Simple moving average operations management

Tagged com média móvel simples Na semana 6 do curso, vamos olhar para a gestão da demanda e previsão, uma área que está recebendo atenção substancial, especialmente como o interesse na gestão da cadeia de suprimentos cresce e nós procuramos mais eficazmente planejar e coordenar a cadeia de abastecimento como um todo. Costuma-se dizer que as previsões são geralmente erradas, algumas espetacularmente: Os objetivos de aprendizagem para esta semana do curso são que você deve entender o papel da previsão como uma base para o planejamento da cadeia de suprimentos. Que você será capaz de comparar as diferenças entre a demanda independente e dependente. Em terceiro lugar, que você será capaz de identificar os componentes básicos da demanda independente, incluindo variação média, tendência, sazonal e aleatória. Você será capaz de descrever as técnicas comuns de previsão qualitativa, como Delphi Method e Collaborative Forecasting. Você vai entender as técnicas básicas de previsão quantitativa eo uso de decomposição para prever quando tendência e sazonalidade está presente. O vídeo a seguir enfatiza a necessidade de precisão e senso comum na previsão: As previsões podem ser divididas em dois tipos, estratégicos e táticos. As previsões estratégicas são usadas para ajudar na criação da estratégia que irá determinar como a demanda é atendida. As previsões táticas são usadas para auxiliar a tomada de decisão em uma base do dia a dia. O gerenciamento de demanda é usado para influenciar as fontes de demanda de produtos ou serviços, seja aumentando a demanda, diminuindo a demanda ou mantendo-a em um nível constante. O seguinte vídeo analisa os fatores que influenciam a previsão na indústria vitivinícola: Demanda Dependente e Independente Existem duas fontes básicas de demanda, dependentes e independentes. A demanda dependente é a demanda que ocorre como resultado da demanda por outros produtos ou serviços. A demanda independente é demanda que não pode ser prevista com base na demanda por outro produto ou serviço. Demanda dependente é geralmente muito difícil de influenciar 8211 é a demanda que não é dependente de fatores que você pode influenciar e sim é a demanda que você tem que cumprir. A demanda independente pode geralmente ser influenciada e conseqüentemente as organizações têm uma escolha sobre se tomam um papel ativo e influenciam-na ou tomam um papel passivo e respondem simplesmente à demanda que existe. O vídeo a seguir mostra como a Motorola trabalha com suas previsões: O manual identifica quatro tipos básicos de previsões. As previsões qualitativas baseiam-se no julgamento humano e algumas das técnicas usadas na previsão qualitativa serão discutidas abaixo. A análise de séries temporais analisa os padrões de dados ao longo do tempo. As relações causais examinam as relações entre os fatores que irão influenciar a demanda ea simulação busca modelar a demanda para que a inter-relação dos fatores de demanda possa ser melhor compreendida. O seguinte vídeo examina como o gerenciamento de demanda e previsão são realizados em Lowes: Geralmente a demanda é pensada como tendo seis componentes, média, tendência, elementos sazonais, elementos cíclicos, variação aleatória e autocorrelação. Esses elementos de demanda nos permitem entender o padrão de demanda por um produto que pode ser aplicado à previsão da demanda futura. A demanda média é a demanda média de um produto ao longo do tempo. A tendência mostra como a demanda mudou ao longo do tempo ea demanda sazonal mostra variações sazonais na demanda. Os elementos cíclicos ocorrem durante um período mais longo do que os elementos sazonais e são mais difíceis de prever, ocorrendo, por exemplo, como resultado de ciclos econômicos. A variação aleatória é baseada em eventos aleatórios que são impossíveis de prever enquanto a auto-correlação é a relação entre a demanda passada e futura, ou seja, que a demanda futura está relacionada à demanda atual. Onde há um alto grau de variação aleatória existe muito pouca relação entre a demanda atual ea demanda futura. Onde há um alto grau de auto-correlação há uma forte relação entre a demanda atual e futura. Modelos de séries temporais Os modelos de séries temporais prevêem o futuro com base em modelos anteriores. Vários modelos estão disponíveis eo que você deve usar depende do horizonte temporal que você deseja prever, os dados que você tem disponível, a precisão que você precisa, o tamanho do orçamento de previsão ea disponibilidade de pessoas devidamente qualificadas para realizar a análise. O gráfico a seguir da página 488 do livro de texto é projetado para auxiliar na seleção da ferramenta apropriada: A regressão linear é usada onde há uma relação funcional entre duas variáveis ​​correlacionadas, sendo usada para prever uma variável com base na outra. É útil onde os dados são relativamente estáveis. A decomposição de uma série temporal é usada para identificar e separar os dados da série temporal em seus vários componentes de demanda. São identificados dois tipos de variação sazonal, onde o valor sazonal em cada estação é constante e multiplicativo onde a variação sazonal é uma porcentagem da demanda por um período de tempo. A média móvel simples é útil quando a demanda é relativamente estável, não aumentando ou diminuindo rapidamente e onde há poucas características sazonais. As médias móveis podem ser centradas em torno de seu ponto médio, ou usado como uma base para predizer o futuro. Usando um período de tempo mais longo resultará em mais suavização de variação ao usar um período de tempo mais curto irá revelar tendências estatísticas mais rapidamente. Uma média móvel ponderada permite que você pesa períodos de tempo específicos dentro da média para obter maior precisão. Por exemplo, um peso mais pesado pode ser dado a períodos de tempo mais recentes, a fim de colocar mais ênfase na atividade de demanda recente. A suavização exponencial é a mais utilizada de todas as técnicas de previsão e aparece em todas as aplicações de previsão baseadas em computador. É usado muito nas indústrias de varejo e serviços. Muitas vezes é muito preciso, é bastante fácil de fazer, é facilmente compreendido, requer pouca computação e é facilmente testado para a precisão. O seguinte vídeo detalha a condução destas técnicas de previsão: A previsão qualitativa envolve a aplicação do julgamento humano para criar uma previsão. Geralmente, uma abordagem estruturada é usada, diferentemente disso: Várias técnicas são usadas para a previsão qualitativa, incluindo: Analogia Histórica. Baseando as previsões no padrão de demanda para produtos similares. Pesquisa de Mercado: As previsões são criadas por uma empresa de pesquisa de mercado, principalmente por meio de pesquisas e entrevistas. Painel de Consenso: Quando um grupo de pessoas com conhecimento na área de previsão assunto, compartilhar seus pensamentos e desenvolver uma previsão. Método Delphi: Uma técnica baseada em pesquisa que cria anonimato em um grupo. É descrito no seguinte vídeo: Planejamento, Previsão e Reabastecimento Colaborativo. CPFR é uma inovação recente que usa a internet para permitir que as pessoas colaborem na criação de previsão: Existem dois tipos de erros de previsão. Erros de polarização ocorrem quando há um erro consistente cometido que permeia a previsão feita. Erros aleatórios são erros que podem ser explicados pelo modelo de previsão 8211, eles ocorrem aleatoriamente e de forma imprevisível. As medidas do erro de previsão incluem Desvio Médio Absoluto (MAD), erro de porcentagem absoluta média (MAPE) e sinal de rastreamento. O seguinte vídeo considera problemas no erro de previsão humano: Sinal de rastreamento é uma medida que é usada para monitorar o desempenho real da previsão ao longo do tempo para ver se ele está em linha com as mudanças na demanda no mundo real. Ele pode ser usado como um gráfico de controle de qualidade. Nesta semana, consideramos a gestão da demanda e a previsão, usando técnicas qualitativas e quantitativas. A ênfase tem sido colocada em garantir que as previsões são realistas e cautela tem sido aconselhado sobre o uso de previsão com base no desempenho passado 8211 ele doesn8217t geralmente dizer-lhe o que o futuro vai fazer, mas muitas vezes irá ajudá-lo a se preparar. O vídeo a seguir apresenta a aplicação da tecnologia da informação à previsão e talvez seja uma conclusão bem-humorada para o material desta semana: Na prática, a média móvel fornecerá uma boa estimativa da média das séries temporais se a média for constante ou mudar 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 medirá os efeitos da variabilidade. A finalidade de fornecer um m menor 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 a série de tempo usada 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, ele aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então ele 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 usadas para o exemplo. Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo,, para três valores diferentes de m são mostradas juntamente 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 de média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir da figura. Para as três estimativas, a média móvel está aquém da tendência linear, com o atraso aumentando 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 tempo específico no valor médio do modelo eo valor médio predito pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo eo viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior será a magnitude do atraso e do viés. Para uma série continuamente crescente com tendência a. Os valores de lag e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro quando comparado aos parâmetros do modelo. Novamente, estas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel é baseado no pressuposto de uma média constante, eo exemplo tem uma tendência linear na média durante uma porção do período de estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. 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 fazer 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 ea variância do erro é composta por um termo que é uma função de 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 média constante. Este termo é minimizado tornando m o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar a previsão responsiva às mudanças, queremos que m seja o menor possível (1), mas isso aumenta a variância do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados por -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 de média 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 a partir da média móvel no tempo 0 é 11.1. O erro é então -5.1. O desvio padrão e o desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente. A média simples de movimentação da média de movimentação ajuda a calcular qualquer característica sazonal, uma média móvel simples pode ser muito útil na identificação de uma tendência dentro da flutuação de dados. Por exemplo, se quisermos prever as vendas em junho com uma média móvel de cinco meses, podemos tomar a média das vendas em janeiro, fevereiro, março. Abril e maio. Quando June passe. A previsão para julho seria a média de fevereiro, março, abril, maio e junho. A fórmula para uma previsão média móvel simples é Suponha que queremos prever a demanda semanal de um produto usando uma média móvel de três e nove semanas. Conforme demonstrado nos Anexos 9.6 e 9.7. Estas previsões são calculadas da seguinte forma: Para ilustrar, a previsão de três semanas para a semana é: Operações Relacionadas Atribuições de Gestão Média Móvel Ponderada Confiabilidade dos Dados Fórmulas-Chave Análise de Série Temporal Suavização Exponencial