के बारे में बताएं - मतभेद के बीच चलती - औसत और घातीय चौरसाई - मॉडल

घातीय चिकनाई समझाया। कॉपीराइट सामग्री पर कॉपीराइट-संरक्षित है और पुनर्प्रकाश के लिए उपलब्ध नहीं है। जब लोगों को पहली बार शब्द का एक्सपेंनेबल चौरसाई का सामना करना पड़ रहा है, तो वे सोच सकते हैं कि बहुत सारे चौरसाई के एक नरक की तरह लगता है, तब वे एक जटिल गणितीय कल्पना करना शुरू करते हैं गणित की संभावना को समझने के लिए गणित की डिग्री की आवश्यकता होती है, और आशा करती है कि इसमें एक अंतर्निर्मित एक्सेल फ़ंक्शन उपलब्ध है, यदि उन्हें कभी भी यह करने की ज़रूरत है तो घातीय चौरसाई की वास्तविकता कम नाटकीय और बहुत कम आघातकारी है। सच्चाई है, घातीय चौरसाई है एक बहुत ही सरल गणना जो एक साधारण कार्य को पूरा करती है यह सिर्फ एक जटिल नाम है क्योंकि इस सरल गणना के परिणामस्वरूप तकनीकी रूप से क्या होता है वास्तव में थोड़ा जटिल है। घातीय चिकनाई समझने के लिए, यह चौरसाई के सामान्य अवधारणा के साथ शुरू करने में मदद करता है और चिकनाई हासिल करने के लिए इस्तेमाल किए जाने वाले अन्य सामान्य तरीकों में से कुछ। चौरसाई क्या है। साँपिंग एक बहुत ही सामान्य सांख्यिकीय पी है रोसी वास्तव में, हम नियमित रूप से हमारे दिन-प्रतिदिन के जीवन में विभिन्न रूपों में चिकनी डेटा का सामना करते हैं किसी भी समय आप कुछ का वर्णन करने के लिए औसतन उपयोग करते हैं, आप एक चिकनी संख्या का उपयोग कर रहे हैं यदि आप सोचते हैं कि आप कुछ का वर्णन करने के लिए औसत का उपयोग क्यों करते हैं, तो आप चौरसाई की अवधारणा को जल्दी से समझ जाएगा उदाहरण के लिए, हम सिर्फ रिकॉर्ड पर हार्दिक सर्दियों का अनुभव करते हैं हम यह कैसे मापने में सक्षम हैं, हम उस समय के लिए दैनिक उच्च और निम्न तापमान के डेटासेट के साथ शुरू करते हैं, जिसे हम रिकॉर्ड किए गए इतिहास में प्रत्येक वर्ष सर्दी कहते हैं जो हमें कई गुना संख्याओं के साथ छोड़ देता है, यह हर दिन की तरह नहीं है, यह हर दिन की तरह नहीं है, यह सर्दियों पिछले सभी वर्षों से इसी दिन की तुलना में गर्म था हमें एक ऐसे नंबर की ज़रूरत है जो आंकड़ों के चारों ओर इस कूद को हटा देती है ताकि हम और आसानी से कर सकें अगले एक सर्दी की तुलना करें डेटा में चारों ओर कूद को हटाने को चौरसाई कहा जाता है, और इस मामले में हम चौरसाई को पूरा करने के लिए बस एक साधारण औसत का उपयोग कर सकते हैं। मांग की भविष्यवाणी में, हम रिमॉव को चौरसाई का उपयोग करते हैं हमारे ऐतिहासिक मांग से यादृच्छिक भिन्नता शोर यह हमें मांग पैटर्न को बेहतर ढंग से पहचानने की अनुमति देता है मुख्य रूप से प्रवृत्ति और मौसम और मांग के स्तर जिन्हें भविष्य की मांग का अनुमान लगाने के लिए इस्तेमाल किया जा सकता है मांग में शोर समान अवधारणा है क्योंकि तापमान डेटा के आसपास दैनिक कूद नहीं है आश्चर्य की बात , सबसे आम तरीका लोगों को मांग इतिहास से शोर निकालना एक साधारण औसत या अधिक विशेष रूप से उपयोग करना है, चलती औसत एक चल औसत केवल औसत की गणना करने के लिए एक पूर्वनिर्धारित अवधि का उपयोग करता है, और उन समयावधि को समय बीतने के रूप में स्थानांतरित करता है उदाहरण के लिए, यदि मैं एक 4 महीने की चलती औसत का उपयोग कर रहा हूँ, और आज 1 मई है, मैं 1 जनवरी को जनवरी, फरवरी, मार्च और अप्रैल में हुई औसत मांग का उपयोग कर रहा हूं, मैं फरवरी, मार्च, अप्रैल से मांग का उपयोग कर रहा हूं, और मई। औसत चलते हुए। जब ​​औसत का उपयोग करते हैं तो हम डेटासेट में प्रत्येक मान के लिए एक ही महत्वपूर्ण महत्व को लागू कर रहे हैं 4 महीने की औसत चलती औसत में, हर महीने 25 डिग्री चलती औसत का प्रतिनिधित्व करता है जब मांग का उपयोग किया जाता है भविष्य की मांग और विशेष रूप से भविष्य की प्रवृत्ति को प्रस्तुति देने के लिए, यह निष्कर्ष पर पहुंचने के लिए तर्कसंगत है कि आप अपने पूर्वानुमान पर अधिक प्रभाव डालने के लिए हाल के इतिहास को पसंद करेंगे, हम अपने चल-औसत गणना को प्रत्येक अवधि में विभिन्न भार लागू करने के लिए अनुकूलित कर सकते हैं हमारे वांछित परिणाम हम इन भारों को प्रतिशत के रूप में व्यक्त करते हैं, और सभी अवधियों के लिए कुल वजन 100 तक जोड़ना चाहिए, इसलिए यदि हम निर्णय करते हैं कि हम अपने 4 महीने के भारित चलती औसत में निकटतम अवधि के लिए वजन 35 के रूप में लागू करना चाहते हैं, हम 35 से 100 को घटा सकते हैं ताकि हम 3 अन्य अवधियों को विभाजित करने के लिए शेष 65 हो सकें उदाहरण के लिए, हम 15, 20, 30 और 35 के भार के साथ क्रमशः 4 महीने 15 20 30 35 100 के लिए समाप्त कर सकते हैं। चौरसाई। अगर हम पिछली उदाहरण में 35 के रूप में सबसे हाल की अवधि में भार लागू करने की अवधारणा पर वापस जाते हैं और शेष वजन की गणना करते हैं, तो 65 के लिए 100 से 35 के सबसे हाल की अवधि के वजन को घटाकर गणना की जाती है, हमारे पास बुनियादी निर्माण हमारे घातीय चौरसाई गणना के लिए अवरोधन करना घातीय चौरसाई गणना के नियंत्रित इनपुट को चौरसाई कारक के रूप में जाना जाता है जिसे चौरसाई स्थिरता भी कहा जाता है यह अनिवार्य रूप से सबसे हाल की अवधि की मांग पर लागू भार का प्रतिनिधित्व करता है इसलिए, जहां हमने 35 को भार के रूप में इस्तेमाल किया भारित चलती औसत गणना में सबसे हाल की अवधि, हम भी इसी तरह के प्रभाव को प्राप्त करने के लिए हमारे घातीय चौरसाई गणना में चौरसाई कारक के रूप में 35 का उपयोग करना चुन सकते हैं घाटेदार चौरसाई गणना के साथ अंतर यह है कि इसके बजाय हमें यह भी पता चलेगा कि कितना प्रत्येक पिछली अवधि में लागू करने के लिए वजन, चौरसाई कारक का उपयोग स्वचालित रूप से करने के लिए किया जाता है। इसलिए यहां घातीय भाग आता है यदि हम चौरसाई कारक के रूप में 35 का उपयोग करते हैं, तो सबसे हाल की अवधि की मांग का भार 35 हो जाएगा अगले सबसे हाल की अवधि की मांग सबसे हाल ही में 65 से 35 65 के पहले की अवधि 35 से 100 के घटाने से होती है, यह 22 से बराबर होती है 75 उस अवधि के लिए अगर आप गणित करते हैं। अगले सबसे हाल की अवधि की मांग 35 के 65 65 हो जाएगी, जो 14 के बराबर होगी 79 इससे पहले की अवधि 65 65 के 65 65 के रूप में भारित किया जाएगा, जो 9 61, और इतने पर और यह आपके सभी पिछली अवधि के दौरान वापस समय की शुरुआत या उस बिंदु पर वापस चला जाता है जिस पर आप उस विशेष आइटम के लिए घातीय चिकनाई का प्रयोग शुरू कर चुके हैं। आप शायद सोच रहे हैं कि एक पूरे की तरह दिख रहा है बहुत सारे गणित लेकिन घातीय चौरसाई गणना की सुंदरता यह है कि हर बार जब आप एक नई अवधि की मांग प्राप्त करते हैं, तो प्रत्येक पिछली अवधि के पुनर्गणना के बजाय, आप पिछली अवधि से घाटेदार चौरसाई गणना के उत्पादन का उपयोग केवल पिछली अवधि का प्रतिनिधित्व करने के लिए करते हैं आप अभी तक उलझन में हैं। जब हम वास्तविक गणना को देखते हैं तो यह और अधिक समझ जाएगा। आमतौर पर हम अगली अवधि पूर्वानुमान के रूप में घातीय चौरसाई गणना के उत्पादन को संदर्भित करते हैं वास्तव में, अंतिम पूर्वानुमान थोड़ी अधिक काम की आवश्यकता है, लेकिन इस विशिष्ट गणना के प्रयोजनों के लिए, हम इसे पूर्वानुमान के रूप में देखेंगे। घातीय चौरसाई गणना निम्नानुसार है। सबसे हाल की अवधि की मांग चौरसाई कारक प्लस द्वारा गुणा सबसे हाल की अवधि का पूर्वानुमान एक शून्य से चौरसाई फैक्टर द्वारा गुणा किया जाता है। सबसे हाल की अवधि की मांग एस चिकनी कारक दशमलव के रूप में दर्शाती है इसलिए 35 को 0 से 35 एफ के रूप में दर्शाया जाएगा सबसे हाल की अवधि पिछले अवधि से चौरसाई गणना का उत्पादन पूर्वानुमान करती है। 0 35 के चौरसाई कारक। यह उस की तुलना में बहुत सरल नहीं है। जैसा कि आप देख सकते हैं, यहां हमें डेटा इनपुट के लिए सबसे ज़्यादा सबसे ज़्यादा समय की मांग है और सबसे हाल की अवधि का पूर्वानुमान हम चौरसाई कारक को भारित करते हैं सबसे हाल की अवधि उसी तरह की मांग की जाती है, जो हम भारित चलती औसत गणना में करेंगे। फिर हम सबसे हाल की अवधि के अनुमान के अनुसार शेष भार 1 ल्यूब्सिंग कारक को लागू करते हैं। अवधि की भविष्यवाणी पिछली अवधि की मांग और पिछली अवधि के पूर्वानुमान के आधार पर बनाई गई थी, जो उस अवधि से पहले की अवधि और उसके पहले की अवधि के पूर्वानुमान के आधार पर थी, जो कि पहले की अवधि की मांग के आधार पर थी और उसके पहले की अवधि के पूर्वानुमान, जो कि पहले की अवधि पर आधारित था। ठीक है, आप देख सकते हैं कि गणना में किस तरह की पिछली अवधि की मांग का प्रतिनिधित्व किया जाता है, वास्तव में वापस जाकर और कुछ भी पुन: संदर्भित किए बिना.और यह है कि प्रारंभिक लोकप्रियता घातीय चौरसाई की वजह से यह भारित चलने की तुलना में चिकनाई का बेहतर काम करता था, क्योंकि यह कंप्यूटर प्रोग्राम में गणना करना आसान था, और क्योंकि आपको यह सोचने की ज़रूरत नहीं थी कि पिछली अवधि या कितने कितने भार देना है पिछली अवधि का उपयोग करना, जैसा कि आप भारित चल औसत पर करेंगे और, क्योंकि यह भारित चल औसत से कूलर लग रहा था। वास्तव में, यह तर्क दिया जा सकता है कि भारित चलती औसत जीआर प्रदान करता है। खासी लचीलापन क्योंकि आपके पास पिछली अवधि के भार पर अधिक नियंत्रण है, वास्तविकता इनमें से किसी भी सम्मानजनक परिणाम प्रदान कर सकती है, इसलिए आसान और कूलर लगने के साथ क्यों नहीं जाना। एक्सेल में एक्स्प्लेनेबल स्माइंगिंग। देखें, यह वास्तव में एक स्प्रैडशीट में कैसे दिखता है वास्तविक डेटा के साथ। कॉपीराइट सामग्री पर कॉपीराइट-संरक्षित है और पुनर्प्रकाश के लिए उपलब्ध नहीं है। चित्रा 1 ए में, हमारे पास 11 सप्ताह की मांग के साथ एक एक्सेल स्प्रैडशीट है, और उस मांग की गणना से अनुमानित रूप से चिकनी अनुमान लगाया गया है, मैंने 25 के चौरसाई कारक का उपयोग किया है सेल सी 1 में 25 25 सेल वर्तमान में सक्रिय सेल सेल एम 4 है जिसमें सप्ताह के लिए पूर्वानुमान है 12 आप सूत्र बार में देख सकते हैं, सूत्र एल 3 सी 1 एल 4 1-सी 1 है इसलिए इस गणना में केवल प्रत्यक्ष इनपुट पिछले अवधि की मांग हैं सेल एल 3, पिछली अवधि के पूर्वानुमान सेल एल 4, और चौरसाई कारक सेल सी 1, को पूर्ण सेल संदर्भ के रूप में दिखाया गया है C1। जब हम एक घातीय चौरसाई गणना शुरू करते हैं, तो हमें मैन्युअल रूप से 1s टी पूर्वानुमान तो सेल बी 4 में, बजाय एक फार्मूला में, हम उसी सीडी की मांग में टाइप कर रहे हैं, जैसा कि सेल सी 4 में पूर्वानुमान है, हमारी पहली घातीय चौरसाई संख्या बी 3 सी 1 बी 4 1 सी 1 है, तो हम सेल सी 4 कॉपी कर सकते हैं और इसे पेस्ट कर सकते हैं हमारे पूर्वानुमान कोशिकाओं के बाकी हिस्सों को भरने के लिए डी 4 के माध्यम से सेल D4 में। अब आप किसी भी पूर्वानुमान सेल पर डबल क्लिक कर सकते हैं यह देखने के लिए कि यह पिछली अवधि के पूर्वानुमान सेल और पिछली अवधि की मांग सेल पर आधारित है, इसलिए प्रत्येक बाद के घातीय चौरसाई गणना को प्राप्त होता है पिछले घातीय चौरसाई गणना का उत्पादन यह है कि पिछले पिछली अवधि की गणना में प्रत्येक पिछली अवधि की मांग किस प्रकार प्रदर्शित की जाती है, भले ही वह गणना उन पिछली समयावधियों को सीधे संदर्भित नहीं करती है यदि आप फैंसी प्राप्त करना चाहते हैं, तो आप एक्सेल के ट्रेस उदाहरणों का उपयोग कर सकते हैं फ़ंक्शन ऐसा करने के लिए, सेल एम 4 पर क्लिक करें, फिर रिबन टूल बार Excel 2007 या 2010 पर फॉर्मूला टैब पर क्लिक करें, फिर ट्रेस अग्रेस्टैंड पर क्लिक करें यह कनेक्टर लाइन को पूर्ववर्तियों के पहले स्तर पर आकर्षित करेगा, लेकिन यदि आप ट्रेस अग्रेसिड्स पर क्लिक करते रहें, यह आपको पिछली सभी समयों में कनेक्टर लाइनों को आकर्षित करेगा ताकि आपको विरासत में रिश्तों को दिखाया जा सके.अब हम देखते हैं कि हमारे लिए क्या घातीय चौरसाई हो रही है। फिक्चर 1 बी हमारी मांग और पूर्वानुमान का एक लाइन चार्ट दिखाता है आप केस देखते हैं कि कैसे तेजी से चिकना भविष्यवाणी से साप्ताहिक मांग के आसपास कूदते हुए अधिकांश जग्ग्जियां हटाई जाती हैं, लेकिन फिर भी उनको पालन करने का प्रबंधन किया जाता है जो मांग में एक ऊपरी प्रवृत्ति प्रतीत होता है आप यह भी देखेंगे कि चिकनाई पूर्वानुमान रेखा मांग रेखा से कम हो सकती है यह प्रवृत्ति के रूप में जाना जाता है अंतराल और चौरसाई प्रक्रिया का एक साइड इफेक्ट है जब भी कोई प्रवृत्ति मौजूद है जब आप स्वाद का उपयोग करते हैं, तो आपके पूर्वानुमान की प्रवृत्ति से पीछे रह जाएगा यह वास्तव में किसी भी चौरसाई तकनीक के लिए सच है, वास्तव में, अगर हम इस स्प्रेडशीट को जारी रखने और कम मांग संख्या डाउनवर्ड प्रवृत्ति को बनाने से आप मांग लाइन बूंद देख सकते हैं और नीचे की प्रवृत्ति का पालन करने से पहले इसके ऊपर की प्रवृत्ति लाइन की गति बढ़ जाती है। यही कारण है कि मैंने पहले कह दिया घाटेदार चौरसाई गणना से tput कि हम एक पूर्वानुमान फोन करते हैं, फिर भी कुछ और काम की आवश्यकता है मांग में बाधाओं को छूने की तुलना में भविष्यवाणी करने के लिए बहुत कुछ है हमें प्रवृत्ति के अंतराल, मौसम, ज्ञात घटनाओं जैसी चीज़ों के लिए अतिरिक्त समायोजन करने की आवश्यकता है प्रभाव मांग, आदि। लेकिन यह सब इस लेख के दायरे से परे है। आप की संभावना भी दोहरे घातीय चिकनाई और ट्रिपल-एक्सपोनेंशन चौरसाई जैसे शब्दों में चलेंगे। ये शब्द थोड़ा भ्रामक हैं क्योंकि आप कई बार मांग को फिर से चौरसाई नहीं कर रहे हैं यदि आप चाहते हैं, लेकिन वह यह बात नहीं है ये शब्द पूर्वानुमान के अतिरिक्त तत्वों पर घातीय चौरसाई का उपयोग करते हैं तो सरल घातीय चौरसाई के साथ, आप आधार मांग को चौरसाई कर रहे हैं, लेकिन डबल-एक्सोनेंसिबल चिकनाई के साथ आप बेस मांग को चौरसाई कर रहे हैं ट्रेंड, और ट्रिपल-एक्सपोनेंशन चिकनाई के साथ आप आधार मांग और प्रवृत्ति से मौसम की अवधि को चिकनाई कर रहे हैं। एक्सप्याड के बारे में और अधिक सामान्य प्रश्न आकस्मिक चौरसाई है मैं अपने चौरसाई कारक कहां प्राप्त करता हूँ यहाँ कोई जादुई जवाब नहीं है, आपको अपने मांग डेटा के साथ विभिन्न चौरसाई कारकों का परीक्षण करने की आवश्यकता है, यह देखने के लिए कि आपको सबसे अच्छे परिणाम क्या मिलेगा। ये गणनाएं हैं जो चौरसाई कारक को स्वचालित रूप से सेट और बदल सकती हैं ये गिरावट अनुकूली चौरसाई शब्द के तहत, लेकिन आपको उनसे सावधानी बरतने की ज़रूरत है वहां कोई सही जवाब नहीं है और आपको पूरी तरह से परीक्षण के बिना किसी भी आकलन को अंजामपूर्वक लागू नहीं करना चाहिए और उस गणना को पूरी तरह से समझना चाहिए कि उस गणना में आपको क्या करना चाहिए - यदि परिदृश्य देखें कि ये गणना उन परिवर्तनों की मांग करने पर प्रतिक्रिया करती है जो वर्तमान में आपके द्वारा परीक्षण के लिए उपयोग किए जा रहे मांग डेटा में मौजूद नहीं हो सकते हैं। डेटा उदाहरण मैंने पहले इस्तेमाल किया था एक ऐसी स्थिति का एक बहुत अच्छा उदाहरण है जहां आपको वास्तव में कुछ अन्य स्थितियों का परीक्षण करने की आवश्यकता है विशेष डेटा उदाहरण कुछ हद तक लगातार ऊपर की ओर रुझान दिखाता है बहुत बड़ी कंपनियां बहुत महंगा पूर्वानुमान वाली सॉफ्टवेयर के साथ बहुत ज्यादा परेशानियों में नहीं बल्कि इतनी दूर तक होती थीं चींटी अतीत जब उनकी सॉफ़्टवेयर सेटिंग्स बढ़ती अर्थव्यवस्था के लिए छिड़ी गई थी, तब अच्छी प्रतिक्रिया नहीं आई जब अर्थव्यवस्था स्थिर हो गई या सिकुड़ रही थी, जैसी चीजें होती हैं, जब आप यह नहीं समझते कि आपकी गणना सॉफ्टवेयर वास्तव में क्या कर रहा है अगर वे अपने पूर्वानुमान प्रणाली को समझते हैं, तो ज्ञात है कि उन्हें कूदने और कुछ बदलाव करने की जरूरत होती है, जब उनके व्यापार में अचानक नाटकीय बदलाव हुए। तो वहां आपके पास यह है कि आपको घातीय चौरसाई की मूल बातें समझाई गई हैं, वास्तविक अंदाज में घातीय चौरसाई का उपयोग करने के बारे में अधिक जानना चाहते हैं, मेरी पुस्तक इन्वेंटरी मैनेजमेंट की व्याख्या कॉपीराइट की सामग्री पर कॉपीराइट-संरक्षित है और पुनर्प्रकाश के लिए उपलब्ध नहीं है। डेव पाइसेकी इन्वेंट्री ऑपरेशंस कंसल्टिंग एलएलसी के मालिक ऑपरेटर है, जो इन्वेंट्री प्रबंधन, सामग्री से निपटने और गोदाम के संचालन से संबंधित सेवाएं प्रदान करती है। उनके पास संचालन प्रबंधन में 25 से अधिक वर्षों का अनुभव है और अपनी वेबसाइट के माध्यम से पहुंचा जा सकता है, जहां वह अतिरिक्त रखता है प्रासंगिक जानकारी। मेरा व्यवसाय। मौसमी कारक - प्रत्येक तिमाही में औसत त्रैमासिक मांग का प्रतिशत। साल 4 के लिए वार्षिक पूर्वानुमान 400 इकाइयों का अनुमान लगाया गया है। प्रति क्वार्टर में औसत पूर्वानुमान 400 4 100 इकाइयां हैं। तिमाही पूर्वानुमान औसत पूर्वानुमान मौसमी कारक सीसाल के पूर्वानुमान के तरीकों की वजह से मौखिक पूर्वानुमान की विधियां कारक के बीच एक ज्ञात या कथित संबंधों पर आधारित होती हैं, जो पूर्वानुमान और अन्य बाहरी या आंतरिक कारकों के बीच हो। 1 प्रतिगमन गणितीय समीकरण एक या एक से अधिक स्वतंत्र चर को संबंधित चर पर निर्भर करता है जो कि निर्भर चर को प्रभावित करते हैं .2 इकोनोमेट्रिक मॉडल्स सिस्टम परस्पर निर्भर प्रतिगमन समीकरणों का वर्णन जो कि आर्थिक गतिविधि के कुछ क्षेत्र का वर्णन करते हैं। 3 इनपुट आउटपुट मॉडल अर्थव्यवस्था के एक क्षेत्र से दूसरे तक के प्रवाह का वर्णन करते हैं, और इसलिए किसी अन्य सेक्टर में सिमुलेशन मॉडलिंग का उत्पादन करने के लिए आवश्यक इनपुट की भविष्यवाणी करता है। त्रुटि के पूर्वानुमान के दो पहलू हैं - पूर्वाग्रह के बारे में चिंतित होने के लिए डी सटीकता। बीआईएस - एक पूर्वानुमान पक्षपातपूर्ण है अगर यह अन्य की तुलना में एक दिशा में अधिक भ्रामक होता है.- विधि का पूर्वानुमान या अनुमान से अधिक अनुमान होता है। सटीकता - पूर्वानुमान सटीकता वास्तविक मांग से पूर्वानुमान की दूरी को दर्शाती है उस त्रुटि की दिशा। उदाहरण के लिए छह अवधि के पूर्वानुमान और वास्तविक मांग पर नज़र रखी गई है निम्नलिखित तालिका में वास्तविक मांग डी टी और पूर्वानुमान की अवधि छह अवधि के लिए एफ है। पूर्वानुमान त्रुटियों की गणनात्मक योग सीएफई -20.मैं निरपेक्ष विचलन मैड 170 6 28 33.मेन चुकता त्रुटि एमएसई 5150 6 858 33. पूर्वानुमान त्रुटियों के मानक विचलन 5150 6 29 30.मेन पूर्ण प्रतिशत त्रुटि मैप 83 4 6 13 9। प्रत्येक जानकारी क्या देते हैं। वनों में मांग की अधिक अनुमान की प्रवृत्ति है। औसत त्रुटि प्रति पूर्वानुमान था 28 33 इकाइयों, या वास्तविक मांग के 13 9. पूर्वानुमान त्रुटियों के टुकड़े वितरण 29 3 इकाइयों का मानक विचलन है। एक निर्धारित पद्धति का चयन करने के लिए प्रश्न। ऑब्जेक्ट्स 1 अधिकतम शुद्धता और 2 न्यूनतम करें पूर्वाग्रह। एक समय सेवा का चयन करने के लिए संभावित नियम ies की भविष्यवाणी पद्धति विधि का चयन करें.छोटे पूर्वाग्रह को सीमित करें, जैसा कि सीएफई या सीएफई यानी सबसे छोटा मतलब पूर्ण विचलन एमएडी यानी सबसे छोटी ट्रैकिंग संकेत यानी मापी जाती है। मांग के अंतर्निहित स्वरूप के बारे में प्रबंधन की मान्यताओं का समर्थन करता है। दूसरों यह स्पष्ट है कि सटीकता और पूर्वाग्रह दोनों के कुछ उपाय एक साथ इस्तेमाल किए जाने चाहिए। नमूना करने की अवधि की संख्या के बारे में कैसे। यदि मांग स्वाभाविक स्थिर है, एन के कम मूल्य और उच्च मूल्यों का सुझाव दिया जाता है। यदि मांग स्वाभाविक है अस्थिर, उच्च मूल्यों और एन के कम मूल्यों का सुझाव दिया जाता है। फोकस FORECASTING. focus भविष्यवाणी के पूर्वानुमान के लिए एक दृष्टिकोण से संदर्भित करता है जो विभिन्न तकनीकों द्वारा पूर्वानुमान विकसित करता है, फिर उन पूर्वानुमानों को उठाता है जो इन तकनीकों के सर्वोत्तम द्वारा निर्मित किया गया था, जहां सबसे अच्छा निर्धारण किया जाता है भविष्यवाणी त्रुटि के कुछ उपाय के द्वारा। फोकस के पूर्वानुमान का उदाहरण। वर्ष के पहले छः महीनों के लिए, खुदरा आइटम की मांग 15, 14, 15, 17, 1 9 और 18 इकाइयां रही। एक रिटायल आर दो पूर्वानुमान वाली तकनीकों के आधार पर दो पूर्वानुमान की तकनीकों के आधार पर फोकस पूर्वानुमान प्रणाली का उपयोग करता है, और एक्सपेंनेलिबल मॉडल के साथ 0 1 और 0 1 के साथ एक रुझान-समायोजित घातीय स्कशिंग मॉडल, जनवरी के पूर्वानुमान और अंत में प्रवृत्ति औसत दिसम्बर 1 था। रिटेलर पिछले तीन महीनों के लिए मतलब निरपेक्ष विचलन एमएडी का उपयोग करता है क्योंकि अगले महीने के लिए भविष्यवाणी करने के लिए कौन से मॉडल का उपयोग किया जाएगा, इसका चयन करने के लिए कसौटी होगी। जुलाई के लिए पूर्वानुमान क्या होगा और कौन से मॉडल का उपयोग किया जाएगा। बी क्या आप अलग-अलग उत्तर देंगे यदि मई की मांग 1 9 की तुलना में 14 हो गई है। स्मूथिंग डेटा यादृच्छिक भिन्नता को दूर करता है और प्रवृत्तियों और चक्रीय घटकों को दिखाता है। समय के साथ लिया गया डेटा के संग्रह में अनियमित यादृच्छिक भिन्नता के कुछ रूप मौजूद हैं यादृच्छिक भिन्नता के कारण प्रभाव को रद्द करने के तरीकों उद्योग में अक्सर इस्तेमाल की जाने वाली तकनीक चौरसाई होती है यह तकनीक, जब ठीक से लागू होती है, अंतर्निहित प्रवृत्ति, मौसमी और चक्रीय घटकों को और अधिक स्पष्ट रूप से पता चलता है। चौरसाई विधियों के दो अलग-अलग समूह हैं। औजारिंग विधि। एक्सपेंनेशन चिकनाई पद्धतियाँ। औसत लेना डेटा को सुचारू बनाने का सबसे आसान तरीका है। हम पहले कुछ औसत तरीकों की जांच करेंगे, जैसे कि पिछले सभी डेटा के साधारण औसत। एक गोदाम के प्रबंधक यह जानने के लिए कि एक ठेठ आपूर्तिकर्ता 1000 डॉलर इकाइयों में कितना उद्धार करता है वह 12 आपूर्तिकर्ताओं का एक नमूना लेता है, बेतरतीब ढंग से, निम्नलिखित परिणाम प्राप्त करता है। आंकड़ों की गणना या औसत 10 प्रबंधक प्रबंधक इसका उपयोग व्यय के अनुमान के रूप में करने का निर्णय करता है यह एक अच्छा आपूर्तिकर्ता है। यह एक अच्छा या बुरा अनुमान है.मैन स्क्वेर एरर यह फैसला लेने का एक तरीका है कि मॉडल कितना अच्छा है। हम औसत स्क्वायर त्रुटि की गणना करेंगे। गलती की सही मात्रा में अनुमानित राशि से कम खर्च किया गया है। चुकता त्रुटि त्रुटि है ऊपर, स्क्वेर्ड। एसएसई स्क्वेर्ड त्रुटियों का योग है। एमएसई स्क्वेर्ड त्रुटियों का मतलब है। उदाहरण के लिए एमएसई परिणाम। परिणाम त्रुटि और स्क्वायर एरर हैं। अनुमान 10. सवाल उठता है कि हम इसका मतलब पूर्वानुमान में आइए अगर हम एक प्रवृत्ति पर संदेह करते हैं तो नीचे दिए गए ग्राफ़ पर एक नतीजा स्पष्ट रूप से दिखाया गया है कि हमें यह नहीं करना चाहिए। औसत सभी अतीत के अवलोकनों का उतना ही वजन होता है। सारांश में, हम कहते हैं कि। सभी अतीत टिप्पणियों का सरल औसत या मतलब केवल एक उपयोगी अनुमान है कोई प्रवृत्ति नहीं है, तो भविष्यवाणी करते हैं यदि कोई रुझान है, तो विभिन्न अनुमानों का उपयोग करें जो प्रवृत्ति को खाते में लेते हैं। औसत पिछले सभी अवलोकनों का उतना ही बराबर है उदाहरण के लिए, 3, 4, 5 के मानों का औसत 4 हम जानते हैं, बिल्कुल, यह सभी मूल्यों को जोड़कर और मूल्यों की संख्या से योग को विभाजित करके एक औसत की गणना की जाती है औसत की गणना करने का एक अन्य तरीका मूल्यों की संख्या से विभाजित प्रत्येक मान जोड़कर होता है, या 3. 3 4 3 5 3 1 1 3333 1 6667 4 सामान्य गुण में गुणक 1 3 को वजन कहा जाता है। बार फ्राक राशि छोड़ दिया frac सही x1 छोड़ दिया frac सही x2,,, छोड़ दिया frac सही xn। छोड़ दिया frac सही वजन हैं और जाहिर है, वे 1 के लिए योग।