Mengaitkan Musim dengan Leluhur di Pemulusan Eksponensial musiman - dummies

Saat melakukan perataan eksponensial musiman di Excel, pikirkan kembali bagaimana cara perataan eksponensial. Ini menggunakan rumus seperti ini untuk mendasarkan ramalan berikutnya sebagian pada perkiraan sebelumnya dan sebagian pada perkiraan sebelumnya:

New Forecast = (0. 3 × Prior Actual) + (0. 7 × Prakiraan Sebelumnya) < Ini adalah jumlah rata-rata tertimbang dari dua angka sebelumnya - perkiraan aktual dan perkiraan. Formula khusus ini memberikan sedikit bobot lebih baik dari perkiraan ke ramalan daripada yang sebenarnya. Anda harus bereksperimen di sekitar beberapa dengan dasar tertentu untuk mendapatkan konstanta pemulusan yang benar (yaitu rumus 0,3 dalam rumus) dan faktor redaman yang tepat (yaitu 0. 7 pada rumus).

Gagasan di sini adalah bahwa satu periode waktu di baseline akan terkait erat dengan periode waktu berikut. Jika suhu tinggi hari ini adalah 70 ° F, Anda harus menunjukkan bagian depan yang mendekati dingin untuk meyakinkan seseorang bahwa tinggi esok hari akan mencapai 50 ° F. Tanpa informasi tambahan yang kontradiktif, mereka bertaruh pada 70 ° F. Kemarin cenderung meramal hari ini, dan hari ini cenderung meramalkan besok.

Tapi bergeser ke bulan. Suhu rata-rata bulan yang diberikan jauh lebih erat kaitannya dengan rata-rata historis bulan itu daripada suhu rata-rata bulan sebelumnya. Jika rata-rata harian rata-rata harian rata-rata 70 ° F, Anda masih condong ke 70 ° F untuk bulan Juni, tapi sebelum menurunkan uang, Anda pasti ingin tahu rata-rata harian rata-rata

terakhir <.

Jadi inilah yang akan Anda lakukan: Alih-alih menggunakan hanya satu smoothing konstan, Anda akan menggunakan dua. Alih-alih hanya menggunakan satu konstanta dalam hubungannya dengan nilai awal sebelum awal, Anda akan menggunakannya untuk nilai sebelumnya (per Mei untuk membantu meramalkan Juni), dan satu untuk musim yang satu tahun yang lalu dari yang satu ini (merapikan bulan Juni lalu sampai membantu ramalan Juni mendatang).

Angka tersebut menunjukkan garis dasar penjualan musiman, dan prakiraan terkait, dalam praktiknya.

Prakiraan musiman tidak dapat dimulai sampai satu urutan musim dasar telah berlalu.

Perhatikan bagaimana penjualan selalu naik pada kuartal ketiga setiap tahun, dan lonjakan pada kuartal keempat. Kemudian bagian bawah jatuh pada kuartal pertama dan kedua. Angka tersebut juga menunjukkan prakiraan, yang telah menangkap pola musiman dalam persamaan penghalusan, membuat perkiraan yang jauh lebih akurat.

Bagaimana jika Anda menggunakan smoothing eksponensial sederhana? Angka tersebut memberikan beberapa kabar buruk.

Prakiraannya menembus sinyal di awal.

Di sini, konstanta pemulusan adalah 0,3, dan prakiraan relatif tidak sensitif terhadap fluktuasi aktual dari garis dasar. Ramalan-ramalan itu mengangguk sesampai di puncak dan lembah di baseline, tapi itu semacam anggukan yang meremehkan.

Bagaimana jika Anda mendorong konstanta pemulusan agar prakiraan melacak lebih aktual daripada menghaluskannya? Situasi itu ditunjukkan di sini, di mana konstanta pemulusan adalah 0. 7.

Prakiraan terlambat untuk mencerminkan perubahan pada baseline.

Puncak dan lembah diwakili lebih jelas - namun mereka tertinggal satu periode di belakang kejadian sebenarnya. Bandingkan angka terakhir dan prakiraannya yang terlambat dengan angka pertama dan prakiraan tepat waktu. Perkiraan pada Gambar 18-1 bisa muncul tepat waktu karena mereka memperhatikan apa yang terjadi tahun lalu. Dan muncul adalah 85 persen kehidupan.

Angka berikutnya menunjukkan bagaimana Anda dapat menggabungkan komponen untuk mendapatkan nilai perkiraan. Jangan khawatir, sumber komponen dan apa artinya menjadi jelas saat Anda berjalan melalui pengembangan ramalan musiman.

Efek musiman di atas (nilai positif) dan di bawah (nilai negatif) tingkat keseluruhan keseluruhan dari garis dasar.

Rumus di sel F5 memberikan tingkat baseline pada Q4 2012. Rumusnya adalah:

= RATA-RATA (D2: D5)

Pada awal proses perataan, ini adalah perkiraan terbaik kami untuk tingkat dasar saat ini. Ini hanya rata-rata dari empat hasil pendapatan kuartalan untuk tahun 2012. Hal ini serupa dengan penggunaan pengamatan pertama sebagai perkiraan pertama dalam perataan eksponensial sederhana.

Dari memeriksa rumus di sel H5:

= F5 + G2

Anda dapat melihat bahwa perkiraan untuk Triwulan 1 tahun 2013 adalah jumlah dari dua jumlah:

Tingkat perkiraan garis dasar untuk Q1 2013 pada Q4 2012 (lihat sel F5)

Efeknya berada di Quarter 1 sampai 2012 (lihat sel G2)

• Setiap perkiraan pada kolom E dan kolom H adalah jumlah dari perkiraan tingkat baseline dan efek musim dari tahun sebelumnya. Pemeriksaan kewarasan yang baik membandingkan ramalan penghalusan musiman pada angka pertama dengan ramalan penghalusan biasa pada dua angka berikutnya.
• Jelas, Anda lebih baik jika Anda bisa memperkirakan efek musiman

sebelum

itu terjadi. Inilah yang terjadi pada angka terakhir, yang menggabungkan tingkat yang dapat dikaitkan dengan musim dengan tingkat umum baseline untuk mendapatkan perkiraan musim saat ini sebelum contoh berikutnya musim ini terjadi. Itulah alasan untuk memperkirakan ramalan berikutnya

di kolom H, dan untuk periode saat ini di kolom E. Dengan begitu, Anda dapat mengingat bahwa Anda dapat mengumpulkan perkiraan untuk jangka waktu tertentu pada akhir periode sebelumnya. Perhatikan, misalnya, bahwa sel H5 memiliki perkiraan untuk periode berikutnya, sel E6 memiliki perkiraan untuk periode saat ini, dan keduanya sama dengan $ 548, 160.