Gerenciamento De Operações De Movimento Simples Em Média

As previsões são vitais para todas as organizações empresariais e para todas as decisões importantes de gestão. Embora uma previsão nunca seja perfeita devido à natureza dinâmica do ambiente comercial externo, é benéfica para todos os níveis de planejamento funcional, planejamento estratégico e planejamento orçamentário. Os decisores usam previsões para tomar muitas decisões importantes em relação à direção futura da organização. As técnicas e modelos de previsão podem ser qualitativos e quantitativos e seu nível de sofisticação depende do tipo de informação e do impacto da decisão. O modelo de previsão que uma empresa deve adotar depende de vários fatores, incluindo horizonte de tempo de previsão, disponibilidade de dados, precisão necessária, tamanho do orçamento de previsão e disponibilidade de pessoal qualificado. A gestão da demanda existe para coordenar e controlar todas as fontes de demanda para que o sistema produtivo possa ser usado de forma eficiente e o produto seja entregue a tempo. A demanda pode ser dependente da demanda por outros produtos ou serviços, ou independente porque não pode ser derivada diretamente da de outros produtos. A previsão pode ser classificada em quatro tipos básicos: qualitativa, análise de séries temporais, relações causais e simulação. Técnicas qualitativas em previsão podem incluir previsão de base, pesquisa de mercado, consenso de painel, analogia histórica e o método Delphi. Os modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Uma previsão média móvel simples é usada quando a demanda por um produto ou serviço é constante sem variações sazonais. Uma previsão média móvel ponderada varia nos pesos, dado um fator particular e, portanto, é capaz de variar os efeitos entre dados atuais e anteriores. O alisamento exponencial melhora a previsão média móvel simples e ponderada, pois considera os pontos de dados mais recentes serem mais importantes. Para corrigir qualquer tendência ascendente ou descendente nos dados coletados ao longo dos períodos de tempo, as constantes de suavização são usadas. Alpha é a constante de suavização, enquanto o delta reduz o impacto do erro que ocorre entre o real e o previsto. Os erros de previsão são a diferença entre o valor da previsão e o que realmente ocorreu. Todas as previsões contêm algum grau de erro, no entanto, é importante distinguir entre fontes de erro e medição de erro. Fontes de erro são erros aleatórios e viés. Existem várias medidas para descrever o grau de erro em uma previsão. Os erros de polarização ocorrem quando um erro é cometido, ou seja, não inclui a variável correta ou a mudança da demanda sazonal. Erros aleatórios não podem ser detectados, eles ocorrem normalmente. Um sinal de rastreamento indica se a média da previsão é acompanhar as mudanças de movimento na demanda. O MAD ou o desvio absoluto médio também é uma ferramenta simples e útil na obtenção de sinais de rastreamento. Uma ferramenta de previsão mais sofisticada para definir a relação funcional entre duas ou mais variáveis ​​correlacionadas é a regressão linear. Isso pode ser usado para prever uma variável dada o valor para outra. É útil para períodos de tempo mais curtos, pois assume uma relação linear entre as variáveis. A previsão de relações causais tenta determinar a ocorrência de um evento com base na ocorrência de outro evento. A previsão de foco tenta várias regras que parecem lógicas e fáceis de entender para projetar dados passados ​​para o futuro. Hoje, muitos programas de previsão de computadores estão disponíveis para prever facilmente as variáveis. Ao tomar decisões de longo prazo com base em previsões futuras, deve-se ter grande cuidado para desenvolver a previsão. Do mesmo modo, devem ser utilizadas múltiplas abordagens para a previsão. A previsão precisa ser feita em várias áreas de gerenciamento, como gerenciamento financeiro, gerenciamento de marketing, gerenciamento de pessoal etc. e as mesmas técnicas discutidas neste artigo também são usadas nessas disciplinas. A previsão é uma atividade importante na análise de segurança. Tipos de Componentes de Previsão da Demanda IV. Técnicas qualitativas na previsão de raízes de relvas Pesquisa de mercado Painel de pesquisa Consenso histórico Analogia Método Delphi Análise de séries temporais Média móvel simples Média móvel ponderada Exponencial suavizante Erros de previsão Fontes de erro Medição de erro Análise de regressão linear Decomposição de uma série temporária Comparação causal Previsão Análise de regressão múltipla. Metodologia de previsão de foco da previsão de foco Previsão baseada na Web: planejamento colaborativo, previsão e reconstituição (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, Gerenciamento de operações para vantagem competitiva, 10e, McGraw-Hill Higher Education, 2004 highered. mcgraw-hillsites0072506369studentview0chapter12 Na prática, a média móvel proporcionará uma boa estimativa da média da série temporal se a média for constante ou a mudança lenta. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo significará os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra a série temporal usada para ilustração juntamente com a demanda média da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então, torna-se constante novamente. Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que em qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas médias móveis para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel está atrasada por trás da tendência linear, com o atraso crescente com m. O atraso é a distância entre o modelo e a estimativa na dimensão temporal. Por causa do atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um momento específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e tendência do estimador da média são dados nas equações abaixo. As curvas de exemplo não combinam essas equações porque o modelo de exemplo não está aumentando continuamente, antes ele começa como uma constante, muda para uma tendência e depois se torna constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o desvio aumentam proporcionalmente. As equações abaixo indicam o atraso e a polarização de um período de previsão para o futuro em relação aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel é baseado na suposição de uma média constante, e o exemplo tem uma tendência linear na média durante uma parcela do período de estudo. Uma vez que as séries em tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para esses resultados. Também podemos concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menores. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de observações m, assumindo que os dados provêm de uma população com um meio constante. Este termo é minimizado fazendo m o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar as previsões sensíveis às mudanças, queremos m o mais pequeno possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro médio móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente. . Gestão de Operações 101: Médias móveis: 5. 2012. Correção: às 20:43 a WMA deve ser 29.794. Acho que transpusei algo vindo do Excel. Minhas desculpas. Neste vídeo, cubro os conceitos básicos das médias móveis em previsões da série temporal. Discutimos o método Naive, a média móvel simples e as médias móveis ponderadas. Neste exemplo, usaremos os dados da matrícula da faculdade para testar diferentes métodos e, em seguida, prever a matrícula de outono de 2012. Além disso, usando o gráfico de ações da Apple (AAPL), também mostramos como as médias móveis são usadas no investimento básico. Obrigado por assistir Para a minha biblioteca de vídeo completa organizada pela lista de reprodução, acesse a minha página de vídeo aqui: