Ein unternehmen will die nachfrage mit dem einfachen gleitenden durchschnitt prognostizieren

Supply Chain Management Kapitel 18 Wie dieses Studien-Set Erstellen Sie ein kostenloses Konto, um es zu speichern. Melden Sie sich für ein Konto an. Erstellen Sie ein Konto Wenn der Intercept-Wert eines linearen Regressionsmodells 40 ist, ist der Slope-Wert 40, und der Wert von X ist 40, wobei der folgende Prognosewert mit diesem Modell C die lineare Regression ist Zeile von der Form Y a bX, wobei Y der Wert der abhängigen Variablen ist, für die wir uns lösen, a der Y-Schnittpunkt, b die Steigung und X die unabhängige Variable ist. Daher Y 40 40 x 40 1,640. Ein Unternehmen beauftragt Sie, ein lineares Regressionsprognosemodell zu entwickeln. Basierend auf den historischen Verkaufsinformationen des Unternehmens legen Sie fest, dass der Intercept-Wert des Modells 1.200 beträgt. Sie finden auch, dass der Steigungswert minus 50 ist. Wenn Sie nach der Entwicklung des Modells einen Wert von X 10 erhalten, welcher der folgenden Prognosewerte mit diesem Modell B ist? Die lineare Regressionsgerade ist von der Form Y a bX , Wobei Y der Wert der abhängigen Variablen ist, die wir lösen, a der Y-Schnittpunkt, b die Steigung und X die unabhängige Variable ist. Daher Y 1.200 (-50) x 10 700. Sie verwenden ein exponentielles Glättungsmodell für die Prognose. Die laufende Summe der Prognosefehlerstatistiken (RSFE) wird jedes Mal berechnet, wenn eine Prognose erzeugt wird. Der letzte RSFE liegt bei 34. Ursprünglich wurde das verwendete Prognosemodell aufgrund seines relativ niedrigen MAD von 0,4 ausgewählt. Um zu bestimmen, wann es Zeit ist, die Nützlichkeit des exponentiellen Glättungsmodells neu zu bewerten, berechnen Sie die Verfolgungssignale. Welches der folgenden ist das resultierende Spurhaltungssignal erlauben Sie bitte Zugang zu Ihrem computerrsquos Mikrofon, um Sprachaufnahme zu benutzen. Haben Sie Probleme, klicken Sie hier für Hilfe. We canrsquot Zugriff auf Ihr Mikrofon Klicken Sie auf das Symbol oben, um Ihre Browser-Berechtigungen zu aktualisieren und versuchen Sie es erneut Zurücksetzen der Seite erneut versuchen Drücken Sie Cmd-0, um Ihren Zoom zurückzusetzen Drücken Sie Ctrl-0, um Ihren Zoom zurückzusetzen Es sieht so aus, . Ihr Browser muss auf eine normale Größe gezoomt werden, um Audio aufzunehmen. Aktualisieren Sie Flash oder installieren Sie Chrome, um Sprachaufnahmen zu verwenden. Ihr Mikrofon ist stumm geschaltet Zur Hilfe bei der Behebung dieses Problems siehe diese FAQ. Oper3100 Exam2 Chp15 In Zeitreihendaten, die die Nachfrage darstellen, die von den folgenden nicht als Bestandteil der Nachfragevariation betrachtet wird. Varianz ist ein Maß für den Grad des Fehlers, nicht eine Komponente der Nachfrage Variation. Z. B. Einige allgemeine Begriffe, die verwendet werden, um den Grad des Fehlers zu beschreiben, sind Standardfehler, mittlerer quadratischer Fehler (oder Varianz) und mittlere absolute Abweichung. Welche der folgenden Aussagen ist keine der Grundtypen der Prognose p. 486 Kraftfeldanalyse. Die Prognose kann in vier Grundtypen eingeteilt werden: qualitative, Zeitreihenanalyse, Kausalbeziehungen und Simulation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in mehrere Komponenten zerlegt werden. Welche der folgenden Faktoren nicht als Bestandteil der Nachfrage betrachtet wird (S. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in sechs Komponenten unterteilt werden: durchschnittliche Nachfrage nach Periode, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in mehrere Komponenten unterteilt werden. Welche der folgenden Faktoren werden als eine Komponente der Nachfrage betrachtet (S. 486) Zyklische Elemente. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in sechs Komponenten unterteilt werden: durchschnittliche Nachfrage nach Periode, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in mehrere Komponenten unterteilt werden. Welche der folgenden Aspekte wird als Komponente der Nachfrage betrachtet (S. 486) Autokorrelation. In den meisten Fällen kann die Nachfrage nach Produkten oder Dienstleistungen in sechs Komponenten unterteilt werden: durchschnittliche Nachfrage nach Periode, Trend, saisonale Elemente, zyklische Elemente, zufällige Variation und Autokorrelation. Welche der folgenden Prognosemethoden wird als qualitative Prognosemethode betrachtet. Marktforschung. Marktforschung ist vor allem für die Produktforschung im Sinne der Suche nach neuen Produktideen, Vorlieben und Abneigungen gegen bestehende Produkte, die wettbewerbsfähige Produkte innerhalb einer bestimmten Klasse bevorzugt werden, und so weiter. Auch hier handelt es sich in erster Linie um Befragungen und Interviews. Welche der folgenden Prognosemethoden gilt als Zeitreihenvorhersagetechnik (S.498) Einfacher gleitender Durchschnitt. Ein einfacher gleitender Durchschnitt ist die einzige Wahl, die versucht, zukünftige Bedarfswerte basierend auf vergangenen Daten vorherzusagen. Welche der folgenden Prognosemethoden wird als eine Zeitreihenvorhersagetechnik betrachtet (S. 499) Gewichteter gleitender Durchschnitt. Der gewichtete gleitende Durchschnitt ist die einzige Wahl, die versucht, zukünftige Bedarfswerte basierend auf vergangenen Daten vorherzusagen. Welche der folgenden Prognosemethoden wird als kausale Prognosemethode betrachtet (S. 486) Lineare Regression. Kausale Prognosen, die wir mit der linearen Regressionstechnik diskutieren, gehen davon aus, dass die Nachfrage mit einigen Faktoren oder Faktoren in der Umwelt zusammenhängt. Welche der folgenden Prognosemethoden nutzt Exekutivbeurteilung als ihre primäre Komponente für die Prognose (S. 509) Panelkonsens. In einem Panel Konsens, die Idee, dass zwei Köpfe sind besser als eins ist auf die Idee, dass eine Gruppe von Menschen aus einer Vielzahl von Positionen eine zuverlässigere Prognose als eine schmalere Gruppe entwickeln kann extrapoliert. Panel-Prognosen werden durch offene Treffen mit freiem Austausch von Ideen aus allen Ebenen der Verwaltung und Einzelpersonen entwickelt. Wenn Entscheidungen in der Prognose auf einer breiteren, höheren Ebene (wie bei der Einführung einer neuen Produktlinie oder bei strategischen Produktentscheidungen wie neuen Marketingbereichen) stattfinden, wird allgemein der Begriff "Executive Urteil" verwendet. Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der richtigen Personen, die die Prognose (S. 510) Delphi-Methode tatsächlich bewerten werden. Die Schritt-für-Schritt-Prozedur für die Delphi-Methode ist: 1. Wählen Sie die Experten zu beteiligen. Es sollte eine Vielzahl von sachkundigen Menschen in verschiedenen Bereichen. In der Business-Prognose, was in der Regel als eine kurzfristige Zeit (S. 488) Weniger als 3 Monate. In Business-Prognose kurzfristig bezieht sich in der Regel auf unter drei Monaten. In der Business-Prognose, was in der Regel als eine mittelfristige Zeit (S.488) Drei Monate bis zwei Jahre. In Business-Prognose mittelfristig (bezieht sich auf) drei Monate bis zwei Jahre. In der Geschäftsprognose, was in der Regel als eine langfristige Zeit (S. 488) Zwei Jahre oder länger. In Business-Prognose langfristig (bezieht sich auf) mehr als zwei Jahre. In der Regel ist der Prognosezeitrahmen am effektivsten für zufällige Variation und kurzfristige Veränderungen (S. 488) Kurzfristprognosen. Im Allgemeinen kompensieren die kurzfristigen Modelle die Zufallsvariation und passen sich für kurzfristige Veränderungen an (wie zum Beispiel die Antworten der Konsumenten auf ein neues Produkt). Im Allge - meinen, welcher Prognoserechnungszeitraum saisonale Effekte am besten erkennt (S. 488) Mittelfristige Prognosen. Mittelfristige Prognosen sind für die Erfassung saisonaler Effekte nützlich. Im Allge - meinen, welcher Prognosezeitraum am besten die allgemeinen Trends zu erkennen ist (p. Langzeitprognosen Langzeitmodelle ermitteln allgemeine Trends und eignen sich besonders zur Ermittlung wichtiger Wendepunkte Welche der folgenden Prognosemethoden können für die kurzfristige Prognose verwendet werden (S. 488) Einfache exponentielle Glättung Siehe Exponat 15.3, Seite 488. Welche der folgenden Überlegungen ist nicht ein Faktor bei der Entscheidung, welches Prognosemodell eine Firma wählen soll (S. 488) Produkt Welche Prognosemodell eine Firma wählen soll, hängt davon ab : (1) Zeithorizont zur Prognose (2) Datenverfügbarkeit (3) Genauigkeit erforderlich (4) Größe des Prognosebudgets (5) Verfügbarkeit von qualifiziertem Personal Ein Unternehmen möchte die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren (Jahr 2008 100, Jahr 2009 120, Jahr 2010 140 und Jahr 2011 210), wobei die nachstehende Tabelle die einfache gleitende Durchschnittsprognose für das Jahr 2012 ist (Seite 498). 142.5 Mit Gleichung 15.5 (Seite 498) Prognose für 2012 (100 120 140 210) / 4 570/4 142,5 Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Verwendet das Unternehmen drei Vorjahresumsatzwerte (Jahr 2009 130, Jahr 2010 110 und Jahr 2011 160), ergibt sich folgende einfache gleitende Durchschnittsprognose für das Jahr 2012 (S. 498) 133.3 Nach Gleichung 15.5 (S. ) Prognose für 2012 (130 110 160) / 3 400/4 133.3 Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen zwei vorjährige Verkaufswerte (dh Jahr 2011 110 und Jahr 2012 130) verwendet, wollen wir das Jahr 2011 zu 10 und das Jahr 2012 mit 90 gewichten, wobei im Folgenden die gewichtete gleitende Durchschnittsprognose für das Jahr 2013 (S. (100x0,1) (130x0,9) 11 117 128 Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorjährige Verkaufswerte (dh Jahr 2010 160, Jahr 2011 140 und Jahr 2012 170) verwendet, und wir wollen das Jahr 2010 zu 30, Jahr 2011 zu 30 und Jahr 2012 mit 40 Gewicht zu verlieren, die der folgenden ist Prognose für 2013 (160x0,3) (140x0,3) (170x0,4) 158 Die beiden folgenden Faktoren gehören zu den Hauptgründen, die für das Jahr 2013 gelten Exponentielle Glättung als Prognosemethode gut angenommen (S. 501) Genauigkeit. Exponentielle Glättungstechniken haben sich aus sechs Hauptgründen gut angenommen. 1. Exponentialmodelle sind überraschend genau. 2. Die Formulierung eines exponentiellen Modells ist relativ einfach. 3. Der Benutzer kann verstehen, wie das Modell funktioniert. 4. Für die Verwendung des Modells ist eine kleine Berechnung erforderlich. 5. Aufgrund der begrenzten Nutzung historischer Daten sind die Anforderungen an die Computerspeicherung gering. 6. Tests auf Genauigkeit, wie gut das Modell durchführt, sind leicht zu berechnen. Die exponentielle Glättungsmethode erfordert, welche der folgenden Daten die Zukunft voraussagen (S. 501) Die neueste Prognose. Bei der exponentiellen Glättungsmethode werden nur drei Daten benötigt, um die Zukunft vorherzusagen: die aktuelle Prognose, die tatsächliche Nachfrage, die für diesen Prognosezeitraum aufgetreten ist, und eine Glättungskonstante alpha. Bei einem vorherigen Prognosebedarfswert von 230, einem zugehörigen tatsächlichen Bedarfswert von 250 und einer Glättungskonstante alpha von 0,1 ist der exponentielle Glättungsvorhersagewert für die folgende Periode 232 Unter Verwendung von Gleichung 15.7, Prognose 230 0,1 x (250 - 230) 232 Wenn eine Firma einen Standardartikel mit relativ stabilem Bedarf produziert, würde die Glättungskonstante alpha, die in einem exponentiellen Glättungsprognosemodell verwendet wird, in den folgenden Bereichen liegen (S. 501) 5 bis 10 Relativ stabile Nachfrage, die Reaktionsrate auf Unterschiede zwischen tatsächlichen und prognostizierten Nachfrage wäre tendenziell klein, vielleicht nur 5 oder 10 Prozentpunkte. Wenn eine Firma ein Produkt produziert, das ein Wachstum der Nachfrage erlebt, würde die Glättungskonstante alpha, die in einem exponentiellen Glättungsprognosemodell verwendet wird, tendenziell derjenige der folgenden sein (S. 501) Je schneller das Wachstum, desto höher der Prozentsatz. Wenn ein Unternehmen ein Wachstum erlebt, wäre es wünschenswert, eine höhere Reaktionsgeschwindigkeit, vielleicht 15 bis 30 Prozentpunkte, zu haben, um der jüngsten Wachstumserfahrung größere Bedeutung zu verleihen. Je schneller das Wachstum, desto höher sollte die Reaktionsgeschwindigkeit sein. Vorhersage 1100 0,3 x (1100 - 1000) 1030 Ein Unternehmen, das eine vorherige Prognose des Bedarfswertes von 1.100, einen zugehörigen Istwert von 1.000 und eine Glättungskonstante alpha von 0.3 hat, ist der exponentielle Glättungsvorhersagewert Um mit einer exponentiellen Glättung eine Prognose für die Einheitsnachfrage für das Jahr 2012 zu generieren. Die tatsächliche Nachfrage im Jahr 2011 betrug 120. Die prognostizierte Nachfrage im Jahr 2011 betrug 110. Unter Verwendung dieser Daten und einer Glättungskonstante alpha von 0,1, welcher der folgenden ist der resultierende Prognosewert des Jahres 2012 111 Mit Gleichung 15.7, Prognose 110 0,1 x ( 120 - 110) 111 Als Berater wurden Sie gebeten, mit einer exponentiellen Glättung eine Mengenprognose für ein Produkt für das Jahr 2012 zu generieren. Die tatsächliche Nachfrage im Jahr 2011 betrug 750. Die prognostizierte Nachfrage im Jahr 2011 betrug 960. Unter Verwendung dieser Daten und einer Glättungskonstante alpha von 0,3, welcher der folgenden ist der resultierende Prognosewert des Jahres 2012 897 Unter Verwendung von Gleichung 15.7, Prognose 960 0,3 x ( 960 - 750) 897 Welche der folgenden Aussagen ist eine mögliche Quelle des Biasfehlers bei der Prognose? (S. 504) A. Fehlende Einbeziehung der richtigen Variablen B. Verwenden der falschen Prognosemethode C. Einsatz weniger anspruchsvoller Analysten als nötig Daten E. Verwenden von Standardabweichung anstelle von MAD Failing, um die richtigen Variablen aufzunehmen. Bias Fehler auftreten, wenn ein einheitlicher Fehler gemacht wird. Quellen der Bias gehören das Fehlen der richtigen Variablen die Verwendung der falschen Beziehungen zwischen Variablen mit der falschen Trendlinie eine falsche Verschiebung in der saisonalen Nachfrage von wo sie normalerweise auftritt und die Existenz von einigen unentdeckten säkularen Trend. Zur Bestimmung des Fehlergrades (S. 504 Mean Absolute Abweichung) werden einige allgemeine Begriffe verwendet, um den Fehlerfehler zu beschreiben: Standardfehler, mittlerer quadratischer Fehler (oder Varianz) und mittlere absolute Abweichung Die tatsächliche Einheitsnachfrage für drei aufeinanderfolgende Jahre von 124, 126 und 135. Die jeweiligen Prognosen für die gleichen drei Jahre sind 120, 120 und 130. Welcher der folgenden ist der resultierende MAD-Wert, der aus diesen Daten berechnet werden kann (S. 504) 5. Gleichung 15.11 auf Seite 504, MAD ABS ((124 - 120) (126 - 120) (135 - 130) / 3 15/3 5 Ein Unternehmen hat in vier aufeinander folgenden Jahren 100, , 135 und 150. Die jeweiligen Prognosen waren für alle vier Jahre 120. Welcher der folgenden ist der resultierende MAD-Wert, der aus diesen Daten berechnet werden kann (S. 504) 20. Mit Gleichung 15.11 auf Seite 504, MAD ABS (( 100 - 120) (135 - 120) (150 - 120) / 4 80/4 20 Wenn Sie aus einer Vielzahl von Prognosemodellen basierend auf MAD ausgewählt haben, welche der folgenden MAD-Werte aus den gleichen Daten Würde das genaueste Modell widerspiegeln (S. 505) 0,2 MAPE misst den Fehler relativ zum durchschnittlichen Bedarf. Wenn zum Beispiel der MAD 10 Einheiten und die durchschnittliche Nachfrage 20 Einheiten beträgt, ist der Fehler groß und signifikant, aber relativ unbedeutend bei einer durchschnittlichen Nachfrage von 1.000 Einheiten. Da die gleichen Daten in der Frage verwendet wird, wäre MAPE am wenigsten, wenn MAD am kleinsten war. Daher ist A die richtige Antwort. Ein Unternehmen hat seine laufende Summe von Prognosefehlern zu 500 berechnet, und seine mittlere absolute Abweichung ist genau 35. Welches der folgenden ist das Nachführungssignal des Unternehmens (Seite 506) Über 14.3 Nach der Gleichung 15.13 (Seite 506) ist das Nachführungssignal RSFE / MAD 500/35 14.29. Ein Unternehmen verfügt über eine MAD von 10 Jahren. Seine will eine 99,7 Prozent Kontrolle Grenzen auf seine Prognose-System haben. Ihr aktueller Tracking-Signalwert ist 3.1. Was kann das Unternehmen aus diesen Informationen ableiten (S. 505-506) Das Prognosemodell funktioniert einwandfrei. Verfolgungssignal RSFE / MAD, 3.1 RSFE / 10 oder RSFE 3.1 x 10 31. MAD 10, SD 1.25 x MAD 12.5. Da 99,7 Prozent 3 Standardabweichungen vom Mittelwert entsprechen, müsste RSFE höher als 3 x 12,5 oder 37,5 sein, damit das Prognosemodell außer Kontrolle gerät. Sie werden als Berater eingestellt, um ein kleines Unternehmen über die Prognosemethode zu beraten. Basierend auf Ihrer Forschung finden Sie das Unternehmen hat eine MAD von 3. Sein will, um eine 99,7 Prozent Kontrolle Grenzen auf seine Prognose-System haben. Der jüngste Tracking-Signalwert ist 15. Was sollte Ihr Bericht an das Unternehmen sein (S. 505-506) Das Prognosemodell ist außer Kontrolle und muss korrigiert werden. Verfolgungssignal RSFE / MAD, 15 RSFE / 3 oder RSFE 15 x 3 45. MAD 3, SD 1,25 x MAD 3,75. Da 99,7 Prozent 3 Standardabweichungen vom Mittelwert (3 x 3,75 11,25) entsprechen. Da RSFE 45 ist, ist das Prognosemodell außer Kontrolle. Welcher der folgenden Punkte ist der Teil der Beobachtungen, der in einem Plus - oder Minusbereich von 3 MAD liegen würde (S. 505) 98.36 3 MAD x 0.8 2.4 Standardabweichungen (Seite 505). Ab Anhang D enthalten 2.4 Standardabweichungen 0.4918 des Bereichs x 2 0.9836 oder 98.36 Welcher der folgenden ist der Teil der Beobachtungen, den Sie erwarten würden, in einem Plus - oder Minus-2-MAD-Bereich (S. 505) 2 MAD x 0,8 1,6 zu liegen Standardabweichungen (Seite 505). Ab Anhang D enthalten 1,6 Standardabweichungen 0,4452 des Bereichs x 2 0,8904 oder 89,04 Wenn der Abfangwert eines linearen Regressionsmodells 40 ist, beträgt der Steigungswert 40, und der Wert von X ist 40, wobei das Folgende das Ergebnis ist Prognosewert unter Verwendung dieses Modells (S. 489) 1640 Die lineare Regressionsgerade ist von der Form Y a bX, wobei Y der Wert der abhängigen Variablen ist, die wir lösen, a der Y-Intercept, b die Steilheit und X ist die unabhängige Variable. Daher Y 40 40 x 40 1,640. Ein Unternehmen beauftragt Sie, ein lineares Regressionsprognosemodell zu entwickeln. Basierend auf den historischen Verkaufsinformationen des Unternehmens bestimmen Sie den Intercept-Wert des Modells auf 1.200. Sie finden auch, dass der Steilheitswert minus 50 beträgt. Wenn nach der Entwicklung des Modells ein Wert von X 10 gegeben wird, welcher der folgenden Prognosewerte mit diesem Modell ist (S. 489) 700 Die lineare Regressionsgerade hat die Form Y a bX, wobei Y der Wert der abhängigen Variablen ist, die wir lösen, a der Y-Schnittpunkt, b die Steilheit und X die unabhängige Variable ist. Daher ist Y 1.200 (- 50) x 10 700. Ein starker Absatz von Regenschirmen während eines Regensturms ist ein Beispiel für die folgende (S. 507) Eine lässige Beziehung. Wir können erwarten, dass eine längere Zeit der Regen wird den Verkauf von Regenschirmen und Regenmänteln zu erhöhen. Der Regen verursacht den Verkauf des Regengangs. Dies ist eine ursächliche Beziehung, wo ein Vorkommnis ein anderes verursacht. Sie verwenden ein exponentielles Glättungsmodell für die Prognose. Die laufende Summe der Prognosefehlerstatistiken (RSFE) wird jedes Mal berechnet, wenn eine Prognose erzeugt wird. Sie finden die letzte RSFE zu 34. Ursprünglich wurde das verwendete Prognosemodell ausgewählt, weil sein relativ niedriger MAD von 0,4. Um zu bestimmen, wann es Zeit ist, die Nützlichkeit des exponentiellen Glättungsmodells neu zu bewerten, berechnen Sie die Nachführsignale. Mit Hilfe der Gleichung 15.13, Seite 506, TS RSFE / MAD 34 / 0.4 85.10 will ein Unternehmen die Nachfrage mit Hilfe der 10 prognostizieren. Ein Unternehmen will mit dem einfachen Umzug die Nachfrage prognostizieren durchschnittlich. Verwendet das Unternehmen vier Vorjahresumsatzwerte (Jahr 2010 100, Jahr 2011 120, Jahr 2012 140 und Jahr 2013 210), ergibt sich folgende einfache gleitende Durchschnittsprognose für das Jahr 2014 A. 100,5 B. 140,0 C. 142,5 D. 145,5 E. 155,0. C Prognose für 2014 (100 120 140 210) / 4 570/4 142,5. 11. Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Verwendet das Unternehmen drei Vorjahresumsatzwerte (Jahr 2011 130, Jahr 2012 110 und Jahr 2013 160), ergibt sich folgende einfache gleitende Durchschnittsprognose für das Jahr 2014 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3. C Prognose für 2014 (130 110 160) / 3 400/4 133.3. 12. Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei Vorjahreswerte (dh Jahr 2011 160, Jahr 2012 140 und Jahr 2013 170) verwendet, wollen wir das Jahr 2011 mit 30 Prozent, das Jahr 2012 mit 30 Prozent und das Jahr 2013 mit 40 Prozent abwägen Der folgenden ist die gewichtete gleitende Durchschnittsprognose für das Jahr 2014 A. 170 B. 168 C. 158 D. 152 E. 146. C Prognose für 2014 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158. 13 Ein Unternehmen möchte die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen zwei Vorjahresumsatzwerte (dh Jahr 2012 110 und Jahr 2013 130) verwendet, wollen wir das Jahr 2012 mit 10 Prozent und das Jahr 2013 mit 90 Prozent abwägen, wobei es sich dabei um die gewichtete gleitende Durchschnittsprognose für das Jahr 2014 handelt A. 120 B. 128 C. 133 D. 138 E. 142. B Prognose für 2014 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158. 14. Ein Unternehmen möchte eine Prognose für die Nachfrage nach Einheiten generieren Jahr 2014 mit exponentieller Glättung. Die tatsächliche Nachfrage im Jahr 2013 betrug 120. Die prognostizierte Nachfrage im Jahr 2013 betrug 110. Mit diesen Daten und einer Glättungskonstante alpha von 0,1, welcher der folgenden ist das resultierende Jahr 2014 Prognosewert A. 100 B. 110 C. 111 D 114 E. 120. C 15. Kontinuierliche Überprüfung und Aktualisierung im Hinblick auf neue Daten ist eine Prognosemethode, die als zweites Erraten bezeichnet wird. T Diese Vorschau ist absichtlich verschwommen. Melden Sie sich an, um die Vollversion zu sehen. 16. Zyklische Einflüsse auf die Nachfrage werden oft grafisch als lineare Funktion dargestellt, die entweder nach oben oder nach unten geneigt ist. F 17. Zyklische Einflüsse auf die Nachfrage können von Ereignissen wie politischen Wahlen, Krieg oder wirtschaftlichen Bedingungen kommen. T 18. Die Zerlegung einer Zeitreihe bedeutet die Identifizierung und Trennung der Zeitreihendaten in ihre Komponenten. T 19. Die Gleichung für exponentielle Glättung gibt an, dass die neue Prognose der alten Prognose plus dem Fehler der alten Prognose entspricht. F 20. Erfahrung und Versuch und Irrtum sind die einfachsten Möglichkeiten, Gewichtungen für das gewichtete gleitende Durchschnittsprognosemodell zu wählen. T 21. Exponentielle Glättungsprognosen liegen immer hinter dem tatsächlichen Auftreten zurück, können jedoch mit einer Trendanpassung etwas korrigiert werden. T 22. Exponentielle Glättung ist immer die beste und genaueste aller Prognosemodelle. F 23. Das Exponentialglättungsverfahren erfordert, welche der folgenden Daten die Zukunft prognostizieren. A 24. Für jedes Prognoseproblem gibt es eine beste Prognosetechnik. F 25. Dies ist das Ende der Vorschau. Melden Sie sich für den Rest des Dokuments. Kapitel 11 - Demand Management amp Forecasting Wie dieses Studium Set Erstellen Sie ein kostenloses Konto, um es zu speichern. Melden Sie sich für ein Konto Erstellen Sie ein Konto Messung von Fehlern 1. Standard-Fehler - lineare Regression 2. Mittlerer quadratischer Fehler (oder Varianz) - Standardfehler ist eine Quadratwurzel einer Funktion. Durchschnitt des quadratischen Fehlers. 3. Mittlere Absolute Deviation - der durchschnittliche Prognosefehler, der den absoluten Wert des Fehlers jeder vergangenen Prognose verwendet. Durchschnittlicher absoluter Fehler. Das ideale MAD ist Null, was bedeutet, dass es keinen Prognosefehler gibt. Je größer der MAD, desto geringer die Genauigkeit des daraus resultierenden Modells. 4. Mittlerer absoluter Fehler - Durchschnittliches absolutes Fehlerverfolgungssignal - ist eine Messung, die anzeigt, ob das Prognosemittel mit den echten Aufwärts - oder Abwärtsänderungen der Nachfrage Schritt hält. - ist die mittlere absolute Abweichung, die der Prognosewert über oder unter dem tatsächlichen Auftreten übersteigt. - - 5 Grenzen sind akzeptabelZeitreihenmethoden Zeitreihenmethoden sind statistische Verfahren, die historische Daten nutzen, die über einen bestimmten Zeitraum akkumuliert wurden. Zeitreihen-Methoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft vorkommt. Wie der Name der Zeitreihe andeutet, beziehen diese Methoden die Prognose nur auf einen Faktor - Zeitpunkt. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie, und sie gehören zu den beliebtesten Methoden für die kurzfristige Prognose von Service - und Produktionsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Wenn die Nachfrage zum Beispiel 100 Einheiten in dieser Woche beträgt, beträgt die Prognose für die nächste Wochen-Nachfrage 100 Einheiten, wenn die Nachfrage zu 90 Einheiten stattdessen ausfällt, dann sind die folgenden Wochen die Nachfrage 90 Einheiten und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, sondern nur die Nachfrage in der aktuellen Periode. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der jüngsten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Zunahmen und Abnahmen einer Prognose, die nur eine Periode verwendet, zu dämpfen oder zu glätten. Die einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägte Nachfrage Verhalten, wie ein Trend-oder saisonale Muster. Bewegungsdurchschnitte werden für bestimmte Zeiträume, wie drei Monate oder fünf Monate, abhängig davon berechnet, wie viel der Prognostiker wünscht, die Bedarfsdaten zu glätten. Je länger der gleitende Durchschnitt, desto glatter ist er. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist Computing ein einfaches Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Büro-Supply-Geschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge zeitnah zu liefern, ist ein Faktor, neue Kunden zu gewinnen und alte zu halten. (Büros in der Regel nicht, wenn sie auf niedrige Lieferungen laufen, aber wenn sie völlig ausgehen, so dass sie ihre Aufträge sofort benötigen.) Der Manager des Unternehmens will sicher sein, genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern und Sie haben ausreichende Bestände auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die während des nächsten Monats auftreten (d. h. die Nachfrage nach Lieferungen vorauszusagen). Aus den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate akkumuliert, aus denen er 3- und 5-Monats-Bewegungsdurchschnitte berechnen möchte. Nehmen wir an, daß es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, liegt typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorangegangenen 3 Monate in der Sequenz gemäß folgender Formel berechnet: Der gleitende 5-Monatsdurchschnitt wird aus den vorherigen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und der 5-Monats-Zeitraum Gleitende Durchschnittsprognosen für alle Monate der Nachfragedaten sind in der folgenden Tabelle dargestellt. Eigentlich würde nur die Prognose für November, die auf der letzten monatlichen Nachfrage basiert, vom Manager verwendet werden. Allerdings erlauben es die früheren Prognosen für die Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das heißt, wie gut es funktioniert. Drei - und Fünfmonatsdurchschnitte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität, die in den tatsächlichen Daten auftritt, zu glätten. Dieser Glättungseffekt kann in der folgenden Abbildung beobachtet werden, in der die 3-Monats - und die 5-Monats-Durchschnittswerte einem Diagramm der ursprünglichen Daten überlagert wurden: Der gleitende 5-Monatsdurchschnitt in der vorherigen Abbildung glättet Schwankungen in einem grßeren Ausmaß als Der dreimonatige Gleitende Durchschnitt. Der 3-Monats-Durchschnitt spiegelt jedoch die jüngsten Daten, die dem Büromaterial-Manager zur Verfügung stehen, stärker wider. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen in der Nachfrage zu reagieren als diejenigen, die unter Verwendung kürzerer Periodenbewegungsdurchschnitte durchgeführt wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose antwortet. Die Festlegung der geeigneten Anzahl von Perioden, die in einer gleitenden Durchschnittsprognose verwendet werden müssen, erfordert oft ein gewisses Maß an Versuchs - und Fehlerversuchen. Der Nachteil der gleitenden Durchschnittsmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich grundsätzlich um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Die gleitende Durchschnittsmethode hat jedoch den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. In der Regel kann diese Methode eine gute Prognose für die kurze Laufzeit, aber es sollte nicht zu weit in die Zukunft geschoben werden. Gewichteter gleitender Durchschnitt Die gleitende Durchschnittsmethode kann so angepasst werden, dass sie stärkere Fluktuationen in den Daten widerspiegelt. Bei der gewichteten gleitenden Durchschnittsmethode werden die Gewichte den letzten Daten entsprechend der folgenden Formel zugewiesen: Die Bedarfsdaten für PM Computer Services (gezeigt in der Tabelle für Beispiel 10.3) scheinen einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättungs - und angepassten exponentiellen Glättungsvorhersagen ist. Die für die Berechnung der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher wird die lineare Trendliniengleichung berechnet, um eine Prognose für die Periode 13 zu berechnen, wobei x & sub3; Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den Istdaten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - also gut zu passen - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie besteht jedoch darin, dass sie sich nicht an eine Trendänderung anpasst, da die exponentiellen Glättungsprognosemethoden voraussetzen, dass alle zukünftigen Prognosen einer Geraden folgen werden. Dies beschränkt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine repetitive Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen Jahreszeitmustern, mit der Nachfrage nach warmer Kleidung, die im Fall und im Winter und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelteilen einschließlich Spielwaren, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Frucht, während der Ferienzeit erhöhen. Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkäufe - an den Einkaufszentren nimmt Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein numerischer Wert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage pro Saison nach der folgenden Formel aufzuteilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind tatsächlich der Anteil der Gesamtjahresnachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um prognostizierte Prognosen für jede Saison zu erzielen. Berechnung einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne zu einem Fleisch-Verarbeitung Unternehmen das ganze Jahr verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis Dezember. 10-17.