EXPONENCIÁLNÍ VYHLAZOVÁNÍ: METODA A PŘÍKLAD - DUDAS - 2025

Exponenciální vyhlazování je způsob, jak předpovídat poptávku po článku pro dané období. Tato metoda odhaduje, že poptávka se bude rovnat průměru průměrné spotřeby v daném období, což přinese větší váhu nebo váhu hodnotám, které jsou v čase bližší. Navíc v následujících prognózách zohledněte existující chybu současné prognózy.

Prognóza poptávky je metoda projekce poptávky zákazníka po produktu nebo službě. Tento proces je nepřetržitý, kdy manažeři používají historická data k výpočtu toho, co očekávají od prodejního požadavku na zboží nebo službu.

Zdroj: pixabay.com

Informace z minulosti společnosti se používají jejich přidáním k tržním ekonomickým údajům, aby se zjistilo, zda se prodej zvýší nebo sníží.

Výsledky prognózy poptávky slouží k stanovení cílů pro obchodní oddělení a snaží se zůstat v souladu s cíli společnosti.

Exponenciální vyhlazovací metoda

Vyhlazení je velmi běžný statistický proces. Vyhlazená data se často nacházejí v různých formách každodenního života. Pokaždé, když se průměr používá k popisu něčeho, používá se vyhlazené číslo.

Předpokládejme, že nejteplejší zima v historii byla letos zažita. Kvantifikovat to, začneme s denními teplotními údaji stanovenými pro zimní období každého zaznamenaného historického roku.

To generuje řadu čísel s velkými „skoky“. Potřebujete číslo, které eliminuje všechny tyto skoky z dat, aby bylo snazší porovnat jednu zimu s druhou.

Odstranění skoku v datech se nazývá vyhlazování. V tomto případě lze k dosažení vyhlazení použít jednoduchý průměr.

Vyhlazení v prognóze

Pro předpovídání poptávky se vyhlazování rovněž používá k odstranění změn v historické poptávce. To umožňuje lepší identifikaci modelů poptávky, které lze použít k odhadu budoucí poptávky.

Změny v poptávce jsou stejné koncepce jako „skok“ teplotních údajů. Nejběžnějším způsobem odstraňování odchylek v historii poptávky je použití průměrného nebo konkrétně pohyblivého průměru.

Klouzavý průměr používá pro výpočet průměru předdefinovaný počet period a tyto periody se pohybují v průběhu času.

Pokud například používáte čtyřměsíční klouzavý průměr a dnes je 1. května, použijete průměrnou poptávku za leden, únor, březen a duben. 1. června bude využita poptávka po únoru, březnu, dubnu a květnu.

Vážený klouzavý průměr

Při použití jednoduchého průměru se na každou hodnotu v sadě dat použije stejný význam. Proto ve čtyřměsíčním klouzavém průměru představuje každý měsíc 25% klouzavého průměru.

Použitím historie poptávky k promítnutí budoucí poptávky lze říci, že poslední období má na prognózu větší dopad.

Výpočet klouzavého průměru může být upraven pro použití různých „hmotností“ pro každou periodu pro získání požadovaných výsledků.

Tyto hmotnosti jsou vyjádřeny v procentech. Součet všech hmotností za všechna období musí činit 100%.

Proto, pokud chcete použít 35% jako váhu pro nejbližší období ve čtyřměsíčním váženém průměru, můžete odečíst 35% od 100%, přičemž 65% můžete rozdělit mezi zbývající tři období.

Například můžete skončit s váhou 15%, 20%, 30% a 35% pro čtyři měsíce (15 + 20 + 30 + 35 = 100).

Exponenciální vyhlazování

Řídicí vstup pro výpočet exponenciálního vyhlazování je znám jako vyhlazovací faktor. Představuje váhu aplikovanou na poptávku za poslední období.

Pokud se jako vážená klouzavá průměrná hodnota použije jako poslední váha 35%, můžete také použít jako vyrovnávací faktor při výpočtu exponenciálního vyhlazování 35%.

Exponenciální část

Rozdíl ve výpočtu exponenciálního vyhlazování spočívá v tom, že místo toho, aby bylo nutné zjistit, jak velkou váhu je třeba použít pro každé předchozí období, se k tomu automaticky použije vyhlazovací faktor.

Toto je „exponenciální“ část. Pokud se jako vyrovnávací faktor použije 35%, bude váha poptávky za poslední období 35%. Váha poptávky z období před posledním bude 65% z 35%.

65% pochází z odečtení 35% ze 100%. To odpovídá 22,75% vážení za toto období. Poptávka po příštím nejnovějším období bude 65% z 65% z 35%, což se rovná 14,79%.

Předchozí období bude váženo jako 65% z 65% z 65% na 35%, což odpovídá 9,61%. To bude provedeno pro všechna předchozí období, až do prvního období.

Vzorec

Vzorec pro výpočet exponenciálního vyhlazování je následující: (D * S) + (P * (1-S)), kde, D = nejnovější poptávka za období.

S = vyhlazovací faktor, reprezentovaný v desítkové podobě (35% by bylo 0,35).

P = předpověď posledního období vyplývající z výpočtu vyhlazení předchozího období.

Za předpokladu, že máme vyhlazovací faktor 0,35, pak bychom měli: (D * 0,35) + (P * 0,65).

Jak vidíte, jedinými požadovanými datovými vstupy jsou poptávka a nejnovější prognóza období.

Příklad

Pojišťovna se rozhodla rozšířit svůj trh na největší město v zemi a poskytovat pojištění vozidel.

Jako první krok chce společnost předpovědět, kolik obyvatel si toto město koupí.

K tomu použijí jako výchozí údaje výši pojištění vozidla zakoupeného v jiném menším městě.

Prognóza poptávky pro období 1 je 2 869 smluvně pojištěných vozidel, ale skutečná poptávka v tomto období byla 3 200.

Podle uvážení společnosti přiřadí vyrovnávací faktor 0,35. Prognóza pro další období je: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Stejný výpočet byl proveden pro celý rok a získal následující srovnávací tabulku mezi tím, co bylo skutečně získáno, a tím, co bylo pro tento měsíc předpovězeno.

Ve srovnání s technikami průměrování může exponenciální vyhlazování předpovídat trend lépe. Jak však ukazuje graf, stále to zaostává.

Je vidět, jak šedá linie prognózy může být výrazně pod nebo nad modrou linkou poptávky, aniž by byla schopna ji plně sledovat.

Reference

1. Wikipedia (2019). Exponenciální vyhlazování. Převzato z: es.wikipedia.org.
2. Ingenio Empresa (2016). Jak používat jednoduché exponenciální vyhlazování k předpovědi poptávky. Převzato z: ingenioempresa.com.
3. Dave Piasecki (2019). Vysvětlení exponenciálního vyhlazování. Převzato z: inventops.com.
4. Studie (2019). Techniky předpovídání poptávky: klouzavý průměr a exponenciální vyhlazování. Převzato z: study.com.
5. Cityu (2019). Exponenciální vyhlazovací metody. Převzato z: personal.cb.cityu.edu.hk.