CHAVE DE FORNECIMENTO CONSIDERADA A previsão estatística baseia-se em vários tipos de fórmulas: Fórmulas em que se baseiam os modelos de previsão Fórmulas que são usadas para avaliar os resultados da previsão. Fórmula para calcular a faixa de tolerância para a correção automática de atalhamento Fórmulas para modelos de previsão Modelos em média móvel Este modelo É usado para excluir irregularidades no padrão de séries temporais. A média dos valores da última série temporal é calculada. A média pode sempre ser calculada a partir de n valores de acordo com a fórmula (1). Fórmula para a média móvel Assim, a nova média é calculada a partir do valor médio anterior e o valor atual ponderado com 1n, menos o valor mais antigo ponderado com 1n. Este procedimento só é adequado para séries temporais que são constantes, ou seja, para séries temporais sem padrões de tendência ou temporada. Como todos os dados históricos são igualmente ponderados com o fator 1n, é necessário precisamente n períodos para que a previsão se adapte a uma possível mudança de nível. Modelo de média móvel ponderada Você obtém melhores resultados do que aqueles obtidos com o modelo de média móvel, introduzindo fatores de ponderação para cada valor histórico. No modelo de média móvel ponderada, cada valor histórico é ponderado com o fator R. A soma dos fatores de ponderação é 1 (ver fórmulas (3) e (4) abaixo). Fórmula para a média móvel ponderada Se a série temporal a ser prevista contiver variações semelhantes a tendências, você alcançará melhores resultados usando o modelo de média móvel ponderada em vez do modelo de média móvel. O modelo de média móvel ponderada pesa dados mais recentes do que dados mais antigos ao determinar a média, desde que você tenha selecionado os fatores de ponderação em conformidade. Portanto, o sistema pode reagir mais rapidamente a uma mudança de nível. A precisão deste modelo depende em grande parte da sua escolha de fatores de ponderação. Se o padrão das séries temporais mudar, você também deve adaptar os fatores de ponderação. Modelo de suavização exponencial de primeira ordem Os princípios por trás desse modelo são: quanto mais velhos forem os valores das séries temporais, menos importantes serão para o cálculo da previsão. O atual erro de previsão é levado em consideração nas previsões subseqüentes. O modelo de constante de suavização exponencial pode ser derivado das duas considerações acima (veja a fórmula (5) abaixo). Nesse caso, a fórmula é usada para calcular o valor básico. Uma simples transformação produz a fórmula básica para suavização exponencial (veja a fórmula (6) abaixo). Fórmulas para Suavização Exponencial Determinando o Valor Básico Para determinar o valor da previsão, tudo o que você precisa é o valor da previsão anterior, o último valor histórico e o fator de alívio 8220alpha8221. Esse fator de suavização pesa mais nos valores históricos mais recentes do que os menos recentes, de modo que eles têm maior influência na previsão. A rapidez com que a previsão reage a uma mudança no padrão depende do fator de suavização. Se você escolher 0 para alfa, a nova média será igual à antiga. Neste caso, o valor básico calculado anteriormente permanece, isto é, a previsão não reage aos dados atuais. Se você escolher 1 para o valor alfa, a nova média será igual ao último valor na série temporal. Os valores mais comuns para alfa situam-se, portanto, entre 0,1 e 0,5. Por exemplo, um valor alfa de 0,5 valores históricos de pesos da seguinte forma: 1º valor histórico: 50 2º valor histórico: 25 3º valor histórico: 12,5 4º valor histórico: 6,25 Os pesos dos dados históricos podem ser alterados por um único parâmetro. Portanto, é relativamente fácil responder às mudanças nas séries temporais. O modelo constante de alisamento exponencial de primeira ordem derivado acima pode ser aplicado a séries temporais que não possuem padrões de tendência ou variações sazonais. Fórmula geral para suavização exponencial de primeira ordem Usando a fórmula básica derivada acima (6), a fórmula geral para suavização exponencial de primeira ordem (7) é determinada levando em consideração as variações sazonais e de tendência. Aqui, o valor básico, o valor da tendência e o índice sazonal são calculados como mostrado nas fórmulas (8) 8211 (10). Fórmulas para o Suavização Exponencial de Primeira Ordem Modelo de Suavização Exponencial de Segunda Ordem Se, em vários períodos, uma série de tempo mostra uma alteração no valor médio que corresponde ao modelo de tendência, os valores de previsão sempre ficam atrás dos valores reais por um ou vários períodos No procedimento de suavização exponencial de primeiro orden. Você pode conseguir um ajuste mais eficiente da previsão para o padrão de valores reais, usando o suavização exponencial de segunda ordem. O modelo de suavização exponencial de segundo orden é baseado em uma tendência linear e consiste em duas equações (ver fórmula (11)). A primeira equação corresponde ao de alisamento exponencial de primeira ordem, exceto os índices entre colchetes. Na segunda equação, os valores calculados na primeira equação são usados como valores iniciais e são suavizados de novo. Fórmulas para Critérios de Avaliação de Previsão de Suavização Exponencial de Segunda Ordem Cada previsão deve fornecer algum tipo de base para uma decisão. O sistema SAP R3 calcula os seguintes parâmetros para avaliação de uma qualidade de previsões: Erro total Desvio absoluto médio (MAD) Sinal de rastreamento Coeficiente Theil Desvio médio absoluto para inicialização de previsão Desvio absoluto médio para Fórmula de previsão Ex-Post para a pista de tolerância Para corrigir outliers automaticamente em Os dados históricos em que a previsão se baseia, você seleciona o controle Outlier no perfil de previsão. O sistema calcula então uma pista de tolerância para as séries temporais históricas, com base no fator sigma. Os dados históricos que ficam fora da linha de tolerância são corrigidos para que ele corresponda ao valor ex-post para esse ponto no tempo. Se você executar a previsão on-line, os dados históricos que foram corrigidos automaticamente por esta função são indicados na coluna C da caixa de diálogo Previsão: Valores históricos. A largura da pista de tolerância para o controle outlier é definida pelo fator sigma. Quanto menor o fator sigma, maior o controle. O fator sigma padrão é 1, o que significa que 90 dos dados permanecem não corrigidos. Se você definir o fator sigma você mesmo, defina-o entre 0,6 e 2.LSCM 3960 ch 7 planejamento, previsão e reposição colaborativo (CPFR). Procura aprimorar o inventário gerenciado pelo fornecedor e o reabastecimento contínuo através de um meio mais proativo de compartilhamento de informações entre a cadeia de suprimentos Parceiros. Os parceiros da cadeia de suprimentos colaboram em coisas como planejamento de vendas, promoções, previsões, meios de entrega e níveis de inventário em toda a cadeia de suprimentos para melhorar o serviço e impulsionar o crescimento da receita. A comunicação no CPFR abrange a gama de sistemas baseados na web para sessões periódicas de planejamento presencial. Muitos revendedores hoje mantêm uma presença quotbricks-and-mortarquot e quotclicks-and-mortarquot para o consumidor. Ou seja, os varejistas têm lojas de varejo, bem como sites da Internet onde os consumidores podem comprar diretamente. O cumprimento integral significa que o varejista opera uma rede de distribuição para atender esses dois canais. Uma opção de preenchimento de pedidos para o revendedor que deseja ter uma loja e uma presença na Internet. A realização dedicada atinge os mesmos objetivos de entrega que a realização integrada, mas com duas redes de distribuição separadas. Ter uma rede de distribuição separada para a entrega da loja e entrega do consumidor elimina a maioria das desvantagens da realização integrada. Definição do modelo médio móvel ponderado No modelo de média móvel ponderada (estratégia de previsão 14), todo valor histórico é ponderado com um fator do grupo de ponderação em O perfil de previsão univariada. Fórmula para a média móvel ponderada O modelo de média móvel ponderada permite que você pesa mais os dados históricos recentes do que dados mais antigos ao determinar a média. Você faz isso se os dados mais recentes forem mais representativos do que a demanda futura será do que dados mais antigos. Portanto, o sistema pode reagir mais rapidamente a uma mudança de nível. A precisão deste modelo depende em grande parte da sua escolha de fatores de ponderação. Se o padrão das séries temporais mudar, você também deve adaptar os fatores de ponderação. Ao criar um grupo de ponderação, você insere os fatores de ponderação como porcentagens. A soma dos fatores de ponderação não precisa ser 100. Nenhuma previsão ex-post é calculada com esta estratégia de previsão.
No comments:
Post a Comment