- •Тема №6. Прогнозирование.
- •1. Общие принципы прогнозирования.
- •1.1. Характер спроса.
- •1.2. Элементы прогноза.
- •1.3. Подходы к прогнозированию.
- •1.3.1. Прогнозирование «сверху вниз».
- •1.3.2. Прогнозирование «снизу вверх».
- •2. Процесс прогнозирования.
- •Пользователи
- •База данных Процесс прогнозирования
- •3. Техника прогнозирования.
- •3.1. Методы прогнозирования.
- •3.1.1. Качественные методы прогнозирования.
- •3.1.2. Методы динамических рядов.
- •3.1.2.1. Скользящая средняя.
- •3.1.2.2. Экспоненциальное сглаживание.
- •3.1.2.3. Расширенное сглаживание.
- •3.1.2.4. Адаптивное сглаживание.
- •3.1.3. Причинно-следственные методы прогнозирования.
3.1.2.4. Адаптивное сглаживание.
Метод адаптивного сглаживания предполагает постоянный пересмотр выбранных значений альфа-фактора. Коэффициент пересматривают по завершении каждого прогнозного периода и определяют то его значение, при котором прогноз был бы безошибочным. Таким образом, субъективная оценка отчасти заменяется систематической и последовательной корректировкой альфа-фактора.
Более изощрённые разновидности адаптивного сглаживания построены на автоматическом отслеживании сигналов, предупреждающих о погрешностях и ошибках. Когда обнаруживается сигнал, вызванный слишком большой ошибкой, значение константы автоматически увеличивается, что делает прогноз более чувствительным к сглаживанию в предыдущие периоды. Если в последнем периоде объём продаж претерпевал значительные изменения, такая повышенная чувствительность уменьшит погрешность прогноза. Когда погрешность прогноза уменьшается, сигнал автоматически возвращает константу к её первоначальному значению.
Метод адаптивного сглаживания обладает свойством самокоррекции, т.е. подстраивания собственной чувствительности под текущую ситуацию. Слабость данного метода заключается в склонности к чрезмерным реакциям, когда случайная погрешность воспринимается как проявление тенденции или сезонного фактора. Такое ошибочное истолкование может стать причиной роста величины погрешностей в будущем.
3.1.3. Причинно-следственные методы прогнозирования.
Эти методы прогнозирования основаны на регрессионной оценке объёма продаж по каждой единице хранения с учётом влияния независимых факторов.
Например, продажа кофе на стадионе во время матча обычно есть функция температуры воздуха.
При выявлении такой корреляционной связи между переменными (как в примере спроса на кофе при определённой температуре) прогнозировать события нетрудно. В нашем примере ожидаемый спрос на кофе, чашки, сахар и сливки можно рассчитать заранее, исходя из прогноза погоды. Когда удаётся найти независимую переменную (факторный признак), причинно-следственные, или регрессионные, методы прогнозирования работают очень хорошо. Но в логистике такие ситуации встречаются не особенно часто. Если прогнозирование спроса на какой-либо продукт базируется на единственном независимом факторе, мы говорим о простом регрессионном анализе. Если же факторных признаков два или больше, применяется так называемая множественная регрессия.