Simple Moving Average Methode Of Demand Prognose

Quantitative Ansätze der Prognose Die meisten quantitativen Techniken berechnen die Prognose der Nachfrage als Durchschnitt aus der vergangenen Nachfrage. Im Folgenden sind die wichtigen Nachfragevorhersagetechniken aufgeführt. Einfache Durchschnittsmethode: In dieser Vorgehensweise wird als Bedarfsprognose für den nächsten Zeitraum ein einfacher Mittelwert der Anforderungen in allen früheren Zeiträumen herangezogen. (Beispiel 1) Einfache gleitende Durchschnittsmethode: Bei dieser Methode wird der Durchschnitt der Anforderungen aus mehreren der letzten Perioden als die Nachfrageprognose für den nächsten Zeitraum genommen. Die Anzahl der vergangenen Perioden, die in Berechnungen verwendet werden sollen, wird am Anfang ausgewählt und konstant gehalten (z. B. 3-Perioden-gleitender Durchschnitt). (Beispiel 2) Gewichtete gleitende Mittelwertmethode: Bei dieser Methode werden ungleiche Gewichte den vergangenen Bedarfsdaten zugewiesen, während ein einfacher gleitender Durchschnitt als Bedarfsprognose für den nächsten Zeitraum berechnet wird. Gewöhnlich wird den jüngsten Daten der höchste Gewichtungsfaktor zugewiesen. (Beispiel 3) Exponentielles Glättungsverfahren: Bei dieser Methode werden Gewichte in exponentieller Reihenfolge zugewiesen. Die Gewichte verringern sich exponentiell von den letzten Bedarfsdaten zu den Daten der älteren Nachfrage. (Beispiel 4) Regressionsanalyseverfahren: Bei diesem Verfahren werden vergangene Bedarfsdaten verwendet, um eine funktionelle Beziehung zwischen zwei Variablen herzustellen. Eine Variable ist bekannt oder wird als bekannt vorausgesetzt und verwendet, um den Wert einer anderen unbekannten Variablen (d. h. Nachfrage) zu prognostizieren. (Beispiel 5) Fehler in der Prognose Fehler in der Prognose ist nichts anderes als die numerische Differenz in der prognostizierten Nachfrage und der tatsächlichen Nachfrage. MAD (Mittlere Absolute Deviation) und Bias sind zwei Messgrößen, die zur Beurteilung der Genauigkeit der prognostizierten Nachfrage verwendet werden. Es kann angemerkt werden, dass MAD die Größe aber nicht die Richtung des Fehlers ausdrückt. Einfacher gleitender Durchschnitt Die zweite Ad-hoc-Methode ist einfacher gleitender Durchschnitt. In denen vorherige Werte verwendet werden, um den am besten geeigneten Parameter zu finden, der den niedrigsten Prognosefehler liefert. Der entscheidende Teil bei dieser Methode ist die richtige Wahl der Anzahl der Perioden in der Prognose genommen. Weatherford und Kimes (2003) prüften 2 8211 8 Perioden und zeigten, dass der niedrigste Fehler 8 Perioden gleitenden Durchschnitt gab. Die Prognose wird mathematisch wie folgt berechnet: wobei F (t1) - bei Raumforderung im Zeitraum t1, x 8211 die Anzahl der verkauften Räume im Zeitraum i, N - die Anzahl der vergangenen Perioden (Phumchusri und Mongkolkul, 2012) ist. Ein einfacher gleitender Durchschnitt ist einfach, schnell zu berechnen und reagiert schneller auf Verschiebungen in der Nachfrage, wenn die N Periode klein ist. Diese Methode hat jedoch zwei wesentliche Nachteile. Erstens geht man davon aus, dass die jüngsten Beobachtungen bessere Prädiktoren sind als ältere Daten. Zweitens, wenn Daten einen Aufwärts - oder Abwärtstrend aufweisen, wird das Verfahren ständig überprognostiziert oder unterforciert. Um diesen Trends gerecht zu werden, empfehlen Talluri und Van Ryzin (2004) einen doppelten oder dreifachen gleitenden Durchschnitt. Die Anwendung dieser Methode auf unseren Datensatz ist hier verfügbar: Simple Moving Average In unserer Anwendung dieser Prognose-Methode ermöglicht, MAPE von 4 zu erreichen, was ist ein sehr gutes Beispiel. Jedoch, wie es zuvor erwähnt wurde, ist dieses Verfahren ein schlechter Prädiktor, wenn die Nachfrage instabiler ist. Die folgende Grafik zeigt eine Situation, in der MAPE 60 (im Modell 2 8211 prognostizierten Werte 1: 2 Perioden) und 55 (in Modell 8 8211 prognostizierten Werten2: 8 Perioden) betrug. Phumchusri, D. Mongkolkul, J. (2012) Hotelzimmer Nachfrage über Observed Reservierungsinformationen. (2004) Die Theorie und Praxis des Revenue Managements. (2004) Talluri, K. und Van Ryzin, G. (2004) Theorie und Praxis des Revenue Managements. Boston, Kluwer Akademische Verlage. Weatherford, L. R. Amp Kimes, S. E. (2003). Ein Vergleich von Prognosemethoden für das Hotel-Revenue-Management. Zeitschrift für anorganische und allgemeine Chemie. Vol. 19, Nr. 3, S. 401-415. Empfehlen Suchmaschine