Méthode d'adoucissement exponentielle et exemple

Il adoucissement exponentiel C'est une façon de prévoir la demande d'un article pour une période donnée. Cette méthode estime que la demande sera égale à la moyenne de la consommation historique dans une période donnée, ce qui donne un poids ou une pondération plus importante aux valeurs les plus proches du temps. De plus, pour les prévisions suivantes, il prend en compte l'erreur existante des prévisions actuelles.

Le pronostic de la demande est la méthode pour projeter la demande de produit ou de service par les clients. Ce processus est continu, où les gestionnaires utilisent des données historiques pour calculer ce qu'ils s'attendent à être la demande de ventes d'un bien ou d'un service.

Source: Pixabay.com

Les informations du passé de l'entreprise sont utilisées en l'ajoutant aux données économiques du marché pour voir si les ventes augmenteront ou diminueront.

Les résultats du pronostic de la demande sont utilisés pour établir des objectifs pour le service des ventes, essayant de rester en ligne avec les objectifs de l'entreprise.

[TOC]

Méthode d'adoucissement exponentielle

Adoucir est un processus statistique très courant. Les données ramollies se trouvent souvent dans diverses formes de la vie quotidienne. Chaque fois qu'une moyenne est utilisée pour décrire quelque chose, un nombre doux est utilisé.

Supposons cette année que l'enregistrement le plus chaud a été expérimenté. Pour le quantifier, l'ensemble de données quotidiennes pour la période hivernale de chaque année historique enregistrée commence.

Cela génère un certain nombre de nombres avec de grands "sauts". Un nombre est nécessaire qui élimine toutes ces données des données pour pouvoir comparer plus facilement un hiver avec un autre.

Éliminer le saut dans les données est appelé adoucissement. Dans ce cas, une moyenne simple peut être utilisée pour réaliser le plus doux.

Peut vous servir: EFI Matrix: ce qui évalue, comment le faire, analyse, exemple

Adoucissement dans les prévisions

Pour le pronostic de la demande, le ramollissement est également utilisé pour éliminer les variations de la demande historique. Cela permet de mieux identifier les modèles de demande, qui peuvent être utilisés pour estimer la demande future.

Les variations de la demande sont le même concept que le "saut" des données de température. La manière la plus courante dont les variations d'historique de la demande sont éliminées est l'utilisation d'une moyenne, ou spécifiquement, d'une moyenne mobile.

La moyenne mobile utilise un nombre prédéfini de périodes pour calculer la moyenne, et ces périodes se déplacent au fil du temps.

Par exemple, si une moyenne mobile à quatre mois est utilisée et aujourd'hui est le 1er mai, la demande moyenne qui s'est produite en janvier, février, mars et avril sera utilisée. Le 1er juin, la demande de février, mars, avril et mai sera utilisée.

Moyenne mobile pondérée

Lorsqu'une moyenne simple est utilisée, la même importance est appliquée à chaque valeur de l'ensemble de données. Par conséquent, dans une moyenne mobile à quatre mois, chaque mois, il représente 25% de la moyenne mobile.

En utilisant l'historique de la demande pour projeter la demande future, il est logique de conclure que la période la plus récente a un impact plus important sur les prévisions.

Le calcul de la moyenne mobile peut être adapté pour appliquer différents «pesos» à chaque période, afin d'obtenir les résultats souhaités.

Ces pesos sont exprimés en pourcentages. Le total de tous les poids pour toutes les périodes doit ajouter à 100%.

Par conséquent, si vous souhaitez appliquer 35% comme poids pour la période la plus proche de la moyenne pondérée à quatre mois, 35% de 100% peuvent être soustraités, laissant 65% pour diviser entre les trois périodes restantes

Peut vous servir: Deming Circle: étapes, avantages, inconvénients et exemple

Par exemple, vous pouvez terminer avec une pondération de 15%, 20%, 30% et 35% respectivement pendant quatre mois (15 + 20 + 30 + 35 = 100).

Adoucissement exponentiel

L'entrée de calcul d'adoucissement exponentielle est connue comme un facteur d'adoucissement. Représente la pondération appliquée à la demande de la période la plus récente.

Si 35% sont utilisés comme pondération de la période la plus récente dans le calcul de la moyenne mobile pondérée, il pourrait également être choisi pour utiliser 35% comme facteur ramolli dans le calcul de l'adoucissement exponentiel.

Partie exponentielle

La différence dans le calcul de l'adoucissement exponentielle est que, au lieu d'avoir à savoir combien de poids s'applique à chaque période précédente, le facteur ramolli est utilisé pour le faire automatiquement.

Ceci est la partie "exponentielle". Si 35% sont utilisés comme facteur adoucis, la pondération de la demande pour la période la plus récente sera de 35%. La pondération de la demande pour la période précédant la plus récente sera de 65% de 35%.

65% proviennent de la soustraction de 35% de 100%. Cela équivaut à une pondération de 22,75% pour cette période. La demande pour la prochaine période la plus récente sera de 65% de 65% de 35%, ce qui équivaut à 14,79%.

La période précédente sera pondérée à 65% de 65% de 65% de 35%, équivalent à 9,61%. Cela sera fait pour toutes les périodes précédentes, jusqu'à ce que vous atteigniez la première période.

Formule

La formule pour calculer le ramollissement exponentiel est la suivante: (d * s) + (p * (1 s)), où,

D = demande plus récente pour la période.

S = facteur le plus doux, représenté de façon décimale (35% serait de 0,35).

P = pronostic de la période la plus récente, résultat du calcul du ramollissement de la période précédente.

Il peut vous servir: les activités économiques de Nayarit

En supposant qu'il y a un facteur en forme de soft de 0,35, ce serait alors: (d * 0,35) + (p * 0,65).

Comme on peut le voir, les seules entrées de données nécessaires sont la demande et le pronostic de la période la plus récente.

Exemple

Une compagnie d'assurance a décidé d'étendre son marché dans la plus grande ville du pays, offrant une assurance aux véhicules.

En tant qu'action initiale, la société souhaite prévoir le nombre d'assurance véhicule achetée par les habitants de cette ville.

Pour ce faire, ils utiliseront comme données initiales Le nombre d'assurance automobile acheté dans une autre petite ville.

Le pronostic de demande pour la période 1 est 2.869 assurance véhicule contractée, mais la demande réelle à cette période était de 3.200.

Selon les critères de l'entreprise, il attribue un facteur plus doux de 0,35. La demande prévue de la période suivante est: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Ce même calcul a été fait pour toute l'année, en réalisant le tableau comparatif suivant entre ce qui a été réellement obtenu et les prévisions pour ce mois.

En comparaison avec les moyennes, l'adoucissement exponentiel peut prédire la tendance d'une meilleure manière. Cependant, il est encore court, comme indiqué dans le graphique:

Vous pouvez voir comment la ligne de prévision grise peut être trouvée bien en dessous ou au-dessus de la ligne de demande bleue, sans devenir complètement.

Les références

1. Wikipedia (2019). Adoucissement exponentiel. Pris de: c'est.Wikipédia.org.
2. Emploi Ingenio (2016). Comment utiliser une simple softisation exponentielle pour prévoir la demande. Tiré de: ingenioempresa.com.
3. Dave Piacki (2019). Lissage exponentiel expliqué. Tiré de: Inventoryps.com.
4. Étude (2019). Techniques de prévision de la demande: Moving Avege & Exponentiel Sponentiel. Tiré de: étudier.com.
5. Cityu (2019). Méthodes de lissage exponentives. Pris de: personnel.Cb.Ville.Édu.HK.