ткостроковим, середньостроковим або довгостроковим.
4. Відбір моделі (моделей) прогнозування.
5. Збір даних, необхідних для прогнозу.
6. Обгрунтування моделі прогнозування.
7. Виконання прогнозу. p> 8. Відстеження результатів.
Ці кроки слід здійснювати системним шляхом, ініціюючи, вирішуючи і відстежуючи систему EMV прогнозування. Коли система використовується для генерації прогнозів регулярно в протягом часу, дані повинні бути відповідним чином зібрані, і поточні розрахунки прогнозів можуть робитися автоматично, зазвичай на комп'ютері.
часовому інтервалі ПРОГНОЗУВАННЯ
Тимчасові серії базуються на послідовності рівних проміжків (тижневих, місячних, квартальних і т. д.) між точками даних. p> Декомпозиція тимчасових серій. Аналіз тимчасових серій ведеться за допомогою розбивання минулих даних на компоненти і потім проеціюванням їх вперед. Тимчасові серії зазвичай мають чотири компоненти: тренд, сезонність, цикли і випадкові варіації.
1. Тренд (Т) є градацією підвищення або зниження даних за період.
2. Сезонність (5) є моделлю даних, яка повторюється через певні проміжки, вимірювані днями, тижнями, місяцями або кварталами (частіше термін В«сезонністьВ» відноситься до настання зими, весни, літа і осені). p> 3. Цикли (С) - це моделі даних, які зустрічаються кожні кілька років. Вони зазвичай пов'язані з циклами в бізнесі і, головним чином, важливі в короткостроковому аналізі та плануванні бізнесу.
4. Випадкові варіації (К) - Це В«відблискиВ» в даних, пов'язані з випадковими і незвичайними ситуаціями; вони, слідчий але, байдужі для моделі.
Існують дві основні форми тимчасових серій моделей в статистиці. Найбільш широко використовується мультиплікативна модель, яка передбачає, що попит є продуктом чотирьох компонент:
Попит = ТхSхСхR.
Аддитивна модель вимагає прогнозування підсумовуванням компонент один з одним. Це виглядає так:
Попит = Т + S + С + R.
В
Рис 1. Попит на товар за чотири року з трендом і сезонними коливаннями. p> У більшості реальних моделей прогнозирующие припускають, що випадкові варіації усереднюються за розглянутий період. Тоді вони концентрують увагу тільки на сезонних компонентах і компонентах, які є комбінацією тренда і циклічних чинників.
Характеристика методів прогнозу
1. Найпростіший метод. Найпростіший (наївний) метод прогнозу передбачає, що попит в наступному періоді еквівалентний попиту в більшості поточних періодів. Іншими словами, якщо продажу товару, скажімо, стільникових телефонів, були 68 одиниць в січні, ми можемо прогнозувати, що лютневі продажі також будуть 68 одиниць. p> 2. Метод мінливого середнього. Метод мінливого середнього успішно застосуємо, якщо ми можемо припустити, що ринковий попит буде досить стабільним в даному періоді. Чотиримісячне мінливий середня знаходять простим підсумовуванням попиту в Протягом останніх чотирьох місяців і діленням на чотири. З кожним наступним місяцем поточні місячні дані підсумовуються з попередніми даними трьох місяців, а самий ранній місяць викреслюється. Цей підхід згладжує на коротко терміновому періоді нерегулярності в серіях даних.
Математично проста змінюється середня (яка служить як прогноз попиту на наступний період) визначається формулою
В
де п - це число періодів в мінливій середньої, наприклад, чотири, п'ять або шість місяців тому для чотирьох-, п'яти-, або шестимісячної мінливої вЂ‹вЂ‹середньої.
3. Експоненціальне згладжування. Експоненціальне згладжування - це метод прогнозування, який частіше і ефективніше застосовується за допомогою комп'ютера, хоча використовує дуже мало записів, що відносяться до минулих даними. Базова формула експоненціального згладжування може бути показана таким чином:
Новий прогноз = Прогноз минулого періоду +
+ пЃЎ (Поточний попит минулого періоду - Прогноз минулого періоду),
де пЃЎ - вага, або константа згладжування, яка розташована між 0 і 1.
Рівняння (4.3) може бути також записано математично:
F t = F t-1 + пЃЎ (A t-1 - F t-1 ) (4.4)
де F t , - новий прогноз;
F t-1 - Минулий прогноз;
пЃЎ - константа згладжування (0 пЃЎ 1);
A t-1 - поточний попит минулого періоду. Минулий прогноз попиту еквівалентний старому прогнозом, існують відмінності між поточним попитом минулого періоду і старим прогнозом.
Константа згладжування пЃЎ пЂ може бути змінена для додання більшої ваги поточними даними (коли а висока) або більшої ваги минулим даними (коли її низька). p> Вибір константи згладжування. Метод експоненціального згладжування простий у використанні і може бути успішно застосований в банках, вир...
