استخدام رأس ثلاثة أشهر الحركة من المتوسط - طريقة لتوقعات البيع ، مقابل يونيو

متحرك متوسط ​​التنبؤ التنبؤ. كما قد تخمن أننا نبحث في بعض من أكثر الأساليب بدائية للتنبؤ. ولكن نأمل أن تكون هذه مقدمة مفيدة على الأقل لبعض قضايا الحوسبة المتعلقة بتنفيذ التنبؤات في جداول البيانات. في هذا السياق سوف نستمر من خلال البدء في البداية والبدء في العمل مع توقعات المتوسط ​​المتحرك. نقل متوسط ​​التوقعات. الجميع على دراية بتحرك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم. جميع طلاب الجامعات القيام بها في كل وقت. فكر في درجاتك االختبارية في الدورة التي ستحصل فيها على أربعة اختبارات خالل الفصل الدراسي. لنفترض أنك حصلت على 85 في الاختبار الأول. ما الذي يمكن أن تتنبأ به لنتيجة الاختبار الثانية ما رأيك بأن معلمك سوف يتنبأ بنتيجة الاختبار التالية ما رأيك في أن أصدقائك قد يتنبأون بنتيجة الاختبار التالية ما رأيك في توقع والديك لنتيجة الاختبار التالية بغض النظر عن كل بلابينغ كنت قد تفعل لأصدقائك وأولياء الأمور، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت للتو. حسنا، الآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73. الآن ما هي جميع المعنيين وغير مدرك الذهاب إلى توقع أن تحصل على الاختبار الثالث هناك اثنين من المرجح جدا النهج بالنسبة لهم لوضع تقدير بغض النظر عما إذا كانوا سوف تقاسمها معك. قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه. هيس الذهاب للحصول على آخر 73 إذا هيس محظوظا. ربما كان الوالدان يحاولان أن يكونا أكثر داعما ويقولان: كوتيل، حتى الآن حصلت على 85 و 73، لذلك ربما يجب أن تحصل على حوالي (85 73) 2 79. أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرنت يهزان في كل مكان في جميع أنحاء المكان، وإذا كنت بدأت تفعل الكثير من الدراسة يمكنك الحصول على أعلى score. quot كل من هذه التقديرات تتحرك في الواقع متوسط ​​التوقعات. الأول يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي. وهذا ما يطلق عليه توقعات المتوسط ​​المتحرك باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. دعونا نفترض أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل بشكل جيد على الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام كوتاليسكوت الخاص بك. كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. حتى الآن لديك الاختبار النهائي للفصل الدراسي القادمة وكالمعتاد كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف ستفعل على الاختبار الأخير. حسنا، نأمل أن ترى هذا النمط. الآن، ونأمل أن تتمكن من رؤية هذا النمط. ما الذي تعتقده هو صافرة الأكثر دقة بينما نعمل. الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نعمل. لديك بعض بيانات المبيعات السابقة التي يمثلها القسم التالي من جدول بيانات. نعرض البيانات لأول مرة لتوقعات المتوسط ​​المتحرك لمدة ثلاث سنوات. يجب أن يكون إدخال الخلية C6 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C7 إلى C11. لاحظ كيف يتحرك المتوسط ​​على أحدث البيانات التاريخية ولكنه يستخدم بالضبط ثلاث فترات أحدث متاحة لكل تنبؤ. يجب أن تلاحظ أيضا أننا لسنا بحاجة حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا. وهذا يختلف بالتأكيد عن نموذج التجانس الأسي. وشملت إيف التنبؤات كوتاباستكوت لأننا سوف استخدامها في صفحة الويب التالية لقياس صحة التنبؤ. الآن أريد أن أعرض النتائج المماثلة لمتوسطين توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C5 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C6 إلى C11. لاحظ كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ. مرة أخرى لقد قمت بتضمين التنبؤات اقتباسا لأغراض التوضيح واستخدامها لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. وبالنسبة للمتوسط ​​المتحرك للمتوسط ​​m، لا يتوقع إلا أن تستخدم معظم قيم المعطيات الأخيرة لجعل التنبؤ. لا شيء آخر ضروري. وبالنسبة للتنبؤ المتوسط ​​المتحرك للمتوسط ​​m، عند التنبؤ بالتنبؤات، لاحظ أن التنبؤ الأول يحدث في الفترة m 1. وستكون هاتان المسألتان مهمتين جدا عند تطوير الشفرة. تطوير المتوسط ​​المتحرك المتحرك. الآن نحن بحاجة إلى تطوير رمز لتوقعات المتوسط ​​المتحرك التي يمكن استخدامها أكثر مرونة. تتبع التعليمات البرمجية. لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية. يمكنك تخزينه في أي المصنف الذي تريده. وظيفة موفينغافيراج (تاريخي، نومبروفريودس) كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادي ديم تاريخي الحجم كما عدد صحيح تهيئة المتغيرات عداد 1 تراكم 0 تحديد حجم الصفيف التاريخي تاريخ سيز التاريخية. الكونت كونتر 1 إلى نومبروفريودس تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا تراكم تراكم تاريخي (تاريخي - عدد نومبريوفريودس عداد) موفينغافيراج تراكوم نومبروفريودس سيتم شرح التعليمات البرمجية في الصف. كنت ترغب في وضع وظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ترغب في ما يلي. أمثلة حساب التوقعات A.1 طرق حساب التوقعات تتوفر اثني عشر طرق لحساب التوقعات. معظم هذه الأساليب توفر مراقبة محدودة للمستخدم. على سبيل المثال، قد يتم تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات. وتظهر الأمثلة التالية طريقة الحساب لكل طريقة من أساليب التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. وتستخدم الأمثلة التالية نفس بيانات المبيعات لعامي 2004 و 2005 لإنتاج توقعات مبيعات عام 2006. بالإضافة إلى حساب التنبؤات، يتضمن كل مثال توقعات عام 2005 المحاكية لفترة استبقاء مدتها ثلاثة أشهر (خيار المعالجة 19 3) والتي تستخدم بعد ذلك لنسبة من الدقة وتعني حسابات الانحراف المطلق (المبيعات الفعلية مقارنة بالتوقعات المحاكية). 2.A معايير تقييم الأداء المتوقعة اعتمادا على اختيارك لخيارات المعالجة وعلى الاتجاهات والأنماط الموجودة في بيانات المبيعات، فإن بعض أساليب التنبؤ ستؤدي أداء أفضل من غيرها بالنسبة لمجموعة بيانات تاريخية معينة. قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر. ومن غير المرجح أيضا أن تظل طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتجات ملائمة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ. وهي تعني الانحراف المطلق (ماد) ونسبة الدقة (بوا). يتطلب كل من أساليب تقييم الأداء هذه بيانات مبيعات تاريخية لمستخدم محدد الفترة الزمنية. وتسمى هذه الفترة من الزمن فترة الاستيعاب أو الفترات المناسبة على أفضل وجه (بف). وتستخدم البيانات في هذه الفترة كأساس لتوصية أي من أساليب التنبؤ التي ستستخدم في وضع توقعات التوقعات التالية. هذه التوصية خاصة بكل منتج، وقد تتغير من جيل واحد إلى آخر. وتظهر طرائق تقييم أداء التنبؤات في الصفحات التالية لأمثلة أساليب التنبؤ الإثني عشر. A.3 الطريقة 1 - النسبة المئوية المحددة خلال السنة الماضية تضاعف هذه الطريقة بيانات المبيعات عن السنة السابقة بواسطة عامل محدد للمستخدم على سبيل المثال، 1.10 لزيادة 10، أو 0.97 ل 3 انخفاض. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى العدد المحدد من الفترات الزمنية لتقييم أداء التنبؤ (خيار المعالجة 19). A.4.1 نطاق حساب التنبؤات من تاريخ المبيعات لاستخدامها في حساب عامل النمو (خيار المعالجة 2 أ) 3 في هذا المثال. مجموع الأشهر الثلاثة الأخيرة من عام 2005: 114 119 137 370 مجموع نفس الأشهر الثلاثة من العام السابق: 123 139 133 395 العامل المحسوب 370395 0.9367 حساب التوقعات: يناير 2005 المبيعات 128 0.9367 119.8036 أو حوالي 120 فبراير 2005 المبيعات 117 0.9367 109.5939 أو حوالي 110 مارس 2005 المبيعات 115 0.9367 107.7205 أو حوالي 108 A.4.2 حساب التوقعات المحسوبة بلغ ثلاثة أشهر من عام 2005 قبل فترة الاستحواذ (يوليو وأغسطس وسبتمبر): 129 140 131 400 اجمالي نفس الأشهر الثلاثة السنة السابقة: 141 128 118 387 المحسوب عامل 400387 1.033591731 حساب توقعات المحاكاة: أكتوبر 2004 المبيعات 123 1.033591731 127.13178 نوفمبر 2004 المبيعات 139 1.033591731 143.66925 ديسمبر 2004 المبيعات 133 1.033591731 137.4677 A.4.3 النسبة المئوية لحساب دقة الحساب (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 حساب الانحراف المطلق (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 الطريقة الثالثة - السنة الماضية لهذا العام تقوم هذه الطريقة بنسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المحددة لتقييم أداء التنبؤ (خيار المعالجة 19). A.6.1 حساب التنبؤ عدد الفترات التي يتعين إدراجها في المتوسط ​​(خيار المعالجة 4 أ) 3 في هذا المثال بالنسبة لكل شهر من التوقعات، متوسط ​​بيانات الأشهر الثلاثة السابقة. توقعات كانون الثاني / يناير: 114 119 137 370، 370 3 123.333 أو 123 توقعات شباط / فبراير: 119 137 123 379، 379 3 126.333 أو توقعات 126 آذار / مارس: 137 123 126 379، 386 3 128.667 أو 129 ألف -6-2 حساب التوقعات المحاكاة مبيعات تشرين الأول / أكتوبر 2005 (129 140 131) 3 133.3333 تشرين الثاني / نوفمبر 2005 المبيعات (140 131 114) 3 128.3333 كانون الأول / ديسمبر 2005 المبيعات (131 114 119) 3 121.3333 ألف -6.3 النسبة المئوية لحساب حساب الدقة (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 ألف -6.4 المتوسط ​​المطلق حساب الانحراف (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 الطريقة 5 - التقريب الخطي يحسب التقريب الخطي اتجاها يستند إلى نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل. استخدم هذه الطريقة بحذر، حيث أن التوقعات طويلة المدى تستفيد من التغييرات الصغيرة في نقطتي بيانات فقط. تاريخ المبيعات المطلوب: عدد الفترات التي يجب تضمينها في الانحدار (خيار المعالجة 5 أ)، بالإضافة إلى 1 عدد الفترات الزمنية لتقييم أداء التنبؤ (خيار المعالجة 19). A.8.1 حساب التنبؤ عدد الفترات التي يجب تضمينها في الانحدار (خيار المعالجة 6 أ) 3 في هذا المثال بالنسبة لكل شهر من التوقعات، أضف الزيادة أو النقصان خلال الفترات المحددة قبل فترة الاستبقاء في الفترة السابقة. متوسط ​​األشهر الثالثة السابقة) 114 119 137 (3 123.3333 ملخص األشهر الثالثة السابقة مع األخذ في االعتبار) 114 1 () 119 2 () 137 3 (763 الفرق بين القيم 763 - 123.3333) 1 2 3 (23 النسبة) 12 22 32) - 2 3 14 - 12 2 القيمة 1 الفرق الفارق 232 11.5 القيمة 2 المتوسط ​​- القيمة 1 123.3333 - 11.5 2 100.3333 التوقعات (1) القيمة 1 القيمة 2 4 11.5 100.3333 146.333 أو 146 التوقعات 5 11.5 100.3333 157.8333 أو 158 التوقعات 6 11.5 100.3333 169.3333 أو 169 A.8.2 حساب التوقعات المحاكية مبيعات أكتوبر / تشرين الأول 2004: متوسط ​​الأشهر الثلاثة السابقة (129 140 131) 3 133.3333 ملخص الأشهر الثلاثة السابقة مع اعتبار الوزن (129 1) (140 2) (131 3) 802 الفرق بين (1 2 3) 2 نسبة (12 22 32) - 2 3 14 - 12 2 القيمة 1 الفرق 22 22 1 القيمة 2 المتوسط ​​- القيمة 1 133.3333 - 1 2 131.3333 التوقعات (1) القيمة 1 القيمة 2 4 1 131.3333 135.3333 نوفمبر 2004 مبيعات متوسط ​​األشهر الثالثة السابقة) 140 131 114 (3 128.3333 ملخص األشهر الثالثة السابقة مع اعتبار الوزن) 140 1 () 131 2 () 114 3 (744 الفرق بين القيم 744 - 128.3333) 1 2 3 (-25.9999 القيمة 1) الفرق - الفوائد -25.99992 -12.9999 القيمة 2 المتوسط ​​- القيمة 1 128.3333 - (-12.9999) 2 154.3333 التوقعات 4 -12.9999 154.3333 102.3333 ديسمبر 2004 المبيعات متوسط ​​الأشهر الثلاثة السابقة (131 114 119) 3 121.3333 ملخص الأشهر الثلاثة السابقة مع اعتبار الوزن ( 131 1) (114 2) (119 3) 716 الفرق بين القيم 716 - 121.3333 (1 2 3) -11.9999 القيمة 1 الفرق الفارق -11.99992 -5.9999 القيمة 2 متوسط ​​- القيمة 1 121.3333 - (-5.9999) 2 133.3333 توقعات 4 (-5.9999 ) 133.3333 109.3333 A.8.3 النسبة المئوية لحساب تكلفة الشراء (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 حساب الانحراف المطلق (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 الطريقة 7 - الشركة السعودية d درجة التقريب يحدد الانحدار الخطي القيمتين a و b في صيغة التنبؤ Y a بكس بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات. الدرجة الثانية تقريب مماثل. ومع ذلك، تحدد هذه الطريقة قيم a و b و c في صيغة التنبؤ Y بكس cX2 بهدف تركيب منحنى على بيانات سجل المبيعات. قد تكون هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة حياة. على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات. بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب اللانهاية أو انخفاض إلى الصفر (اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي). ولذلك، فإن هذه الطريقة مفيدة فقط على المدى القصير. مواصفات التوقعات: الصيغ تجد a، b، c لتتناسب مع منحنى إلى ثلاث نقاط بالضبط. يمكنك تحديد n في خيار المعالجة 7a، وعدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث. في هذا المثال n 3. لذلك، يتم دمج بيانات المبيعات الفعلية للفترة من أبريل إلى يونيو في النقطة الأولى، Q1. يوليو إلى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3. سيتم تركيب المنحنى على القيم الثلاثة Q1 و Q2 و Q3. تاريخ المبيعات المطلوب: 3 n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). عدد الفترات المراد تضمينها (الخيار 7 أ) 3 في هذا المثال استخدم الأشهر السابقة (3 n) في فدرات ثلاثة أشهر: Q1 (أبريل - يونيو) 125 122 137 384 Q2 (يوليو - سبتمبر) 129 140 131 400 Q3 ( أوكت - ديك) 114 119 137 370 تتضمن الخطوة التالية حساب المعاملات الثلاثة a و b و c التي سيتم استخدامها في صيغة التنبؤ Y بكس cX2 (1) Q1 a بكس cX2 (حيث X 1) أبك (2) Q2 (x 2) ب 2 c 3 (2) 4 ب 4 (3) Q3 بكس c2 (3) 3b 9c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c: طرح المعادلة (1) من المعادلة (2) (2) - (1) Q2 - Q1 b 3c استبدال هذه المعادلة ب إلى المعادلة (3) (3) Q3 a 3 (Q2 - Q1) - 3c c وأخيرا، استبدل هذه المعادلات ل a و b إلى المعادلة (1) Q3 - 3 (Q2 - Q1) (Q2 - Q1) - 3c c Q1 c (Q3 - Q2) 2 طريقة تقريب الدرجة الثانية تحسب a و b و c على النحو التالي: Q3 - 3 (الربع الثاني - الربع الأول) 370 - 3 (400 - 384) 322 ج (الربع الثالث - الربع الثاني) 2 (370 - 400) (384 - 400) 2 -23 ب (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a بكس cX2 322 85X (-23) X2 كانون الثاني (يناير) توقعات مارس (X4): (322 340 - 368) 3 2943 98 (322 425 - 575) 3 57.333 أو 57 في الفترة من تموز / يوليه إلى أيلول / سبتمبر (X6): (322 510 - 828) 3 1.33 أو 1 في الفترة من تشرين الأول / أكتوبر إلى كانون الأول / ديسمبر (X7) (322) 595 - 11273 -70 A.9.2 حساب التوقعات المحاكاة مبيعات شهر أكتوبر ونوفمبر وديسمبر 2004: الربع الأول (يناير - مارس) 360 Q2 (أبريل - يونيو) 384 الربع الثالث (يوليو - سبتمبر) 400 400 - 3 (384 - 360) 328 ج (400 - 384) (360 - 384) 2 -4 ب (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 ألف - 9 - 3 النسبة المئوية لحساب حساب الدقة (136 136 136) (114 119 137) 100 110.27 A.9.4 حساب الانحراف المطلق المتوسط ​​(136 - 114 136 - 119 136 - 137) 3 13.33 ألف - 10 الطريقة 8 - الطريقة المرنة إن الطريقة المرنة (النسبة المئوية خلال الأشهر السابقة) مماثلة للطريقة 1، النسبة المئوية عن العام الماضي. كلا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة من قبل المستخدم المحدد عامل، ثم المشروع الذي يؤدي إلى المستقبل. في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في العام السابق. ويضيف الأسلوب المرن القدرة على تحديد فترة زمنية غير الفترة نفسها من العام الماضي لاستخدامها كأساس للحسابات. عامل الضرب. على سبيل المثال، حدد 1.15 في خيار المعالجة 8b لزيادة بيانات سجل المبيعات السابقة بمقدار 15. فترة الأساس. على سبيل المثال، سيؤدي n 3 إلى أن تستند التوقعات الأولى إلى بيانات المبيعات في أكتوبر / تشرين الأول 2005. الحد الأدنى من تاريخ المبيعات: يحدد المستخدم عدد الفترات التي تعود إلى فترة الأساس، بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات ( PBF). A.10.4 متوسط ​​حساب الانحراف المطلق درهم (148 - 114 161 - 119 151 - 137) 3 30 A.11 الطريقة 9 - المتوسط ​​المتحرك المتوسط ​​يشبه أسلوب المتوسط ​​المتحرك المتوسط ​​(ويم) الطريقة 4، المتوسط ​​المتحرك (ما). ومع ذلك، مع المتوسط ​​المتحرك المرجح يمكنك تعيين الأوزان غير المتساوية إلى البيانات التاريخية. وتحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير. عادة ما يتم تعيين بيانات أكثر حداثة وزنا أكبر من البيانات القديمة، لذلك هذا يجعل وما أكثر استجابة للتحولات في مستوى المبيعات. ومع ذلك، لا يزال التحيز التنبؤي والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 3 في خيار المعالجة 9a لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. فإنه يؤدي إلى توقعات مستقرة، ولكن سيكون بطيئا في التعرف على التحولات في مستوى المبيعات. من ناحية أخرى، قيمة صغيرة ل n (مثل 3) سوف تستجيب أسرع للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب لهذه الاختلافات. الوزن المخصص لكل فترة من فترات البيانات التاريخية. يجب أن يبلغ إجمالي الأوزان المخصصة 1.00. على سبيل المثال، عندما n 3، تعيين أوزان 0،6 و 0،3 و 0،1، مع أحدث البيانات تلقي أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 الطريقة 10 - التمهيد الخطي تشبه هذه الطريقة الطريقة 9، المتوسط ​​المتحرك المرجح (وما). ومع ذلك، بدلا من تعيين تعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ويجمع إلى 1.00. ثم تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير. وكما هو الحال في جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي، يحدث التحيز المتوقع والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. وهذا محدد في خيار المعالجة 10 أ. على سبيل المثال، حدد n 3 في خيار المعالجة 10b لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية التالية. سيقوم النظام تلقائيا بتعيين الأوزان إلى البيانات التاريخية التي تنخفض خطيا ويجمع إلى 1.00. على سبيل المثال، عندما ن 3، سيقوم النظام بتعيين أوزان 0.5، 0.3333، 0.1، مع أحدث البيانات التي تتلقى أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). A.12.1 حساب التنبؤ عدد الفترات التي يجب تضمينها في متوسط ​​التمهيد (خيار المعالجة 10 أ) 3 في هذا المثال النسبة لفترة واحدة قبل 3 (n2 n) 2 3 (32 3) 2 36 0.5 نسبة لفترتين قبل 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. نسبة ثلاث فترات قبل 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. توقعات يناير: 137 0.5 119 13 114 16 127.16 أو 127 توقعات فبراير: 127 0.5 137 13 119 16 129 توقعات آذار / مارس: 129 0.5 127 13 137 16 129.666 أو 130 ألف-12-2 حساب التوقعات المحاكاة مبيعات تشرين الأول / أكتوبر 2004 129 16 140 26 131 36 133.6666 تشرين الثاني / نوفمبر 2004 المبيعات 140 16 131 26 114 36 124 كانون الأول / ديسمبر 2004 المبيعات 131 16 114 26 119 36 119.3333 A.12.3 النسبة المئوية لحساب حساب الدقة (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 متوسط ​​حساب الانحراف المطلق (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 الطريقة 11 - التجانس الأسي تشبه هذه الطريقة الطريقة 10، التنعيم الخطي. في الخطي تمهيد النظام يعين الأوزان إلى البيانات التاريخية التي تنخفض خطيا. في التجانس الأسي، يعين النظام الأوزان التي تسوس أضعافا مضاعفة. معادلة التنبؤ بالتمهيد الأسي هي: التوقعات (المبيعات الفعلية السابقة) (1 - a) التوقعات السابقة التوقعات هي المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة. a هو الوزن المطبق على المبيعات الفعلية للفترة السابقة. (1-a) هو الوزن المطبق على توقعات الفترة السابقة. القيم الصالحة لنطاق من 0 إلى 1، وعادة ما تقع بين 0.1 و 0.4. مجموع الأوزان هو 1.00. a (1 - a) 1 يجب أن تعين قيمة ثابت التمهيد، a. إذا لم تقم بتعيين قيم ثابتة التجانس، يقوم النظام بحساب قيمة مفترضة استنادا إلى عدد فترات سجل المبيعات المحددة في خيار المعالجة 11a. وهو ثابت التمهيد المستخدم في حساب المتوسط ​​الميسر للمستوى العام أو حجم المبيعات. القيم الصالحة لنطاق من 0 إلى 1. n نطاق بيانات سجل المبيعات لتضمينها في الحسابات. عموما سنة واحدة من بيانات تاريخ المبيعات غير كافية لتقدير المستوى العام للمبيعات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 3) من أجل تقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. ويمكن أن يؤدي التمهيد الأسي إلى توليد توقعات تستند إلى أقل من نقطة بيانات تاريخية واحدة. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). ألف - 13 - 1 حساب التنبؤ عدد الفترات المراد إدراجها في متوسط ​​التمهيد (الخيار 11 أ) 3 و عامل ألفا (خيار المعالجة 11 ب) فارغا في هذا المثال عاملا لأقدم بيانات المبيعات 2 (11) أو 1 عند تحديد ألفا (12) أو ألفا عندما يتم تحديد ألفا عاملا ل 3 أقدم بيانات المبيعات 2 (13) أو ألفا عندما يتم تحديد ألفا عاملا لأحدث بيانات المبيعات 2 (1n) ، أو ألفا عندما يتم تحديد ألفا نوفمبر سم. متوسط أ (أكتوبر الفعلي) (1 - أ) أكتوبر سم. متوسط 1 114 0 0 114 ديسمبر سم. متوسط أ (نوفمبر الفعلي) (1 - أ) نوفمبر سم. متوسط 23 119 13 114 117.3333 كانون الثاني / يناير التوقعات (كانون الأول / ديسمبر الفعلي) (1 - أ) كانون الأول / ديسمبر سم. متوسط 24 137 24 117.3333 127.16665 أو 127 توقعات شباط / فبراير توقعات كانون الثاني / يناير 127 توقعات آذار / مارس توقعات كانون الثاني / يناير 127 ألف-13-2 حساب التوقعات المحاكاة تموز / يوليه 2004. متوسط 22 129 129 أوغست سم. متوسط 23 140 13 129 136.3333 سيبتمبر سم. متوسط 24 131 24 136.3333 133.6666 أكتوبر، 2004 مبيعات سيب سم. متوسط 133.6666 أوغست، 2004 سم. متوسط 22 140 140 سيبتمبر سم. متوسط 23 131 13 140 134 أكتوبر سم. متوسط 24 114 24 134 124 نوفمبر، 2004 المبيعات سيب سم. متوسط 124 سبتمبر 2004 سم. متوسط 22 131 131 أكتوبر سم. متوسط 23 114 13 131 119.6666 نوفيمبر سم. متوسط 24 119 24 119.6666 119.3333 ديسمبر 2004 مبيعات سيب سم. متوسط 119.3333 A.13.3 النسبة المئوية لحساب حساب الدقة (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 متوسط ​​حساب الانحراف المطلق (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 الطريقة 12 - التماسك الأسي مع الاتجاه والموسمية هذا الأسلوب مشابه لطريقة 11، الأسي تمهيد في أن يتم حساب متوسط ​​سلسة. ومع ذلك، تتضمن الطريقة 12 أيضا مصطلحا في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التنبؤات من سلسة متوسطة تم تعديلها لاتجاه خطي. عندما يتم تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. وهو ثابت التمهيد المستخدم في حساب المتوسط ​​الميسر للمستوى العام أو حجم المبيعات. القيم الصالحة لمدى ألفا تتراوح بين 0 و 1. b ثابت التمهيد المستخدم في حساب المتوسط ​​الميسر لعنصر الاتجاه للتنبؤ. القيم الصالحة للنطاق بيتا من 0 إلى 1. ما إذا كان المؤشر الموسمي يتم تطبيقه على التوقعات a و b مستقلان عن بعضهما البعض. ليس لديهم لإضافة إلى 1.0. الحد الأدنى المطلوب من تاريخ المبيعات: عامين بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). وتستخدم الطريقة 12 معادلتين أسيتين للتمهيد ومتوسط ​​بسيط واحد لحساب المتوسط ​​السلس واتجاه سلس ومتوسط ​​بسيط للموسم الموسمي. A.14.1 حساب التنبؤ A) متوسط ​​ممسود أضعافا مطردا (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 تقييم التنبؤات يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى اثني عشر تنبؤا لكل منتج. ومن المحتمل أن تؤدي كل طريقة للتنبؤ إلى إسقاط مختلف قليلا. عندما يتم توقع الآلاف من المنتجات، فمن غير العملي لاتخاذ قرار شخصي بشأن أي من التوقعات لاستخدامها في خططك لكل من المنتجات. يقوم النظام تلقائيا بتقييم الأداء لكل من طرق التنبؤ التي تحددها، ولكل من توقعات المنتجات. يمكنك الاختيار بين معيارين للأداء، يعني الانحراف المطلق (ماد) ونسبة الدقة (بوا). ماد هو مقياس لخطأ التنبؤ. بوا هو مقياس للتحيز المتوقع. يتطلب كل من تقنيات تقييم الأداء هذه بيانات تاريخ المبيعات الفعلية لمستخدم محدد الفترة الزمنية. وتسمى هذه الفترة من التاريخ الحديث فترة الانتظار أو الفترات الأنسب (بف). ولقياس أداء طريقة التنبؤ، استخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحقاق التاريخية. وستكون هناك عادة اختلافات بين بيانات المبيعات الفعلية والتوقعات المحاكية لفترة الاستبعاد. عند اختيار طرق التنبؤ متعددة، تحدث هذه العملية نفسها لكل طريقة. يتم احتساب توقعات متعددة لفترة الاستحواذ، وبالمقارنة مع تاريخ المبيعات المعروفة لنفس الفترة من الزمن. ويوصى باستخدام طريقة التنبؤ التي تنتج أفضل مطابقة (أفضل ملاءمة) بين التوقعات والمبيعات الفعلية خلال فترة الاستبعاد لاستخدامها في خططك. هذه التوصية خاصة بكل منتج، وقد تتغير من جيل واحد إلى آخر. ألف - 16 الانحراف المطلق (ماد) هو المتوسط ​​(أو المتوسط) للقيم المطلقة (أو الحجم) للانحرافات (أو الأخطاء) بين البيانات الفعلية والمتوقعة. ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، نظرا لطريقة التنبؤ وتاريخ البيانات. ولأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية. عند مقارنة عدة طرق التنبؤ، واحدة مع أصغر درهم أظهرت أن تكون الأكثر موثوقية لهذا المنتج لفترة تلك الانتظار. وعندما تكون التنبؤات غير متحيزة وتوزع الأخطاء عادة، توجد علاقة رياضية بسيطة بين تدبيرين عاديين ومقياسين آخرين للتوزيع والانحراف المعياري ومتوسط ​​الخطأ المربعة: A.16.1 نسبة الدقة (بوا) نسبة الدقة (بوا) هي وهو مقياس للتحيز المتوقع. وعندما تكون التوقعات مرتفعة جدا، تتراكم المخزونات وتزداد تكاليف الحصر. وعندما تكون التنبؤات منخفضة باستمرار، تستهلك المخزونات وتنخفض خدمة العملاء. توقعات أن 10 وحدات منخفضة جدا، ثم 8 وحدات مرتفعة جدا، ثم 2 وحدة عالية جدا، سيكون توقعات غير متحيزة. يتم إلغاء الخطأ الإيجابي من 10 من قبل أخطاء سلبية من 8 و 2. خطأ الفعلي - توقعات عندما يمكن تخزين المنتج في المخزون، وعندما توقعات غير منحازة، يمكن استخدام كمية صغيرة من مخزون السلامة لتخفيف الأخطاء. في هذه الحالة، ليس من المهم جدا للقضاء على أخطاء التنبؤ كما هو لتوليد توقعات غير منحازة. ولكن في الصناعات الخدمية، فإن الحالة المذكورة أعلاه سوف ينظر إليها على أنها ثلاثة أخطاء. وستعاني هذه الخدمة من نقص في عدد الموظفين في الفترة الأولى، ثم ستزداد أعداد الموظفين في الفترتين التاليتين. وفي الخدمات، يكون حجم أخطاء التنبؤ عادة أكثر أهمية مما هو متوقع. ويتيح الجمع خلال فترة الاستبعاد أخطاء إيجابية لإلغاء الأخطاء السلبية. عندما يتجاوز إجمالي المبيعات الفعلية مجموع المبيعات المتوقعة، ونسبة أكبر من 100. وبطبيعة الحال، فإنه من المستحيل أن يكون أكثر من 100 دقيقة. عندما تكون التوقعات غير منحازة، فإن نسبة بوا ستكون 100. ولذلك، فمن المستحسن أن تكون 95 دقيقة من أن تكون دقيقة 110. تحدد معايير بوا طريقة التنبؤ التي تحتوي على نسبة بوا الأقرب إلى 100. ويؤدي البرنامج النصي في هذه الصفحة إلى تحسين التنقل في المحتوى، ولكنه لا يغير المحتوى بأي شكل من الأشكال. أما النهج الأبسط فيتمثل في أخذ متوسط ​​الفترة من كانون الثاني (يناير) إلى آذار (مارس) واستخدام ذلك لتقدير مبيعات نيسان / أبريل 8217: (129 134 122) 3 128.333 وبالتالي، استنادا إلى المبيعات من يناير إلى مارس، تتوقع أن المبيعات في أبريل سيكون 128،333. مرة واحدة أبريل 8217s المبيعات الفعلية تأتي في، وكنت ثم حساب توقعات لشهر مايو، وهذه المرة باستخدام فبراير حتى أبريل. يجب أن تكون متسقة مع عدد الفترات التي تستخدمها لنقل متوسط ​​التنبؤ. عدد الفترات التي تستخدمها في توقعات المتوسط ​​المتحرك الخاص بك تعسفي قد تستخدم فقط فترتين، أو خمس أو ست فترات ما تريده لتوليد توقعاتك. النهج أعلاه هو متوسط ​​متحرك بسيط. في بعض الأحيان، قد تكون الأشهر الأخيرة 8217 المبيعات المؤثرين أقوى من المبيعات شهر 8217s القادمة، لذلك كنت تريد أن تعطي تلك الأشهر أقرب إلى مزيد من الوزن في نموذج التوقعات الخاصة بك. هذا هو المتوسط ​​المتحرك المرجح. ومثل عدد الفترات، فإن الأوزان التي تعينها تعسفية بحتة. Let8217s يقول كنت تريد أن تعطي المبيعات مارس 8217s 50 الوزن، فبراير 8217s 30 الوزن، و يناير 8217s 20. ثم توقعاتك لشهر أبريل سيكون 127،000 (122.50) (134.30) (129.20) 127. حدود متوسطات الحركة المتحركة تعتبر المتوسطات المتحركة 8220 سمعة 8221 تقنية التنبؤ. لأنك 8217re أخذ المتوسط ​​مع مرور الوقت، كنت تليين (أو تمهيد) آثار حدوثات غير منتظمة داخل البيانات. ونتيجة لذلك، فإن آثار الموسمية، ودورات الأعمال، وغيرها من الأحداث العشوائية يمكن أن تزيد بشكل كبير من الخطأ التنبؤ. ألق نظرة على قيمة بيانات 8217 ثانية كاملة، وقارن متوسط ​​متحرك لمدة 3 أيام ومتوسط ​​متحرك لخمسة فترات: لاحظ أنه في هذه الحالة لم أتمكن من إنشاء توقعات، بل ركزت على المتوسطات المتحركة. المتوسط ​​المتحرك الأول لمدة 3 أشهر هو لشهر فبراير، و 8217 ثانية متوسط ​​يناير وفبراير ومارس. كما فعلت مماثلة لمتوسط ​​5 أشهر. الآن نلقي نظرة على الرسم البياني التالي: ماذا ترى ليس سلسلة المتوسط ​​المتحرك لمدة ثلاثة أشهر أكثر سلاسة بكثير من سلسلة المبيعات الفعلية وكيف حول المتوسط ​​المتحرك لمدة خمسة أشهر IT8217s حتى أكثر سلاسة. وبالتالي، والمزيد من الفترات التي تستخدمها في المتوسط ​​المتحرك الخاص بك، وسلاسة سلسلة الوقت الخاص بك. وبالتالي، للتنبؤ، قد لا يكون المتوسط ​​المتحرك البسيط أكثر الطرق دقة. إن أساليب المتوسط ​​المتحرك تثبت قيمة كبيرة عندما تحاول 8217 محاولة استخراج المكونات الموسمية وغير المنتظمة والدورية من السلاسل الزمنية لطرق التنبؤ المتقدمة مثل الانحدار و أريما، وسيتم استخدام المتوسطات المتحركة في تحليل سلسلة زمنية في وقت لاحق في السلسلة. تحديد دقة نموذج المتوسط ​​المتحرك بشكل عام، تريد طريقة التنبؤ التي تحتوي على أقل خطأ بين النتائج الفعلية والمتوقعة. ومن أكثر المقاييس شيوعا لدقة التنبؤ هو الانحراف المطلق المتوسط ​​(د. م). في هذا النهج، لكل فترة في السلسلة الزمنية التي قمت بإنشاء توقعات، كنت تأخذ القيمة المطلقة للفرق بين تلك الفترة 8217s القيم الفعلية والمتوقعة (الانحراف). ثم يمكنك متوسط ​​هذه الانحرافات المطلقة وتحصل على مقياس من درهم. ماد يمكن أن يكون مفيدا في اتخاذ قرار بشأن عدد الفترات التي متوسط، و أن كمية الوزن الذي تضعه على كل فترة. عموما، يمكنك اختيار واحد أن يؤدي إلى أدنى درهم. هنا 8217s مثال على كيفية حساب ماد: درهم هو ببساطة المتوسط ​​8، 1، 3. المتوسطات المتحركة: خلاصة عند استخدام المتوسطات المتحركة للتنبؤ، تذكر: المتوسطات المتحركة يمكن أن تكون بسيطة أو مرجحة عدد الفترات التي تستخدمها ل متوسط، وأي الأوزان التي تعين لكل منها التعسفي التعسفي المتوسطات المتحركة على نحو سلس خارج أنماط غير منتظمة في البيانات سلسلة زمنية أكبر عدد الفترات المستخدمة لكل نقطة البيانات، وزيادة تأثير تمهيد بسبب تجانس، والتنبؤ الشهر المقبل مبيعات 8217s على أساس فإن معظم المبيعات الأخيرة في الشهر 8217s يمكن أن تؤدي إلى انحرافات كبيرة بسبب الأنماط الموسمية والدورية وغير المنتظمة في البيانات، وقدرات التمهيد لطريقة المتوسط ​​المتحرك يمكن أن تكون مفيدة في تحلل سلسلة زمنية لطرق التنبؤ أكثر تقدما. الأسبوع المقبل: تجانس الأسي في الأسبوع القادم 8217s توقعات الجمعة. سوف نناقش أساليب التمهيد الأسي، وسترى أنها يمكن أن تكون أعلى بكثير من المتوسط ​​المتحرك أساليب التنبؤ. لا يزال دون 8217t تعرف لماذا لدينا توقعات الجمعة المشاركات تظهر يوم الخميس معرفة في: tinyurl26cm6ma مثل هذا: التنقل بوست ترك الرد إلغاء الرد كان لي 2 أسئلة: 1) يمكنك استخدام نهج ما تركزت للتنبؤ أو لمجرد إزالة الموسمية 2) عندما (t-1t-2t-k) k ما للتنبؤ بفترة زمنية واحدة، هل من الممكن التنبؤ بأكثر من 1 فترة قبل أن أعتقد أن توقعاتك ستكون واحدة من النقاط التي تغذيها في المرة القادمة. شكر. أحب المعلومات وتفسيراتك I8217m سعيد تريد بلوق I8217m متأكد من أن العديد من المحللين استخدمت نهج ما تركزت للتنبؤ، ولكن أنا شخصيا لن، لأن هذا النهج يؤدي إلى فقدان الملاحظات في كلا الطرفين. هذا في الواقع ثم العلاقات في السؤال الثاني الخاص بك. عموما، يستخدم ما بسيط للتنبؤ فترة واحدة فقط المقبلة، ولكن العديد من المحللين 8211 وأنا أيضا في بعض الأحيان 8211 سوف تستخدم بلدي فترة واحدة قبل التوقعات باعتبارها واحدة من المدخلات للفترة الثانية المقبلة. It8217s المهم أن نتذكر أن المزيد من المستقبل في محاولة للتنبؤ، وزيادة خطر الخاص بك من الخطأ المتوقع. هذا هو السبب في أنني لا أوصي تركز ما للتنبؤ 8211 فقدان الملاحظات في نهاية المطاف يعني الاضطرار إلى الاعتماد على التنبؤات الملاحظات المفقودة، فضلا عن الفترة (ق) المقبلة، لذلك هناك فرصة أكبر للخطأ التنبؤ. القراء: you8217re دعا إلى وزن في هذا. هل لديك أي أفكار أو اقتراحات حول هذا بريان، شكرا لتعليقكم وتقديراتكم على بلوق مبادرة لطيفة وتفسير جميل. It8217s مفيدة حقا. أتوقع مخصص لوحات الدوائر المطبوعة للعميل الذي لا يعطي أي توقعات. لقد استخدمت المتوسط ​​المتحرك، ومع ذلك فإنه ليس دقيقا جدا حيث يمكن للصناعة صعودا وهبوطا. ونحن نرى نحو منتصف الصيف حتى نهاية العام أن الشحن pcb8217s هو ما يصل. ثم نرى في بداية العام يبطئ الطريق. كيف يمكنني أن أكون أكثر دقة مع بياناتي كاترينا، من ما قلت لي، يبدو لديك المطبوعة مبيعات لوحة الدوائر لديها عنصر موسمي. أتعامل مع الموسمية في بعض المشاركات الأخرى المتوقعة يوم الجمعة. وهناك طريقة أخرى يمكنك استخدامها، وهي سهلة جدا، وهي خوارزمية هولت-وينترز، والتي تأخذ في الاعتبار الموسمية. يمكنك العثور على تفسير جيد من هنا. تأكد من تحديد ما إذا كانت أنماطك الموسمية متعددة أو مضافة، لأن الخوارزمية مختلفة قليلا لكل منها. إذا كنت مؤامرة البيانات الشهرية الخاصة بك من بضع سنوات، ونرى أن التغيرات الموسمية في نفس الأوقات من السنوات ويبدو أن تكون ثابتة سنة بعد سنة، ثم الموسمية هو المضافة إذا كانت التغيرات الموسمية مع مرور الوقت يبدو أن تتزايد، ثم الموسمية هو المضاعف. معظم السلاسل الزمنية الموسمية ستكون مضاعفة. إذا كنت في شك، تفترض مضاعفة. حظا سعيدا مرحبا هناك، بين تلك الطريقة:. ناف التنبؤ. تحديث المتوسط. المتوسط ​​المتحرك للطول k. إما المتوسط ​​المتحرك المرجح لطول k أو التمدد الأسي أي واحد من تلك النماذج المحدثة تنصحني باستخدامها للتنبؤ بالبيانات بالنسبة لي، أفكر في المتوسط ​​المتحرك. ولكن أنا don8217t تعرف كيفية جعلها واضحة ومنظم ذلك حقا يعتمد على كمية ونوعية البيانات لديك وأفق التنبؤ الخاص بك (على المدى الطويل، على المدى المتوسط، أو على المدى القصير)