Moving Average Operations Management

As previsões são vitais para todas as organizações empresariais e para cada decisão de gestão significativa. Embora uma previsão nunca seja perfeita devido à natureza dinâmica do ambiente de negócios externo, ela é benéfica para todos os níveis de planejamento funcional, planejamento estratégico e planejamento orçamentário. Os tomadores de decisão usam previsões para tomar muitas decisões importantes em relação à direção futura da organização. As técnicas e modelos de previsão podem ser tanto qualitativos quanto 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 o horizonte temporal de previsão, a disponibilidade de dados, a precisão necessária, o tamanho do orçamento de previsão e a disponibilidade de pessoal qualificado. O gerenciamento de demanda existe para coordenar e controlar todas as fontes de demanda para que o sistema produtivo possa ser usado de forma eficiente eo 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: qualitativo, análise de séries temporais, relações causais e simulação. Técnicas qualitativas na previsão podem incluir previsão de raízes, pesquisa de mercado, consenso de painel, analogia histórica e o método Delphi. 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 quaisquer variações sazonais. Uma média ponderada da média móvel varia os pesos, dado um fator particular e é assim capaz de variar os efeitos entre dados atuais e passados. A suavização exponencial melhora a previsão da média móvel simples e ponderada, uma vez que considera os pontos de dados mais recentes como mais importantes. Para corrigir qualquer tendência para cima ou para baixo nos dados coletados ao longo de períodos de tempo para as constantes de suavização são usados. Alpha é a constante de suavização, enquanto delta reduz o impacto do erro que ocorre entre o real ea previsão. Os erros de previsão são a diferença entre o valor da previsão eo que realmente ocorreu. Todas as previsões contêm algum grau de erro, porém é importante distinguir entre fontes de erro e medição de erro. Fontes de erro são erros aleatórios e viés. Existem várias medições para descrever o grau de erro em uma previsão. Erros de polarização ocorrem quando um erro é cometido, isto é, não incluindo a variável correta ou deslocando a demanda sazonal. Erros aleatórios não podem ser detectados, eles ocorrem normalmente. Um sinal de rastreamento indica se a média da previsão está mantendo o ritmo com quaisquer 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 dado o valor para outro. É útil para períodos de tempo mais curtos, uma vez que assume uma relação linear entre as variáveis. Previsão de relação causal tenta determinar a ocorrência de um evento com base na ocorrência de outro evento. A previsão do foco tenta várias regras que parecem lógicas e fáceis de entender para projetar dados passados ​​para o futuro. Hoje, muitos programas de previsão computacional estão disponíveis para prever facilmente as variáveis. Ao tomar decisões de longo prazo com base em previsões futuras, deve-se tomar muito cuidado para desenvolver a previsão. Do mesmo modo, devem ser utilizadas múltiplas abordagens para a previsão. Previsão precisa ser feito em várias áreas de gestão, como gestão financeira, gestão de marketing, gestão de pessoal, etc e as mesmas técnicas discutidas neste artigo são utilizados nessas disciplinas também. A previsão é uma atividade importante na análise de segurança. Tipos de Componentes de Previsão da Demanda IV. Técnicas Qualitativas na Previsão Grass Roots Painel de Pesquisa de Mercado Consenso Analogia Histórica Método Delphi Análise de Séries Temporais Média Movente Simples Média Móvel Ponderada Suavização Exponencial Erros de Previsões Fontes de Erro Medição de Erro Análise de Regressão Linear Decomposição de uma Relação Causal da Série de Tempo Previsão Análise de Regressão Múltipla. Metodologia de previsão de foco Previsão baseada em Web: Planejamento, Previsão e Reabastecimento Colaborativo (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, Gerência de Operações para Vantagem Competitiva, 10 / e, McGraw-Hill Higher Educação, 2004 highed. mcgraw-hill / sites / 0072506369 / studentview0 / chapter12 / Simple Moving Average Gestão de Operações Assignment Help Simple Moving Average quaisquer características sazonais, uma média móvel simples pode ser muito útil na identificação de uma tendência dentro da flutuação de dados. Por exemplo, se quisermos prever as vendas em junho com uma média móvel de cinco meses, podemos tomar a média das vendas em janeiro, fevereiro, março. Abril e maio. Quando passe junho. A previsão para julho seria a média de fevereiro, março, abril, maio e junho. A fórmula para uma previsão de média móvel simples é Suponha que queremos prever a demanda semanal de um produto usando uma média móvel de três e nove semanas. Conforme demonstrado nos Anexos 9.6 e 9.7. Estas previsões são calculadas da seguinte forma: Para ilustrar, a previsão de três semanas para a semana é: Operações Relacionadas Atribuições de Gestão Média Móvel Ponderada Confiabilidade dos Dados Fórmulas Chave Análise de Série Temporária Alisamento ExponencialNa prática, a média móvel fornecerá uma boa estimativa da média Da série temporal se a média for constante ou mudar lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá 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 de tempo usada para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ele aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então ele se torna 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 número inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas juntamente 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 da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir da figura. Para as três estimativas, a média móvel está aquém da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média aumenta. O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito 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 viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro quando comparado 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 baseia-se no pressuposto de uma média constante, eo exemplo tem uma tendência linear na média durante uma parte do período do estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. 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 ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com média constante. Este termo é minimizado fazendo-se o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar a previsão responsiva às mudanças, queremos que m seja o menor possível (1), mas isso aumenta a variância 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 add-in para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usados ​​para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média 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 a partir da média móvel no tempo 0 é 11.1. O erro é então -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente.