Exponentiellt Utjämnad Glidande Medelvärde Excel

Exponentiell utjämning. Detta exempel lär dig hur du applicerar exponentiell utjämning till en tidsserie i Excel Exponentiell utjämning används för att släpa ut oegentligheter trupper och dalar för att lätt kunna känna igen trenderna. 1 Först, låt oss titta på våra tidsserier.2 På Datafliken klickar du på Data Analysis. Note kan inte hitta knappen Data Analysis Klicka här för att ladda Analysis ToolPak add-in.3 Välj Exponentiell utjämning och klicka på OK.4 Klicka i rutan Inmatningsområde och välj intervallet B2 M2.5 Klicka I Dämpningsfaktorn och typ 0 9 talar ofta litteratur om utjämningskonstanten alfa. Värdet 1- kallas dämpningsfaktorn.6 Klicka i rutan Utmatningsområde och välj cell B3.8 Skriv ett diagram över dessa värden. Utveckling eftersom vi Sätta alfa till 0 1, får den föregående datapunkten en relativt liten vikt medan det tidigare släta värdet ges en stor vikt, dvs 0 9 Som ett resultat utjämnas toppar och dalar. Diagrammet visar en ökande trend. Excel kan inte beräkna smooten Hed-värdet för den första datapunkten eftersom det inte finns någon tidigare datapunkt Det släta värdet för den andra datapunkten motsvarar den föregående datapunkten. 9 Upprepa steg 2 till 8 för alfa 0 3 och alfa 0 8.Konklusion Den mindre alfagen större dämpningen Faktor, ju mer topparna och dalarna utjämnas. Den större alfa minskar dämpningsfaktorn, ju närmare de jämnda värdena är till de faktiska datapunkterna. Flyttande medelvärde. Detta exempel lär dig hur man beräknar det glidande medeltalet av en tidsserie i Excel Ett glidande medel används för att släpa ut oregelbundenheter, trupper och dalar för att lätt kunna känna igen trenderna.1 Låt oss ta en titt på våra tidsserier.2 På fliken Data klickar du på Data Analysis. Note kan inte hitta knappen Data Analysis Klicka här För att ladda Analysis ToolPak add-in.3 Välj Flytta genomsnitt och klicka på OK.4 Klicka i rutan Inmatningsområde och välj intervallet B2 M2.5 Klicka i rutan Intervall och skriv 6.6 Klicka i rutan Utmatningsområde och välj cell B3 .8 Skriv ett diagram över dessa värden Es. Explantering eftersom vi ställer intervallet till 6 är det glidande medlet genomsnittet av de föregående 5 datapunkterna och den aktuella datapunkten. Därför utjämnas toppar och dalar. Diagrammet visar en ökande trend. Excel kan inte beräkna det glidande genomsnittet För de första 5 datapunkterna eftersom det inte finns tillräckligt med tidigare datapunkter.9 Upprepa steg 2 till 8 för intervall 2 och intervall 4.Konklusion Det större intervallet desto mer topparna och dalarna utjämnas Ju mindre intervall desto närmare De rörliga medelvärdena är till de faktiska datapunkterna. Exponentiell utjämning förklaras. Copyright-innehållet på är upphovsrättsskyddat och är inte tillgängligt för republicering. När folk först stöter på termen Exponentiell utjämning kan de tycka att det låter som ett helvete med mycket utjämning oavsett vad som helst Utjämning är De börjar sedan förutse en komplicerad matematisk beräkning som sannolikt kräver en grad i matematik att förstå, och hoppas det finns en inbyggd Excel-funktion som utnyttjar Kunna om de någonsin behöver göra det Verkligheten av exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sannan är exponentiell utjämning en mycket enkel beräkning som ger en ganska enkel uppgift. Det har bara ett komplicerat namn eftersom det som tekniskt händer som Ett resultat av denna enkla beräkning är faktiskt lite komplicerad. För att förstå exponentiell utjämning hjälper det att börja med det allmänna begreppet utjämning och ett par andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning. Utmattning är en mycket vanlig statistisk process I själva verket möter vi regelbundet smidiga data i olika former i våra dagliga liv Varje gång du använder ett medel för att beskriva något använder du ett jämnt antal Om du funderar på varför du använder ett medel för att beskriva något, kommer du att Snabbt förstå begreppet utjämning Till exempel har vi bara upplevt den varmaste vintern på rekord Hur kan vi kvantifiera detta Tja, vi börjar med dataset av det dagliga hej Gh och låga temperaturer för den period som vi kallar Vinter för varje år i inspelad historia Men det lämnar oss med en massa siffror som hoppa runt ganska lite det är inte som varje dag i vinter var varmare än motsvarande dagar från alla tidigare år Vi Behöver ett nummer som tar bort allt detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa. Avlägsna hoppningen runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medel för att åstadkomma utjämningen. I efterfrågan prognoser använder vi utjämning för att avlägsna slumpmässigt variationsstörning från vår historiska efterfrågan. Detta gör att vi bättre kan identifiera efterfrågan mönster främst trend och säsonglighet och efterfråganivåer som kan användas för att uppskatta framtida efterfrågan. Stödet i efterfrågan är samma begrepp som det dagliga Hoppar runt temperaturdata Inte överraskande är det vanligaste sättet att folk tar bort ljud från efterfrågningshistoriken att använda ett enkelt medelvärde eller mer specifikt ett glidande medelvärde A Glidande medelvärde använder bara ett fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig när tiden går. Till exempel om jag använder ett 4 månaders glidande medelvärde, och idag är den 1 maj, använder jag ett genomsnitt av efterfrågan som inträffade I januari, februari, mars och april den 1 juni kommer jag att använda efterfrågan från februari, mars, april och maj. Viktat glidande medelvärde. När vi använder ett medel tillämpar vi samma vikt vid varje värde i datasetet I 4 månaders glidande medelvärde representerade varje månad 25 av glidande medelvärde När man använder efterfrågningshistoria för att projektera framtida efterfrågan och speciellt framtida trend är det logiskt att dra slutsatsen att du skulle vilja att nyare historia skulle få större inverkan på din Prognos Vi kan anpassa vår glidande medelberäkning för att tillämpa olika vikter för varje period för att få våra önskade resultat. Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder måste öka till 100. Om vi ​​bestämmer att vi vill Applicera 35 som vikt för närmaste period i vårt 4 månaders viktiga glidande medelvärde. Vi kan subtrahera 35 från 100 för att hitta att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en vikt på 15, 20, 30 och 35 för de fyra månaderna 15 20 30 35 100. Exponentialutjämning. Om vi ​​går tillbaka till konceptet att applicera en vikt till den senaste perioden som 35 i föregående exempel och sprida den återstående vikten beräknad av Subtraherar den senaste vikten av 35 från 100 till 65, har vi de grundläggande byggstenarna för vår exponentiella utjämningsberäkning. Den kontrollerande ingången av exponentiell utjämningsberäkningen är känd som utjämningsfaktorn kallas också utjämningskonstanten. Det representerar väsentligen viktningen som appliceras Till den senaste periodens efterfrågan Så, där vi använde 35 som viktningen för den senaste perioden i den vägda glidande genomsnittliga beräkningen, kunde vi också välja att använda 35 som utjämningsfaktor i Vår exponentiella utjämningsberäkning för att få en liknande effekt Skillnaden med exponentiell utjämningsberäkningen är att istället för att vi måste ta reda på hur mycket vikt som ska tillämpas för varje tidigare period används utjämningsfaktorn för att automatiskt göra det. Så här kommer Exponentiell del Om vi ​​använder 35 som utjämningsfaktor kommer vikten av den senaste periodens efterfrågan att vara 35. Viktningen av nästa senaste period s kräver perioden innan den senaste blir 65 av 35 65 kommer från att subtrahera 35 från 100 Detta motsvarar 22 75 viktning för den perioden om du gör matematiken. Nästa efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14 79 Perioden före den kommer att vägas som 65 av 65 av 65 av 35, vilket motsvarar 9 61 osv. Och det går tillbaka genom alla dina tidigare perioder ända till början av tiden eller den punkt där du började använda exponentiell utjämning för det aktuella objektet. Du är sannolik Y tänker att det ser ut som en hel del matte Men skönheten i exponentiell utjämningsberäkning är det snarare än att behöva räkna om mot varje tidigare period varje gång du får en ny periodens efterfrågan, använder du helt enkelt utmatningen från exponentiell utjämningsberäkning Från föregående period för att representera alla tidigare perioder. Är du förvirrad än? Det här kommer att ge större mening när vi tittar på den faktiska beräkningen. Typiskt hänvisar vi till effekten av exponentiell utjämningsberäkningen som nästa prognosperiod. I verkligheten behöver den ultimata prognosen Lite mer arbete, men för den här specifika beräkningen kommer vi att referera till det som prognosen. Exponential utjämningsberäkning är enligt följande. Den senaste periodens efterfrågan multiplicerad med utjämningsfaktorn PLUS Den senaste periodens prognos multipliceras Med en minus utjämningsfaktorn. D senaste perioden s kräver S utjämningsfaktorn representerad i decimalform så 35 skulle representeras som 0 35 F den senaste perioden s förutspår utmatningen av utjämningsberäkningen från föregående period. OR förutsätter en utjämningsfaktor på 0 35. Det blir inte mycket enklare än det. Som ni kan se är allt vi behöver för datainmatningar här de Senaste periodens efterfrågan och den senaste periodens prognos Vi tillämpar utjämningsfaktorns viktning till den senaste perioden s efterfrågar samma sätt som vi skulle i den vägda glidande genomsnittliga beräkningen Vi applicerar sedan den återstående vikten 1 minus utjämningsfaktorn till de mest Senaste periodens prognos. Eftersom den senaste periodens prognos skapades baserat på tidigare periodens efterfrågan och föregående period s prognos, som baserades på efterfrågan på perioden före det och prognosen för perioden före det som var Baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på perioden före det. Det kan du se hur alla tidigare periodens efterfrågan representeras i beräkningen På utan att faktiskt gå tillbaka och räkna om någonting. Och det var det som körde den initiala exponentiella utjämningens popularitet. Det var inte eftersom det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde, det berodde på att det var lättare att beräkna i ett datorprogram. Och, För att du inte behövde tänka på vilken viktning som ska ge tidigare perioder eller hur många tidigare perioder du ska använda, som du skulle i viktat glidande medelvärde Och eftersom det bara lät kallare än det viktade glidande genomsnittet. Det kan faktiskt argumenteras för att viktat Glidande medel ger större flexibilitet, eftersom du har större kontroll över vikten av tidigare perioder. Verkligheten är att någon av dessa kan ge tillförlitliga resultat, varför inte gå med enklare och kallare ljud. Exponential utjämning i Excel. Se hur det här verkligen skulle se ut I ett kalkylblad med reella data. Copyright Content on är upphovsrättsskyddad och kan inte användas för republicering. I Figur 1A har vi ett Excel-kalkylblad med 11 vi Ex av efterfrågan och en exponentiellt jämnprognos beräknad från den efterfrågan Jag har använt en utjämningsfaktor på 25 0 25 i cell C1 Den nuvarande aktiva cellen är Cell M4 som innehåller prognosen för vecka 12. Du kan se i formelfältet formeln Är L3 C1 L4 1- C1 Så att de enda direkta ingångarna till denna beräkning är den tidigare perioden s efterfrågan Cell L3, föregående period s prognos Cell L4 och utjämningsfaktorn Cell C1, som visas som absolut cellreferens C1.När vi börjar en Exponentiell utjämningsberäkning måste vi manuellt ansluta värdet för den första prognosen. Så i Cell B4, snarare än en formel, skrev vi bara efterfrågan från samma period som prognosen. I Cell C4 har vi vår första exponentiella utjämningsberäkning B3 C1 B4 1- C1 Vi kan sedan kopiera Cell C4 och klistra in den i cellerna D4 till M4 för att fylla resten av våra prognosceller. Du kan nu dubbelklicka på någon prognoscell för att se att den är baserad på den föregående periodens prognoscell och Den tidigare perioden s efterfrågan cellen Så ärar varje efterföljande exponentiell utjämningsberäkning utgången från den tidigare exponentiella utjämningsberäkningen. Det är hur varje efterfrågans efterfrågan representeras i den senaste periodens beräkning, även om den beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill bli snygging, Du kan använda Excel s trace precedents funktion För att göra detta klickar du på Cell M4, sedan på verktygsfältet Excel 2007 eller 2010 klickar du på Formulas fliken och klickar sedan på Spår förekomster. Det kommer att dra anslutningslinjer till 1: a nivået av prejudikat men om Du fortsätter att klicka på Trace Precedents det kommer att dra anslutningslinjer till alla tidigare perioder för att visa dig de ärvda relationerna. Nu får vi se vilken exponentiell utjämning som gjordes för oss. Figur 1B visar ett linjediagram över vår efterfrågan och prognos. Du ser hur exponentialt jämnade Prognosen avlägsnar det mesta av den jaggedness som hoppar runt från den veckoslutande efterfrågan, men lyckas fortfarande att följa vad som verkar vara en uppåtgående trend i dem Och du kommer också märka att den släta prognoslinjen tenderar att vara lägre än efterfrågan. Detta kallas trendslag och är en bieffekt av utjämningsprocessen. Varje gång du använder utjämning när en trend är närvarande kommer din prognos att ligga bakom trenden Detta gäller för eventuell utjämningsteknik. Om vi ​​skulle fortsätta det här kalkylbladet och börja skriva in lägre efterfråganivåer, vilket gör en nedåtgående trend så skulle du se efterfrågan, och trendlinjen rör sig över den innan du börjar följa den nedåtgående trenden. Det är därför jag tidigare nämnde resultatet från exponentiell utjämningsberäkning som vi kallar en prognos, behöver fortfarande lite mer arbete. Det finns mycket mer att förutse än att bara utjämna stötarna i efterfrågan. Vi behöver göra ytterligare justeringar för saker som trendlag Säsongshistoria, kända händelser som kan påverka efterfrågan osv. Men allt som ligger utanför denna artikels räckvidd. Du kommer sannolikt också att gå in i termer som dubbel exponentiell utjämning och triple-expo Nämjande utjämning Dessa termer är lite vilseledande eftersom du inte omklämmer efterfrågan flera gånger du kan om du vill, men det är inte meningen här. Dessa termer representerar exponentiell utjämning på ytterligare element i prognosen. Så med enkel exponentiell utjämning, Du släpper ut basbehovet, men med dubbel exponentiell utjämning utjämnar du basbehovet plus trenden och med trippel-exponentiell utjämning utjämnar du basbehovet plus trenden plus säsongsmässigheten. Den andra vanligaste frågan om exponentiell Utjämning är var får jag min utjämningsfaktor Det finns inget magiskt svar här, du måste testa olika utjämningsfaktorer med dina efterfrågningsdata för att se vad som blir det bästa resultatet. Det finns beräkningar som automatiskt kan ställa in och ändra utjämningsfaktorn. Dessa faller under Termen adaptiv utjämning, men du måste vara försiktig med dem Det är helt enkelt inget perfekt svar och du bör inte blinda genomföra någon Beräkning utan noggrann testning och utveckla en grundlig förståelse för vad den beräkningen gör. Du borde också köra scenarier för att se hur dessa beräkningar reagerar på efterfrågesändringar som för närvarande inte existerar i efterfrågan data du använder för testning. Datautexemplet I Som tidigare använts är ett mycket bra exempel på en situation där du verkligen behöver testa några andra scenarier. Detta specifika datautexempel visar en något konsekvent uppåtgående trend. Många stora företag med mycket dyr prognostiseringsprogramvara har stora problem i det inte så långt borta när Deras mjukvaruinställningar som var tweaked för en växande ekonomi reagerade inte bra när ekonomin började stagnera eller krympa. Saker som detta händer när du inte förstår vad dina beräkningar programvara faktiskt gör. Om de förstod sitt prognossystem skulle de ha vetat att de behövde Att hoppa in och ändra något när det var plötsliga dramatiska förändringar i deras affärer. Så där har du jag T grunden för exponentiell utjämning förklaras Vill du veta mer om att använda exponentiell utjämning i en faktisk prognos, kolla in min bok Inventory Management Explained. Copyright Innehåll på är upphovsrättsskyddad och är inte tillgänglig för republicering. Dave Piasecki är ägare operatör av Inventory Operations Consulting LLC ett konsultföretag som tillhandahåller tjänster relaterade till lagerhantering, materialhantering och lagerverksamhet. Han har över 25 års erfarenhet av operationshantering och kan nås via sin webbplats, där han behåller ytterligare relevant information. My Business.