EXPONENTIELL UTJÄMNING: METOD OCH EXEMPEL - DUDAS - 2025

Den exponentiella utjämningen är ett sätt att förutsäga efterfrågan på en artikel under en viss period. Denna metod uppskattar att efterfrågan kommer att vara lika med genomsnittet av den historiska konsumtionen under en given period, vilket ger större vikt eller vikt för de värden som är närmare i tiden. För följande prognoser beakta dessutom det befintliga felet i den nuvarande prognosen.

Förfrågan om efterfrågan är metoden för att projicera kundernas efterfrågan på en produkt eller tjänst. Denna process är kontinuerlig, där chefer använder historiska data för att beräkna vad de förväntar sig att försäljningskravet för en vara eller tjänst ska vara.

Källa: pixabay.com

Information från företagets förflutna används genom att lägga till den i marknadsekonomiska data för att se om försäljningen kommer att öka eller minska.

Resultaten av efterfrågan prognos används för att sätta mål för försäljningsavdelningen, försöker hålla sig i linje med företagets mål.

Exponentiell utjämningsmetod

Utjämning är en mycket vanlig statistisk process. Utjämnade data finns ofta i olika former av vardagen. Varje gång ett medelvärde används för att beskriva något, används ett jämnt antal.

Anta att den varmaste vintern på rekord upplevdes i år. För att kvantifiera detta börjar vi med den dagliga temperaturdatauppsättningen för vinterperioden för varje registrerat historiskt år.

Detta genererar ett antal nummer med stora "hopp". Du behöver ett nummer som eliminerar alla dessa hopp från data för att göra det lättare att jämföra en vinter med en annan.

Att eliminera hoppet i data kallas utjämning. I detta fall kan ett enkelt medelvärde användas för att uppnå utjämning.

Utjämning i prognosen

För att förutse efterfrågan används utjämning också för att eliminera variationer i historisk efterfrågan. Detta möjliggör bättre identifiering av efterfrågemönster, som kan användas för att uppskatta framtida efterfrågan.

Variationerna i efterfrågan är samma koncept som "hoppet" av temperaturdata. Det vanligaste sättet att variationer i efterfråghistorik tas bort är att använda ett genomsnitt, eller specifikt ett rörligt medelvärde.

Det rörliga genomsnittet använder ett fördefinierat antal perioder för att beräkna medelvärdet och dessa perioder rör sig när tiden går.

Till exempel, om ett fyra månaders glidande medelvärde används och idag är 1 maj, kommer den genomsnittliga efterfrågan för januari, februari, mars och april att användas. Den 1 juni kommer efterfrågan på februari, mars, april och maj att användas.

Vägt rörligt medelvärde

När du använder ett enkelt medelvärde tillämpas samma vikt för varje värde i datauppsättningen. Därför representerar varje månad 25% av det rörliga genomsnittet i ett glidande medelvärde på fyra månader.

Genom att använda efterfråghistorik för att projicera framtida efterfrågan är det anledning att den senaste perioden har en större inverkan på prognosen.

Den rörliga genomsnittliga beräkningen kan anpassas för att tillämpa olika "vikter" på varje period för att få de önskade resultaten.

Dessa vikter uttrycks som procenttal. Summan av alla vikter för alla perioder måste lägga upp till 100%.

Därför, om du vill använda 35% som vikten för den närmaste perioden i det fyra månaders vägda genomsnittet, kan du subtrahera 35% från 100%, vilket lämnar 65% att dela mellan de tre återstående perioderna.

Till exempel kan du sluta med en viktning på 15%, 20%, 30% respektive 35% under de fyra månaderna (15 + 20 + 30 + 35 = 100).

Exponentiell utjämning

Styringången för den exponentiella utjämningsberäkningen kallas utjämningsfaktorn. Representerar vikten som tillämpas på efterfrågan under den senaste perioden.

Om 35% används som den senaste periodens vikt i den vägda rörliga genomsnittliga beräkningen, kan du också välja att använda 35% som utjämningsfaktorn i den exponentiella utjämningsberäkningen.

Exponentiell del

Skillnaden i den exponentiella utjämningsberäkningen är att istället för att behöva räkna ut hur mycket vikt som ska appliceras på varje föregående period, används utjämningsfaktorn för att göra det automatiskt.

Detta är den "exponentiella" delen. Om 35% används som utjämningsfaktor kommer efterfrågan i den senaste perioden att vara 35%. Vikten av efterfrågan från perioden före den senaste kommer att vara 65% av 35%.

65% kommer från att subtrahera 35% från 100%. Detta motsvarar 22,75% vikt för den perioden. Efterfrågan på nästa senaste period kommer att vara 65% från 65% från 35%, vilket är lika med 14,79%.

Den föregående perioden kommer att vägas som 65% av 65% av 65% av 35%, vilket motsvarar 9,61%. Detta görs för alla tidigare perioder, fram till den första perioden.

Formel

Formeln för beräkning av exponentiell utjämning är enligt följande: (D * S) + (P * (1-S)), där,

D = periodens senaste efterfrågan.

S = utjämningsfaktor, representerad i decimalform (35% skulle vara 0,35).

P = prognos för den senaste perioden, beroende på utjämningsberäkningen för föregående period.

Om vi ​​antar att vi har en utjämningsfaktor på 0,35 skulle vi då ha: (D * 0,35) + (P * 0,65).

Som du ser är de enda dataingångarna som krävs efterfrågan och den senaste prognosen.

Exempel

Ett försäkringsbolag har beslutat att utöka sin marknad till den största staden i landet, med försäkring för fordon.

Som en första åtgärd vill företaget förutse hur mycket fordonsförsäkring som kommer att köpa av invånarna i denna stad.

För att göra detta kommer de att använda som initialdata mängden bilförsäkring som köpts i en annan mindre stad.

Efterfrågan på prognos för period 1 är 2 869 kontrakterade fordonsförsäkringar, men den reala efterfrågan under den perioden var 3 200.

Företagets bedömning tilldelar en utjämningsfaktor på 0,35. Den prognostiserade efterfrågan för nästa period är: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Samma beräkning gjordes för hela året och fick följande jämförande tabell mellan vad som faktiskt erhölls och vad som förutsågs för den månaden.

Jämfört med medelvärdesmetoder kan exponentiell utjämning förutsäga trenden bättre. Det är dock fortfarande kort, som visas i grafen:

Det kan ses hur den grå linjen i prognosen kan ligga långt under eller över den blå efterfrågan, utan att kunna följa den helt.

referenser

1. Wikipedia (2019). Exponentiell utjämning. Hämtad från: es.wikipedia.org.
2. Ingenio Empresa (2016). Hur man använder enkel exponentiell utjämning för att förutse efterfrågan. Hämtad från: ingenioempresa.com.
3. Dave Piasecki (2019). Exponentiell utjämning förklarad. Hämtad från: inventops.com.
4. Studie (2019). Tekniker för efterfrågan på förfrågan: glidande medelvärde och exponentiell utjämning. Hämtad från: study.com.
5. Cityu (2019). Exponentiella utjämningsmetoder. Hämtad från: personal.cb.cityu.edu.hk.