EKSPONENTIEL UDJÆVNING: METODE OG EKSEMPEL - DUDAS - 2025

Den eksponentielle udjævning er en måde at forudsige efterspørgslen efter en artikel i en given periode. Denne metode estimerer, at efterspørgslen vil være lig med gennemsnittet af det historiske forbrug i en given periode, hvilket giver større vægt eller vægt til de værdier, der er nærmere i tiden. Derudover skal der for følgende prognoser tages hensyn til den eksisterende fejl i den aktuelle prognose.

Forespørgsel efter behov er metoden til at projicere kundernes efterspørgsel efter et produkt eller en tjeneste. Denne proces er kontinuerlig, hvor ledere bruger historiske data til at beregne, hvad de forventer, at efterspørgslen efter en vare eller service skal være.

Kilde: pixabay.com

Oplysninger fra virksomhedens fortid bruges ved at tilføje dem til markedsøkonomiske data for at se, om salget vil stige eller falde.

Resultaterne af efterspørgselsprognosen bruges til at sætte mål for salgsafdelingen og forsøge at holde sig i overensstemmelse med virksomhedens mål.

Eksponentiel udjævningsmetode

Udjævning er en meget almindelig statistisk proces. Glattede data findes ofte i forskellige former for hverdag. Hver gang der bruges et gennemsnit til at beskrive noget, bruges et udjævnet tal.

Antag, at den varmeste vinter på rekord blev oplevet i år. For at kvantificere dette starter vi med de daglige temperaturdatasæt for vinterperioden for hvert registreret historisk år.

Dette genererer et antal numre med store "spring". Du har brug for et tal, der fjerner alle disse spring fra dataene for at gøre det lettere at sammenligne en vinter med en anden.

Fjernelse af springet i dataene kaldes udjævning. I dette tilfælde kan et simpelt gennemsnit bruges til at opnå udjævning.

Udjævning i prognosen

Til prognoser efterspørgsel bruges udjævning også til at eliminere variationer i den historiske efterspørgsel. Dette muliggør en bedre identifikation af efterspørgselsmønstre, som kan bruges til at estimere fremtidig efterspørgsel.

Variationerne i efterspørgsel er det samme koncept som "hoppet" af temperaturdataene. Den mest almindelige måde, hvorpå variationer i efterspørgselshistorik fjernes, er ved at bruge et gennemsnit eller specifikt et bevægende gennemsnit.

Det bevægende gennemsnit bruger et foruddefineret antal perioder til at beregne gennemsnittet, og disse perioder bevæger sig, når tiden går.

Hvis du for eksempel bruger et fire måneders glidende gennemsnit og i dag er 1. maj, bruger du den gennemsnitlige efterspørgsel for januar, februar, marts og april. Den 1. juni bruges efterspørgslen efter februar, marts, april og maj.

Vægtet glidende gennemsnit

Når du bruger et simpelt gennemsnit, anvendes den samme betydning for hver værdi i datasættet. Derfor repræsenterer hver måned 25% af det bevægende gennemsnit i et fire måneders glidende gennemsnit.

Ved at bruge efterspørgselshistorik til at projicere fremtidig efterspørgsel, er det grund til, at den seneste periode har større indflydelse på prognosen.

Den glidende gennemsnitberegning kan tilpasses til at anvende forskellige "vægte" på hver periode for at opnå de ønskede resultater.

Disse vægte udtrykkes som procentdel. Det samlede antal vægte i alle perioder skal være 100%.

Derfor, hvis du ønsker at anvende 35% som vægten i den nærmeste periode i det fire måneders vægtede gennemsnit, kan du trække 35% fra 100%, så 65% får opdeling mellem de tre resterende perioder.

For eksempel kan du ende med en vægtning på henholdsvis 15%, 20%, 30% og 35% i de fire måneder (15 + 20 + 30 + 35 = 100).

Eksponentiel udjævning

Kontrolindgangen til den eksponentielle udjævningsberegning er kendt som udjævningsfaktoren. Repræsenterer vægten anvendt på efterspørgslen i den seneste periode.

Hvis 35% bruges som den seneste periodevægt i den vægtede glidende gennemsnitberegning, kan du også vælge at bruge 35% som udjævningsfaktoren i den eksponentielle udjævningsberegning.

Eksponentiel del

Forskellen i den eksponentielle udjævningsberegning er, at i stedet for at skulle finde ud af, hvor meget vægt der skal anvendes på hver foregående periode, anvendes udjævningsfaktoren til at gøre det automatisk.

Dette er den "eksponentielle" del. Hvis der bruges 35% som udjævningsfaktor, vil efterspørgselsvægten for den seneste periode være 35%. Vægtningen af ​​efterspørgslen fra perioden forud for den seneste vil være 65% af 35%.

65% kommer fra at trække 35% fra 100%. Dette svarer til 22,75% vægtning for den periode. Efterspørgslen efter den næste seneste periode vil være 65% fra 65% fra 35%, hvilket er lig med 14,79%.

Den foregående periode vægtes som 65% af 65% af 65% af 35%, svarende til 9,61%. Dette gøres for alle tidligere perioder op til den første periode.

Formel

Formlen til beregning af eksponentiel udjævning er som følger: (D * S) + (P * (1-S)), hvor, D = den seneste efterspørgsel for perioden.

S = udjævningsfaktor repræsenteret i decimalform (35% ville være 0,35).

P = prognose for den seneste periode, der er resultatet af udjævningsberegningen for den foregående periode.

Hvis vi antager, at vi har en udjævningsfaktor på 0,35, ville vi derefter have: (D * 0,35) + (P * 0,65).

Som du kan se, er de eneste krævede dataindgange efterspørgslen og den seneste prognose for perioden.

Eksempel

Et forsikringsselskab har besluttet at udvide sit marked til den største by i landet med forsikring for køretøjer.

Som en indledende handling ønsker virksomheden at forudsige, hvor meget køretøjsforsikring der vil blive købt af indbyggerne i denne by.

For at gøre dette bruger de som indledende data mængden af ​​bilforsikring, der er købt i en anden mindre by.

Forventet efterspørgsel for periode 1 er 2.869 kontrakteret køretøjsforsikring, men den reelle efterspørgsel i denne periode var 3.200.

Efter selskabets skøn tildeler det en udjævningsfaktor på 0,35. Den forventede efterspørgsel for den næste periode er: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Samme beregning blev foretaget for hele året ved at opnå følgende sammenligningstabel mellem hvad der faktisk blev opnået og hvad der var forventet for den måned.

Sammenlignet med gennemsnitsteknikker kan eksponentiel udjævning forudsige tendensen bedre. Det kommer dog stadig til kort som vist i grafen:

Det kan ses, hvordan den grå linje i prognosen kan være langt under eller over den blå efterspørgsel uden at være i stand til fuldt ud at følge den.

Referencer

1. Wikipedia (2019). Eksponentiel udjævning. Taget fra: es.wikipedia.org.
2. Ingenio Empresa (2016). Sådan bruges enkel eksponentiel udjævning til at forudsige efterspørgsel. Taget fra: ingenioempresa.com.
3. Dave Piasecki (2019). Eksponentiel udjævning forklaret. Fra: inventops.com.
4. Undersøgelse (2019). Teknikker til forudsigelse af efterspørgsel: Gennemsnitlig bevægelse og eksponentiel udjævning. Taget fra: study.com.
5. Cityu (2019). Eksponentielle udjævningsmetoder. Taget fra: personal.cb.cityu.edu.hk.