Previsão de estoque em média móvel

Evolução média móvel média. Como você pode imaginar, estamos olhando algumas das abordagens mais primitivas da previsão. Mas espero que este seja, pelo menos, uma introdução interessante para algumas das questões de informática relacionadas à implementação de previsões em planilhas. Nessa linha, continuaremos começando no início e começaremos a trabalhar com as previsões da Moeda em Movimento. Previsões médias móveis. Todos estão familiarizados com as previsões da média móvel, independentemente de acreditarem estar ou não. Todos os estudantes universitários fazem-no o tempo todo. Pense nos resultados do teste em um curso onde você terá quatro testes durante o semestre. Vamos assumir que você obteve um 85 no seu primeiro teste. O que você prever para o seu segundo resultado de teste O que você acha que seu professor prever para o seu próximo resultado de teste? O que você acha que seus amigos podem prever para o seu próximo resultado do teste? O que você acha que seus pais podem prever para o seu próximo resultado? Todos os blabbing que você pode fazer para seus amigos e pais, eles e seu professor provavelmente esperam que você consiga algo na área dos 85 que você acabou de receber. Bem, agora vamos assumir que, apesar de sua auto-promoção para seus amigos, você superestimar-se e imaginar que você pode estudar menos para o segundo teste e então você obtém um 73. Agora, o que todos os interessados ​​e desinteressados ​​vão Preveja que você obtém seu terceiro teste. Existem duas abordagens muito prováveis ​​para que eles desenvolvam uma estimativa, independentemente de compartilharem com você. Eles podem dizer a si mesmos, esse cara está sempre soprando fumaça sobre seus inteligentes. Hes vai ter outros 73 se tiver sorte. Talvez os pais tentem ser mais solidários e dizer, muito, até agora você obteve um 85 e um 73, então talvez você devesse entender sobre obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festa E não mexia com a doninha em todo o lugar e se você começou a fazer muito mais estudando, você poderia obter uma pontuação mais alta. Duas dessas estimativas são, na verdade, previsões médias móveis. O primeiro está usando apenas o seu resultado mais recente para prever seu desempenho futuro. Isso é chamado de previsão média móvel usando um período de dados. O segundo é também uma previsão média móvel, mas usando dois períodos de dados. Vamos assumir que todas essas pessoas que estão se abalando na sua ótima mente ficaram chateadas e você decide fazer bem no terceiro teste por suas próprias razões e colocar uma pontuação maior na frente do quotalliesquot. Você faz o teste e sua pontuação é realmente um 89, todos, incluindo você, está impressionado. Então, agora você já fez o teste final do semestre e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você fará no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. O que você acredita é o Whistle mais preciso enquanto trabalhamos. Agora, retornamos à nossa nova empresa de limpeza, iniciada pela sua meia-irmã separada chamado Whistle While We Work. Você possui alguns dados de vendas passadas representados pela seção a seguir de uma planilha. Primeiro apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula celular para as outras células C7 até C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que não precisamos realmente fazer as previsões para os períodos passados ​​para desenvolver nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Eu incluí o quotpast predictionsquot porque vamos usá-los na próxima página da web para medir a validade da previsão. Agora, eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula celular para as outras células C6 até C11. Observe como agora apenas as duas peças históricas mais recentes são usadas para cada previsão. Mais uma vez eu incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são importantes para aviso prévio. Para uma previsão média móvel de m-período, apenas os valores de dados mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel de m-período, ao fazer previsões quotpast, observe que a primeira previsão ocorre no período m 1. Essas duas questões serão muito significativas quando desenvolvamos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão média móvel que pode ser usada de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que deseja usar na previsão e na matriz de valores históricos. Você pode armazená-lo em qualquer livro de trabalho que desejar. Função MovingAverage (Histórico, NumberOfPeriods) As Single Declarando e inicializando variáveis ​​Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer Inicializando variáveis ​​Counter 1 Accumulation 0 Determinando o tamanho da matriz histórica HistoricalSize Historical. Count Para o contador 1 para NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods O código será explicado na classe. Você deseja posicionar a função na planilha para que o resultado do cálculo apareça onde deveria gostar do seguinte. Usando a função PREVISÃO no Excel (e Open Office Calc) copie Copyright. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Deixe-me começar dizendo que Excels Forecast Function não é um sistema completo de previsão de inventário. A previsão no gerenciamento de inventário geralmente envolve a remoção do ruído da demanda, calculando e incorporando tendências, sazonalidade e eventos. A função de previsão não vai fazer todas essas coisas para você (tecnicamente, poderia, mas existem maneiras melhores de realizar algumas dessas). Mas é uma pequena função que é fácil de usar, e certamente pode ser uma parte do seu sistema de previsão. De acordo com a Ajuda da Microsoft na função Forecast. A função FORECAST (x, knownys, knownxs) retorna o valor previsto da variável dependente (representada nos dados por knownys) para o valor específico, x, da variável independente (representada nos dados por knownxs) usando o melhor ajuste (Mínimos quadrados) regressão linear para prever valores y de valores x. Então, o que exatamente isso significa Regressão linear é uma forma de análise de regressão e pode ser usado para calcular uma relação matemática entre dois (ou mais) conjuntos de dados. Na previsão, você usaria isso se achasse que um conjunto de dados poderia ser usado para prever outro conjunto de dados. Por exemplo, se você vendeu materiais de construção, você pode achar que mudanças nas taxas de juros podem ser usadas para prever as vendas de seus produtos. Este é um exemplo clássico de usar regressão para calcular uma relação entre uma variável externa (taxas de juros) e uma variável interna (suas vendas). No entanto, como veremos mais tarde, você também pode usar regressão para calcular uma relação dentro do mesmo conjunto de dados. Uma abordagem típica para a análise de regressão envolve o uso de regressão para determinar o relacionamento matemático, mas também para ajudar a dar uma idéia de como esse relacionamento é válido (ou seja, a parte de análise). A função de previsão ignora a análise e apenas calcula um relacionamento e aplica-se automaticamente à sua saída. Isso torna as coisas mais fáceis para o usuário, mas assume que sua relação é válida. Então, essencialmente, a função Previsão usa regressão linear para prever um valor baseado em uma relação entre dois conjuntos de dados. Vamos ver alguns exemplos. Na Figura 1A, temos uma planilha que inclui a taxa de juros média nos últimos 4 anos e as vendas unitárias durante esse mesmo período de 4 anos. Também mostramos uma taxa de juros prevista para o 5º ano. Podemos ver no exemplo que nossas vendas de unidades aumentam à medida que as taxas de juros diminuem e diminuem à medida que as taxas de juros aumentam. Apenas olhando para o exemplo, provavelmente podemos adivinhar que nossas vendas para o ano 5 estarão entre 5,000 e 6,000 com base na relação observada entre taxas de juros e vendas nos períodos anteriores. Podemos usar a função de previsão para quantificar mais precisamente essa relação e aplicá-la ao 5º ano. Na Figura 1B, você pode ver a função de Previsão sendo aplicada. Nesse caso, a fórmula na célula F4 é PRÉVIA (F2, B3: E3, B2: E2). O que temos entre parênteses é conhecido como um argumento. Um argumento é realmente apenas um meio de passar parâmetros na função que está sendo usada (neste caso, a função Previsão). Cada parâmetro é separado por uma vírgula. Para que a função de previsão funcione, precisa saber o valor que estamos usando para prever nossa produção (nossas vendas no ano 5). No nosso caso, o parâmetro (nossa taxa de juros do ano 5) está na célula F2, então o primeiro elemento do nosso argumento é F2. Em seguida, ele precisa saber onde pode encontrar os valores existentes que ele usará para determinar o relacionamento a ser aplicado ao F2. Primeiro precisamos inserir as células que representam os valores de nossa variável dependente. No nosso caso, estas seriam nossas unidades vendidas nos últimos 4 anos, portanto entramos em B3: E3. Então precisamos inserir as células que representam os valores de nossa variável de preditores. No nosso caso, estas seriam as taxas de juros durante os 4 anos anteriores, portanto entramos em B2: E2). A função de previsão agora pode comparar as unidades vendidas durante os anos 1 a 4 com as taxas de juros nesses mesmos anos e, em seguida, aplicar essa relação com nossa taxa de juros prevista do ano 5 para obter nossas vendas previstas para o ano 5 de 5.654 unidades. No exemplo anterior, podemos olhar para os gráficos para ajudar a tentar visualizar o relacionamento. À primeira vista, pode não parecer tão óbvio porque temos uma relação inversa (as vendas vão para cima como as taxas de juros vão PARA BAIXO), mas se você mentalmente virou um dos gráficos, você veria um relacionamento muito claro. Essa é uma das coisas legais sobre a função de previsão (e análise de regressão). Ele pode lidar facilmente com uma relação inversa. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Agora vamos olhar outro exemplo. Na Figura 2A, vemos um novo conjunto de dados. Neste exemplo, nossas taxas de juros subiram e baixaram nos últimos 4 anos, ainda que nossas vendas unitárias apresentaram uma tendência ascendente consistente. Embora seja possível que as taxas de juros tenham tido algum impacto nas nossas vendas neste exemplo, é óbvio que há fatores muito mais significativos em jogo aqui. Ao usar nossa função de previsão com esses dados, devolvemos uma previsão de 7.111 unidades para o Ano 5. Penso que a maioria de nós olharia nossa tendência de vendas e concorda que é muito mais provável que nossas vendas para o Ano 5 sejam 9 mil unidades. Como eu mencionei anteriormente, a função de previsão assume que o relacionamento é válido, portanto, ele produz saída com base no melhor ajuste que pode fazer com os dados fornecidos. Em outras palavras, se dissermos que existe um relacionamento, ele nos acredita e produz a saída em conformidade sem nos dar uma mensagem de erro ou qualquer sinal que implique que o relacionamento é muito pobre. Então, tenha cuidado com o que você pede. Os exemplos anteriores abrangiam a aplicação clássica de regressão à previsão. Embora tudo isso pareça bastante liso, esta aplicação clássica de regressão não é tão útil como você pode pensar (você pode verificar meu livro para obter mais informações sobre a regressão e por que pode não ser uma boa escolha para suas necessidades de previsão). Mas agora vamos usar a função de previsão para simplesmente identificar a tendência dentro de um dado conjunto de dados. Comece por olhar a Figura 3A. Aqui temos demanda com uma tendência muito óbvia. A maioria de nós deve poder analisar esses dados e se sentir confortável ao prever que a demanda no Período 7 provavelmente será de 60 unidades. No entanto, se você executou esses dados através dos cálculos de previsão típicos usados ​​no gerenciamento de estoque, você pode se surpreender com o quão pobre muitos desses cálculos são responsáveis ​​pela tendência. Uma vez que a função de previsão requer a entrada de uma variável dependente e uma variável de preditores, como podemos usar a função de previsão se tivermos apenas um conjunto de dados. Bem, embora seja tecnicamente verdade que temos um único conjunto de dados. Exigem história), nós realmente temos um relacionamento acontecendo dentro desse conjunto de dados. Nesse caso, nosso relacionamento é baseado no tempo. Portanto, podemos usar a demanda de cada período como uma variável preditor para os próximos períodos de demanda. Portanto, precisamos apenas dizer a função de previsão para usar a demanda nos períodos 1 a 5 como os dados existentes para a variável preditor e usar a demanda nos períodos 2 a 6 como dados existentes para a variável dependente. Em seguida, diga para aplicar essa relação com a demanda no Período 6 para calcular nossa previsão para o Período 7. Você pode ver na Figura 3B, nossa fórmula na Célula I3 é PRÉVIA (H2, C2: H2, B2: G2). E retorna uma previsão de 60 unidades. Obviamente, este exemplo não é realista, pois a demanda é muito boa (sem ruído). Então, procure a Figura 3C onde aplicamos esse mesmo cálculo a alguns dados mais realistas. Eu só quero reafirmar, que enquanto a função de previsão é útil, não é um sistema de previsão. Normalmente, eu prefiro ter um pouco mais de controle sobre exatamente como eu aplico e estendi as tendências à minha previsão. Além disso, você quer primeiro remover todos os outros elementos da sua demanda que não estão relacionados à sua demanda e tendência básica. Por exemplo, você deseja remover quaisquer efeitos de sazonalidade ou eventos (como promoções) de sua demanda antes de aplicar a função de previsão. Você aplicaria seu índice de sazonalidade e qualquer índice de eventos ao resultado da função de previsão. Você também pode brincar com suas entradas para obter um resultado desejado. Por exemplo, você pode tentar primeiro suavizar seu histórico de demanda (através de uma média móvel, média móvel ponderada ou suavização exponencial), e usando essa é a variável preditor em vez da demanda bruta. Para obter mais informações sobre Previsão, consulte o livro Gerenciamento de inventário Explicado. Usando a função de previsão no Open Calc do Office. Para usuários do Openoffice. org Calc. A função Previsão funciona basicamente da mesma forma que no Excel. No entanto, há uma pequena diferença na sintaxe usada em Calc. Onde quer que você use uma vírgula em um argumento em uma função do Excel, você usaria um ponto e vírgula em Calc. Então, em vez da Fórmula do Excel, você entraria na Página de Artigos para mais artigos de Dave Piasecki. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Dave Piasecki. É um operador próprio da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de estoque, manuseio de materiais e operações de armazém. Possui mais de 25 anos de experiência no gerenciamento de operações e pode ser alcançado através do seu site (inventário), onde ele mantém informações relevantes adicionais. O Business Inventory Operations Consulting LLC da minha empresa fornece assistência rápida, acessível e especializada com gerenciamento de inventário e operações de armazenamento. Meus Explicação de livros de livros explicados. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Quando as pessoas primeiro encontram o termo Suavização Exponencial, eles podem pensar que isso parece ser um monte de alisamento. Seja qual for o alisamento. Eles então começam a imaginar um cálculo matemático complicado que provavelmente requer um diploma em matemática para entender, e espero que exista uma função incorporada do Excel disponível se eles precisarem fazê-lo. A realidade do alisamento exponencial é muito menos dramática e muito menos traumática. A verdade é que o alisamento exponencial é um cálculo muito simples que realiza uma tarefa bastante simples. Ele só tem um nome complicado, porque o que tecnicamente acontece como resultado desse simples cálculo é realmente um pouco complicado. Para entender o alisamento exponencial, ajuda a começar com o conceito geral de suavização e alguns outros métodos comuns usados ​​para o alisamento. O que é o alisamento O suavização é um processo estatístico muito comum. De fato, nós encontramos regularmente dados suavizados em várias formas em nossa vida cotidiana. Sempre que usar uma média para descrever algo, você está usando um número suavizado. Se você pensa sobre o motivo pelo qual você usa uma média para descrever algo, você entenderá rapidamente o conceito de suavização. Por exemplo, acabamos de experimentar o inverno mais caloroso registrado. Como podemos quantificar isso. Bem, começamos com conjuntos de dados das temperaturas diárias altas e baixas durante o período em que chamamos de Inverno por ano na história registrada. Mas isso nos deixa com um monte de números que saltam bastante (não é como todos os dias que este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores). Precisamos de um número que remova todo esse salto dos dados para que possamos comparar mais facilmente um inverno com o próximo. Remover o salto nos dados é chamado de suavização e, neste caso, podemos usar apenas uma média simples para realizar o alisamento. Na previsão de demanda, usamos alisamento para remover a variação aleatória (ruído) de nossa demanda histórica. Isso nos permite identificar melhor os padrões de demanda (principalmente tendência e sazonalidade) e níveis de demanda que podem ser usados ​​para estimar a demanda futura. O ruído em demanda é o mesmo conceito que o salto diário dos dados de temperatura. Não surpreendentemente, a maneira mais comum de remover o ruído do histórico de demanda é usar uma média simples ou mais especificamente, uma média móvel. Uma média móvel apenas usa um número predefinido de períodos para calcular a média, e esses períodos se movem à medida que o tempo passa. Por exemplo, se eu estiver usando uma média móvel de 4 meses e hoje é 1 de maio, estou usando uma média de demanda ocorrida em janeiro, fevereiro, março e abril. Em 1º de junho, vou usar a demanda de fevereiro, março, abril e maio. Média móvel ponderada. Ao usar uma média, estamos aplicando a mesma importância (peso) a cada valor no conjunto de dados. Na média móvel de 4 meses, cada mês representou 25 da média móvel. Ao usar o histórico de demanda para projetar a demanda futura (e especialmente a tendência futura), é lógico chegar à conclusão de que você gostaria que o histórico mais recente tenha um impacto maior na sua previsão. Podemos adaptar nosso cálculo de média móvel para aplicar vários pesos a cada período para obter os resultados desejados. Nós expressamos esses pesos como porcentagens e o total de todos os pesos para todos os períodos deve somar até 100. Portanto, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, podemos Subtrair 35 de 100 para descobrir que temos 65 restantes para dividir nos outros 3 períodos. Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35, respectivamente, durante os 4 meses (15 20 30 35 100). Suavização exponencial. Se voltarmos ao conceito de aplicar um peso ao período mais recente (como 35 no exemplo anterior) e espalhar o peso restante (calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65), temos Os blocos de construção básicos para nosso cálculo exponencial de suavização. A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização (também chamado de constante de suavização). Representa essencialmente a ponderação aplicada à demanda de períodos mais recentes. Então, onde usamos 35 como a ponderação para o período mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como fator de suavização em nosso cálculo exponencial de suavização para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que ao invés de nós ter que descobrir o quanto de peso a aplicar a cada período anterior, o fator de suavização é usado para fazer isso automaticamente. Então, aqui vem a parte exponencial. Se usarmos 35 como fator de suavização, a ponderação da demanda de períodos mais recentes será de 35. A ponderação da próxima demanda dos períodos mais recentes (o período anterior ao mais recente) será 65 de 35 (65 provém de subtrair 35 de 100). Isso equivale a 22,75 ponderações para esse período se você fizer a matemática. Nos próximos períodos, a demanda será 65 de 65 de 35, o que equivale a 14,79. O período anterior será ponderado como 65 de 65 de 65 de 35, o que equivale a 9.61, e assim por diante. E isso continua com todos os seus períodos anteriores até o início do tempo (ou o ponto em que você começou a usar o alisamento exponencial para esse item em particular). Você provavelmente está pensando que parece um monte de matemática. Mas a beleza do cálculo de suavização exponencial é que ao invés de ter que recalcular em relação a cada período anterior sempre que você obtém uma nova demanda de períodos, você simplesmente usa a saída do cálculo de suavização exponencial do período anterior para representar todos os períodos anteriores. Você está confuso ainda Isso fará mais sentido quando olhamos para o cálculo real Normalmente, nos referimos à saída do cálculo de suavização exponencial como a próxima previsão do período. Na realidade, a previsão final precisa de um pouco mais de trabalho, mas para os fins desse cálculo específico, nos referiremos como a previsão. O cálculo de suavização exponencial é o seguinte: a demanda de períodos mais recente multiplicada pelo fator de suavização. PLUS A previsão de períodos mais recente multiplicada por (um menos o fator de suavização). D os períodos mais recentes exigem S o fator de suavização representado na forma decimal (então 35 seria representado como 0,35). F os períodos mais recentes previstos (a saída do cálculo de suavização do período anterior). OU (assumindo um fator de suavização de 0,35) (D 0,35) (F 0,65) Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para obter dados aqui são os períodos mais recentes, a demanda e os períodos mais recentes previstos. Nós aplicamos o fator de suavização (ponderação) para os períodos mais recentes exigindo da mesma maneira que seria no cálculo da média móvel ponderada. Em seguida, aplicamos a ponderação restante (1 menos o fator de suavização) até a previsão de períodos mais recentes. Uma vez que a previsão de períodos mais recentes foi criada com base na demanda dos períodos anteriores e nos períodos anteriores, que se baseou na demanda do período anterior e na previsão do período anterior, que se baseou na demanda do período anterior E a previsão para o período anterior, que se baseou no período anterior. Bem, você pode ver como todos os períodos anteriores são representados no cálculo, sem realmente voltar e recalcular qualquer coisa. E é isso que impulsionou a popularidade inicial do alisamento exponencial. Não foi por ter feito um melhor trabalho de suavização do que a média móvel ponderada, foi porque era mais fácil de calcular em um programa de computador. E, porque você não precisava pensar sobre a ponderação para dar períodos anteriores ou quantos períodos anteriores usar, como você faria na média móvel ponderada. E, porque soava mais frio do que a média móvel ponderada. Na verdade, pode-se argumentar que a média móvel ponderada proporciona maior flexibilidade, pois você tem mais controle sobre a ponderação de períodos anteriores. A realidade é que qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com um som mais fácil e mais legal. Suavização exponencial no Excel Veja como isso realmente seria exibido em uma planilha com dados reais. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Na Figura 1A, temos uma planilha do Excel com 11 semanas de demanda e uma previsão exponencialmente suavizada calculada a partir dessa demanda. Eu usei um fator de suavização de 25 (0,25 na célula C1). A célula ativa atual é Cell M4 que contém a previsão para a semana 12. Você pode ver na barra de fórmulas, a fórmula é (L3C1) (L4 (1-C1)). Assim, as únicas entradas diretas para este cálculo são a demanda de períodos anteriores (Cell L3), os períodos anteriores previstos (Cell L4) e o fator de suavização (Cell C1, mostrado como referência de célula absoluta C1). Quando começamos um cálculo de suavização exponencial, precisamos conectar manualmente o valor para a 1ª previsão. Então, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda do mesmo período que a previsão. Na célula C4, temos o nosso 1º cálculo exponencial de suavização (B3C1) (B4 (1-C1)). Podemos copiar Cell C4 e colá-lo nas células D4 através de M4 para preencher o resto das nossas células de previsão. Agora você pode clicar duas vezes em qualquer célula de previsão para ver se é baseada na célula de previsão de períodos anteriores e na célula de demanda de períodos anteriores. Portanto, cada cálculo subseqüente de suavização exponencial herda a saída do cálculo de suavização exponencial anterior. É assim que a demanda de cada período anterior é representada no cálculo dos períodos mais recentes, embora esse cálculo não faça referência direta a esses períodos anteriores. Se você deseja ter fantasia, você pode usar a função Excels trace precedents. Para fazer isso, clique em Cell M4, depois na barra de ferramentas da fita (Excel 2007 ou 2010) clique na guia Fórmulas e, em seguida, clique em Preocupações de rastreamento. Ele irá desenhar linhas de conector para o primeiro nível de precedentes, mas se você continuar clicando em Preocupações de rastreamento, irá desenhar linhas de conector para todos os períodos anteriores para mostrar as relações herdadas. Agora, vamos ver o que o alisamento exponencial fez por nós. A Figura 1B mostra um gráfico de linha de nossa demanda e previsão. Você vê como a previsão exponencialmente alisada remove a maior parte da irregularidade (o salto em torno) da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda. Você também notará que a linha de previsão suavizada tende a ser menor do que a linha de demanda. Isso é conhecido como atraso de tendência e é um efeito colateral do processo de suavização. Sempre que usar o suavização quando uma tendência estiver presente, sua previsão ficará para trás da tendência. Isso é verdade para qualquer técnica de suavização. De fato, se continuássemos esta planilha e começássemos a inserir números de demanda menores (fazendo uma tendência decrescente), você veria a queda da linha de demanda e a linha de tendência se deslocará acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente a saída do cálculo de suavização exponencial que chamamos de previsão, ainda precisa de mais algum trabalho. Há muito mais para prever que apenas suavizar os solavancos na demanda. Precisamos fazer ajustes adicionais para coisas como atraso de tendência, sazonalidade, eventos conhecidos que podem afetar demanda, etc. Mas tudo isso está além do escopo deste artigo. Você provavelmente também irá encontrar termos como suavização de dois níveis exponencial e suavização triplo-exponencial. Esses termos são um pouco enganadores, pois você não está re-suavizando a demanda várias vezes (você poderia, se quiser, mas isso não é o ponto aqui). Estes termos representam o uso de suavização exponencial em elementos adicionais da previsão. Assim, com um alisamento exponencial simples, você está suavizando a demanda base, mas com o alisamento duplo-exponencial, você suaviza a demanda base mais a tendência, e com alisamento triplo-exponencial você suaviza a demanda base mais a tendência mais a sazonalidade. A outra pergunta mais comum sobre o alisamento exponencial é onde eu obtenho meu fator de suavização. Não há resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que obtém os melhores resultados. Existem cálculos que podem definir automaticamente (e alterar) o fator de suavização. Estes se enquadram no termo alisamento adaptativo, mas você precisa ter cuidado com eles. Simplesmente não há uma resposta perfeita e você não deve implementar de forma cega nenhum cálculo sem testes completos e desenvolver uma compreensão completa do que esse cálculo faz. Você também deve executar cenários do que-se para ver como esses cálculos reagem às mudanças de demanda que podem não existir atualmente nos dados de demanda que você está usando para testar. O exemplo de dados que usei anteriormente é um exemplo muito bom de uma situação em que você realmente precisa testar alguns outros cenários. Esse exemplo de dados específicos mostra uma tendência ascendente bastante consistente. Muitas grandes empresas com software de previsão muito caro conseguiram grandes problemas no passado não tão distante, quando as configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher. Coisas como esta acontecem quando você não entende o que seus cálculos (software) estão realmente fazendo. Se eles entendessem seu sistema de previsão, eles saberiam que precisavam entrar e mudar algo quando houve mudanças súbitas e dramáticas em seus negócios. Então, você tem os conceitos básicos de suavização exponencial explicados. Quer saber mais sobre o uso de suavização exponencial em uma previsão real, verifique meu livro Gerenciamento de inventário explicado. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Dave Piasecki. É um operador próprio da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de estoque, manuseio de materiais e operações de armazém. Possui mais de 25 anos de experiência no gerenciamento de operações e pode ser alcançado através do seu site (inventário), onde ele mantém informações relevantes adicionais. Meu negócio