Moving Media Data Management

Explore Business Moving Averages and Extrapolation Estos dos métodos hacen uso extensivo de ventas y otros datos para hacer predicciones sobre el futuro. Un promedio móvil toma una serie de datos y suaviza las fluctuaciones en los datos para mostrar un promedio. El objetivo es sacar los extremos de los datos de período a período. Los promedios móviles suelen ser calculados sobre una base trimestral o semanal. La extrapolación implica el uso de las tendencias establecidas por los datos históricos para hacer predicciones sobre los valores futuros. El supuesto básico de la extrapolación es que el patrón continuará en el futuro a menos que la evidencia sugiera otra cosa. Para entender más a fondo estas técnicas, consulte el siguiente gráfico que muestra las ventas trimestrales (m) de una gran empresa desde el primer trimestre del año 2006 al cuarto trimestre (año 10): La línea azul muestra la cifra de ventas trimestral real. Como se puede ver el total de ventas varía trimestre a trimestre, aunque usted podría adivinar a partir de mirar los datos que la tendencia general es un aumento de stead en las ventas. La línea roja muestra la media móvil trimestral. Esto se calcula sumando los últimos cuatro trimestres de ventas (por ejemplo, Q1 Q2 Q3 Q4) y luego se divide por cuatro. Esta técnica suaviza las variaciones trimestrales y da una buena indicación de la tendencia general de las ventas trimestrales. En cuanto a la gráfica, cómo podrían las medias móviles y la extrapolación ayudar a la administración a predecir las ventas desde el año 11 en adelante? La media móvil ayuda a señalar la tendencia de crecimiento (expresada como un porcentaje de tasa de crecimiento), y es lo que la extrapolación utilizaría primero para predecir la trayectoria de Ventas futuras. Esto se puede hacer matemáticamente utilizando una hoja de cálculo. Alternativamente, una tendencia extrapolada se puede dibujar simplemente en la carta como estimación aproximada, como se muestra abajo: Qué útil es la extrapolación Los principales beneficios e inconvenientes se resumen a continuación: Ventajas de utilizar la extrapolación Un método simple de pronóstico No se requieren muchos datos Rápido y barato Desventajas de utilizar la extrapolación No es fiable si hay fluctuaciones significativas en los datos históricos Asume que la tendencia pasada continuará en el futuro improbable en muchos entornos comerciales competitivos. Ignora factores cualitativos (por ejemplo, cambios en los gustos y modas) En la práctica el promedio móvil proporcionará una buena estimación de la Media de la serie temporal si la media es constante o cambia lentamente. En el caso de una media constante, el mayor valor de m dará las mejores estimaciones de la media subyacente. Un período de observación más largo promediará los efectos de la variabilidad. El propósito de proporcionar un m más pequeño es permitir que el pronóstico responda a un cambio en el proceso subyacente. Para ilustrar, proponemos un conjunto de datos que incorpora cambios en la media subyacente de la serie temporal. La figura muestra las series temporales utilizadas para la ilustración junto con la demanda media a partir de la cual se generó la serie. La media comienza como una constante en 10. Comenzando en el tiempo 21, aumenta en una unidad en cada período hasta que alcanza el valor de 20 en el tiempo 30. Entonces se vuelve constante otra vez. Los datos se simulan sumando a la media un ruido aleatorio de una distribución Normal con media cero y desviación estándar 3. Los resultados de la simulación se redondean al entero más próximo. La tabla muestra las observaciones simuladas utilizadas para el ejemplo. Cuando usamos la tabla, debemos recordar que en cualquier momento dado, sólo se conocen los datos pasados. Las estimaciones del parámetro del modelo, para tres valores diferentes de m se muestran junto con la media de las series temporales de la siguiente figura. La figura muestra la media móvil de la estimación de la media en cada momento y no la previsión. Los pronósticos cambiarían las curvas de media móvil a la derecha por períodos. Una conclusión es inmediatamente aparente de la figura. Para las tres estimaciones, la media móvil se queda por detrás de la tendencia lineal, con el rezago aumentando con m. El retraso es la distancia entre el modelo y la estimación en la dimensión temporal. Debido al desfase, el promedio móvil subestima las observaciones a medida que la media aumenta. El sesgo del estimador es la diferencia en un tiempo específico en el valor medio del modelo y el valor medio predicho por el promedio móvil. El sesgo cuando la media está aumentando es negativo. Para una media decreciente, el sesgo es positivo. El retraso en el tiempo y el sesgo introducido en la estimación son funciones de m. Cuanto mayor sea el valor de m. Mayor es la magnitud del retraso y sesgo. Para una serie cada vez mayor con tendencia a. Los valores de retraso y sesgo del estimador de la media se dan en las ecuaciones siguientes. Las curvas de ejemplo no coinciden con estas ecuaciones porque el modelo de ejemplo no está aumentando continuamente, sino que comienza como una constante, cambia a una tendencia y luego vuelve a ser constante de nuevo. También las curvas de ejemplo se ven afectadas por el ruido. El pronóstico de media móvil de los períodos en el futuro se representa desplazando las curvas hacia la derecha. El desfase y sesgo aumentan proporcionalmente. Las ecuaciones a continuación indican el retraso y sesgo de los períodos de previsión en el futuro en comparación con los parámetros del modelo. Nuevamente, estas fórmulas son para una serie de tiempo con una tendencia lineal constante. No debemos sorprendernos de este resultado. El estimador del promedio móvil se basa en el supuesto de una media constante, y el ejemplo tiene una tendencia lineal en la media durante una parte del período de estudio. Dado que las series de tiempo real rara vez obedecerán exactamente las suposiciones de cualquier modelo, debemos estar preparados para tales resultados. También podemos concluir de la figura que la variabilidad del ruido tiene el efecto más grande para m más pequeño. La estimación es mucho más volátil para el promedio móvil de 5 que el promedio móvil de 20. Tenemos los deseos en conflicto de aumentar m para reducir el efecto de la variabilidad debido al ruido y disminuir m para hacer el pronóstico más sensible a los cambios En promedio El error es la diferencia entre los datos reales y el valor previsto. Si la serie temporal es verdaderamente un valor constante, el valor esperado del error es cero y la varianza del error está compuesta por un término que es una función de y un segundo término que es la varianza del ruido. El primer término es la varianza de la media estimada con una muestra de m observaciones, suponiendo que los datos provienen de una población con una media constante. Este término se minimiza haciendo m tan grande como sea posible. Un m grande hace que el pronóstico no responda a un cambio en la serie temporal subyacente. Para hacer que el pronóstico responda a los cambios, queremos que m sea lo más pequeño posible (1), pero esto aumenta la varianza del error. El pronóstico práctico requiere un valor intermedio. Previsión con Excel El complemento de previsión implementa las fórmulas de promedio móvil. El siguiente ejemplo muestra el análisis proporcionado por el complemento para los datos de muestra en la columna B. Las primeras 10 observaciones se indexan -9 a 0. En comparación con la tabla anterior, los índices de período se desplazan en -10. Las primeras diez observaciones proporcionan los valores iniciales para la estimación y se utilizan para calcular la media móvil para el período 0. La columna MA (10) (C) muestra las medias móviles calculadas. El parámetro de la media móvil m está en la celda C3. La columna Fore (1) (D) muestra un pronóstico para un período en el futuro. El intervalo de pronóstico está en la celda D3. Cuando el intervalo de pronóstico se cambia a un número mayor, los números de la columna Fore se desplazan hacia abajo. La columna Err (1) (E) muestra la diferencia entre la observación y el pronóstico. Por ejemplo, la observación en el tiempo 1 es 6. El valor pronosticado a partir de la media móvil en el tiempo 0 es 11.1. El error entonces es -5.1. La desviación estándar y la media media de desviación (MAD) se calculan en las celdas E6 y E7, respectivamente. Métodos de mediación ponderada Métodos de pronóstico: pros y contras Comentarios Hola, AMA tu publicación. Me preguntaba si podría elaborar más. Utilizamos SAP. En ella hay una selección que puede elegir antes de ejecutar su pronóstico llamado inicialización. Si selecciona esta opción obtendrá un resultado de pronóstico, si ejecuta el pronóstico de nuevo, en el mismo período y no comprueba la inicialización, el resultado cambia. No puedo averiguar qué está haciendo la inicialización. Quiero decir, matemáticamente. Qué resultado de pronóstico es mejor guardar y usar, por ejemplo. Los cambios entre los dos no están en la cantidad pronosticada, sino en el MAD y Error, stock de seguridad y cantidades ROP. No está seguro si utiliza SAP. Hola gracias por explicar tan eficientemente su demasiado gd. Gracias de nuevo Jaspreet Deja un comentario Cancelar respuesta Mensajes más populares Acerca de Pete Abilla Pete Abilla es el fundador de Shmula. Ayuda a compañías como Amazon, Zappos, eBay, Backcountry y otros a reducir costos y mejorar la experiencia del cliente. Lo hace a través de un método sistemático para identificar puntos de dolor que impactan al cliente y al negocio y alienta una amplia participación de los asociados de la compañía para mejorar sus propios procesos. Etiquetas