Exponenciálne vyhladzovanie - čo to je, definícia a koncept

Metóda exponenciálneho vyhladzovania využíva historické priemery premennej v období, aby sa pokúsila predpovedať jej budúce správanie.

Preto ide o to, aby sme predpovedali, čo sa stane, a čo urobí, je vyhladenie časových radov. Cieľom je znížiť výkyvy a byť schopný pozorovať trend, ktorý niekedy nie je viditeľný voľným okom. Je široko používaný, najmä v očakávaní predaja, a ukázal sa ako viac ako prijateľný.

Metóda exponenciálneho vyhladzovania

Pozrime sa na jednoduchý spôsob výpočtu. Vzorec, ktorý si v príklade podrobne ukážeme, obsahuje skutočný dopyt (Do) a predpoveď (Po). Na druhej strane faktor vyhladenia (alfa) vyjadrené toľkokrát. Vzorec by bol tento:

To, čo robíme, ako uvidíme na konci, je hladké. Pridajte k prognóze predchádzajúceho obdobia (Po) rozdiel medzi týmto a dopytom (Do) vynásobený vyhladzovacím faktorom (alfa). Týmto dosiahneme hodnoty s menšou variabilitou a vývoj časového radu bude možné lepšie sledovať.

Samozrejme, existujú aj o niečo zložitejšie modely. Na jednej strane model Box-Jenkins a na druhej model Holt-Winter. Druhá z nich je veľmi užitočná kvôli svojej jednoduchosti a ľahkému použitiu. Nejdeme zachádzať do konkrétnych detailov, pretože by sme prekročili náš cieľ, ktorým je jednoduché znázornenie ekonomiky.

Výhody metód exponenciálneho vyhladzovania

Výhodou je predovšetkým jednoduchosť a ľahká aplikácia, ale je ich ešte niekoľko. Nižšie uvádzame najrelevantnejšie:

• Na rozdiel od iných metód, ako napríklad ARIMA, nepotrebuje veľa historických údajov.
• Pri použití techník exponenciálneho modelovania má vyššiu presnosť ako iné.
• Je to metóda, ktorá sa teší veľkej flexibilite využívaním údajov o dopyte, ktoré si môže výskumník zvoliť.
• Takzvané dvojité exponenciálne vyhladenie umožňuje znížiť problémy s predpovedaním, keď je faktor vyhladenia väčší ako 0,5. Jedna z mála nevýhod.

Príklad exponenciálneho vyhladzovania

Predstavte si spoločnosť, ktorá predáva zemiakové lupienky. Obchodný riaditeľ mexickej materskej spoločnosti kontaktuje svojho kolegu v Španielsku. Toto vám hovorí, že budete robiť predpoveď predaja pre Valenciu. Ale samozrejme, jediný ukazovateľ, s ktorým musíte začať, je predaj v meste v Mexiku, kde je možné porovnávať údaje. Pomocou faktora vyhlaďte sériu 35%.

Ako vidíme na obrázku, použitím vzorca získame prognózované hodnoty. Prvé (P1) od januára 2015 sú tržby v Mexico City za daný mesiac. Stĺpec dopyt predstavuje skutočné údaje za daný rok. Odtiaľ môžete zadaním vzorca vytvoriť zvyšok údajov v stĺpci prognózy.

Môžeme overiť, že exponenciálne vyhladenie redukuje fluktuácie, a pozorujeme, že sa nezdá, že by existoval jasný trend. Prognóza je však väčšinou nad skutočným dopytom, ktorý sa nakoniec vytvoril. Aj keď v neskoršom období je to oveľa väčšie.