Usando a função PREVISÃO no Excel (e Open Office Calc) copie Copyright. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Deixe-me começar dizendo que Excels Forecast Function não é um sistema completo de previsão de inventário. A previsão no gerenciamento de inventário geralmente envolve a remoção do ruído da demanda, calculando e incorporando tendências, sazonalidade e eventos. A função de previsão não vai fazer todas essas coisas para você (tecnicamente, poderia, mas existem maneiras melhores de realizar algumas dessas). Mas é uma pequena função que é fácil de usar, e certamente pode ser uma parte do seu sistema de previsão. De acordo com a Ajuda da Microsoft na função Forecast. A função FORECAST (x, knownys, knownxs) retorna o valor previsto da variável dependente (representada nos dados por knownys) para o valor específico, x, da variável independente (representada nos dados por knownxs) usando o melhor ajuste (Mínimos quadrados) regressão linear para prever valores y de valores x. Então, o que exatamente isso significa Regressão linear é uma forma de análise de regressão e pode ser usado para calcular uma relação matemática entre dois (ou mais) conjuntos de dados. Na previsão, você usaria isso se achasse que um conjunto de dados poderia ser usado para prever outro conjunto de dados. Por exemplo, se você vendeu materiais de construção, você pode achar que mudanças nas taxas de juros podem ser usadas para prever as vendas de seus produtos. Este é um exemplo clássico de usar regressão para calcular uma relação entre uma variável externa (taxas de juros) e uma variável interna (suas vendas). No entanto, como veremos mais tarde, você também pode usar regressão para calcular uma relação dentro do mesmo conjunto de dados. Uma abordagem típica para a análise de regressão envolve o uso de regressão para determinar o relacionamento matemático, mas também para ajudar a dar uma idéia de como esse relacionamento é válido (ou seja, a parte de análise). A função de previsão ignora a análise e apenas calcula um relacionamento e aplica-se automaticamente à sua saída. Isso torna as coisas mais fáceis para o usuário, mas assume que sua relação é válida. Então, essencialmente, a função Previsão usa regressão linear para prever um valor baseado em uma relação entre dois conjuntos de dados. Vamos ver alguns exemplos. Na Figura 1A, temos uma planilha que inclui a taxa de juros média nos últimos 4 anos e as vendas unitárias durante esse mesmo período de 4 anos. Também mostramos uma taxa de juros prevista para o 5º ano. Podemos ver no exemplo que nossas vendas de unidades aumentam à medida que as taxas de juros diminuem e diminuem à medida que as taxas de juros aumentam. Apenas olhando para o exemplo, provavelmente podemos adivinhar que nossas vendas para o ano 5 estarão entre 5,000 e 6,000 com base na relação observada entre taxas de juros e vendas nos períodos anteriores. Podemos usar a função de previsão para quantificar mais precisamente essa relação e aplicá-la ao 5º ano. Na Figura 1B, você pode ver a função de Previsão sendo aplicada. Nesse caso, a fórmula na célula F4 é PRÉVIA (F2, B3: E3, B2: E2). O que temos entre parênteses é conhecido como um argumento. Um argumento é realmente apenas um meio de passar parâmetros na função que está sendo usada (neste caso, a função Previsão). Cada parâmetro é separado por uma vírgula. Para que a função de previsão funcione, precisa saber o valor que estamos usando para prever nossa produção (nossas vendas no ano 5). No nosso caso, o parâmetro (nossa taxa de juros do ano 5) está na célula F2, então o primeiro elemento do nosso argumento é F2. Em seguida, ele precisa saber onde pode encontrar os valores existentes que ele usará para determinar o relacionamento a ser aplicado ao F2. Primeiro precisamos inserir as células que representam os valores de nossa variável dependente. No nosso caso, estas seriam nossas unidades vendidas nos últimos 4 anos, portanto entramos em B3: E3. Então precisamos inserir as células que representam os valores de nossa variável de preditores. No nosso caso, estas seriam as taxas de juros durante os 4 anos anteriores, portanto entramos em B2: E2). A função de previsão agora pode comparar as unidades vendidas durante os anos 1 a 4 com as taxas de juros nesses mesmos anos e, em seguida, aplicar essa relação com nossa taxa de juros prevista do ano 5 para obter nossas vendas previstas para o ano 5 de 5.654 unidades. No exemplo anterior, podemos olhar para os gráficos para ajudar a tentar visualizar o relacionamento. À primeira vista, pode não parecer tão óbvio porque temos uma relação inversa (as vendas vão para cima como as taxas de juros vão PARA BAIXO), mas se você mentalmente virou um dos gráficos, você veria um relacionamento muito claro. Essa é uma das coisas legais sobre a função de previsão (e análise de regressão). Ele pode lidar facilmente com uma relação inversa. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Agora vamos olhar outro exemplo. Na Figura 2A, vemos um novo conjunto de dados. Neste exemplo, nossas taxas de juros subiram e baixaram nos últimos 4 anos, ainda que nossas vendas unitárias apresentaram uma tendência ascendente consistente. Embora seja possível que as taxas de juros tenham tido algum impacto nas nossas vendas neste exemplo, é óbvio que há fatores muito mais significativos em jogo aqui. Ao usar nossa função de previsão com esses dados, devolvemos uma previsão de 7.111 unidades para o Ano 5. Penso que a maioria de nós olharia nossa tendência de vendas e concorda que é muito mais provável que nossas vendas para o Ano 5 sejam 9 mil unidades. Como eu mencionei anteriormente, a função de previsão assume que o relacionamento é válido, portanto, ele produz saída com base no melhor ajuste que pode fazer com os dados fornecidos. Em outras palavras, se dissermos que existe um relacionamento, ele nos acredita e produz a saída em conformidade sem nos dar uma mensagem de erro ou qualquer sinal que implique que o relacionamento é muito pobre. Então, tenha cuidado com o que você pede. Os exemplos anteriores abrangiam a aplicação clássica de regressão à previsão. Embora tudo isso pareça bastante liso, esta aplicação clássica de regressão não é tão útil como você pode pensar (você pode verificar meu livro para obter mais informações sobre a regressão e por que pode não ser uma boa escolha para suas necessidades de previsão). Mas agora vamos usar a função de previsão para simplesmente identificar a tendência dentro de um dado conjunto de dados. Comece por olhar a Figura 3A. Aqui temos demanda com uma tendência muito óbvia. A maioria de nós deve poder analisar esses dados e se sentir confortável ao prever que a demanda no Período 7 provavelmente será de 60 unidades. No entanto, se você executou esses dados através dos cálculos de previsão típicos usados no gerenciamento de estoque, você pode se surpreender com o quão pobre muitos desses cálculos são responsáveis pela tendência. Uma vez que a função de previsão requer a entrada de uma variável dependente e uma variável de preditores, como podemos usar a função de previsão se tivermos apenas um conjunto de dados. Bem, embora seja tecnicamente verdade que temos um único conjunto de dados. Exigem história), nós realmente temos um relacionamento acontecendo dentro desse conjunto de dados. Nesse caso, nosso relacionamento é baseado no tempo. Portanto, podemos usar a demanda de cada período como uma variável preditor para os próximos períodos de demanda. Portanto, precisamos apenas dizer a função de previsão para usar a demanda nos períodos 1 a 5 como os dados existentes para a variável preditor e usar a demanda nos períodos 2 a 6 como dados existentes para a variável dependente. Em seguida, diga para aplicar essa relação com a demanda no Período 6 para calcular nossa previsão para o Período 7. Você pode ver na Figura 3B, nossa fórmula na Célula I3 é PRÉVIA (H2, C2: H2, B2: G2). E retorna uma previsão de 60 unidades. Obviamente, este exemplo não é realista, pois a demanda é muito boa (sem ruído). Então, procure a Figura 3C onde aplicamos esse mesmo cálculo a alguns dados mais realistas. Eu só quero reafirmar, que enquanto a função de previsão é útil, não é um sistema de previsão. Normalmente, eu prefiro ter um pouco mais de controle sobre exatamente como eu aplico e estendi as tendências à minha previsão. Além disso, você quer primeiro remover todos os outros elementos da sua demanda que não estão relacionados à sua demanda e tendência básica. Por exemplo, você deseja remover quaisquer efeitos de sazonalidade ou eventos (como promoções) de sua demanda antes de aplicar a função de previsão. Você aplicaria seu índice de sazonalidade e qualquer índice de eventos ao resultado da função de previsão. Você também pode brincar com suas entradas para obter um resultado desejado. Por exemplo, você pode tentar primeiro suavizar seu histórico de demanda (através de uma média móvel, média móvel ponderada ou suavização exponencial), e usando essa é a variável preditor em vez da demanda bruta. Para obter mais informações sobre Previsão, consulte o livro Gerenciamento de inventário Explicado. Usando a função de previsão no Open Calc do Office. Para usuários do Openoffice. org Calc. A função Previsão funciona basicamente da mesma forma que no Excel. No entanto, há uma pequena diferença na sintaxe usada em Calc. Onde quer que você use uma vírgula em um argumento em uma função do Excel, você usaria um ponto e vírgula em Calc. Então, em vez da Fórmula do Excel, você entraria na Página de Artigos para mais artigos de Dave Piasecki. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Dave Piasecki. É um operador próprio da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de estoque, manuseio de materiais e operações de armazém. Possui mais de 25 anos de experiência no gerenciamento de operações e pode ser alcançado através do seu site (inventário), onde ele mantém informações relevantes adicionais. O Business Inventory Operations Consulting LLC da minha empresa fornece assistência rápida, acessível e especializada com gerenciamento de inventário e operações de armazenamento. Fator sazonal de meus livros FORECAÇÃO: a porcentagem da demanda trimestral média que ocorre em cada trimestre. A previsão anual para o ano 4 prevê ser de 400 unidades. A previsão média por trimestre é de 4004 100 unidades. Previsão trimestral avg. Previsão do fator sazonal. MÉTODOS DE PREVISÃO CAUSAL métodos de previsão causais são baseados em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos 1. regressão: a equação matemática relaciona uma variável dependente a uma ou mais variáveis independentes que se acredita que influenciam a variável dependente 2. modelos econométricos: sistema de equações de regressão interdependentes que descrevem alguns setores da atividade econômica 3. modelos de insumo-produto: descreve os fluxos de um setor da economia para outro e, assim, prevê os insumos necessários para produzir resultados em outro setor 4. Modelagem de simulação MEDIANDO ERROS DE PREVISÃO Há dois aspectos dos erros de previsão a serem preocupados - Bias e Bias de Precisão - Uma previsão é tendenciosa se ele se equivoca mais em uma direção do que no outro - O método tende a prever ou prever demais. Precisão - A precisão da previsão refere-se à distância das previsões da demanda real ignorar a direção desse erro. Exemplo: Para seis períodos, as previsões e a demanda real foram rastreadas. A tabela a seguir apresenta demanda real D t e demanda prevista F t por seis períodos: soma cumulativa de erros de previsão (CFE) -20 desvio absoluto médio (MAD) 170 6 28,33 quadrado médio Erro (MSE) 5150 6 858,33 desvio padrão de erros de previsão 5150 6 29,30 erro de porcentagem absoluta média (MAPE) 83,4 6 13,9 O que as informações fornecem uma previsão tem tendência a superestimar o erro médio da demanda por previsão foi de 28,33 unidades, ou 13,9 A distribuição de amostragem real da demanda de erros de previsão tem desvio padrão de 29,3 unidades. CRITÉRIOS PARA SELECIONAR UM MÉTODO DE PREVISÃO Objetivos: 1. Maximizar a Precisão e 2. Minimizar Regras de Potencial de Bias para selecionar um método de previsão de séries temporais. Selecione o método que dá o menor viés, conforme medido pelo erro de previsão acumulado (CFE) ou dá o menor desvio absoluto médio (MAD) ou dá o menor sinal de rastreamento ou aceita crenças de gerenciamento sobre o padrão subjacente de demanda ou outros. Parece óbvio que alguma medida de precisão e polarização deve ser usada em conjunto. Como o que é sobre o número de períodos a serem amostrados se a demanda for inerentemente estável, valores baixos de e valores maiores de N são sugeridos se a demanda for intrinsecamente instável, valores elevados de valores e e menores de N são sugeridos PREVISÃO DE FOCO previsão de quotfocus refere-se Uma abordagem de previsão que desenvolve previsões por várias técnicas, depois escolhe a previsão que foi produzida pelo quotbestquot dessas técnicas, onde quotbestquot é determinado por alguma medida de erro de previsão. PREVISÃO DE FOCO: EXEMPLO Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. Um revendedor usa um sistema de previsão de foco com base em duas técnicas de previsão: uma média móvel de dois períodos e um modelo de suavização exponencial ajustado pela tendência com 0,1 e 0,1. Com o modelo exponencial, a previsão para janeiro foi de 15 e a média da tendência no final de dezembro foi 1. O varejista usa o desvio absoluto médio (MAD) nos últimos três meses como critério para escolher qual modelo será usado para prever Para o próximo mês. uma. Qual será a previsão para julho e qual modelo será usado b. Você responderia à parte a. Seja diferente se a demanda de maio tivesse sido de 14 em vez de 19
No comments:
Post a Comment