החלקה מעריכית היא דרך לחזות את הביקוש מאמר עבור תקופה נתונה. בשיטה זו מעריכים כי הביקוש יהיה שווה לממוצע הצריכה ההיסטורית בתקופה נתונה, ויעניק משקל או משקל גדול יותר לערכים הקרובים יותר בזמן. בנוסף, לתחזיות הבאות קחו בחשבון את השגיאה הקיימת בתחזית הנוכחית.
חיזוי דרישה הוא השיטה להקרנת הביקוש של הלקוח למוצר או שירות. תהליך זה הוא רציף, כאשר המנהלים משתמשים בנתונים היסטוריים כדי לחשב מה הם מצפים כי דרישת המכירות של מוצר או שירות תהיה.
מקור: pixabay.com
מידע מעברה של החברה משמש בהוספתו לנתונים כלכליים בשוק כדי לראות אם המכירות יגדלו או יפחתו.
תוצאות תחזית הביקוש משמשות לקביעת יעדים עבור מחלקת המכירות, תוך ניסיון להישאר בקנה אחד עם יעדי החברה.
שיטת החלקה אקספוננציאלית
החלקה היא תהליך סטטיסטי נפוץ מאוד. נתונים מוחלקים לרוב נמצאים בצורות שונות של חיי היומיום. בכל פעם שממוצע משמש לתיאור משהו, משתמשים במספר מוחלק.
נניח שהחורף החם ביותר שהתקיים נחווה השנה. בכדי לכמת זאת אנו מתחילים בנתוני הטמפרטורה היומיים שנקבעו לתקופת החורף של כל שנה היסטורית רשומה.
זה מייצר מספר מספרים עם "קפיצות" גדולות. אתה זקוק למספר שמבטל את כל הקפיצות האלה מהנתונים כדי להקל על השוואה בין חורף אחד למשנהו.
ביטול הקפיצה בנתונים נקרא החלקה. במקרה זה ניתן להשתמש בממוצע פשוט להשגת החלקה.
החלקה בתחזית
לצורך חיזוי הביקוש, החלקה משמשת גם למיגור וריאציות בביקוש ההיסטורי. זה מאפשר זיהוי טוב יותר של דפוסי הביקוש, שניתן להשתמש בהם כדי להעריך את הביקוש העתידי.
הווריאציות בביקוש זהות למושג כמו "הקפיצה" של נתוני הטמפרטורה. הדרך הנפוצה ביותר להסרת וריאציות בהיסטוריית הביקוש היא באמצעות ממוצע, או ספציפית, ממוצע נע.
הממוצע הנע משתמש במספר מוגדר מראש של תקופות כדי לחשב את הממוצע, ואותן תקופות נעות ככל שחולף הזמן.
לדוגמה, אם אתה משתמש בממוצע נע של ארבעה חודשים והיום הוא 1 במאי, תשתמש בביקוש הממוצע לינואר, פברואר, מרץ ואפריל. ב -1 ביוני ישמש הביקוש לפברואר, מרץ, אפריל ומאי.
ממוצע נע משוקלל
בעת שימוש בממוצע פשוט, אותה חשיבות מוחלת על כל ערך בערכת הנתונים. לכן, בממוצע נע של ארבעה חודשים, כל חודש מהווה 25% מהממוצע הנע.
על ידי שימוש בהיסטוריית הביקוש כדי להקרין ביקוש עתידי, סביר כי התקופה האחרונה משפיעה יותר על התחזית.
ניתן להתאים את החישוב הממוצע הנע ליישום "משקולות" שונות על כל תקופה לקבלת התוצאות הרצויות.
משקלים אלה באים לידי ביטוי כאחוזים. סך כל המשקולות לכל התקופות צריך להוסיף עד 100%.
לכן, אם ברצונך להחיל 35% כמשקל לתקופה הקרובה ביותר בממוצע המשוקלל של ארבעה חודשים, אתה יכול להפחית 35% מ- 100%, ולהשאיר 65% לחלק בין שלוש התקופות הנותרות.
לדוגמה, אתה יכול להסתיים במשקל של 15%, 20%, 30% ו -35% בהתאמה במשך ארבעת החודשים (15 + 20 + 30 + 35 = 100).
החלקה אקספוננציאלית
כניסת הבקרה לחישוב ההחלקה המעריכית ידועה כגורם ההחלקה. מייצג את המשקל שהוחל על הביקוש לתקופה האחרונה.
אם 35% משמשים כמשקל התקופה העדכני ביותר בחישוב הממוצע המשקל המשוקלל, תוכלו גם לבחור להשתמש ב -35% כגורם ההחלקה בחישוב ההחלקה האקספוננציאלית.
חלק מעריכי
ההבדל בחישוב ההחלקה המעריכית הוא שבמקום שנצטרך להבין כמה משקל יש להחיל על כל תקופה קודמת, גורם ההחלקה משמש לשם כך באופן אוטומטי.
זהו החלק "האקספוננציאלי". אם 35% משמשים כגורם ההחלקה, משקל הביקוש לתקופה האחרונה יהיה 35%. שקלול הדרישה מהתקופה שקדמה לזו האחרונה יהיה 65% מתוך 35%.
65% מגיעים מחיסור של 35% מ- 100%. זה משווה לשקלול של 22.75% לאותה תקופה. הביקוש לתקופה האחרונה האחרונה יהיה 65% מ- 65% מ- 35%, וזה שווה ל 14.79%.
התקופה הקודמת תהיה משוקללת כ- 65% מ- 65% מ- 65% מתוך 35%, שווה ערך ל 9.61%. זה ייעשה לכל התקופות הקודמות, עד לתקופה הראשונה.
נוּסחָה
הנוסחה לחישוב החלקה מעריכית היא כדלקמן: (D * S) + (P * (1-S)), איפה,
D = הביקוש האחרון לתקופה.
S = גורם החלקה, מיוצג בצורה עשרונית (35% יהיה 0.35).
P = תחזית לתקופה האחרונה, הנובעת מחישוב החלקה של התקופה הקודמת.
בהנחה שיש לנו גורם החלקה של 0.35, יהיה לנו אז: (D * 0.35) + (P * 0.65).
כפי שאתה יכול לראות, תשומות הנתונים היחידות הנדרשות הן הביקוש ותחזית התקופה האחרונה.
דוגמא
חברת ביטוח החליטה להרחיב את שוקה לעיר הגדולה במדינה, תוך שהיא מספקת ביטוח לרכבים.
כפעולה ראשונית, החברה מעוניינת לחזות כמה ביטוח רכב ייקנה על ידי תושבי העיר הזו.
לשם כך הם ישתמשו כנתונים ראשוניים בכמות ביטוח הרכב שנרכש בעיר אחרת קטנה יותר.
תחזית הביקוש לתקופה 1 היא 2,869 ביטוח רכב חוזה, אך הביקוש האמיתי באותה תקופה היה 3,200.
לפי שיקול דעתה של החברה, היא מקצה גורם החלקה של 0.35. הביקוש החזוי לתקופה הבאה הוא: P2 = (3200 * 0.35) + 2869 * (1-0.35) = 2984.85.
חישוב זהה נערך לכל השנה, תוך קבלת טבלת ההשוואה הבאה בין מה שהתקבל בפועל למה שחזה באותו חודש.
בהשוואה לטכניקות ממוצעות, החלקה מעריכית יכולה לחזות את המגמה טוב יותר. עם זאת, זה עדיין מתקצר, כפי שמוצג בתרשים:
ניתן לראות כיצד הקו האפור של התחזית יכול להיות הרבה מתחת או מעל קו הביקוש הכחול, מבלי שיוכל לעקוב אחריו במלואו.
הפניות
- ויקיפדיה (2019). החלקה אקספוננציאלית. נלקח מ: es.wikipedia.org.
- Ingenio Empresa (2016). כיצד להשתמש בהחלקה מעריכית פשוטה לחיזוי הביקוש. נלקח מ: ingenioempresa.com.
- דייב פיאסקי (2019). הסבר החלקה מעריכית. נלקח מ: inventops.com.
- לימוד (2019). טכניקות חיזוי דרישה: החלקה ממוצעת והערכה אקספוננציאלית. נלקח מ: study.com.
- Cityu (2019). שיטות החלקה אקספוננציאליות. נלקח מ: personal.cb.cityu.edu.hk.