Tecniche di Previsione 2.1 PDF

Tradotto dal Inglese al Italiano - www.onlinedoctranslator.com Previsione  Previsione - Previsione – Stima del livello futuro di una variabile. - Perché fare previsioni? - Valutare le esigen...

Tradotto dal Inglese al Italiano - www.onlinedoctranslator.com Previsione  Previsione - Previsione – Stima del livello futuro di una variabile. - Perché fare previsioni? - Valutare le esigenze di capacità a lungo termine - Sviluppare budget, piani di assunzione, ecc. - Pianificare la produzione o ordinare materiali  Leggi di previsione - Le previsioni sono quasi sempre in qualche modo sbagliate (ma sono comunque utili). - Le previsioni a breve termine tendono a essere più accurate. - Le previsioni per gruppi di prodotti o servizi tendono a essere più accurate.  Metodi di previsione - Tecniche di previsione qualitative – Tecniche di previsione basate sull’intuizione o sull’opinione informata. - Utilizzato quando i dati sono scarsi, non disponibili o irrilevanti. - Modelli di previsione quantitativi: modelli di previsione che utilizzano dati storici misurabili per generare previsioni. - Serie temporali e modelli causali Selezione di un metodo di previsione  Movimento della domanda - Casualità: movimento imprevedibile da un periodo di tempo all'altro. - Tendenza: movimento a lungo termine verso l'alto o verso il basso in una serie temporale. - Stagionalità – Un modello ripetuto di picchi o cali in una serie temporale associato a determinati periodi dell'anno. Serie temporali con casualità  Serie temporali con Tendenza e stagionalità  Modello dell'ultimo periodo - Modello dell'ultimo periodo: il modello di serie temporali più semplice che utilizza la domanda per il periodo corrente come previsione per il periodo successivo. Fe= + 1DT dove F =previsione per il periodo successivo, t+1 e+1 e D.= Tdomanda per il periodo corrente, t Modello dell'ultimo periodo  Modello di media mobile - Modello a media mobile: modello di previsione delle serie temporali che ricava una previsione prendendo una media del valore della domanda recente. N ∑D T+1−io F= io=1 T+1 N  Modello di media mobile Periodo Richiesta 1 12 N 2 15 ∑DT+1−io 3 11 io=1 FT+1= 4 5 9 10 N 6 8 7 14 Previsione della media mobile a 8 12 3 periodi per il periodo 8: = (14 + 8 + 10) / 3 = 10,67  Modello di media mobile ponderata - Modello di media mobile ponderata: una forma di modello di media mobile che consente di differenziare i pesi effettivi applicati alle osservazioni passate.  Modello di media mobile ponderata Periodo Richiesta 1 12 2 15 3 11 4 9 5 10 6 8 7 14 Previsione media mobile ponderata 8 12 a 3 periodi per il periodo 8= [(0,5××14) + (0,3××8) + (0,2××10)] / 1 = 11.4  Modello di smoothing esponenziale - Modello di smoothing esponenziale: una forma di modello di media mobile in cui la previsione per il periodo successivo viene calcolata come media ponderata del valore effettivo e della previsione del periodo corrente.  Modello di smoothing esponenziale un α =.3 Periodo Richiesta Previsione 1 50 40 2 46. 3 * 50 + (1-.3) * 40 = 43 3 52. 3 * 46 + (1-.3) * 43 = 43,9 4 48. 3 * 52 + (1-.3) * 43,9 = 46,33 5 47. 3 * 48 + (1-.3) * 46,33 = 46,83 6. 3 * 47 + (1-.3) * 46,83 = 46,88 un un ?????????  Smoothing esponenziale regolato - Modello di smoothing esponenziale aggiustato: una versione ampliata del modello di smoothing esponenziale che include un fattore di aggiustamento della tendenza. La miat+1 =Fe + 1+Te +1 dove AFe + 1=previsione aggiustata per il prossimo periodo Fe + 1= previsione non aggiustata per il periodo successivo = α un unDT+ (1 – unun a) F.T beta beta β)TT Te + 1=fattore di tendenza per il periodo successivo = β beta (Fe + 1–FT) + (1 – β TT=fattore di tendenza per il periodo corrente beta β = β =costante di smoothing per il fattore di aggiustamento della tendenza Smoothing esponenziale aggiustato - Esempio  Regressione lineare -  Regressione lineare - Come calcolare a e b Regressione lineare – Esempio Regressione lineare – Esempio 9.3 Regressione lineare – Esempio Il grafico mostra un trend in crescita di 7,33 vendite al mese.  Regolazioni stagionali - Stagionalità – Modelli ripetuti o cali in una serie temporale associati a determinati periodi dell'anno.  Regolazioni stagionali - Procedura in quattro fasi: - Per ciascuno dei valori della domanda nella serie temporale, calcolare la previsione corrispondente utilizzando il modello di previsione non aggiustato. - Per ogni valore della domanda, calcolare (Domanda/Previsione). - Se la serie temporale copre più anni, prendi la media (Domanda/ Previsione) per i mesi o trimestri corrispondenti per ricavare l'indice stagionale. Altrimenti usa (Domanda/Previsione) calcolato nel passaggio 2 come indice stagionale. - Moltiplicare la previsione non corretta per l'indice stagionale per ottenere il valore della previsione corretto per la stagionalità. Stagionalità – Esempio Nota che il la previsione di regressione non riflette la stagionalità. Stagionalità – Esempio  Stagionalità – Esempio Calcolare la (domanda/previsione) per ciascuno dei periodi di tempo: Gennaio 2012: (Domanda/Previsione) = 51/106,9 =.477 Gennaio 2013: (Domanda/Previsione) = 112/205,6 =.545 Calcolare gli indici stagionali mensili: Indice stagionale mensile, gennaio = (.477 +.545)/2 =.511 Calcolare le previsioni destagionalizzate Previsione destagionalizzata = previsione non destagionalizzata x indice stagionale Gennaio 2012: 106,9 x 0,511 = 54,63 Gennaio 2013: 205,6 x 0,511 = 105,06 Stagionalità – Esempio 9.4 Nota che il la previsione di regressione ora riflette la stagionalità.  Modelli di previsione causale - Regressione lineare - Regressione multipla - Esempi:  Regressione multipla - Regressione multipla: una forma generalizzata di regressione lineare che consente più di una variabile indipendente.  Precisione delle previsioni Come sappiamo: - Se un modello previsionale è “migliore”? - Un modello previsionale funziona ancora? - Che cosatipidi errori a cui è soggetto un particolare modello di previsione? Sono necessarie misure di accuratezza delle previsioni  Misure di accuratezza delle previsioni - Errore di previsione per il periodo iFE io = - Errore medio di previsione (MFE) = - Deviazione media assoluta (MAD) =  Misure di accuratezza delle previsioni - Errore percentuale assoluto medio MAPE = - Segnale di tracciamento TS= MFE, MAD, TS Precisione delle previsioni – Esempio Precisione delle previsioni – Esempio  Precisione delle previsioni – Esempio - Il modello 2 ha l'MFE più basso, quindi è il meno distorto. - Il modello 2 presenta anche i valori MAD e MAPE più bassi, quindi sembra essere superiore. - Calcola il segnale di tracciamento per le prime 10 settimane. Precisione delle previsioni – Esempio  Precisione delle previsioni – Esempio - Il segnale di tracciamento per il Modello 2 diventa molto basso nella settimana 5, tuttavia il modello si riprende. - In futuro sarà necessario continuare ad aggiornare il segnale di tracciamento.