Eksponentinio lyginimo metodas naudoja istorinius kintamojo vidutinius vidurkius tam, kad būtų galima numatyti jo būsimą elgesį.
Todėl tai yra numatyti, kas nutiks ir ką ji daro, kad išlygintų laiko eilutes. Tikslas yra sumažinti svyravimus ir sugebėti stebėti tendenciją, kuri kartais nėra aiški plika akimi. Jis yra plačiai naudojamas, ypač tikintis pardavimo ir pasirodė esąs daugiau nei priimtinas.
Eksponentinio lyginimo metodas
Pažvelkime į paprastą skaičiavimo būdą. Formulė, kurią išsamiai parodome pavyzdyje, apima faktinę paklausą (Do) ir prognozę (Po). Kita vertus, išlyginamasis faktorius (alfa) išreikštas tiek kartų vienu. Formulė būtų tokia:
Tai, ką darome, kaip pamatysime pabaigoje, yra sklandi serija. Prie ankstesnio laikotarpio prognozės (Po) pridėkite šio ir paklausos (Do) skirtumą, padaugintą iš išlyginamojo faktoriaus (alfa). Tai pasiekiame mažesnio kintamumo vertes ir galima geriau stebėti laiko eilučių raidą.
Žinoma, yra šiek tiek sudėtingesnių modelių. Viena vertus, „Box-Jenkins“ modelis ir, kita vertus, „Holt-Winter“ modelis. Pastarasis yra labai naudingas dėl savo paprastumo ir paprasto naudojimo. Nesiruošiame gilintis į konkrečias detales, nes viršytume savo tikslą parodyti ekonomiką paprastu būdu.
Eksponentinio lyginimo metodų pranašumai
Privalumai visų pirma yra paprastumas ir paprastas pritaikymas, tačiau yra dar keli. Toliau rodome aktualiausius:
- Jai nereikia daug istorinių duomenų, skirtingai nei kiti metodai, pavyzdžiui, ARIMA.
- Naudojant eksponentinio modeliavimo metodus, jis yra tikslesnis nei kiti.
- Tai metodas, kuris naudojasi dideliu lankstumu, naudojant duomenis apie paklausą, kuriuos gali pasirinkti tyrėjas.
- Vadinamasis dvigubas eksponentinis išlyginimas leidžia sumažinti prognozavimo problemas, kai lyginimo koeficientas yra didesnis nei 0,5. Vienas iš nedaugelio trūkumų.
Eksponentinio lyginimo pavyzdys
Įsivaizduokime įmonę, kuri parduoda bulvių traškučius. Meksikos motininės bendrovės komercijos direktorius susisiekia su savo kolega Ispanijoje. Tai jums pasakys, kad ketinate parengti Valensijos pardavimų prognozę. Bet, žinoma, vienintelis rodiklis, nuo kurio turite pradėti, yra pardavimas Meksikos mieste, kuriame galima palyginti duomenis. Naudokite koeficientą, kad išlygintumėte 35% serijas.
Kaip matome paveiksle, taikydami formulę gauname prognozės reikšmes. Pirmieji (P1) nuo 2015 m. Sausio mėn. Yra to mėnesio Meksiko pardavimai. Paklausos stulpelis yra faktiniai tų metų duomenys. Iš ten, įvedus formulę, galima sukurti likusius duomenis prognozės stulpelyje.
Mes galime patikrinti, ar eksponentinis lyginimas sumažina svyravimus, ir pastebime, kad neatrodo aiškios tendencijos. Tačiau prognozė dažniausiai viršija faktinę paklausą, kuri galiausiai buvo sukurta. Nors vėlesniu laikotarpiu tai yra daug daugiau.