Média móvel simples O segundo método ad-hoc é a média móvel simples. Em que os valores anteriores são utilizados para encontrar o parâmetro mais adequado que dá o menor erro de previsão. A parte crucial neste método é a escolha correta do número de períodos obtidos na previsão. Weatherford e Kimes (2003) estavam testando 2 8211 8 períodos e mostraram que o erro mais baixo deu uma média móvel de 8 períodos. A previsão matematicamente é calculada da seguinte forma: onde F (t1) - forecast na demanda de quarto no período t1, x 8211 é o número de salas vendidas no período i, N-o número de períodos passados (Phumchusri e Mongkolkul, 2017). A média móvel simples é simples, rápida para calcular e responder mais rapidamente às mudanças na demanda quando o período N é pequeno. No entanto, este método tem duas desvantagens principais. Em primeiro lugar, assume que as observações mais recentes são melhores preditores do que os dados mais antigos. Em segundo lugar, quando os dados exibem tendência ascendente ou descendente, o método será constantemente ultrapassado ou subestimado. Para lidar com essas tendências, Talluri e Van Ryzin (2004) recomendam a utilização de média móvel dupla ou tripla. A aplicação deste método em nosso conjunto de dados está disponível aqui: Média de Movimento Simples Na nossa aplicação deste método de previsão habilitado para alcançar MAPE de 4, qual é um exemplo muito bom. No entanto, como foi mencionado anteriormente, esse método é um preditor pobre quando a demanda é mais instável. O gráfico a seguir mostra essa situação, onde o MAPE foi de 60 (no modelo 2 8211, valores previstos 1: 2 períodos) e 55 (no modelo 8 8211, valores previstos2: 8 períodos). Phumchusri, D. Mongkolkul, J. (2017) Demanda de quarto de hotel através de informações de reserva observada. Procedimentos da Conferência de Sistemas de Gerenciamento de Ampliação de Engenharia Industrial da Ásia-Pacífico 2017, pp. 1978-1985 Talluri, K. e Van Ryzin, G. (2004) A teoria e a prática de gerenciamento de receita. Boston, Kluwer Academic Publishers. Weatherford, L. R. Amp Kimes, S. E. (2003). Uma comparação dos métodos de previsão para gerenciamento de receita hoteleira. Revista Internacional de Previsão. Vol. 19, não. 3, pp. 401-415. Compartilhe o mecanismo de pesquisaCapítulo 11 - Previsão de previsão de gerenciamento de demanda 1. A previsão perfeita é praticamente impossível 2. Ao invés de procurar a previsão perfeita, é muito mais importante estabelecer a prática de revisão contínua da previsão e aprender a viver com previsão imprecisa 3. Quando a previsão, uma boa estratégia é usar 2 ou 3 métodos e procurá-los para o ponto de vista comum. 2. Fontes básicas de demanda 1. Demanda dependente - demanda de produtos ou serviços causada pela demanda por outros produtos ou serviços. Não é possível que a empresa possa fazer, deve ser cumprida. 2. Demanda independente - demanda que não pode ser diretamente derivada da demanda por outros produtos. Firma pode: a) assumir um papel ativo para influenciar a demanda - aplicar pressão sobre sua força de vendas b) assumir um papel passivo para influenciar a demanda - se uma empresa estiver executando em uma capacidade total, talvez não queira fazer nada sobre demanda. Outras razões são competitivas, legais, ambientais, éticas e morais. Tente prever o futuro com base em dados anteriores. 1. Curto prazo - menos de 3 meses - decisões táticas, como o reabastecimento de inventário ou agendamento de EEs no curto prazo 2. Médio prazo - 3 M-2Y - capturar efeitos sazonais, como os clientes respondem a um novo produto 3. Longo prazo - mais do que 2 anos. Identificar grandes pontos decisivos e detectar tendências gerais. A regressão linear é um tipo especial de regressão onde as relações entre variáveis formam uma linha reta Y abX. Variação dependente de Y a - Intercepção de Y b - inclinação X - variável independente É usado para previsão de longo prazo de ocorrências importantes e planejamento agregado. É usado para ambos, previsão de séries temporais e previsão de relacionamento casual. É a técnica de previsão mais utilizada. As ocorrências mais recentes são mais indicativas do futuro (maior valor previsível) do que as do passado mais distante. Devemos dar mais peso aos períodos de minério nos últimos tempos na previsão. Cada incremento no passado é diminuído por (1- alfa). Quanto maior o alfa, mais próxima a previsão segue o real. Pontuação mais recente alfa (1-alfa) na 0 Dados um período de tempo mais antigo alfa (1-alfa) na 1 Dados dois períodos de tempo mais antigo alfa (1-alfa) na 2 Qual dos seguintes métodos de previsão é muito dependente da seleção do Indivíduos certos que serão utilizados de forma crítica para gerar a previsão O valor deve estar entre 0 e 1 1. 2 ou mais valores predeterminados de Alpha - dependendo do grau de erro, são usados valores diferentes de Alpha. Se o erro for grande, o Alpha é 0.8, se o erro for pequeno, o Alfa é 0.2 2. Valores calculados de Alfa - erro real suavizado exponencialmente dividido pelo erro absoluto exponencialmente sufocado. Técnicas qualitativas em previsão Conhecimento de especialistas e exigem muito julgamento (novos produtos ou regiões) 1. Pesquisa de mercado - procurando novos produtos e idéias, gostos e desgostos sobre produtos existentes. Principalmente Pesquisas amp ENTREVISTAS 2. Painel Consenso - a idéia de que 2 cabeças são melhores do que uma. O painel de pessoas de uma variedade de posições pode desenvolver uma previsão mais confiável do que um grupo mais estreito. O problema é que menores níveis de EE são intimidados por níveis mais altos de gerenciamento. O julgamento executivo é usado (o nível mais alto de gerenciamento está envolvido). 3. Analogia histórica - uma empresa que já produz torradeiras e quer produzir potes de café pode usar o histórico da torradeira como um modelo de crescimento provável. 4. Método Delphi - muito dependente da seleção dos indivíduos certos que serão usados de forma crítica para realmente gerar a previsão. Todos têm o mesmo peso (mais justo). Resultados satisfatórios geralmente são alcançados em 3 rodadas. OBJETIVO - Planejamento, previsão e reabastecimento colaborativo (CPFR) Para trocar informações internas selecionadas em um servidor da Web compartilhado, a fim de fornecer visões futuras confiáveis e de longo prazo sobre a demanda na cadeia de suprimentos. Você deve ter javascript habilitado para visualizar este site . Altere as preferências do seu navegador para habilitar o javascript e recarregue esta página. ESQUEMA CHAVE Gerenciamento de Demanda Gerenciamento de Demanda Dependente Definido Demanda Independente Definida Tipos de Previsão Análise da Série de Tempo Definida Técnicas Qualitativas na Previsão de Raízes Pesquisa de Mercado Consenso do Painel Histórico Analogia Método Delphi Análise da Série de Tempo Média Movente Simples Média Mover Ponderada Suavização Exponencial Suavização Exponencial Definida Suavização Alfa Constante (945 ) Definido Suavização Delta Constante (948) Erros de Previsão Definida Fontes de Erro Medição de Erro Desvio Absorvente Médio (MAD) Definido Rastreio Sinal Definido Análise de Regressão Linear Regressão Linear Previsão Definição Decomposição de uma Série de Tempo Previsão de Relacionamento Cúbico Relação Casual Definida Análise de Regressão Múltipla Metodologia de Previsão Focosa de Previsão de foco Previsão de foco Previsão baseada na Web definida: planejamento colaborativo, previsão e reabastecimento (CPFR) As previsões definidas do CPFR são vitais para todas as organizações empresariais e para todos os significados Decisão de gestão de formigas. Embora uma previsão nunca seja perfeita devido à natureza dinâmica do ambiente comercial externo, é benéfica para todos os níveis de planejamento funcional, planejamento estratégico e planejamento orçamentário. Os decisores usam previsões para tomar muitas decisões importantes em relação à direção futura da organização. As técnicas e modelos de previsão podem ser qualitativos e quantitativos, e seu nível de sofisticação depende do tipo de informação e do impacto da decisão. O modelo de previsão que uma empresa deve adotar depende de vários fatores, incluindo: horizonte de tempo de previsão, disponibilidade de dados, precisão necessária, tamanho do orçamento de previsão e disponibilidade de pessoal qualificado. A gestão da demanda existe para coordenar e controlar todas as fontes de demanda para que o sistema produtivo possa ser usado de forma eficiente e o produto seja entregue a tempo. A demanda pode ser dependente da demanda por outros produtos ou serviços ou independente porque não pode ser derivada diretamente da de outros produtos. A previsão pode ser classificada em quatro tipos básicos: qualitativa, análise de séries temporais, relações causais e simulação. Técnicas qualitativas em previsão podem incluir previsão de base, pesquisa de mercado, consenso de painel, analogia histórica e o método Delphi. Os modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Uma previsão média móvel simples é usada quando a demanda por um produto ou serviço é constante sem variações sazonais. Uma previsão média móvel ponderada varia nos pesos, dado um fator particular e, portanto, é capaz de variar os efeitos entre dados atuais e anteriores. O alisamento exponencial melhora as previsões da média móvel simples e ponderada, uma vez que o suavização exponencial considera os pontos de dados mais recentes serem mais importantes. Para corrigir qualquer tendência ascendente ou descendente nos dados coletados ao longo dos períodos de tempo, as constantes de suavização são usadas. Alpha é a constante de suavização, enquanto o delta reduz o impacto do erro que ocorre entre o real e o previsto. Os erros de previsão são a diferença entre o valor da previsão e o que realmente ocorreu. Todas as previsões contêm algum grau de erro no entanto, é importante distinguir entre fontes de erro e medição de erro. Fontes de erro são erros aleatórios e viés. Existem várias medidas para descrever o grau de erro em uma previsão. Os erros de polarização ocorrem quando um erro é cometido, ou seja, não inclui a variável correta ou a mudança da demanda sazonal. Embora os erros aleatórios não possam ser detectados, eles ocorrem normalmente. Um sinal de rastreamento indica se a média da previsão é acompanhar as mudanças de movimento na demanda. O MAD ou o desvio absoluto médio também é uma ferramenta simples e útil na obtenção de sinais de rastreamento. Uma ferramenta de previsão mais sofisticada para definir a relação funcional entre duas ou mais variáveis correlacionadas é a regressão linear. Isso pode ser usado para prever uma variável dada o valor para outra. É útil para períodos de tempo mais curtos, pois assume uma relação linear entre as variáveis. A previsão de relações causais tenta determinar a ocorrência de um evento com base na ocorrência de outro evento. A previsão de foco tenta várias regras que parecem lógicas e fáceis de entender para projetar dados passados para o futuro. Hoje, muitos programas de previsão de computadores estão disponíveis para prever facilmente as variáveis. Ao tomar decisões de longo prazo com base em previsões futuras, deve-se ter grande cuidado para desenvolver a previsão. Do mesmo modo, devem ser utilizadas múltiplas abordagens para a previsão.
Comments
Post a Comment