مثال من بين بسيط الحركة من المتوسط التنبؤ

أور-نوتس عبارة عن سلسلة من الملاحظات التمهيدية حول الموضوعات التي تقع تحت عنوان واسع من مجال بحوث العمليات (أور). كانوا يستخدمون أصلا من قبل لي في تمهيدية أو بالطبع أعطي في كلية إمبريال. وهي متاحة الآن للاستخدام من قبل أي طالب والمعلمين المهتمين في أو تخضع للشروط التالية. يمكن العثور على قائمة كاملة بالموضوعات المتوفرة في أور-نوتس هنا. أمثلة للتنبؤ التنبؤ مثال عام 1996 امتحان أوغ ويظهر الطلب على منتج في كل من الأشهر الخمسة الماضية أدناه. استخدام المتوسط ​​المتحرك لمدة شهرين لتوليد توقعات للطلب في الشهر 6. تطبيق تمهيد الأسي مع ثابت تمهيد من 0.9 لتوليد توقعات للطلب على الطلب في الشهر 6. أي من هذين التنبؤين تفضل ولماذا تتحرك الشهرين متوسط ​​لشهرين إلى خمسة تعطى من قبل: التوقعات للشهر السادس هو مجرد المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك للشهر 5 م 5 2350. تطبيق تمهيد الأسي مع ثابت تمهيد من 0.9 نحصل على: كما كان من قبل فإن توقعات الشهر السادس هي مجرد المتوسط ​​للشهر 5 M 5 2386 لمقارنة التوقعين نحسب متوسط ​​الانحراف التربيعي (مسد). إذا قمنا بذلك نجد أنه بالنسبة للمتوسط ​​المتحرك مسد (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 وبالنسبة للمتوسط ​​الملمس أضعافا مع ثابت التمهيد 0.9 مسد (13-17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 وبشكل عام نرى أن التمهيد الأسي يبدو أنه يعطي أفضل التوقعات قبل شهر واحد حيث أن لديه مسد أقل. وبالتالي نحن نفضل توقعات 2386 التي تم إنتاجها من قبل التمهيد الأسي. التنبؤ مثال 1994 امتحان أوغ ويبين الجدول أدناه الطلب على ما بعد البيع الجديد في متجر لكل من الأشهر ال 7 الماضية. احسب المتوسط ​​المتحرك لمدة شهرين لمدة شهرين إلى سبعة. ماذا سيكون توقعاتك للطلب في الشهر الثامن تطبيق التمهيد الأسي مع ثابت التمهيد من 0.1 لاستخلاص توقعات للطلب في الشهر الثامن. أي من التنبؤين في الشهر الثامن تفضلون ولماذا يعتقد حارس متجر أن العملاء يتحولون إلى هذا الجديد بعد البيع من العلامات التجارية الأخرى. ناقش كيف يمكنك نموذج سلوك التحويل هذا وبيان البيانات التي ستحتاجها لتأكيد ما إذا كان هذا التحويل يحدث أم لا. ويعطى المتوسط ​​المتحرك لشهرين إلى سبعة أشهر من قبل: التوقعات لشهر الثامن هو مجرد المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك لشهر 7 م 7 46. تطبيق تمهيد الأسي مع ثابت تمهيد من 0.1 نحن الحصول على: كما هو الحال قبل توقعات الشهر الثامن هو مجرد المتوسط ​​للشهر 7 M 7 31.11 31 (كما أننا لا يمكن أن يكون الطلب كسور). لمقارنة اثنين من التوقعات نحسب متوسط ​​الانحراف التربيعي (مسد). إذا قمنا بذلك نجد أنه بالنسبة للمتوسط ​​المتحرك والمتوسط ​​السلس المتوسط ​​مع ثابت التمهيد 0.1 بشكل عام فإننا نرى أن المتوسط ​​المتحرك لشهرين يبدو أنه يعطي أفضل التوقعات قبل شهر واحد حيث أن لديه مسد أقل. وبالتالي فإننا نفضل توقعات 46 التي تم إنتاجها من قبل المتوسط ​​المتحرك لمدة شهرين. لفحص التحول سنحتاج إلى استخدام نموذج عملية ماركوف، حيث الدول العلامات التجارية، ونحن بحاجة إلى معلومات الحالة الأولية واحتمالات التحول العملاء (من الدراسات الاستقصائية). نحن بحاجة إلى تشغيل النموذج على البيانات التاريخية لمعرفة ما إذا كان لدينا تناسب بين النموذج والسلوك التاريخي. التنبؤ مثال 1992 امتحان أوغ ويبين الجدول أدناه الطلب على علامة تجارية معينة من الحلاقة في متجر لكل من الأشهر التسعة الماضية. احسب المتوسط ​​المتحرك لمدة ثلاثة أشهر للأشهر من 3 إلى 9. ما هي توقعاتك للطلب في الشهر العاشر تطبيق التجانس الأسي مع ثابت التمهيد 0.3 لاستخلاص توقعات للطلب في الشهر العاشر. أي من التنبؤين للشهر العشر تفضلون ولماذا يعطى المتوسط ​​المتحرك لمدة ثلاثة أشهر للأشهر 3 إلى 9 من خلال: التوقعات لشهر 10 هي مجرد المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك لشهر 9 م 9 20-33. وبالتالي (كما أننا لا يمكن أن يكون الطلب كسور) توقعات الشهر 10 هو 20. تطبيق التمهيد الأسي مع ثابت تمهيد من 0.3 نحصل على: كما كان قبل توقعات لشهر 10 هو مجرد متوسط ​​للشهر 9 M 9 18.57 19 (كما نحن لا يمكن أن يكون الطلب كسور). لمقارنة اثنين من التوقعات نحسب متوسط ​​الانحراف التربيعي (مسد). إذا قمنا بذلك نجد أنه بالنسبة للمتوسط ​​المتحرك والمتوسط ​​المتحرك الأسي مع ثابت التمهيد 0.3 بشكل عام فإننا نرى أن المتوسط ​​المتحرك لمدة ثلاثة أشهر يبدو أنه يعطي أفضل التوقعات قبل شهر واحد كما أن لديه مسد أقل. وبالتالي نحن نفضل توقعات 20 التي تم إنتاجها من قبل المتوسط ​​المتحرك لمدة ثلاثة أشهر. التنبؤ مثال 1991 امتحان أوغ ويبين الجدول أدناه الطلب على علامة تجارية معينة من جهاز الفاكس في متجر في كل من الأشهر الاثني عشر الماضية. احسب المتوسط ​​المتحرك لمدة أربعة أشهر للأشهر من 4 إلى 12. ما هي توقعاتك للطلب في الشهر 13 تطبيق التمهيد الأسي مع ثابت التمهيد 0.2 لاستخلاص توقعات للطلب في الشهر 13. أي من اثنين من التوقعات في الشهر 13 هل تفضل ولماذا العوامل الأخرى التي لم تؤخذ في الاعتبار في الحسابات أعلاه قد تؤثر على الطلب على جهاز الفاكس في الشهر 13 ويعطى المتوسط ​​المتحرك لمدة أربعة أشهر للأشهر 4 إلى 12 بما يلي: m 4 (23 19 15 12) 4 17،25 م 5 (27 23 19 15) 4 21 م 6 (30 27 23 19) 4 24،75 م 7 (32 30 27 23) 4 28 م 8 (33 32 30 27) 4 30،5 م 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 التوقعات لشهر 13 هي فقط المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك في الشهر 12 م 12 46.25. وبالتالي (كما أننا لا يمكن أن يكون الطلب كسور) توقعات لشهر 13 هو 46. تطبيق تمهيد الأسي مع ثابت تمهيد من 0.2 نحصل على: كما هو الحال قبل توقعات لشهر 13 هو مجرد متوسط ​​للشهر 12 M 12 38.618 39 (كما نحن لا يمكن أن يكون الطلب كسور). لمقارنة اثنين من التوقعات نحسب متوسط ​​الانحراف التربيعي (مسد). إذا قمنا بذلك نجد أنه بالنسبة للمتوسط ​​المتحرك والمتوسط ​​المتحرك الأسي مع ثابت التمهيد 0.2 بشكل عام فإننا نرى أن المتوسط ​​المتحرك لمدة أربعة أشهر يبدو أنه يعطي أفضل التوقعات قبل شهر واحد حيث أن لديه مسد أقل. وبالتالي فإننا نفضل توقعات 46 التي تم إنتاجها من قبل المتوسط ​​المتحرك لمدة أربعة أشهر. التغيرات الموسمية الطلب على الأسعار الإعلان، على حد سواء هذه العلامة التجارية وغيرها من العلامات التجارية الوضع الاقتصادي العام التكنولوجيا الجديدة مثال على التنبؤ 1989 امتحان أوغ ويبين الجدول أدناه الطلب على ماركة معينة من فرن الميكروويف في متجر في كل من الأشهر الاثني عشر الماضية. احسب المتوسط ​​المتحرك لمدة ستة أشهر لكل شهر. ماذا سيكون توقعاتك للطلب في الشهر 13 تطبيق تمهيد الأسي مع ثابت تجانس 0.7 لاستخلاص توقعات للطلب في الشهر 13. أي من اثنين من التوقعات لشهر 13 هل تفضل ولماذا الآن لا يمكننا حساب ستة حتى نحصل على 6 ملاحظات على الأقل - أي أننا لا نستطيع حساب هذا المتوسط ​​إلا من الشهر 6 فصاعدا. ومن هنا يكون لدينا: m 6 (34 32 30 29 31 27) 6 30.50 م 7 (36 34 32 30 29 31) 6 32.00 م 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 إن توقعات الشهر 13 هي فقط المتوسط ​​المتحرك ل شهر قبل ذلك أي المتوسط ​​المتحرك لشهر 12 م 12 38.17. وبالتالي (كما أننا لا يمكن أن يكون الطلب كسور) توقعات الشهر 13 هو 38. تطبيق تمهيد الأسي مع ثابت تمهيد 0.7 نحصل على: المتوسط ​​المتحرك هذا المثال يعلمك كيفية حساب المتوسط ​​المتحرك لسلاسل زمنية في إكسيل. ويستخدم المتوسط ​​المتحرك للتخلص من المخالفات (قمم ووديان) للتعرف بسهولة على الاتجاهات. 1. أولا، دعونا نلقي نظرة على السلاسل الزمنية لدينا. 2. من علامة التبويب بيانات، انقر فوق تحليل البيانات. ملاحظة: لا يمكن العثور على زر تحليل البيانات انقر هنا لتحميل الوظيفة الإضافية تولباس تولباك. .3 حدد متوسط ​​النقل وانقر فوق موافق. .4 انقر في مربع نطاق الإدخال وحدد النطاق B2: M2. 5. انقر في المربع الفاصل الزمني واكتب 6. 6. انقر في المربع نطاق الإخراج وحدد الخلية B3. 8. رسم رسم بياني لهذه القيم. إكسلاناتيون: لأننا نقوم بضبط الفاصل الزمني الى 6، المتوسط ​​المتحرك هو متوسط ​​نقاط البيانات الخمس السابقة ونقطة البيانات الحالية. ونتيجة لذلك، يتم تمهيد قمم والوديان. يظهر الرسم البياني اتجاها متزايدا. لا يستطيع إكسيل حساب المتوسط ​​المتحرك لنقاط البيانات الخمس الأولى لأنه لا توجد نقاط بيانات سابقة كافية. 9. كرر الخطوات من 2 إلى 8 للفاصل الزمني 2 والفاصل الزمني 4. الخاتمة: كلما زاد الفاصل الزمني، كلما تم تمهيد القمم والوديان. كلما كان الفاصل الزمني الأصغر حجما كلما اقتربت المتوسطات المتحركة من نقاط البيانات الفعلية. فيركاستينغ ينطوي التنبؤ على توليد عدد أو مجموعة من الأرقام أو السيناريو الذي يتوافق مع حدوث مستقبلي. ومن الضروري للغاية التخطيط القصير المدى والطويل المدى. وبحسب التعريف، تستند التوقعات إلى البيانات السابقة، بدلا من التنبؤ، الذي هو أكثر موضوعية ويستند إلى غريزة، ويشعر الأمعاء، أو تخمين. على سبيل المثال، فإن الأخبار المسائية يعطي الطقس x0022forecastx0022 لا الطقس x0022prediction. x0022 بغض النظر، وغالبا ما تستخدم المصطلحات التنبؤ والتنبؤ بين بالتغيير. على سبيل المثال، تعاريف تقنية regressionx2014a التي تستخدم أحيانا في التنبؤ x2014 عموما تشير إلى أن الغرض منه هو شرح أو x0022predict. x0022 ويستند التنبؤ على عدد من الافتراضات: الماضي سوف يكرر نفسه. وبعبارة أخرى، فإن ما حدث في الماضي سيحدث مرة أخرى في المستقبل. ومع تقصير أفق التوقعات، تزداد دقة التنبؤات. على سبيل المثال، فإن توقعات الغد ستكون أكثر دقة من توقعات الشهر المقبل ستكون التوقعات للشهر المقبل أكثر دقة من التوقعات للعام المقبل، وسوف تكون التوقعات للعام المقبل أكثر دقة من التوقعات لمدة عشر سنوات في مستقبل. والتنبؤ في المجموع هو أكثر دقة من التنبؤ بالعناصر الفردية. وهذا يعني أن الشركة سوف تكون قادرة على التنبؤ إجمالي الطلب على كامل مجموعة من المنتجات بشكل أكثر دقة من أنها سوف تكون قادرة على التنبؤ وحدات حفظ المخزون الفردية (سكو). على سبيل المثال، يمكن لشركة جنرال موتورز توقع أكثر دقة العدد الإجمالي للسيارات المطلوبة للعام المقبل من العدد الإجمالي لشفروليه إمبالاس البيضاء مع مجموعة خيارات معينة. التنبؤات نادرا ما تكون دقيقة. وعلاوة على ذلك، فإن التنبؤات لا تكاد تكون دقيقة تماما. في حين أن بعض قريبة جدا، وقلة من x0022right على money. x0022 لذلك، فمن الحكمة لتقديم توقعات x0022range. x0022 إذا كان واحد لتوقع الطلب من 100،000 وحدة للشهر المقبل، فمن غير المرجح للغاية أن الطلب سوف يساوي 100،000 بالضبط. ومع ذلك، فإن التوقعات التي تتراوح بين 000 90 و 000 110 سوف توفر هدفا أكبر بكثير للتخطيط. ويليام ج. ستيفنسون يسرد عددا من الخصائص المشتركة بين توقعات جيدة: يجب تحديد درجة دقة Accuratex2014 بعض وتسجيلها بحيث يمكن إجراء مقارنة للتنبؤات البديلة. موثوقx2014 يجب أن توفر طريقة التنبؤ باستمرار توقعات جيدة إذا كان المستخدم هو إنشاء درجة معينة من الثقة. وفي الوقت المناسب، هناك حاجة إلى قدر معين من الوقت للرد على التوقعات، لذا يجب أن يسمح أفق التنبؤ بالوقت اللازم لإجراء التغييرات. سهلة الاستخدام و understandx2014users من توقعات يجب أن تكون واثقة ومريحة العمل معها. وينبغي أن ال تزيد تكلفة وضع التوقعات عن التكلفة التي تحققت من التوقعات. وتتراوح تقنيات التنبؤ من بسيطة إلى معقدة للغاية. وعادة ما تصنف هذه التقنيات على أنها نوعية أو كمية. التقنيات النوعية تعتبر تقنيات التنبؤ النوعي أكثر عمومية من نظيراتها الكمية. التقنيات النوعية هي أكثر فائدة في المراحل الأولى من دورة حياة المنتج، عندما تكون البيانات السابقة أقل لاستخدامها في الأساليب الكمية. وتشمل الأساليب النوعية تقنية دلفي، تقنية المجموعة الاسمية (نغت)، آراء قوة المبيعات، الآراء التنفيذية، وأبحاث السوق. تقنية دلفي. تستخدم تقنية دلفي فريق من الخبراء لإنتاج توقعات. ويطلب من كل خبير تقديم توقعات محددة للحاجة في متناول اليد. وبعد إجراء التوقعات الأولية، يقرأ كل خبير ما كتبه كل خبير آخر، وهو بالطبع متأثر بآرائه. ثم يقوم كل خبير بتنبؤ لاحق. ثم يقرأ كل خبير مرة أخرى ما كتبه كل خبير آخر ويتأثر مرة أخرى بتصورات الآخرين. وتكرر هذه العملية نفسها إلى أن يقترب كل خبير من الاتفاق بشأن السيناريو أو الأرقام المطلوبة. تقنية مجموعة الاسمية. تقنية المجموعة الاسمية تشبه تقنية دلفي في أنها تستخدم مجموعة من المشاركين، وعادة الخبراء. وبعد أن يستجيب المشاركون للأسئلة المتعلقة بالتنبؤات، يصنفون ردودهم حسب الأهمية النسبية المتصورة. ثم يتم تجميع التصنيف وتجميعها. وفي نهاية المطاف، ينبغي أن تتوصل المجموعة إلى توافق في الآراء بشأن أولويات القضايا المصنفة. قوة المبيعات آيات. وغالبا ما يكون موظفو المبيعات مصدرا جيدا للمعلومات المتعلقة بالطلب في المستقبل. قد يطلب مدير المبيعات الحصول على مدخلات من كل شخص مبيعات وتجميع ردودهم في توقعات مركب قوة المبيعات. يجب توخي الحذر عند استخدام هذه التقنية لأن أعضاء قوة المبيعات قد لا تكون قادرة على التمييز بين ما يقوله العملاء وما يفعلونه فعلا. أيضا، إذا تم استخدام التوقعات لإنشاء حصص المبيعات، قد يميل قوة المبيعات لتقديم تقديرات أقل. الآراء التنفيذية. وفي بعض الأحيان، يلتقي المديرون في المستويات العليا ويطورون التوقعات استنادا إلى معرفتهم بمجالات مسؤوليتهم. ويشار إليها أحيانا باسم هيئة محلفين للرأي التنفيذي. البحث عن المتجر. وفي أبحاث السوق، تستخدم استقصاءات المستهلكين لتحديد الطلب المحتمل. وعادة ما ينطوي هذا البحث التسويقي على إنشاء استبيان يلتمس المعلومات الشخصية والديموغرافية والاقتصادية والتسويقية. وفي بعض األحيان، يقوم باحثو السوق بجمع هذه المعلومات شخصيا في منافذ البيع بالتجزئة ومراكز التسوق حيث يمكن للمستهلك أن يعاني من منتج معين، ويشعر، ورائحة، و sex2014a. يجب على الباحث أن يكون حذرا من أن عينة الأشخاص الذين شملهم الاستطلاع تمثل هدف المستهلك المطلوب. التقنيات الكمية تعتبر تقنيات التنبؤ الكمي أكثر موضوعية من نظيراتها النوعية. ويمكن أن تكون التنبؤات الكمية تنبؤات بالسلاسل الزمنية (أي توقعات الماضي في المستقبل) أو التنبؤات القائمة على النماذج التعاونية (أي استنادا إلى متغير واحد أو أكثر من المتغيرات التفسيرية). قد تحتوي بيانات السلاسل الزمنية على السلوكيات الأساسية التي تحتاج إلى تحديدها من قبل المتنبأ. وبالإضافة إلى ذلك، قد تحتاج التوقعات لتحديد أسباب السلوك. قد تكون بعض هذه السلوكيات أنماط أو اختلافات عشوائية ببساطة. ومن بين الأنماط: الاتجاهات، وهي حركات طويلة الأجل (صعودا أو هبوطا) في البيانات. موسمية، والتي تنتج الاختلافات على المدى القصير التي ترتبط عادة إلى الوقت من السنة والشهر، أو حتى يوم معين، كما تشهد مبيعات التجزئة في عيد الميلاد أو ارتفاع طفيف في النشاط المصرفي في الأول من الشهر والجمعة. والدورات، وهي الاختلافات الموجية التي تستمر لأكثر من سنة والتي ترتبط عادة بالظروف الاقتصادية أو السياسية. الاختلافات غير النظامية التي لا تعكس السلوك النموذجي، مثل فترة من الطقس المتطرف أو اضراب الاتحاد. الاختلافات العشوائية، والتي تشمل جميع السلوكيات غير النمطية التي لا تمثلها التصنيفات الأخرى. من بين نماذج السلاسل الزمنية، أبسط هو توقعات ناكسيفف. وتستخدم توقعات ناكسيف ببساطة الطلب الفعلي خلال الفترة الماضية كطلب متوقع للفترة المقبلة. وهذا، بطبيعة الحال، يجعل الافتراض بأن الماضي سوف يكرر. كما يفترض أن أي اتجاهات، موسمية، أو دورات إما تنعكس في طلب الفترة السابقة 0027ss أو غير موجودة. ويرد في الجدول 1 مثال لتنبؤ ناكسيف. الجدول 1 التنبؤ ناكسيفف أسلوب آخر بسيط هو استخدام المتوسط. ولتحقيق توقعات باستخدام المتوسط، يأخذ المرء ببساطة متوسط ​​عدد من فترات البيانات السابقة عن طريق تجميع كل فترة وتقسيم النتيجة حسب عدد الفترات. وقد وجد أن هذه التقنية فعالة جدا للتنبؤ قصير المدى. وتشمل التغيرات في المتوسط ​​المتوسط ​​المتحرك، والمتوسط ​​المرجح، والمتوسط ​​المتحرك المرجح. ويتحرك المتوسط ​​المتحرك لعدد محدد سلفا من الفترات، ويقيس الطلب الفعلي، ويقسم حسب عدد الفترات للوصول إلى التوقعات. لكل فترة لاحقة، أقدم فترة من البيانات تنخفض وتضاف أحدث فترة. وبافتراض متوسط ​​متحرك لمدة ثلاثة أشهر واستخدام البيانات الواردة في الجدول 1، سيضيف المرء ببساطة 45 (كانون الثاني) و 60 (فبراير) و 72 (مارس) ويقسم بثلاثة مستويات للوصول إلى توقعات لشهر أبريل: 45 60 72 177 x00F7 3 59 للوصول إلى توقعات لشھر مایو، من المتوقع أن یقل الطلب من المعادلة ویضاف الطلب من شھر أبریل. ويقدم الجدول 2 مثالا لتوقعات المتوسط ​​المتحرك لمدة ثلاثة أشهر. الجدول 2 المتوسط ​​المتحرك المتوقع لثلاثة أشهر الطلب الفعلي (000x0027s) يسري المتوسط ​​المرجح على وزن محدد سلفا لكل شهر من البيانات السابقة، ويجمع البيانات السابقة من كل فترة، ويقسم حسب إجمالي الأوزان. وإذا قام المرصد بتعديل الأوزان بحيث يساوي مجموعها 1، فإن الأوزان تضرب بالطلب الفعلي لكل فترة منطبقة. ثم يتم جمع النتائج لتحقيق توقعات مرجحة. بشكل عام، كلما كانت البيانات أكثر حداثة كلما زاد الوزن، وكبار السن كانت البيانات أصغر. باستخدام مثال الطلب، المتوسط ​​المرجح باستخدام أوزان .4. (2) و (1). ومن شأن التنبؤين أن يستخدموا معا متوسط ​​المتوسط ​​المرجح وتوقعات المتوسط ​​المتحرك . ويعين متوسط ​​المتوسط ​​المتحرك المرجح الأوزان لعدد محدد سلفا من فترات البيانات الفعلية ويحسب التنبؤ بالطريقة نفسها المبينة أعلاه. كما هو الحال مع جميع التوقعات المتحركة، وكلما أضيفت فترة جديدة، يتم تجاهل البيانات من أقدم فترة. ويوضح الجدول 3 توقعات المتوسط ​​المتحرك المرجح لمدة ثلاثة أشهر باستخدام الأوزان. 3، و .2. الجدول 3 3x2013 الشهر الترجيح المتوسط ​​المتوسط ​​التنبؤ الفعلي الطلب (000x0027s) شكل أكثر تعقيدا من المتوسط ​​المتحرك المرجح هو التماسك الأسي، لذلك سميت لأن الوزن ينخفض ​​أضعافا مضاعفة مع أعمار البيانات. إن التجانس الأسي يأخذ التنبؤات السابقة x0027s ويضبطها بواسطة ثابت تمهيد محدد مسبقا، x03AC (يسمى ألفا قيمة ألفا أقل من واحد) مضروبا في الفرق في التوقعات السابقة والطلب الذي حدث فعلا خلال الفترة المتوقعة سابقا (تسمى خطأ التنبؤ). ويعبر عن التجانس الأسي على النحو التالي: توقعات جديدة ألفا التنبؤ السابق (الطلب الفعلي x2212 التوقعات السابقة) فف x03AC (A 2222 F) التماسك الأسي يتطلب المتنبأ لبدء التنبؤ في الفترة الماضية والعمل إلى الأمام إلى الفترة التي تيار هناك حاجة إلى التنبؤ. ومن الضروري أيضا وجود قدر كبير من البيانات السابقة وتوقعات أولية أو أولية. ويمكن أن تكون التوقعات الأولية توقعات فعلية من فترة سابقة، أو الطلب الفعلي من فترة سابقة، أو يمكن تقديرها عن طريق حساب متوسط ​​أو جزء من البيانات السابقة. وتوجد بعض الاستدلاليات لحساب توقعات أولية. على سبيل المثال، فإن N N 2 (XF7 x03AC) x2212 1 و ألفا من 0.5 سيؤدي إلى N من 3، مما يشير إلى أن المستخدم متوسط ​​الفترات الثلاث الأولى من البيانات للحصول على توقعات أولية. ومع ذلك، فإن دقة التوقعات الأولية ليست حاسمة إذا كان أحد يستخدم كميات كبيرة من البيانات، حيث تمهيد الأسي هو x0022self - recting. x0022 ونظرا لفترات كافية من البيانات الماضية، والتجانس الأسي في نهاية المطاف إجراء تصحيحات كافية للتعويض عن أولية غير دقيقة إلى حد معقول توقعات. وباستخدام البيانات المستخدمة في أمثلة أخرى، يتم حساب توقعات أولية قدرها 50، و ألفا من .7، توقعات لشهر فبراير على هذا النحو: توقعات جديدة (فبراير) 50 .7 (45 x2212 50) 41.5 بعد ذلك، : توقعات جديدة (مارس) 41.5 .7 (60 x2212 41.5) 54.45 تستمر هذه العملية حتى يصل المتنبأ إلى الفترة المطلوبة. وفي الجدول 4، سيكون ذلك لشهر حزيران / يونيه، حيث أن الطلب الفعلي على حزيران / يونيه غير معروف. الطلب الفعلي (000x0027s) يمكن استخدام تمديد التمدد الأسي عندما تظهر بيانات السلاسل الزمنية اتجاها خطييا. ويعرف هذا الأسلوب من قبل العديد من الأسماء: ضعف تجانس تعديل تعديل الأسي التنبؤات بما في ذلك الاتجاه (فيت) و Holtx0027s نموذج. وبدون تعديل، فإن نتائج التمهيد الأسي البسيطة سوف تتخلف عن الاتجاه، أي أن التوقعات ستكون دائما منخفضة إذا كان الاتجاه آخذ في الازدياد، أو ارتفاع إذا كان الاتجاه آخذ في التناقص. مع هذا النموذج هناك اثنين من الثوابت تمهيد، x03AC و x03B2 مع x03B2 يمثل عنصر الاتجاه. تمديد نموذج Holtx0027s، ودعا هولت-Winterx0027s الأسلوب، يأخذ في الاعتبار كل من الاتجاه والموسمية. هناك نسختين، المضاعفة والإضافات، مع المضاعفة كونها الأكثر استخداما. في النموذج المضاف، يتم التعبير عن الموسمية ككمية يمكن إضافتها إلى أو طرحها من متوسط ​​السلسلة. ويعكس النموذج المضاعف الموسمية كنسبة مئوية x2014 المعروفة باسم الأقارب الموسمية أو المؤشرات الموسمية x2014 للمتوسط ​​(أو الاتجاه). ثم تضاعف هذه القيم مرات من أجل دمج الموسمية. ويشير أحد أقارب 0.8 إلى أن الطلب هو 80 في المائة من المتوسط، في حين أن الرقم 1.10 سيشير إلى الطلب الذي يزيد بنسبة 10 في المائة عن المتوسط. ويمكن الاطلاع على معلومات تفصيلية بشأن هذه الطريقة في معظم الكتب الإدارية لإدارة العمليات أو أحد الكتب على التنبؤ. التقنيات المرتبطة أو السببية تنطوي على تحديد المتغيرات التي يمكن استخدامها للتنبؤ متغير آخر من الفائدة. على سبيل المثال، يمكن استخدام أسعار الفائدة للتنبؤ بالطلب على إعادة تمويل المنازل. وينطوي ذلك عادة على استخدام الانحدار الخطي، حيث يكون الهدف هو وضع معادلة تلخص تأثيرات المتغيرات (المستقلة) المتنبأ بها على المتغير (المعتمد) المتوقع. إذا تم رسم متغير التنبؤ، فإن الكائن هو الحصول على معادلة خط مستقيم يقلل من مجموع الانحرافات التربيعية عن الخط (مع الانحراف هو المسافة من كل نقطة إلى الخط). وتظهر المعادلة على النحو التالي: يا بكس، حيث y هو المتغير المتوقع (المعتمد)، x هو المتغير (المستقل) المتنبأ، b هو منحدر الخط، ويساوي ارتفاع الخط عند y - اعتراض. وبمجرد تحديد المعادلة، يمكن للمستخدم إدراج القيم الحالية للمتغير (مستقل) المتنبأ للوصول إلى التنبؤ (المتغير التابع). إذا كان هناك أكثر من متغير متنبأ واحد أو إذا كانت العلاقة بين التنبؤ والتنبؤ ليست خطية، فإن الانحدار الخطي البسيط يكون غير كاف. بالنسبة للحالات ذات التنبؤات المتعددة، يجب استخدام الانحدار المتعدد، في حين أن العلاقات غير الخطية تدعو إلى استخدام الانحدار المنحني. تنبؤات االقتصاد تستخدم أساليب االقتصاد القياسي، مثل نموذج التحرك الذاتي المتكامل) أريما (، معادالت رياضية معقدة لعرض العالقات السابقة بين الطلب والمتغيرات التي تؤثر على الطلب. يتم اشتقاق المعادلة ثم اختبارها وضبطها لضمان أن تكون موثوقة لتمثيل العلاقة الماضية ممكن. وبمجرد القيام بذلك، تدرج القيم المتوقعة للمتغيرات المؤثرة (الدخل والأسعار وما إلى ذلك) في المعادلة لجعل التنبؤات. تقييم التوقعات يمكن تحديد دقة التنبؤ بحساب الانحراف أو الانحراف المطلق أو متوسط ​​الخطأ المربع (مس) أو متوسط ​​الخطأ المطلق في النسبة المئوية (ماب) للتنبؤ باستخدام قيم مختلفة للألفا. التحيز هو مجموع أخطاء التنبؤ x2211 (في). وفيما يتعلق بمثال التجانس الأسي الوارد أعلاه، يكون التحيز المحسوب كما يلي: (60 x2212 41.5) (72 x2212 54.45) (58 x2212 66.74) (40 x2212 60.62) 6.69 إذا افترضنا أن التحيز المنخفض يشير إلى خطأ تنبؤي منخفض عموما، يحسب التحيز لعدد من القيم المحتملة ألفا ويفترض أن واحد مع أدنى التحيز سيكون الأكثر دقة. ومع ذلك، يجب مراعاة الحذر في تلك التنبؤات غير الدقيقة التي قد تؤدي إلى انحياز منخفض إذا كانت تميل إلى أن تكون على توقعات وتحت توقعات (سلبية وإيجابية). على سبيل المثال، على مدى ثلاث فترات قد تستخدم شركة قيمة معينة ألفا إلى أكثر من التوقعات من قبل 75،000 وحدة (X221275،000)، تحت التوقعات من قبل 100،000 وحدة (100،000)، ثم فوق التوقعات من قبل 25،000 وحدة (x221225،000)، مما يؤدي تحيز صفر (x221275،000 100،000 x2212 25،000 0). وبالمقارنة، فإن إنتاج ألفا آخر على التنبؤات من 2000 وحدة، 1000 وحدة، و 3،000 وحدة من شأنه أن يؤدي إلى التحيز من 5000 وحدة. إذا كان الطلب العادي 100،000 وحدة لكل فترة، فإن ألفا الأول سوف يسفر عن التوقعات التي تم إيقافها بنسبة تصل إلى 100 في المئة في حين أن ألفا الثاني سيكون خارج بنسبة أقصاها 3 في المئة فقط، على الرغم من أن التحيز في التوقعات الأولى كان صفر. وهناك مقياس أكثر أمنا لدقة التنبؤ هو متوسط ​​الانحراف المطلق. لحساب درهم، والمنبه المبالغ القيمة المطلقة للأخطاء التنبؤ ومن ثم يقسم حسب عدد من التنبؤات (x2211 في x00F7 N). ومن خلال أخذ القيمة المطلقة لأخطاء التنبؤ، يتم تجنب مقاصة القيم الإيجابية والسلبية. وهذا يعني أن كل من التوقعات 50 و 50 تحت التوقعات من 50. باستخدام البيانات من المثال التجانس الأسي، يمكن حساب درهم على النحو التالي: (60 x2212 41.5 72 x2212 54.45 58 x2212 66.74 40 x2212 60.62) x00F7 4 16.35 ولذلك، فإن المتنبأ هو في المتوسط ​​16.35 وحدة لكل توقعات. عند مقارنته بنتيجة ألفاس أخرى، فإن المتنبأ سوف يعرف أن ألفا مع أدنى درهم تسفر عن التنبؤ الأكثر دقة. ويمكن أيضا استخدام خطأ مربع متوسط ​​(مس) في نفس الطريقة. مس هو مجموع مربعات الأخطاء المتوقعة مقسوما على N-1 (x2211 (في)) x00F7 (N-1). إن تخطي أخطاء التنبؤ يلغي إمكانية تعويض الأرقام السلبية، حيث لا يمكن لأي من النتائج أن تكون سلبية. وباستخدام نفس البيانات الواردة أعلاه، تكون المشاريع متناهية الصغر والصغيرة هي: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 كما هو الحال مع الدرهم، يمكن أن يقارن المتنبأ المسير المتناهي الصغر للتنبؤات المشتقة باستخدام قيم مختلفة من ألفا و تفترض أن ألفا مع أدنى مس هي التي تنتج التنبؤ الأكثر دقة. ومتوسط ​​الخطأ النسبي المطلق (ميب) هو متوسط ​​الخطأ المطلق في النسبة المئوية. للوصول إلى ميب يجب على المرء أن يأخذ مجموع النسب بين الخطأ المتوقع وأوقات الطلب الفعلية 100 (للحصول على النسبة المئوية) وتقسيم N (x2211 الطلب الفعلي x2212 توقعات x00F7 الطلب الفعلي) xD7 100 x00F7 N. باستخدام البيانات من يمكن حساب ماب على النحو التالي: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 كما هو الحال مع الدرهم والمشاريع المتوسطة والصغيرة، كلما انخفض الخطأ النسبي كلما زادت دقة التنبؤ. وتجدر الإشارة إلى أنه في بعض الحالات تعتبر قدرة التنبؤ على التغيير بسرعة للاستجابة للتغيرات في أنماط البيانات أكثر أهمية من الدقة. ولذلك، فإن اختيار واحدx0027s من طريقة التنبؤ ينبغي أن تعكس التوازن النسبي للأهمية بين الدقة والاستجابة، على النحو الذي يحدده المتنبأ. وضع التنبؤ ويليام ج. ستيفنسون يسرد ما يلي كخطوات أساسية في عملية التنبؤ: تحديد الغرض Forecastx0027s. وستستخدم عوامل مثل كيفية ومتى سيتم استخدام التوقعات ودرجة الدقة المطلوبة ومستوى التفصيل المطلوب تحديد التكلفة (الوقت والمال والموظفين) التي يمكن تخصيصها للتنبؤ ونوع طريقة التنبؤ التي سيتم استخدامها . إنشاء أفق زمني. ويحدث ذلك بعد أن يحدد المرء الغرض من التنبؤ. وتتطلب التنبؤات الأطول أجلا آفاقا أطول، والعكس بالعكس. دقة هو مرة أخرى الاعتبار. حدد تقنية التنبؤ. تعتمد التقنية المختارة على الغرض من التوقعات، والأفق الزمني المطلوب، والتكلفة المسموح بها. جمع وتحليل البيانات. ويخضع مقدار ونوع البيانات المطلوبة للغرض الخاص بالتنبؤات 0027، وتقنية التنبؤ المختارة، وأي اعتبارات تتعلق بالتكاليف. جعل التوقعات. مراقبة التوقعات. تقييم أداء التوقعات وتعديلها، إذا لزم الأمر. مزيد من القراءة: فينش، بايرون J. العمليات الآن: الربحية، والعمليات، والأداء. 2 إد. بوسطن: مغراو هيل إيروين، 2006. غرين، ويليام H. إكونوميتريك أناليسيس. 5 إد. نهر السرج العلوي، نج: برنتيس هول، 2003. جوب، د. ماريون. x0022 المجموعة الاسمية Technique. x0022 عملية البحث. متوفر من x003C ryerson. ca ستيفنسون، ويليام J. إدارة العمليات. 8 إد. بوسطن: مغراو هيل إيروين، 2005. أيضا قراءة المقال عن التنبؤ من ويكيبيديا