Demonstração Médica em Movimento Introdução. Como você pode imaginar, estamos olhando algumas das abordagens mais primitivas da previsão. Mas espero que este seja, pelo menos, uma introdução útil a algumas das questões de informática relacionadas à implementação de previsões em planilhas. Nesse sentido, continuaremos começando no início e começaremos a trabalhar com as previsões de média móvel. Previsões médias móveis. Todos estão familiarizados com as previsões da média móvel, independentemente de acreditarem estar ou não. Todos os estudantes universitários fazem-no o tempo todo. Pense nos resultados do teste em um curso onde você terá quatro testes durante o semestre. Vamos assumir que você obteve um 85 no seu primeiro teste. O que você prever para a sua segunda pontuação de teste O que você acha que seu professor prevê para o seu próximo resultado do teste? O que você acha que seus amigos podem prever para o próximo resultado do teste? O que você acha que seus pais podem prever para a próxima pontuação do teste Independentemente de Todos os blabbing que você pode fazer para seus amigos e pais, eles e seu professor provavelmente esperam que você consiga algo na área dos 85 que você acabou de receber. Bem, agora vamos assumir que, apesar de sua auto-promoção para seus amigos, você se sobreestimar e imaginar que você pode estudar menos para o segundo teste e então você obtém um 73. Agora, o que todos os interessados e desinteressados vão Preveja que você obtenha seu terceiro teste. Existem duas abordagens muito prováveis para que eles desenvolvam uma estimativa, independentemente de compartilharem com você. Eles podem dizer para si mesmos, esse cara está sempre soprando fumaça sobre seus inteligentes. Ele vai ter outro 73 se tiver sorte. Talvez os pais tentem ser mais solidários e dizer, muito, até agora você obteve um 85 e um 73, então talvez você devesse entender sobre obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festa E wessging wagging a doninha em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. Quantas dessas estimativas são, na verdade, as previsões médias móveis. O primeiro está usando apenas o seu resultado mais recente para prever seu desempenho futuro. Isso é chamado de previsão média móvel usando um período de dados. O segundo também é uma previsão média móvel, mas usando dois períodos de dados. Vamos assumir que todas essas pessoas que estão se abalando na sua mente gostaram de irritá-lo e você decide fazer bem no terceiro teste por suas próprias razões e colocar uma pontuação maior na frente do quotalliesquot. Você faz o teste e sua pontuação é realmente um 89. Todos, incluindo você, estão impressionados. Então, agora você começa o teste final do semestre e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você fará no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. O que você acredita é o apito mais preciso enquanto trabalhamos. Agora, retornamos à nossa nova empresa de limpeza, iniciada pela sua meia-irmã, chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados pela seção a seguir de uma planilha. Primeiro apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula celular para as outras células C7 até C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados para desenvolver nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Eu incluí o quotpast predictionsquot porque nós os usaremos na próxima página da web para medir a validade da previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula celular para as outras células C6 até C11. Observe como agora apenas as duas peças históricas mais recentes são usadas para cada previsão. Mais uma vez, incluí as predições quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são importantes para aviso prévio. Para uma previsão média móvel de m-período, apenas os valores de dados m mais recentes são usados para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel de m-período, ao fazer quotpast predictionsquot, observe que a primeira previsão ocorre no período m 1. Essas duas questões serão muito significativas quando desenvolvamos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão média móvel que pode ser usada de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que deseja usar na previsão e na matriz de valores históricos. Você pode armazená-lo em qualquer livro que desejar. Função MovingAverage (Historical, NumberOfPeriods) As Single Declarando e inicializando variáveis Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer Inicializando variáveis Counter 1 Accumulation 0 Determinando o tamanho da matriz histórica HistoricalSize Historical. Count para o contador 1 para NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Histórico de acumulação de acumulação (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods O código será explicado na aula. Você deseja posicionar a função na planilha para que o resultado da computação apareça onde deveria gostar do seguinte. Na prática, a média móvel proporcionará uma boa estimativa da média da série temporal se a média for constante ou mudando lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo significará os efeitos da variabilidade. O objetivo de fornecer um m mais pequeno é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra as séries temporais usadas para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Depois, ela se torna constante novamente. Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas utilizadas para o exemplo. Quando usamos a tabela, devemos lembrar que, em qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas médias móveis para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel está atrasada por trás da tendência linear, com o atraso crescente com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um momento específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série cada vez maior com tendência a. Os valores de lag e de polarização do estimador da média são dados nas equações abaixo. As curvas de exemplo não combinam essas equações porque o modelo de exemplo não está aumentando continuamente, antes ele começa como uma constante, muda para uma tendência e depois se torna constante novamente. Além disso, as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o desvio aumentam proporcionalmente. As equações abaixo indicam o atraso e a polarização de um período de previsão para o futuro em relação aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se na suposição de uma média constante, e o exemplo tem uma tendência linear na média durante uma parcela do período de estudo. Como as séries em tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para esses resultados. Também podemos concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menores. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com uma média constante. Este termo é minimizado fazendo o m o mais grande possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar as previsões sensíveis às mudanças, queremos m o mais pequeno possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de previsão implementa as fórmulas da média móvel. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro médio móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão e o desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente. Como prever a demanda Criar uma demanda de previsão bem-sucedida garante que você tenha inventário suficiente para o próximo período de vendas. Uma previsão de demanda analisa os dados de vendas do passado para determinar a demanda do consumidor no futuro. Com uma previsão precisa da demanda, você terá operações que são mais eficientes, um melhor atendimento ao cliente e um tempo de entrega reduzido em produtos de fabricação. Uma previsão precisa da demanda ajudará você a evitar operações de alto custo, mau atendimento ao cliente e escassez de produtos. 1 Passos Editar Parte Um dos Sete: Recolher informações Editar produtos específicos do alvo. Em vez de se concentrar em uma linha de produtos completa, identifique os produtos específicos que deseja acompanhar. Fazer isso facilita a organização de dados passados e a demanda prevista. Por exemplo, se você tem uma linha existente de roupas de inverno, concentre-se especificamente em luvas primeiro em vez de toda a linha. 2 Concentre-se em seus produtos que ganham mais renda. Por exemplo, muitos empresários aderem à regra 8020, que afirma que 20 dos produtos ou serviços oferecidos por uma empresa geralmente compõem 80 de suas receitas. 3 Identifique esses produtos e acompanhe a demanda por eles. Você pode ter que prever a demanda por cada produto em seu inventário, mas será mais fácil e preciso se você fizer alguns produtos similares ao mesmo tempo como luvas, botas e chapéus de inverno. Considere criar um grupo de Planejamento de Vendas e Operações que inclua representantes de cada departamento e criá-los com a preparação de uma previsão de demanda. Revise seus planos de marketing. Todas as campanhas de marketing ou promoções de vendas podem aumentar a demanda do seu produto. Veja os dados do passado e veja o que foi bem sucedido. Veja se houve descontos especiais ou vendas de férias que aumentaram a demanda por seu produto. Você quer levar tudo isso em consideração ao prever a demanda, especialmente se você planeja repetir estratégias de vendas semelhantes. 4 Analise os indicadores-chave. Descubra o que está por trás da flutuação na demanda de seus clientes. Os principais indicadores incluem fatores demográficos e ambientais. As características demográficas incluem idade, gênero, localização e qualquer outro conjunto de características de identificação. Identificar a demanda de grupos demográficos chave ajuda a reduzir o pool de dados para a previsão. Fatores ambientais também afetam a demanda. Por exemplo, um inverno severo pode causar uma diminuição nas vendas. 5 Olhe para o seu mercado. Analise o que os concorrentes, clientes, banqueiros e outras pessoas em seu mercado estão dizendo e fazendo. Veja se seus concorrentes estão executando grandes vendas ou promoções. 6 Olhe nos meses anteriores. Olhe nos dois últimos meses e variações de vendas anuais, como o tempo de férias. Isso irá ajudá-lo a determinar as flutuações anuais e sazonais. Ao analisar os últimos meses, analise os padrões de condução por trás da demanda. Olhe para quaisquer ajustes de preços ou quaisquer campanhas de marketing que tenham levado a um aumento nos novos clientes. O negócio sempre aumenta por um motivo, e um homem de negócios ou empresária inteligente descobrirá o porquê. Por exemplo, você pode ter executado uma compra, obter uma venda gratuita em agosto para compras na escola. Se você optar por replicar esses fatores, considere isso na sua previsão. 7 Determine seu tempo de execução. O tempo de execução é o tempo entre o início de um pedido ea entrega de um produto. Saber isso irá ajudá-lo a prever a demanda. Isso irá ajudá-lo a determinar a rapidez com que você pode fazer o seu produto e atender a demanda. 8 Se você está comprando seus produtos de outra empresa, o tempo de entrega é o tempo entre a colocação do seu pedido e quando ele chega na sua porta. Você também pode determinar o tempo de execução examinando as matérias-primas e os componentes. Conhecer o tempo de produção requerido irá ajudá-lo a fazer uma demanda de previsão mais precisa. Concentrar-se em um item específico ajuda a prever quanto material você precisará e o tempo de produção para produzir seu produto. Quando você tiver estimativas suas quantidades de produção, observe a demanda de cada item. Por exemplo, se você estiver fabricando lápis, você precisará saber quanto madeira, borracha e levar à ordem com base na sua previsão. 9 Descubra qual abordagem usar. Existem quatro abordagens gerais para prever a demanda. Incluem séries críticas, experimentais, relacionais e temporais. Escolha a melhor abordagem com base no histórico do seu produto. A abordagem experimental, por exemplo, é usada principalmente para novos produtos que não possuem dados de histórico no mercado. Essas abordagens são como você irá reunir a maioria dos seus dados. 10 Você pode combinar as abordagens para criar uma previsão de demanda mais precisa. Considere abordagens de julgamento. Este método baseia-se nos conhecimentos coletivos do mercado observados por sua equipe de vendas e gerentes para determinar a demanda. Essas pessoas podem fornecer previsões de demanda um tanto ou, em alguns casos, muito precisas, com base em seus próprios conhecimentos pessoais e experiência. No entanto, os dados que você recolher deles podem não ser confiáveis, pois depende das opiniões pessoais de seus especialistas. Por esse motivo, os dados derivados de abordagens de julgamento são mais utilizados para fazer previsões de demanda de curto prazo. 11 Existem várias maneiras diferentes de fazer isso, dependendo principalmente de quem você usa para o seu painel. No entanto, você não precisa usá-los todos para uma abordagem adequada de julgamento. Você pode escolher ou qualquer combinação deles para atingir seus objetivos, dependendo de quais grupos você acha que proporcionaria o julgamento mais preciso. Determine se você precisa usar uma abordagem experimental. Esta abordagem funciona melhor para novos produtos e não é útil para produtos existentes que tenham um registro de demanda histórico. Esta abordagem leva os resultados de um pequeno número de clientes e extrapola os resultados para um grande número de clientes. Por exemplo, se você entrar em contato com 500 pessoas ao acaso em uma determinada cidade e 25 dizem que comprará seu produto dentro de 6 meses, você pode assumir que esta porcentagem se aplica a 5.000 pessoas. 12 Se um pequeno grupo de clientes direcionados adora uma nova tecnologia e responde bem ao marketing de teste, você pode extrapolar esse número para também prever a demanda nacional. O problema com esta abordagem é que muitas vezes coleta mais informações sobre a preferência dos clientes em relação ao seu produto em vez de dados da demanda. Considere usar uma abordagem relacional. Esta abordagem tenta descobrir por que as pessoas compram seu produto. A idéia é que, se você pode entender por que as pessoas compram seu produto, então você pode criar uma previsão de demanda com base nesse motivo. Por exemplo, se você vende botas de neve, então você sabe que a demanda por seu produto está relacionada com o clima. Se a previsão do tempo prevê um inverno pesado, você sabe que haverá uma maior demanda por suas botas de neve. 13 Essas abordagens incluem modelos de ciclo de vida e simulação. Calcule a demanda usando abordagens de séries temporais. As séries temporais abordam a tentativa de calcular matematicamente a demanda usando figuras passadas e tendências como um guia. Especificamente, você pode usar médias móveis, médias móveis ponderadas, e suavização exponencial para tentar prever com precisão sua demanda. Essas abordagens lhe darão números mais difíceis do que outras abordagens, mas devem ser combinadas com outras aproximações subjetivas para explicar os efeitos das mudanças futuras no mercado ou no plano de negócios. Parte Cinco dos Sete: Usando abordagens relacionais da cirurgia Editar Examine vendas de anos anteriores para tendências mensais ou sazonais. Observe os números de vendas dos últimos anos para determinar quais as vezes no ano contam a maior porcentagem de suas vendas. Eles são constantes Você experimenta maiores vendas no inverno ou no verão. Medir o aumento ou diminuição nas vendas durante esses horários. A mudança foi maior ou menor em certos anos. Em seguida, pense em por que isso pode ser o caso. Use o que você aprendeu e aplique para a previsão dos anos atuais. Por exemplo, se você vende botas de neve, você pode ter experimentado um impulso particularmente grande nas vendas em um inverno frio. Se este ano se prevê que seja um inverno similarmente frio, você deve aumentar sua previsão de demanda conforme. Procure as reações dos clientes. Isso se refere a situações em que uma mudança no seu produto ou seu mercado resultou em vendas maiores ou menores. Crie gráficos de suas vendas históricas para o produto e marque datas importantes, por exemplo, um aumento de preço ou a introdução de um produto concorrente. Isso também pode ser mais amplo, como uma reação à economia em mudança ou mudanças nos gastos dos consumidores. Leia revistas especializadas e artigos de jornal para reunir esta informação. Ter todos esses dados à mão pode dar uma idéia melhor do que pode afetar sua demanda futura. Criar um modelo de ciclo de vida. Um ciclo de vida refere-se à vida de seus produtos, entre quando foi introduzido pela primeira vez e no presente. Observe as vendas do seu produto em várias etapas. Examine a natureza dos clientes que compram o produto durante essas etapas. Por exemplo, você terá adotadores precoce (aqueles que amam a tecnologia mais recente), compradores convencionais (pessoas que aguardam revisões e referências de produtos), atrasados (eles só compram quando o produto está fora por muito tempo) e outros tipos Dos consumidores. Isso irá ajudá-lo a determinar as tendências do ciclo de vida de seus produtos e os padrões de demanda para o seu produto. 22 As indústrias que mais utilizam este modelo incluem alta tecnologia, moda e produtos que enfrentam ciclos de vida curtos. O que torna esta abordagem única é que a causa da demanda está diretamente ligada ao ciclo de vida dos produtos. Use um modelo de simulação. Crie um modelo que simule o fluxo de componentes em plantas de fabricação de acordo com seus cronogramas de planejamento de requisitos de material e o fluxo de distribuição de seus produtos acabados. Por exemplo, calcule o tempo de entrega para receber cada componente, incluindo o tempo de envio, independentemente do local de origem do mundo. Isso lhe dará uma visão sobre a rapidez com que você pode fazer o seu produto para atender a demanda. 23 Estes modelos são conhecidos por serem difíceis e pesados de criar e manter. Testemunhos de leitores Eu estive fora do mercado por algum tempo, mas à medida que novas tecnologias se desenvolvem, as ferramentas de conhecimento e experiência vão de mãos dadas. Um profissional sempre gosta de se manter a par. Foi interessante passar pelo que apliquei no passado com algumas adições de adições úteis. Passarei por isso novamente. Obrigado. . Mais - Jawaid Manzoor Esta página me ajudou a entender meu relatório sobre Princípios de Marketing. - Jeyz Napial A informação foi muito detalhada e útil. - Sylvie Pereira Muito bem escrita e fácil de entender. - Sohail Akram Bom artigo. É fácil de entender. - Tania Mathews
No comments:
Post a Comment