Small Business Cómo mover promedios en Excel 2010 Los promedios móviles predicen valores futuros. Hemera Technologies / AbleStock / Getty Images La función PROMEDIO de Microsoft Excel 2010s calcula una media aritmética seriess, que es su suma dividida por el número de elementos de la serie. Cuando cada número de la serie es diferente, el promedio cambia con cada nuevo elemento de datos. Esto forma una serie secundaria que rastrea el promedio móvil seriess original. El promedio móvil revela tendencias dentro de los datos. Por ejemplo, si una hoja de cálculo controla el inventario que cambia de negocio, el promedio de ventas en movimiento puede ayudarle a decidir sus niveles de inventario ideales al final de cada mes. Haga clic en quotFilequot en Excels Ribbon. Haga clic en quotOpciones en el lado izquierdo de la pantalla para abrir la ventana Opciones de Excel. Haga clic en quotAdd-Insquot en el panel izquierdo de ventanas. Haga clic en el botón etiquetado quotGoquot junto al cuadro desplegable denominado quotExcel Add-insquot para abrir la ventana Complementos. Marque la casilla denominada quotAnalysis ToolPak. quot Haga clic en quotOK. quot Haga clic en quotDataquot en Excels Ribbon. Haga clic en QuotData Analysisquot en el grupo Análisis para abrir la ventana Análisis de datos. Seleccione quotMoving Averagequot en la ventana Análisis de datos. Haga clic en quotOKquot para abrir la ventana QuotMoving Averagequot. Haga clic en el botón en el cuadro de texto denominado quotInput Range. quot Haga clic y seleccione los datos cuyo promedio móvil desea que Excel encuentre. Haga clic en el botón en el cuadro de texto denominado quotOutput Range. quot Haga clic y seleccione las celdas en las que desea que aparezcan las medias móviles. Introduzca un valor en el cuadro de texto denominado quotInterval. quot Este valor describe el número de cifras que cada promedio debe considerar. Por ejemplo, si cada promedio debe calcular la media de los tres números anteriores, ingrese quot3.quot Haga clic en quotOK. quot Excel insertará los promedios móviles serios. Sobre el autor Ryan Menezes es escritor profesional y blogger. Tiene una Licenciatura en Ciencias en Periodismo de la Universidad de Boston y ha escrito para la Unión Americana de Libertades Civiles, la firma de marketing InSegment y el servicio de gestión de proyectos Assembla. También es miembro de Mensa y de la American Parliamentary Debate Association. Crédito de la foto Hemera Technologies / AbleStock / Getty Images Búsquedas relacionadas Más artículos Gráfico Cómo hacer un gráfico en Excel con una hoja de cálculo promedio acumulativo Cómo crear una hoja de cálculo con fechas en la parte superior Eje Y Cómo agregar un segundo eje Y en Excel Una segunda serie al final del gráfico de gráfico Cómo hacer un gráfico de dos caras en Excel también visto Local US amp Mundo Deportes Negocios Entretenimiento Estilo de vida Empleos Coches Inmobiliarias Anuncie con nosotros Compra de anuncios para web, medios sociales e impresión a través de Hearst Media Servicios Coloque un anuncio clasificado en el papel o en línea Coloque un anuncio orientado en una sección especializada como una publicación semanal o de barrio Suscriptor Servicios Acerca de Nosotros Contáctenos Editions amp Apps Sigue copia de Chron Copyright 2016 Hearst Newspapers, LLCUso de la función PREVISIÓN en Excel Open Office Calc) copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Permítanme empezar diciendo que Excels función de pronóstico no es un sistema completo de pronóstico de inventario. La previsión en la gestión de inventarios generalmente implica eliminar el ruido de la demanda, luego calcular e incorporar tendencias, estacionalidad y eventos. La función de pronóstico no va a hacer todas estas cosas para usted (técnicamente podría, pero hay mejores maneras de lograr algunos de estos). Pero es una pequeña función que es fácil de usar, y sin duda puede ser una parte de su sistema de pronóstico. De acuerdo con la Ayuda de Microsoft en la función Pronóstico. La función FORECAST (x, knownys, knownxs) devuelve el valor predicho de la variable dependiente (representada en los datos por knownys) para el valor específico, x, de la variable independiente (representada en los datos por los x conocidos) usando un ajuste óptimo (Mínimos cuadrados) para predecir los valores de y a partir de los valores de x. Entonces, ¿qué significa exactamente esto? La regresión lineal es una forma de análisis de regresión y se puede utilizar para calcular una relación matemática entre dos (o más) conjuntos de datos. En el pronóstico, usaría esto si pensaba que un conjunto de datos podría usarse para predecir otro conjunto de datos. Por ejemplo, si vendió materiales de construcción, puede encontrar que los cambios en las tasas de interés pueden usarse para predecir las ventas de sus productos. Este es un ejemplo clásico de usar la regresión para calcular una relación entre una variable externa (tasas de interés) y una variable interna (sus ventas). Sin embargo, como veremos más adelante, también puede utilizar la regresión para calcular una relación dentro del mismo conjunto de datos. Un enfoque típico para el análisis de regresión consiste en usar la regresión para determinar la relación matemática, pero también para ayudarle a tener una idea de cuán válida es esa relación (es la parte del análisis). La función de previsión omite el análisis y sólo calcula una relación y la aplica automáticamente a su salida. Esto facilita las cosas para el usuario, pero asume que su relación es válida. Así que esencialmente, la función de Pronóstico utiliza la regresión lineal para predecir un valor basado en una relación entre dos conjuntos de datos. Veamos algunos ejemplos. En la Figura 1A, tenemos una hoja de cálculo que incluye la tasa de interés promedio durante los 4 años anteriores y las ventas de unidades durante ese mismo período de 4 años. También mostramos una tasa de interés pronosticada para el quinto año. Podemos ver en el ejemplo que nuestras ventas de la unidad suben mientras que las tasas de interés bajan, y bajan mientras que suben las tasas de interés. Basta con mirar el ejemplo, probablemente podemos suponer que nuestras ventas para el año 5 estarían en algún lugar entre 5.000 y 6.000 basado en la relación observada entre las tasas de interés y las ventas durante los períodos anteriores. Podemos utilizar la Función de Pronóstico para cuantificar con mayor precisión esta relación y aplicarla al quinto año. En la Figura 1B, puede ver la función de pronóstico que se está aplicando. En este caso, la fórmula en la celda F4 es PREVISIÓN (F2, B3: E3, B2: E2). Lo que tenemos dentro del paréntesis es conocido como un argumento. Un argumento es realmente sólo un medio de pasar parámetros a la función que se está utilizando (en este caso, la función Pronóstico). Cada parámetro está separado por una coma. Para que funcione la función de pronóstico, necesita conocer el valor que estamos utilizando para predecir nuestra producción (nuestras ventas del año 5). En nuestro caso, el parámetro (nuestra tasa de interés del año 5) está en la celda F2, por lo que el primer elemento de nuestro argumento es F2. A continuación, necesita saber dónde puede encontrar los valores existentes que utilizará para determinar la relación a aplicar a F2. Primero necesitamos ingresar las celdas que representan los valores de nuestra variable dependiente. En nuestro caso, esto sería nuestras unidades vendidas durante los 4 años anteriores, por lo tanto entramos en B3: E3. Entonces necesitamos ingresar las celdas que representan los valores de nuestra variable predictora. En nuestro caso, esto serían los tipos de interés durante los 4 años anteriores, por lo tanto entramos B2: E2). La Función de pronóstico ahora puede comparar las unidades vendidas durante los años 1 a 4 con las tasas de interés en esos mismos años y luego aplicar esa relación a nuestra tasa de interés prevista para el año 5 para obtener nuestras ventas previstas para el año 5 de 5.654 unidades. En el ejemplo anterior, podemos ver los gráficos para ayudar a tratar de visualizar la relación. A primera vista, puede que no parezca tan obvio porque tenemos una relación inversa (las ventas suben a medida que las tasas de interés van hacia abajo), pero si mentalmente lanzamos una de las gráficas, veríamos una relación muy clara. Eso es una de las cosas interesantes sobre la función de pronóstico (y el análisis de regresión). Puede manejar fácilmente una relación inversa. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Ahora veamos otro ejemplo. En la figura 2A, vemos un nuevo conjunto de datos. En este ejemplo, nuestras tasas de interés subieron y bajaron en los últimos 4 años, sin embargo, nuestras ventas unitarias mostraron una tendencia ascendente consistente. Si bien es posible que las tasas de interés tuvieran algún impacto en nuestras ventas en este ejemplo, es obvio que hay factores mucho más importantes en juego aquí. Al utilizar nuestra función de pronóstico con estos datos, devolvemos una previsión de 7.118 unidades para el año 5. Creo que la mayoría de nosotros miraríamos nuestra tendencia de ventas y acordaremos que es mucho más probable que nuestras ventas para el año 5 sean 9.000 unidades. Como mencioné anteriormente, la función de pronóstico asume que la relación es válida, por lo tanto, produce salida basada en el mejor ajuste que puede hacer de los datos que se le dan. En otras palabras, si le decimos que existe una relación, nos cree y produce la salida en consecuencia sin darnos un mensaje de error o cualquier señal que implique que la relación es muy pobre. Así que ten cuidado con lo que pides. Los ejemplos anteriores cubren la aplicación clásica de la regresión a la predicción. Si bien todo esto suena bastante liso, esta aplicación clásica de la regresión no es tan útil como usted podría pensar (puede consultar mi libro para obtener más información sobre la regresión y por qué no puede ser una buena opción para sus necesidades de pronóstico). Pero ahora vamos a usar la función de pronóstico para simplemente identificar la tendencia dentro de un conjunto dado de datos. Empecemos por ver la Figura 3A. Aquí tenemos demanda con una tendencia muy obvia. La mayoría de nosotros debería ser capaz de ver estos datos y sentirse cómodo prediciendo que la demanda en el período 7 será probablemente 60 unidades. Sin embargo, si ha ejecutado estos datos a través de los cálculos de pronóstico típicos utilizados en la gestión de inventario, puede sorprenderse de cuán pobres son muchos de estos cálculos en la contabilidad de la tendencia. Dado que la función de predicción nos obliga a introducir una variable dependiente y una variable predictora, ¿cómo vamos a utilizar la función de pronóstico si sólo tenemos un conjunto de datos? Bueno, aunque técnicamente es cierto que tenemos un solo conjunto de datos Demanda historial), en realidad tenemos una relación en curso dentro de este conjunto de datos. En este caso, nuestra relación está basada en el tiempo. Por lo tanto, podemos utilizar cada demanda de períodos como una variable predictora para los siguientes períodos de demanda. Por lo tanto, sólo necesitamos decir a la función de pronóstico que utilice la demanda en los períodos 1 a 5 como los datos existentes para la variable predictora y utilizar la demanda en los períodos 2 a 6 como los datos existentes para la variable dependiente. Luego, dígale que aplique esta relación a la demanda en el Periodo 6 para calcular nuestra predicción para el Período 7. Puede ver en la Figura 3B, nuestra fórmula en la celda I3 es PRONÓSTICO (H2, C2: H2, B2: G2). Y sí devuelve un pronóstico de 60 unidades. Obviamente este ejemplo no es realista ya que la demanda es demasiado ordenada (sin ruido). Así que veamos la Figura 3C donde aplicamos este mismo cálculo a algunos datos más realistas. Sólo quiero reafirmar, que aunque la función de pronóstico es útil, no es un sistema de pronóstico. Normalmente prefiero tener un poco más de control sobre exactamente cómo aplicar y extender las tendencias a mi pronóstico. Además, desea quitar primero cualquier otro elemento de su demanda que no esté relacionado con su demanda y tendencia base. Por ejemplo, desea eliminar cualquier efecto de estacionalidad o eventos (como promociones) de su demanda antes de aplicar la función de pronóstico. A continuación, aplicaría el índice de estacionalidad y cualquier índice de eventos a la salida de la función de pronóstico. También puede jugar con sus entradas para obtener un resultado específico deseado. Por ejemplo, puede intentar primero suavizar su historial de demanda (a través de un promedio móvil, promedio móvil ponderado o suavizado exponencial) y utilizar esa es la variable predictora en lugar de la demanda en bruto. Para obtener más información sobre la previsión, consulte mi libro Gestión de inventario explicado. Uso de la función de pronóstico en Open Office Calc. Para los usuarios de Openoffice. org Calc. La función de pronóstico funciona prácticamente igual que en Excel. Sin embargo, hay una ligera diferencia en la sintaxis utilizada en Calc. Dondequiera que utilice una coma en un argumento en una función de Excel, en su lugar utilizaría un punto y coma en Calc. Por lo tanto, en lugar de la Fórmula Excel Usted entraría en Ir a la Página de Artículos para más artículos de Dave Piasecki. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Dave Piasecki. Es propietario / operador de Inventory Operations Consulting LLC. Una firma de consultoría que ofrece servicios relacionados con la gestión de inventario, manejo de materiales y operaciones de almacén. Tiene más de 25 años de experiencia en gestión de operaciones y puede ser contactado a través de su sitio web (inventoryops), donde mantiene información relevante adicional. My Business Inventory Operations Consulting LLC brinda asistencia rápida, asequible y especializada con la administración de inventario y las operaciones de almacén. Mis libros Explicación de suavizado explicado. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Cuando las personas encuentran por primera vez el término Exponential Smoothing pueden pensar que suena como un infierno de un montón de suavizado. Sea cual sea el suavizado. A continuación, comienzan a prever un cálculo matemático complicado que probablemente requiere un grado en matemáticas para entender, y espero que haya una función incorporada de Excel disponible si alguna vez necesitan hacerlo. La realidad del suavizado exponencial es mucho menos dramática y mucho menos traumática. La verdad es que el suavizado exponencial es un cálculo muy simple que logra una tarea bastante simple. Simplemente tiene un nombre complicado porque lo que técnicamente sucede como resultado de este simple cálculo es realmente un poco complicado. Para entender el suavizado exponencial, ayuda a comenzar con el concepto general de suavizado y un par de otros métodos comunes utilizados para lograr el alisamiento. ¿Qué es el suavizado? El suavizado es un proceso estadístico muy común. De hecho, regularmente encontramos datos suavizados en varias formas en nuestras vidas cotidianas. Cada vez que usa un promedio para describir algo, está usando un número suavizado. Si piensa en por qué utiliza un promedio para describir algo, rápidamente entenderá el concepto de suavizado. Por ejemplo, acabamos de experimentar el invierno más cálido registrado. ¿Cómo podemos cuantificar este pozo? Comenzamos con conjuntos de datos de las temperaturas altas y bajas diarias para el período que llamamos Invierno para cada año en la historia registrada. Pero eso nos deja con un montón de números que saltar un poco (no es como cada día de este invierno fue más caliente que los días correspondientes de todos los años anteriores). Necesitamos un número que elimine todo esto saltando de los datos para que podamos comparar más fácilmente un invierno con el siguiente. La eliminación de los saltos en los datos se denomina suavizado, y en este caso sólo podemos usar un promedio simple para lograr el suavizado. En la predicción de la demanda, usamos suavizado para eliminar la variación aleatoria (ruido) de nuestra demanda histórica. Esto nos permite identificar mejor los patrones de demanda (principalmente la tendencia y la estacionalidad) y los niveles de demanda que pueden usarse para estimar la demanda futura. El ruido de la demanda es el mismo concepto que el diario saltando alrededor de los datos de temperatura. No es sorprendente que la forma más común de eliminar el ruido de la historia de la demanda sea usar un promedio simple o más específico, un promedio móvil. Un promedio móvil sólo utiliza un número predefinido de períodos para calcular el promedio, y esos períodos se mueven con el paso del tiempo. Por ejemplo, si estoy usando una media móvil de 4 meses, y hoy es el 1 de mayo, estoy usando un promedio de demanda que ocurrió en enero, febrero, marzo y abril. El 1 de junio, estaré utilizando la demanda de febrero, marzo, abril y mayo. Promedio móvil ponderado. Cuando usamos un promedio, estamos aplicando la misma importancia (peso) a cada valor en el conjunto de datos. En la media móvil de 4 meses, cada mes representaba 25 de la media móvil. Cuando se utiliza la historia de la demanda para proyectar la demanda futura (y especialmente la tendencia futura), es lógico llegar a la conclusión de que desea que la historia más reciente tenga un mayor impacto en su pronóstico. Podemos adaptar nuestro cálculo del promedio móvil para aplicar varios pesos a cada período para obtener los resultados deseados. Expresamos estos pesos como porcentajes, y el total de todos los pesos para todos los períodos debe sumar 100. Por lo tanto, si decidimos que queremos aplicar 35 como el peso para el período más cercano en nuestra media móvil ponderada de 4 meses, podemos Restar 35 de 100 para encontrar que tenemos 65 restantes para dividir en los otros 3 períodos. Por ejemplo, podemos terminar con una ponderación de 15, 20, 30 y 35 respectivamente para los 4 meses (15 20 30 35 100). Desvanecimiento exponencial. Si volvemos al concepto de aplicar un peso al período más reciente (tal como 35 en el ejemplo anterior) y extendiendo el peso restante (calculado restando el peso del período más reciente de 35 de 100 a 65), tenemos Los elementos básicos para nuestro cálculo exponencial de suavizado. La entrada de control del cálculo de suavizado exponencial se conoce como el factor de suavizado (también denominado constante de suavizado). Representa esencialmente la ponderación aplicada a la demanda de los períodos más recientes. Por lo tanto, donde usamos 35 como la ponderación para el período más reciente en el cálculo del promedio móvil ponderado, también podríamos elegir usar 35 como factor de suavizado en nuestro cálculo de suavizado exponencial para obtener un efecto similar. La diferencia con el cálculo de suavizado exponencial es que en lugar de tener que calcular también cuánto peso aplicar a cada período anterior, el factor de suavizado se utiliza para hacer eso automáticamente. Así que aquí viene la parte exponencial. Si se utiliza 35 como factor de suavizado, la ponderación de los períodos más recientes de demanda será de 35. La ponderación de la demanda de períodos más recientes (el período anterior al más reciente) será de 65 de 35 (65 viene de restar 35 de 100). Esto equivale a 22.75 ponderación para ese período si usted hace la matemáticas. La demanda de los períodos más recientes será 65 de 65 de 35, lo que equivale a 14,79. El período anterior será ponderado como 65 de 65 de 65 de 35, lo que equivale a 9,61, y así sucesivamente. Y esto se remonta a través de todos sus períodos anteriores todo el camino de regreso al principio del tiempo (o el punto en el que comenzó a utilizar suavizado exponencial para ese elemento en particular). Probablemente estás pensando que eso parece un montón de matemáticas. Pero la belleza del cálculo de suavizado exponencial es que en lugar de tener que volver a calcular cada período anterior cada vez que obtenga una nueva demanda de períodos, simplemente utilice la salida del cálculo de suavizado exponencial del período anterior para representar todos los períodos anteriores. ¿Está usted confundido aún? Esto tendrá más sentido cuando nos fijamos en el cálculo real Normalmente nos referimos a la salida del cálculo de suavizado exponencial como el próximo período previsto. En realidad, el pronóstico final necesita un poco más de trabajo, pero para los propósitos de este cálculo específico, nos referiremos a él como el pronóstico. El cálculo de suavizado exponencial es el siguiente: Los períodos de demanda más recientes multiplicados por el factor de suavizado. PLUS Los períodos más recientes pronosticados multiplicados por (uno menos el factor de suavizado). D los periodos más recientes exigen S el factor de suavizado representado en forma decimal (por lo que 35 sería representado como 0,35). F los períodos más recientes previstos (la salida del cálculo de suavizado del período anterior). OR (suponiendo un factor de suavizado de 0.35) (D 0.35) (F 0.65) No es mucho más simple que eso. Como puede ver, todo lo que necesitamos para las entradas de datos aquí son los períodos más recientes de demanda y los períodos más recientes previstos. Aplicamos el factor de suavizado (ponderación) a los períodos más recientes de la demanda de la misma manera que lo haría en el cálculo de la media móvil ponderada. A continuación, aplicamos la ponderación restante (1 menos el factor de suavizado) a los períodos más recientes previstos. Dado que los pronósticos de períodos más recientes se crearon en función de la demanda de períodos anteriores y de los períodos previos previstos, que se basó en la demanda del período anterior y en la previsión del período anterior, basada en la demanda del período anterior Eso y la previsión para el período anterior, que se basó en el período anterior. Así, usted puede ver cómo todos los períodos anteriores demanda se representan en el cálculo sin volver realmente a volver y recalcular cualquier cosa. Y eso es lo que impulsó la popularidad inicial de suavizado exponencial. No era porque hizo un mejor trabajo de suavizar que el promedio móvil ponderado, era porque era más fácil de calcular en un programa informático. Y, porque no necesitaba pensar en qué ponderación dar períodos anteriores o cuántos períodos anteriores para usar, como lo haría en promedio móvil ponderado. Y, porque sonaba más fresco que el promedio móvil ponderado. De hecho, se podría argumentar que el promedio móvil ponderado proporciona una mayor flexibilidad ya que usted tiene más control sobre la ponderación de períodos anteriores. La realidad es que cualquiera de estos puede proporcionar resultados respetables, así que ¿por qué no ir con sonido más fácil y más fresco. Suavizado exponencial en Excel Permite ver cómo esto realmente se vería en una hoja de cálculo con datos reales. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. En la figura 1A, tenemos una hoja de cálculo Excel con 11 semanas de demanda, y un pronóstico suavizado exponencialmente calculado a partir de esa demanda. He utilizado un factor de suavizado de 25 (0,25 en la celda C1). La celda activa actual es Cell M4 que contiene el pronóstico para la semana 12. Puede ver en la barra de fórmulas, la fórmula es (L3C1) (L4 (1-C1)). Así, las únicas entradas directas a este cálculo son la demanda de períodos anteriores (celda L3), los períodos previos previstos (celda L4) y el factor de suavizado (celda C1, mostrada como referencia de celda absoluta C1). Cuando comenzamos un cálculo de suavizado exponencial, necesitamos conectar manualmente el valor de la primera previsión. Por lo tanto, en la celda B4, en lugar de una fórmula, acabamos de escribir la demanda de ese mismo período que el pronóstico. En la Célula C4 tenemos nuestro primer cálculo exponencial de suavizado (B3C1) (B4 (1-C1)). Entonces podemos copiar Cell C4 y pegarlo en Cells D4 a M4 para llenar el resto de nuestras celdas de pronóstico. Ahora puede hacer doble clic en cualquier celda de pronóstico para ver que se basa en la celda de pronósticos de períodos anteriores y en la celda de demanda de períodos anteriores. Así, cada cálculo subsiguiente de suavizado exponencial hereda la salida del cálculo de suavizado exponencial anterior. Así es como cada demanda de períodos anteriores se representa en el cálculo de los períodos más recientes, aunque ese cálculo no hace referencia directa a esos períodos anteriores. Si usted desea conseguir la suposición, usted puede utilizar Excels traza la función de precedentes. Para ello, haga clic en Celda M4, luego en la barra de herramientas de la cinta de opciones (Excel 2007 o 2010), haga clic en la pestaña Fórmulas y, a continuación, haga clic en Rastrear precedentes. Dibujará líneas de conector al primer nivel de precedentes, pero si sigue haciendo clic en Trace Precedents, dibujará líneas de conector a todos los períodos anteriores para mostrarle las relaciones heredadas. Ahora vamos a ver lo que el suavizado exponencial hizo por nosotros. La Figura 1B muestra un gráfico de líneas de nuestra demanda y pronóstico. En su caso ver cómo el pronóstico suavizado exponencialmente elimina la mayor parte de la irregularidad (el salto alrededor) de la demanda semanal, pero todavía logra seguir lo que parece ser una tendencia al alza en la demanda. También notará que la línea de pronóstico suavizada tiende a ser menor que la línea de demanda. Esto se conoce como retraso de tendencias y es un efecto secundario del proceso de suavizado. Cada vez que utilice el suavizado cuando se presente una tendencia, su pronóstico se quedará atrás de la tendencia. Esto es cierto para cualquier técnica de suavizado. De hecho, si continuáramos con esta hoja de cálculo y comenzáramos a ingresar números de demanda más bajos (haciendo una tendencia a la baja) veríamos bajar la línea de demanda y la línea de tendencia se movería por encima antes de comenzar a seguir la tendencia a la baja. Es por eso que he mencionado anteriormente la salida del cálculo de suavizado exponencial que llamamos una previsión, todavía necesita un poco más de trabajo. Hay mucho más que pronosticar que simplemente suavizar los golpes de la demanda. Necesitamos hacer ajustes adicionales para cosas como el retraso de tendencias, la estacionalidad, eventos conocidos que pueden afectar la demanda, etc. Pero todo eso está más allá del alcance de este artículo. Es probable que también se ejecutan en términos como suavizado de doble exponencial y suavizado triple exponencial. Estos términos son un poco engañosos ya que no están re-suavizar la demanda varias veces (podría si lo desea, pero eso no es el punto aquí). Estos términos representan el uso de suavizado exponencial en elementos adicionales de la previsión. Así que con el suavizado exponencial simple, usted está suavizando la demanda base, pero con el suavizado exponencial doble está alisando la demanda base más la tendencia, y con el suavizado triple exponencial está suavizando la demanda base más la tendencia más la estacionalidad. La otra pregunta más frecuente sobre el suavizado exponencial es donde puedo obtener mi factor de suavizado No hay ninguna respuesta mágica aquí, es necesario probar diversos factores de suavizado con sus datos de demanda para ver qué obtiene los mejores resultados. Hay cálculos que pueden establecer automáticamente (y cambiar) el factor de suavizado. Estos caen bajo el término de suavizado adaptativo, pero hay que tener cuidado con ellos. Simplemente no hay una respuesta perfecta y no debe aplicar ciegamente ningún cálculo sin pruebas exhaustivas y desarrollar una comprensión completa de lo que hace ese cálculo. También debe ejecutar escenarios hipotéticos para ver cómo reaccionan estos cálculos a los cambios de demanda que pueden no existir actualmente en los datos de demanda que está utilizando para las pruebas. El ejemplo de datos que usé anteriormente es un muy buen ejemplo de una situación en la que realmente necesita probar otros escenarios. Ese ejemplo particular de datos muestra una tendencia al alza bastante consistente. Muchas grandes empresas con software de pronóstico muy caro se metió en grandes problemas en el pasado no tan lejano cuando su configuración de software que se ajustó para una economía en crecimiento no reaccionó bien cuando la economía comenzó a estancarse o encogerse. Cosas como esta suceden cuando usted no entiende lo que sus cálculos (software) realmente está haciendo. Si entendieran su sistema de previsión, habrían sabido que necesitaban saltar y cambiar algo cuando había cambios repentinos y dramáticos en su negocio. Así que ahí lo tienen los fundamentos de suavizado exponencial explicado. ¿Quieres saber más sobre el uso de suavizado exponencial en un pronóstico real, echa un vistazo a mi libro de gestión de inventario explicado. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Dave Piasecki. Es propietario / operador de Inventory Operations Consulting LLC. Una firma de consultoría que ofrece servicios relacionados con la gestión de inventario, manejo de materiales y operaciones de almacén. Tiene más de 25 años de experiencia en gestión de operaciones y puede ser contactado a través de su sitio web (inventoryops), donde mantiene información relevante adicional. Mi negocio
Comments
Post a Comment