentin et la fête des Mères. Les profils saisonniers peuvent également se produire sur une base mensuelle, hebdomadaire, ou même quotidienne. Certains restaurants ont une demande plus élevée dans la soirée que le déjeuner ou le week-end par opposition à la semaine. Le trafic - donc les ventes - dans les centres commerciaux reprend vendredi et samedi. Il existe plusieurs méthodes pour refléter les tendances saisonnières dans une série chronologique. Nous allons décrire une des méthodes plus simples utilisant un facteur saisonnier. Un facteur saisonnier est une valeur numérique qui est multipliée par la prévision normale pour obtenir une prévision désaisonnalisée. Une méthode pour développer une demande de facteurs saisonniers consiste à diviser la demande pour chaque période saisonnière par la demande annuelle totale, selon la formule suivante: Les facteurs saisonniers résultants entre 0 et 1,0 sont en fait la part de la demande annuelle totale attribuée à Chaque saison. Ces facteurs saisonniers sont multipliés par la demande annuelle prévue pour produire des prévisions ajustées pour chaque saison. Calculer une prévision avec des ajustements saisonniers Wishbone Farms cultive des dindes pour vendre à une entreprise de transformation de la viande tout au long de l'année. Cependant, sa période de pointe est évidemment au cours du quatrième trimestre de l'année, d'octobre à décembre. La demande de dindons pour les trois dernières années est la suivante: Puisque nous disposons de trois années de données sur la demande, nous pouvons calculer les facteurs saisonniers en divisant la demande trimestrielle totale pour les trois années par la demande totale pour les trois années : Ensuite, nous voulons multiplier la demande prévue pour l'année prochaine, 2000, par chacun des facteurs saisonniers pour obtenir la demande prévue pour chaque trimestre. Pour ce faire, nous avons besoin d'une prévision de la demande pour 2000. Dans ce cas, puisque les données sur la demande dans le tableau semblent afficher une tendance généralement croissante, nous calculons une ligne de tendance linéaire pour les trois années de données dans le tableau pour obtenir un Estimation de prévision: Ainsi, la prévision pour 2000 est 58.17, ou 58.170 dindes. En comparant ces prévisions trimestrielles avec les valeurs réelles de la demande dans le tableau, ces prévisions annuelles semblent être relativement bonnes, reflétant à la fois les variations saisonnières des données et La tendance générale à la hausse. 10-12. Comment la méthode de la moyenne mobile est-elle similaire au lissage exponentiel 10-13. Quel effet sur le modèle de lissage exponentiel augmentera la constante de lissage 10-14. Comment le lissage exponentiel ajusté diffère-t-il du lissage exponentiel 10-15. Ce qui détermine le choix de la constante de lissage pour la tendance dans un modèle de lissage exponentiel ajusté 10-16. Dans les exemples de chapitre pour les méthodes de séries chronologiques, on a toujours supposé que la prévision de départ était la même que la demande réelle au cours de la première période. Suggérez d'autres façons que la prévision de départ pourrait être dérivée dans l'utilisation réelle. 10-17. Comment le modèle de prévision de ligne de tendance linéaire diffère-t-il d'un modèle de régression linéaire pour les prévisions 10-18. Parmi les modèles de séries chronologiques présentés dans ce chapitre, y compris la moyenne mobile et la moyenne mobile pondérée, le lissage exponentiel et le lissage exponentiel ajusté, et la ligne de tendance linéaire, laquelle considérez-vous la meilleure? Quels avantages le lissage exponentiel ajusté a-t-il sur une ligne de tendance linéaire pour la demande prévue qui présente une tendance 4 K. Kahn et J. T. Mentzer, Prévisions dans les marchés de consommation et industriels, The Journal of Business Forecasting 14, no. 2 (été 1995): 21-28.
No comments:
Post a Comment