Ponderada Média Móvel Previsão Ppt

1 Capítulo 13 Previsão de Gerenciamento de Demanda Métodos de Previsão Qualitativa Previsões de Média Móvel Ponderada Simples Suavização Exponencial. Apresentação sobre o tema: 1 Capítulo 13 Previsão de Gestão da Demanda Métodos de Previsão Qualitativa Previsões de Média Móvel Ponderada Simples Suavização Exponencial. Transcrição da apresentação: 1 1 Capítulo 13 Previsão Gestão da procura Métodos de previsão qualitativa Previsões médias móveis ponderadas simples Alisamento exponencial 5 5 Tipos de previsões por horizonte temporal Previsão de curto prazo Previsão de médio alcance Previsão de longo alcance 6 6 Tipos de previsões por item Previsão Previsões económicas Previsões tecnológicas Previsões de demanda 8 8 Componentes da demanda Demanda média para um período de tempo Tendência Elemento sazonal Elementos cíclicos Variação aleatória Autocorrelação 9 9 Encontrar componentes da demanda 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx Ano Vendas Variação sazonal Linear Tendência 10 10 Componente cíclica Repetição de movimentos descendentes Devido a interacções de factores que influenciam a economia Habitualmente 2-10 anos de duração Mo. Qtr. Yr. Ciclo de Resposta B 11 11 Componente Aleatório Variações erráticas, não sistemáticas e residuais Devido à variação aleatória ou eventos imprevistos Duração curta não repetida 1984-1994 TMaker Co. 12 12 Métodos Qualitativos Raízes de Base Painel de Pesquisa de Mercado Consenso Juízo Executivo Analogia Histórica Método Delphi Métodos Qualitativos 13 13 Delphi Método l. Escolha os especialistas para participar. 2. Através de um questionário (ou E-mail), obtenha previsões de todos os participantes. 3. Resumir os resultados e redistribuí-los aos participantes juntamente com as novas questões apropriadas. 4. Resumir novamente, refinando previsões e condições, e novamente desenvolvendo novas questões. 5. Repita o passo 4, se necessário. Distribua os resultados finais a todos os participantes. 14 14 Modelos causais Métodos de previsão quantitativa Modelos de séries temporais de previsão quantitativa Regressão linear Suavização exponencial Projeção de tendência Média móvel 15 15 Análise de séries temporais Os modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Você pode escolher modelos baseados em: 16 16 Fórmula de Movimento Média Simples O modelo de média móvel simples assume que uma média é um bom estimador do comportamento futuro. A fórmula para a média móvel simples é: F t Previsão para o próximo período N Número de períodos a ser calculado A t-1 Ocorrência real no período passado até n períodos 17 17 Problema de média móvel simples (1) Pergunta: O que São as previsões de média móvel de 3 semanas e 6 semanas para a demanda Suponha que você tenha apenas 3 semanas e 6 semanas de dados de demanda real para as respectivas projeções 6 768,67 Cálculo do movimento O que é a previsão média móvel de 3 semanas para estes dados Suponha que você só tem 3 semanas e 5 semanas de dados reais da demanda Para as respectivas previsões 22 22 Fórmula Média Móvel Ponderada Enquanto a fórmula da média móvel implica um peso igual a ser colocado em cada valor que está sendo calculado, a média móvel ponderada permite uma ponderação desigual em períodos de tempo anteriores. Peso dado ao período de tempo t ocorrência. (Os pesos devem somar a um). A fórmula para a média móvel é: 23 23 Problema de Média Móvel Ponderada (1) Pesos de Dados: t-1.5 t-2.3 t-3.2 Pergunta: Dada a demanda e os pesos semanais, qual é a previsão Para o 4º período ou para a Semana 4 25 25 Problema de Média Móvel Ponderada (2) Pesos de Dados: t-1.7 t-2.2 t-3.1 Pergunta: Dada a informação semanal de demanda e pesos, qual é a média ponderada da média Período ou semana 28 28 Problema de Alisamento Exponencial (1) Dados Pergunta: Dados os dados de demanda semanal, quais são as previsões de suavização exponencial para os períodos 2-10 usando 0,10 e 0,60 Suponha F 1 D 1 29 29 Resposta: As respectivas colunas alphas indicam a Valores de previsão. Observe que você só pode prever um período de tempo no futuro. 31 31 Problema de Suavização Exponencial (2) Pergunta de Dados: Quais são as previsões de suavização exponencial para os períodos 2-5 usando um 0.5 Suponha F 1 D 1 33 33 Projeção de Tendência Linear Usada para previsão da linha de tendência linear Considera relação entre a variável de resposta Y tempo X é Uma função linear 34 34Y X Modelo de Regressão Linear Valor observado YabX ii YabX ii Erro Erro Linha de regressão 35 35 Correlação Responde quão forte é a relação linear entre 2 variáveis ​​Coeficiente de correlação utilizado Usado principalmente para a compreensão 36 36 Coeficiente de Correlação Valores1.00 Perfeito Positivo Correlação Aumento do grau de correlação negativa -.5.5 Correlação negativa perfeita Não Correlação Aumento do grau de correlação positiva 37 37 Modelo de Regressão Linear Simples Y ta bx 0 1 2 3 4 5 x (Tempo) Y O modelo de regressão linear simples procura encaixar uma linha através de Dados ao longo do tempo. É o modelo de regressão linear. Um Yt é o valor de previsão regredido ou variável dependente no modelo, a é o valor de intercepção da linha de regressão, eb é semelhante à inclinação da linha de regressão. No entanto, uma vez que é calculado com a variabilidade dos dados em mente, a sua formulação não é tão simples como a nossa noção usual de inclinação. Dados de Problemas de Regressão Linear Simples Pergunta: Dados os dados abaixo, qual é o modelo de regressão linear simples que pode ser usado para prever as vendas 41 41 MAD Dados do Problema MonthSalesForecast 1220na 2250255 3210205 4300320 5325315 Pergunta: Qual é o valor MAD dado os valores de previsão Na tabela abaixo 42 42 MAD Problema Solução MonthSalesForecastAbs Erro 1220na 22502555 32102055 430032020 532531510 40 Note que por si só, o MAD só nos permite saber o erro médio em um conjunto de previsões. O TS é uma medida que indica se a média prevista está acompanhando o ritmo de quaisquer verdadeiras mudanças para cima ou para baixo na demanda. Dependendo do número de MADs selecionados, o TS pode ser usado como um gráfico de controle de qualidade indicando quando o modelo está gerando muito erro em suas previsões. A fórmula TS é: 1 Capítulo 13 Previsão de Gerenciamento de Demanda Métodos de Previsão Qualitativa Previsões de Média Móvel Ponderada Simples Suavização Exponencial. Apresentação sobre o tema: 1 Capítulo 13 Previsão de Gestão da Demanda Métodos de Previsão Qualitativa Previsões de Média Móvel Ponderada Simples Suavização Exponencial. Transcrição da apresentação: 1 1 Capítulo 13 Previsão Gestão da procura Métodos de previsão qualitativa Previsões médias móveis ponderadas simples Alisamento exponencial 5 5 Tipos de previsões por horizonte temporal Previsão de curto prazo Previsão de médio alcance Previsão de longo alcance 6 6 Tipos de previsões por item Previsão Previsões económicas Previsões tecnológicas Previsões de demanda 8 8 Componentes da demanda Demanda média para um período de tempo Tendência Elemento sazonal Elementos cíclicos Variação aleatória Autocorrelação 9 9 Encontrar componentes da demanda 1234 xxxxxx xx xxx xxx xxxxx xx xxx xxx xxxxxxxxxxxxxxxxxxxx Ano Vendas Variação sazonal Linear Tendência 10 10 Componente cíclica Repetição de movimentos descendentes Devido a interacções de factores que influenciam a economia Habitualmente 2-10 anos de duração Mo. Qtr. Yr. Ciclo de Resposta B 11 11 Componente Aleatório Variações erráticas, não sistemáticas e residuais Devido à variação aleatória ou eventos imprevistos Duração curta não repetida 1984-1994 TMaker Co. 12 12 Métodos Qualitativos Raízes de Base Painel de Pesquisa de Mercado Consenso Juízo Executivo Analogia Histórica Método Delphi Métodos Qualitativos 13 13 Delphi Método l. Escolha os especialistas para participar. 2. Através de um questionário (ou E-mail), obtenha previsões de todos os participantes. 3. Resumir os resultados e redistribuí-los aos participantes juntamente com as novas questões apropriadas. 4. Resumir novamente, refinando previsões e condições, e novamente desenvolvendo novas questões. 5. Repita o passo 4, se necessário. Distribua os resultados finais a todos os participantes. 14 14 Modelos causais Métodos de previsão quantitativa Modelos de séries temporais de previsão quantitativa Regressão linear Suavização exponencial Projeção de tendência Média móvel 15 15 Análise de séries temporais Os modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Você pode escolher modelos baseados em: 16 16 Fórmula de Movimento Média Simples O modelo de média móvel simples assume que uma média é um bom estimador do comportamento futuro. A fórmula para a média móvel simples é: F t Previsão para o próximo período N Número de períodos a ser calculado A t-1 Ocorrência real no período passado até n períodos 17 17 Problema de média móvel simples (1) Pergunta: O que São as previsões de média móvel de 3 semanas e 6 semanas para a demanda Suponha que você tenha apenas 3 semanas e 6 semanas de dados de demanda real para as respectivas projeções 6 768,67 Cálculo do movimento O que é a previsão média móvel de 3 semanas para estes dados Suponha que você só tem 3 semanas e 5 semanas de dados reais da demanda Para as respectivas projeções 22 22 Fórmula Média Móvel Ponderada Enquanto a fórmula da média móvel implica que um peso igual seja colocado em cada valor que está sendo calculado, a média móvel ponderada permite uma ponderação desigual em períodos de tempo anteriores. Peso dado ao período de tempo t ocorrência. (Os pesos devem somar a um). A fórmula para a média móvel é: 23 23 Problema de Média Móvel Ponderada (1) Pesos de Dados: t-1.5 t-2.3 t-3.2 Pergunta: Dada a demanda e os pesos semanais, qual é a previsão Para o 4º período ou para a Semana 4 25 25 Problema de Média Móvel Ponderada (2) Pesos de Dados: t-1.7 t-2.2 t-3.1 Pergunta: Dada a informação semanal de demanda e os pesos, qual é a média ponderada da média Período ou semana 28 28 Problema de Alisamento Exponencial (1) Dados Pergunta: Dados os dados de demanda semanal, quais são as previsões de suavização exponencial para os períodos 2-10 usando 0,10 e 0,60 Suponha F 1 D 1 29 29 Resposta: As respectivas colunas alphas indicam a Valores de previsão. Observe que você só pode prever um período de tempo no futuro. 31 31 Problema de Suavização Exponencial (2) Pergunta de Dados: Quais são as previsões de suavização exponencial para os períodos 2-5 usando um 0.5 Suponha F 1 D 1 33 33 Projeção de Tendência Linear Usada para previsão da linha de tendência linear Considera relação entre a variável de resposta Y tempo X é Uma função linear 34 34Y X Modelo de Regressão Linear Valor observado YabX ii YabX ii Erro Erro Linha de regressão 35 35 Correlação Responde quão forte é a relação linear entre 2 variáveis ​​Coeficiente de correlação utilizado Usado principalmente para a compreensão 36 36 Coeficiente de Correlação Valores1.00 Perfeito Positivo Correlação Aumento do grau de correlação negativa -.5.5 Correlação negativa perfeita Não Correlação Aumento do grau de correlação positiva 37 37 Modelo de Regressão Linear Simples Y ta bx 0 1 2 3 4 5 x (Tempo) Y O modelo de regressão linear simples procura encaixar uma linha através de Vários dados ao longo do tempo. É o modelo de regressão linear. Um Yt é o valor de previsão regredido ou variável dependente no modelo, a é o valor de intercepção da linha de regressão, eb é semelhante à inclinação da linha de regressão. No entanto, uma vez que é calculado com a variabilidade dos dados em mente, a sua formulação não é tão simples como a nossa noção usual de inclinação. Dados de Problemas de Regressão Linear Simples Pergunta: Dados os dados abaixo, qual é o modelo de regressão linear simples que pode ser usado para prever as vendas 41 41 MAD Dados do Problema MonthSalesForecast 1220na 2250255 3210205 4300320 5325315 Pergunta: Qual é o valor MAD dado os valores de previsão Na tabela abaixo 42 42 MAD Problema Solução MonthSalesForecastAbs Erro 1220na 22502555 32102055 430032020 532531510 40 Note que por si só, o MAD só nos permite saber o erro médio em um conjunto de previsões. O TS é uma medida que indica se a média prevista está acompanhando o ritmo de quaisquer verdadeiras mudanças para cima ou para baixo na demanda. Dependendo do número de MADs selecionados, o TS pode ser usado como um gráfico de controle de qualidade indicando quando o modelo está gerando muito erro em suas previsões. A fórmula TS é: 1 Previsão Previsão Terminologia Média Móvel Simples Média Móvel Ponderada Suavização Exponencial Modelo de Regressão Linear Simples Modelo de Tendências Holts. Apresentação sobre o tema: 1 Previsão Previsão Terminologia Simples Movendo Média Ponderada Média Movente Exponencial Suavização Simples Regressão Linear Modelo Holts Tendência Modelo. Transcrição da apresentação: 1 1 Previsão Previsão Terminologia Simples Movendo Média Média Móvel Ponderada Suavização Exponencial Modelo de Regressão Linear Simples Holts Modelo de Tendência Modelo Sazonal (Sem Tendência) Modelo de Invernos para Dados com Tendência e Componentes Sazonais 2 2 Avaliando Provas Erros de Revisão Visual Erros Medida MPE e MAPE Sinal de Rastreio 3 3 Dados Históricos 0 50 100 150 200 250 300 350 400 01020304050 Previsão Terminologia Inicialização Previsão ExPost Dados Históricos 4 4 Estamos agora a olhar para um futuro a partir daqui eo futuro que estávamos a olhar em Fevereiro inclui agora alguns dos nossos passados , E podemos incorporar o passado em nossa previsão. 1993, a primeira metade, que é agora o passado e foi o futuro quando emitimos a nossa primeira previsão, é agora sobre Laura DAndrea Tyson, Chefe do Conselho Presidentes de Assessores Econômicos, citado em novembro de 1993 no Chicago Tribune, explicando por que A Administração reduziu suas projeções de crescimento econômico para 2% do 3,1% previsto em fevereiro. 5 5 Previsão de Problemas Suponha que sua casa de fraternidade tenha consumido o seguinte número de casos de cerveja nos últimos 6 fins de semana: 8, 5, 7, 3, 6, 9 Quantos casos você acha que sua fraternidade sorority consumirá neste fim de semana 6 6 0 1 2 3 4 5 6 7 8 9 10 012345678 Previsão de casos de semana: Método de média móvel simples Usando uma média móvel de três períodos, obteríamos a seguinte previsão: 7 7 0 1 2 3 4 5 6 7 8 9 10 012345678 Semana Casos Previsão: Método da Média Móvel Simples E se usássemos uma média móvel de dois períodos 8 8 O número de períodos usados ​​na previsão da média móvel afeta a capacidade de resposta do método de previsão: 0 1 2 3 4 5 6 7 8 9 10 012345678 Semana Previsão de casos : Média Móvel Simples Método 2 Períodos 3 Períodos 1 Período 9 9 Previsão Terminologia Aplicando esta terminologia ao nosso problema usando a Previsão de Média Móvel: Inicialização ExPost Forecast Model Evaluation 10 10 Em vez de pesos iguais, pode fazer sentido usar o weig Que favorecem valores de consumo mais recentes. Com a Média Móvel Ponderada, temos que selecionar pesos que sejam individualmente maiores que zero e menores que 1 e como um grupo somar a 1: Pesos Válidos: (.5, .3, .2), (.6, .3 , .1), (12, 13, 16) Pesos inválidos: (.5, .2, .1), (.6, -.1, .5), (.5, .4, .3, .2 ) Previsão: Método de Média Móvel Ponderada 11 11 Previsão: Método de Média Móvel Ponderada A previsão média ponderada de Movimento com pesos de (16, 13, 12) é realizada como segue: Como você faz a previsão média móvel ponderada mais responsiva 12 12 Exponencial Suavização é projetado para dar os benefícios da previsão Média Móvel Ponderada sem o problema pesado de especificar pesos. Em Suavização Exponencial, existe apenas um parâmetro (): constante de suavização (entre 0 e 1) Previsão: Suavização Exponencial 14 14 tA (t) F (t) 18 256,5 375,9 436,34 565 695,4 7 6,84 8 9 10 6,84 Previsão: Suavização Exponencial Usando 0.4, Inicialização Previsão ExPost 16 16 Previsão: Suavização Exponencial 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1234567 Peso do Período 0.1 0.3 0.5 0.7 0.9 20 20 Previsão: Modelo de Regressão Linear Simples A regressão linear simples pode ser usada para prever dados com tendências D é o valor de previsão regredido ou variável dependente no modelo, a é o valor de intercepção da linha de regressão, e b é a inclinação da linha de regressão. A D 0 1 2 3 4 5 I b 21 21 Previsão: Modelo de Regressão Linear Simples Em regressão linear, os erros ao quadrado são minimizados Erro 23 23 0 50 100 150 200 250 0246810121416 Limitações no Modelo de Regressão Linear Como no modelo de média móvel simples, Todos os pontos de dados contam igualmente com regressão linear simples. 24 24 Previsão: Modelo de Tendências de Holts Para prover dados com tendências, podemos usar um modelo de suavização exponencial com tendência, freqüentemente conhecido como modelo de Holts: L (t) A (t) (1-) F (t) T (t) L (T) - L (t-1) (1-) T (t-1) F (t1) L (t) T (t) Podemos usar a regressão linear para inicializar o modelo 26 26 Holts Trend Model: (T) A (t) (1) F (t) L (5) 0,3 (52) 0,7 (70) 64,6 T (t) L (t) -1) T (5) 0,4 64,6 60,1 0,6 (9,9) 7,74 F (t1) L (t) T (t) F (6) 64,6 7,74 72,34 64,6 7,74 72,346 27 27 Holts Trend Modelo: Actualizando 63 L (6) 0,3 (63) 0,7 (72,34) 69,54 T (6) 0,4 69,54 64,60 0,6 (7,74) 6,62 F (7) 69,54 6,62 76,16 69,54 6,62 76,167 72 29 29 Regress� 0 50 100 150 200 250 300 350 05101520 Inicializa�o ExPost Previs� Previs� Holts Modelo Resultados 31 31 L (t) A (t) S (tp) (1-) L (t-1) S (t) A (t) L (t) (1-) S (tp) Número de períodos em uma estação Dados trimestrais: p 4 Dados mensais: p 12 F (t1) L (t) S (t1-p) 32 32 Modelo Sazonal Initia S (5) 0,60 S (6) 1,00 S (7) 1,55 S (8) 0,85 L (8) 26,5 Média dos trimestres 16,0 26,5 41,0 22,5 Fator sazonal S (t) 0,60 1,00 1,55 0,85 Vendas médias por trimestre 26,5 A (t ) 2003Spring16 Verão27 Fall39 Winter22 2004Spring16 Verão26 Fall43 Winter23 33 33 Previsão sazonal do modelo 26.711.0325.18 26.621.5541.32 25.180.5916.002005Spring14 Verão29 Fall41 Winter22 26.340.8422.60 2006Spring Verão Outono Inverno 15.53 27.02 40.69 22.25 A (t) L (t) Sazonal Factor S (T) F (t) 2004Spring160.60 Summer261.00 Fall431.55 Winter2326.500.85 35 35 Previsão: Winters Modelo para dados com tendência e componentes sazonais L (t) A (t) S (tp) 1) T (t-1) T (t-1) T (t) L (t) - L (t-1) Para inicializar o Modelo de Invernos, usaremos a Previsão de Decomposição, que por sua vez pode ser usada para fazer previsões. 37 37 Previsão de Decomposição Existem duas maneiras de decompor os dados de previsão com os componentes de tendência e sazonal: Use a regressão para obter a tendência, use a linha de tendência para obter os fatores sazonais Use a média para obter os fatores sazonais, Obter a tendência. 38 38 Previsão de Decomposição Os dados a seguir apresentam componentes tendenciais e sazonais: 39 39 Previsão de Decomposição Os fatores sazonais são obtidos pelo mesmo método utilizado para o Modelo Sazonal: PeríodoQuarterVendas 1Spring90 2Summer157 3Fall123 4Winter93 5Spring128 6Summer211 7Fall163 8Winter122 Média 135.9 Média a 1 Qtr. Ave. 109 184 143 107,5 Mares. Fator 0,80 1,35 1,05 0,79 1,00 40 40 Previsão de Decomposição Com os fatores sazonais, os dados podem ser dessazonalizados dividindo-se os dados pelos fatores sazonais: Regressão sobre os dados Desescalonizados dará a tendência 42 42 Regressão de Previsões de Decomposição - dados sazonais produz os seguintes resultados: Inclinação (m) 7.71 Intercepção (b) 101.2 As previsões podem ser realizadas usando a seguinte equação mx b (fator sazonal) 44 44 Inicialização do modelo Winters Podemos usar a previsão de decomposição para definir os seguintes parâmetros do modelo Winters : L (n) bm (n) T (n) m S (j) S (jp) L (8) 101,2 8 (7,71) 162,88 T (8) 7,71 S (5) 0,80 S (6) 1,35 S ) 1,05 S (8) 0,79 Assim, a partir do nosso modelo anterior, temos 45 45 Winters Modelo Exemplo 176.4110.040.81136.47 197.8514.601.39251.71 215.0015.621.06223.07 9Spring152 10Summer303 11Fall232 12Winter171 226.3713.920.78182.19 13Spring 14Summer 15Fall 16Winter 195.19 352.41 283,09 220,87 0,3 0,4 0,2 PeriodQuarterSalesL (t) T (t) S (t) F (t) 1S Pring90 2Summer157 3Fall123 4Winter93 5Spring1280,8 6Summer2111,35 7Fall1621,05 8Winter122162,887,710,79 46 46 0 50 100 150 200 250 300 350 400 12345678910111213141516 Exemplo de modelo de Invernos 47 47 Avaliando previsões Confie, mas verifique Ronald W. Reagan O software de computador nos dá a Capacidade de sujar mais dados em uma escala maior mais eficientemente Enquanto o software como SAP pode automaticamente selecionar modelos e parâmetros de modelo para um conjunto de dados, e costuma fazê-lo corretamente, quando os dados são importantes, um ser humano deve rever os resultados do modelo One of As melhores ferramentas é o olho humano 48 48 0 10 20 30 40 50 60 123456789101112131415 Revisão visual Como você avaliaria essa previsão 49 49 0 50 100 150 200 250 300 350 400 01020304050 Avaliação da previsão Inicialização Previsão do ExPost Onde a previsão é avaliada Não inclua a inicialização Dados em avaliação 50 50 0 100 150 200 250 300 350 400 2025303540 Erros Todas as medidas de erro comparam o modelo de previsão com os dados reais do ExPost Foreca St 51 51 Medida de Erros Todas as medidas de erro baseiam-se na comparação de valores de previsão com valores reais na região de Previsão ExPost não incluem dados da inicialização. 53 53 Bias nos diz se temos uma tendência para sobre ou sub-previsão. Se as nossas previsões estão no meio dos dados, então os erros devem ser igualmente positivos e negativos, e deve somar a 0. MAD (Mean Absolute Deviation) é o erro médio, ignorando se o erro é positivo ou negativo. Os erros são ruins, e quanto mais próximo de zero for um erro, melhor será a previsão. As medidas de erro indicam como o método funcionou na região de previsão ExPost. Como a previsão vai funcionar no futuro é incerto. Bias e MAD 54 54 Medidas absolutas vs. medidas relativas Foram feitas previsões para dois conjuntos de dados. Qual foi a previsão melhor Data Set 1 Bias 18.72 MAD 43.99 Conjunto de dados 2 Bias 182 MAD 912.5 Conjunto de dados 1 Conjunto de dados 2 55 55 MPE e MAPE Quando os números de um conjunto de dados são maiores em magnitude, as medidas de erro provavelmente serão grandes Como bem, mesmo que o ajuste não pôde ser tão bom. O erro de porcentagem média (MPE) e o erro médio de porcentagem absoluta (MAPE) são formas relativas do Bias e MAD, respectivamente. MPE e MAPE podem ser usados ​​para comparar previsões para diferentes conjuntos de dados. 60 60 0 10 20 30 40 50 60 123456789101112131415 Sinal de rastreamento O que aconteceu nesta situação Como poderíamos detectar isso em um ambiente de previsão automático 61 61 Sinal de rastreamento O sinal de rastreamento pode ser calculado após cada valor de vendas real ser registrado. O sinal de rastreamento é calculado como: O sinal de rastreamento é uma medida relativa, como MPE e MAPE, de modo que pode ser comparado a um valor definido (tipicamente 4 ou 5) para identificar quando parâmetros de previsão e / ou modelos precisam ser alterados. (Estratégia de previsão 14), cada valor histórico é ponderado com um fator do grupo de ponderação no perfil de previsão univariada. Fórmula para a Média Móvel Ponderada O modelo de média móvel ponderada permite que você pese dados históricos recentes mais pesadamente do que dados mais antigos ao determinar a média. Você faz isso se os dados mais recentes forem mais representativos da demanda futura do que os dados mais antigos. Portanto, o sistema é capaz de reagir mais rapidamente a uma mudança de nível. A precisão desse modelo depende em grande parte da escolha dos fatores de ponderação. Se o padrão da série de tempo mudar, você também deve adaptar os fatores de ponderação. Ao criar um grupo de ponderação, você insere os fatores de ponderação como porcentagens. A soma dos factores de ponderação não tem de ser 100. Nenhuma previsão ex post é calculada com esta estratégia de previsão.