Définition du modèle de moyenne mobile pondérée Dans le modèle de moyenne mobile pondérée (stratégie de prévision 14), chaque valeur historique est pondérée par un facteur du groupe de pondération dans le profil de prévision univariée. Formule pour la moyenne mobile pondérée Le modèle de la moyenne mobile pondérée vous permet de pondérer les données historiques récentes plus fortement que les données plus anciennes pour déterminer la moyenne. Vous le faites si les données les plus récentes sont plus représentatives de la demande future que les données plus anciennes. Par conséquent, le système est capable de réagir plus rapidement à un changement de niveau. L'exactitude de ce modèle dépend en grande partie de votre choix de facteurs de pondération. Si le schéma des séries chronologiques change, vous devez également adapter les facteurs de pondération. Lors de la création d'un groupe de pondération, vous entrez les facteurs de pondération en pourcentage. La somme des facteurs de pondération ne doit pas être de 100. Aucune prévision ex post n'est calculée à l'aide de cette stratégie de prévision. SUPPLY CHAIN MINDED La prévision statistique est basée sur plusieurs types de formule: Formules sur lesquelles les modèles de prévision sont basés Utilisé pour évaluer les résultats de la prévision Formule pour calculer la voie de tolérance pour la correction automatique des valeurs aberrantes Formules pour les modèles de prévision Modèle de moyenne mobile Ce modèle est utilisé pour exclure les irrégularités dans le modèle de série chronologique. La moyenne des n dernières séries chronologiques est calculée. La moyenne peut toujours être calculée à partir de n valeurs selon la formule (1). Formule pour la moyenne mobile Ainsi, la nouvelle moyenne est calculée à partir de la valeur moyenne précédente et de la valeur courante pondérée avec 1n, moins la valeur la plus ancienne pondérée avec 1n. Cette procédure ne convient qu'aux séries temporelles qui sont constantes, c'est-à-dire pour les séries temporelles sans motifs tendanciels ou saisonniers. Comme toutes les données historiques sont également pondérées par le facteur 1n, il faut précisément n périodes pour que la prévision s'adapte à un changement de niveau possible. Modèle de moyenne mobile pondérée Vous obtenez de meilleurs résultats que ceux obtenus avec le modèle de la moyenne mobile en introduisant des facteurs de pondération pour chaque valeur historique. Dans le modèle de moyenne mobile pondérée, chaque valeur historique est pondérée par le facteur R. La somme des facteurs de pondération est 1 (voir les formules (3) et (4) ci-dessous). Formule pour la moyenne mobile pondérée Si les séries temporelles à prévoir contiennent des variations tendancielles, vous obtiendrez de meilleurs résultats en utilisant le modèle de la moyenne mobile pondérée plutôt que le modèle de la moyenne mobile. Le modèle de la moyenne mobile pondérée pèse les données récentes plus fortement que les données plus anciennes pour déterminer la moyenne, à condition que vous ayez choisi les facteurs de pondération en conséquence. Par conséquent, le système est capable de réagir plus rapidement à un changement de niveau. L'exactitude de ce modèle dépend en grande partie de votre choix de facteurs de pondération. Si le schéma des séries chronologiques change, vous devez également adapter les facteurs de pondération. Modèle de lissage exponentiel de premier ordre Les principes sous-jacents à ce modèle sont les suivants: Plus les valeurs de séries chronologiques sont anciennes, moins elles deviennent importantes pour le calcul de la prévision. L'erreur de prévision actuelle est prise en compte dans les prévisions ultérieures. Le modèle de constante de lissage exponentiel peut être dérivé des deux considérations précédentes (voir la formule (5) ci-dessous). Dans ce cas, la formule est utilisée pour calculer la valeur de base. Une transformation simple produit la formule de base pour le lissage exponentiel (voir la formule (6) ci-dessous). Formules pour le lissage exponentiel Détermination de la valeur de base Pour déterminer la valeur de prévision, il suffit de la valeur de prévision précédente, de la dernière valeur historique et du facteur de lissage 8220alpha8221. Ce facteur de lissage pondère les valeurs historiques plus récentes plus que les plus récentes, de sorte qu'elles ont une plus grande influence sur la prévision. La rapidité avec laquelle la prévision réagit à un changement de modèle dépend du facteur de lissage. Si vous choisissez 0 pour alpha, la nouvelle moyenne sera égale à l'ancienne. Dans ce cas, la valeur de base calculée précédemment demeure, c'est-à-dire que la prévision ne réagit pas aux données courantes. Si vous choisissez 1 pour la valeur alpha, la nouvelle moyenne sera égale à la dernière valeur de la série chronologique. Les valeurs les plus courantes pour l'alpha se situent donc entre 0,1 et 0,5. Par exemple, une valeur alpha de 0,5 pondère les valeurs historiques comme suit: 1ère valeur historique: 50 2e valeur historique: 25 3e valeur historique: 12,5 4e valeur historique: 6,25 Les pondérations des données historiques peuvent être modifiées par un seul paramètre. Par conséquent, il est relativement facile de réagir aux changements dans la série chronologique. Le modèle constant de lissage exponentiel du premier ordre, dérivé ci-dessus, peut être appliqué à des séries chronologiques qui n'ont pas de tendance ou des variations saisonnières. Formule générale de lissage exponentiel de premier ordre En utilisant la formule de base décrite ci-dessus (6), la formule générale du lissage exponentiel du premier ordre (7) est déterminée en tenant compte des variations saisonnières et des tendances. Ici, la valeur de base, la valeur de tendance et l'indice saisonnier sont calculés comme indiqué dans les formules (8) 8211 (10). Formules pour le lissage exponentiel de premier ordre Modèle de lissage exponentiel de second ordre Si, sur plusieurs périodes, une série chronologique montre une variation de la valeur moyenne qui correspond au modèle de tendance, les valeurs de prévision sont toujours en retard par rapport aux valeurs réelles d'une ou plusieurs périodes Dans la procédure de lissage exponentiel de premier ordre. Vous pouvez obtenir un ajustement plus efficace de la prévision sur le modèle de valeurs réelles en utilisant le lissage exponentiel du second ordre. Le modèle de lissage exponentiel du second ordre est basé sur une tendance linéaire et se compose de deux équations (voir la formule (11)). La première équation correspond à celle du lissage exponentiel du premier ordre sauf pour les indices crochetés. Dans la deuxième équation, les valeurs calculées dans la première équation sont utilisées comme valeurs initiales et sont lissées de nouveau. Formules pour le lissage exponentiel du deuxième ordre Critères d'évaluation des prévisions Toutes les prévisions devraient fournir une sorte de base pour une décision. Le système SAP R3 calcule les paramètres suivants pour évaluer une qualité de prévisions: Total d'erreur Déviation absolue moyenne (MAD) Signal de suivi Coefficient Theil Déviation absolue moyenne pour l'initialisation de prévision Moyenne Déviation absolue pour la formule de prévision ex post pour la voie de tolérance Les données historiques sur lesquelles la prévision est basée, vous sélectionnez le contrôle Outlier dans le profil de prévision. Le système calcule alors une voie de tolérance pour la série temporelle historique, basée sur le facteur sigma. Les données historiques qui se trouvent en dehors de la voie de tolérance sont corrigées de sorte qu'elles correspondent à la valeur ex post pour ce point dans le temps. Si vous exécutez la prévision en ligne, les données historiques qui ont été automatiquement corrigées par cette fonction sont indiquées dans la colonne C de la boîte de dialogue Prévisions: Valeurs historiques. La largeur de la voie de tolérance pour le contrôle des valeurs aberrantes est définie par le facteur sigma. Plus le facteur sigma est petit, plus le contrôle est important. Le facteur sigma par défaut est 1, ce qui signifie que 90 des données restent non corrigées. Si vous définissez vous-même le facteur sigma, définissez-le entre 0.6 et 2. Prévision de la gestion des sous-produits par SKU, coût, article, devises, marge, pays, canal, emplacement du client, etc. Le projet de planification des besoins de l'optimiseur de niveau de service et corriger les déficits et les excédents de stocks sur une base quotidienne, hebdomadaire ou mensuelle. Créer des plans d'inventaire échelonnés en fonction du temps par élément, ce qui se traduit par un niveau d'inventaire optimal. Planification des opérations de vente Identifier et résoudre les problèmes d'affaires avant qu'ils ne deviennent des passifs Suivre les indicateurs clés de performance (KPI), effectuer une analyse des écarts et optimiser les plans de vente Planification de détail Permettre le profilage au niveau du magasin grâce aux méthodes de cluster. Et de gérer l'échange d'informations entre les acheteurs et les vendeurs Un calendrier d'événements fournit une vue consolidée de chaque plan des partenaires commerciaux Planification avancée Planification planifiée sur plusieurs installations gérant les contraintes opérationnelles essentielles de fabrication Précisez avec précision les matériaux et les ressources nécessaires pour chaque travail Glossaire des chaînes - M moyenne mobile moyenne
No comments:
Post a Comment