Presentasjon lastes. Vennligst vent

Presentasjon lastes. Vennligst vent

Kap 5 - Prediksjonsmodeller n Prediksjon eller prognoser – åpenbare anvendelser i praksis n Vi skal i hovedsak fokusere på tidsserie modeller – som indirekte.

Liknende presentasjoner


Presentasjon om: "Kap 5 - Prediksjonsmodeller n Prediksjon eller prognoser – åpenbare anvendelser i praksis n Vi skal i hovedsak fokusere på tidsserie modeller – som indirekte."— Utskrift av presentasjonen:

1 Kap 5 - Prediksjonsmodeller n Prediksjon eller prognoser – åpenbare anvendelser i praksis n Vi skal i hovedsak fokusere på tidsserie modeller – som indirekte er det samme som å si at ”historien gjentar seg selv” n Det finnes en rekke modeller, og ingen modell er generelt bedre enn en annen

2 Tidshorisont i prediksjoner n 1. Kortsiktig: Opp til et år; ofte mindre enn 3 måneder n Innkjøp, produksjonsnivå, likviditetsbudsjett n 2. Mellomlange: Tre måneder til tre år n Salg, produksjonsplanlegging, budsjettering n 3. Lang sikt – Fem år eller lengre. n Nye produkter, investeringsanalyse, forskning og utvikling

3 Åtte trinn i en prediksjon n 1. Hva er målet med prediksjonen? n 2. Hva skal predikeres? n 3. Hvilken tidshorisont er aktuell? n 4. Velg modellen eller modellene n 5. Skaff til veie data n 6. Kontroller modellen n 7. Gjennomfør prediksjonen n 8. Implementer resultatene

4 Prediksjon n Tidsseriemodeller – historien gjentar seg selv n Bevegelige gjennomsnitt n Veid bevegelig gjennomsnitt n Eksponensiell glatting n Eksponensiell glatting med trend n Trend framskrivninger n Sesongvariasjoner

5 Prediksjon n Kausale modeller – tar sikte på å forklare utviklingen i en variabel n Regresjonsanalyse n Variansanalyse n Korrelasjon n Multippel regresjon

6 Eksempel Ofte mest hensiktsmessig å se tidsserien grafisk

7 Spredningsdiagram

8 Hvordan måle nøyaktighet? n Aktuelle feilmål n MAD (Mean Absolute Deviation) n MSE (Mean Squared Error) n MAPE (Mean Absolute Percent Error)

9 Prediksjonsfeil

10 Tidsseriemodeller n Det er viktig å lete etter mønstre i dataene n Trend (T) – ser det ut til å være økning eller reduksjon over tid n Sesong (S) – er det bestemte mønstre over tid n Konjunktursyklus (C) – er det mønstre som gjentar seg selv med noen års mellomrom n Tilfeldige effekter (R)

11 Tidsseriemodeller n Multiplikativ modell: n Salg = T • S • C • R n Additiv modell: n Salg = T + S + C + R n Over tid bør de tilfeldige effektene jevne seg ut

12 Bevegelige gjennomsnitt n Bevegelige gjennomsnitt eller moving averages n Brukbar metode hvis salget er konstant over tid (ingen trend) n Bevegelige gjennomsnitt beregnes slik: n Bevegelig gjennomsnitt = (summen av etterspørselen de siste n perioder)/n n n er antall tidligere perioder (3, 4, 5, f eks) n Salg i tidligere perioder kan enten telle likt, eller de kan veies (veid bevegelig gjennomsnitt)

13 Eks: Bevegelig gjennomsnitt Bevegelig gj.snitt =  Etterspørsel i n siste perioder n Mnd FAKTISK SALG AV SKUR BEVEGELIG SNITT OVER 3 PERIODER Jan Feb Mar Apr Mai Jun Jul ( )/3 = 11 2/3 ( )/3 = 13 2/3 ( )/3 = 16 ( )/3 = 19 1/3

14 Veid bevegelig gjennomsnitt Mnd FAKTISK SALG AV SKUR TRE MND BEVEGELIG GJENNOMSNITT Jan Feb Mar Apr Mai Jun Jul [(3 • 13) + (2 • 12) + (1 • 10)]/6 = 12 1/6 [(3 • 16) + (2 • 13) + (1 • 12)]/6 = 14 1/3 [(3 • 19) + (2 • 16) + (1 • 13)]/6 = 17 [(3 • 23) + (2 • 19) + (1 • 16)]/6 = 20 1/2 VEKTINGPERIODE Sist mnd To mnd siden Tre mnd siden Sum av vekter

15 QM output

16 Eksponensiell glatting n Bruker prediksjonsfeil i en periode for å forbedre prediksjonen for neste periode n Anta for eksempel at predikert salg en periode er 12, mens virkelig salg er 16 n Hva kan feilen på 4 skyldes? n Tilfeldigheter ? n Har salget økt (permanent) ?

17 Eksponensiell glatting n Hvordan skal vi predikere for neste periode? n Øke prediksjonen med 4, eller en del av feilen (en del av 4) ? n Andelen av feilen i forrige periode som tas med i prediksjonen for neste periode kalles utjevningskonstant for middelsalget og betegnes med , og er mellom 0 og 1 n  = 0,1 betyr at 10 % av feilen skyldes at salget er økt og 90 % av feilen skyldes tilfeldigheter

18 Eksponensiell glatting n Ny prediksjon = Prediksjon forrige periode +  (salg forrige periode – prediksjon forrige periode) n F t = F t-1 +  (A t-1 – F t-1 ), hvor n F t = ny prediksjon n F t-1 = prediksjon forrige periode n A t-1 = salg i forrige periode

19 Eksponensiell glatting n Anta at predikert salg for februar mnd var 142 enheter, mens faktisk salg var 153. Utjevningskonstant  = 0,2 n Predikert salg for mars blir n F t = F t-1 +  (A t-1 – F t-1 ) n = ,2(153 – 142) = 144,2 n Anta at virkelig salg ble 136. Predikert april n = 144,2 + 0,2(136 – 144,2) = 142,6

20 Eksempel – Port of Baltimore

21 Eksempel - trend

22 Trend i salget

23 Trendmodell n Ved prediksjon av data med trend, kan man ofte bruke lineær regresjon med tiden som forklaringsvariabel

24 Minste kvadraters metode Verdi på avhengig variabel Tid Dist 2 1 * } 2 3 * } 2 5 * } 2 7 * 2 2 * { 2 4 * { 2 6 * { }

25 Minste kvadraters metode

26 Eksempel med trend

27 n Vi finner regresjonsligningen

28 Midwestern – Excel QM

29 Sesong n Ikke sjelden er det sesongmønstre i dataene, som også må tas med i modellene n Trend og sesong kan også kombineres i samme modell (Winters modell), men det blir vanskelig å regne på manuelt

30 Eksempel - sesong

31

32 Trend og sesong n Det er ikke uvanlig at trend og sesong kan være tilstede samtidig n Endring i salget fra en periode til den neste kan være på grunn av trend, sesong eller tilfeldig n Sesongindekser kan beregnes ut fra CMA – Centered Moving Average

33 Trend og sesong

34 Turner Industries

35 CMA - Turner

36

37 Salg med fjernet sesongeffekt

38 Turner - trendkomponent Y = 124,78 + 2,34X

39 Turner - prediksjoner Y med trend = 124,78 + 2,34X Y med trend og sesong = (124,78 + 2,34X) * Sesongindeks

40 Turner - prediksjoner

41 Turner prediksjoner - QM

42 Turner – lineær regresjon

43


Laste ned ppt "Kap 5 - Prediksjonsmodeller n Prediksjon eller prognoser – åpenbare anvendelser i praksis n Vi skal i hovedsak fokusere på tidsserie modeller – som indirekte."

Liknende presentasjoner


Annonser fra Google