Ordnung ist nur bei Artikel verwendbar, deren Verbrauch keine Trends oder Saisonalitäten aufweist und dessen Schwankungen als chaotisch, also keiner Gesetzmäßigkeit folgend, eingestuft werden. Um mit der exponentielle Glättung 1. Ordnung Saison- oder Trendartikel zu prognostizieren, müssen zuerst saison- und trendbereinigte Zeitreihen ermittelt werden. Alternativ kann auf die exponentielle Glättung 2. Ordnung zurückgegriffen werden. Generelles Problem der exponentielle Glättung 1. Ordnung, wie aller klassischen Prognoseverfahren, ist, dass sie eine normalverteilte Nachfrage unterstellt, die in der Praxis zumeist nicht gegeben ist. Weitere interessante Artikel zu diesem Thema: Verrechnungsintervall Planwertverteilung Autor | Author Prof. Dr. Kemmner hat in über 25 Jahren Beratertätigkeit in Supply Chain Management und Sanierung weit über 150 nationale und internationale Projekte durchgeführt. 2012 wurde er von der WHZ zum Honorarprofessor für Logistik und Supply Chain Management bestellt.
Exponentielle Glättung 2 Ordnung De
Dieses Verfahren - auch exponentielle Glättung 1. Ordnung genannt - sollte grundsätzlich nur auf konstante Prozesse, d. bei Wertereihen angewendet werden, die etwa parallel zur Zeitachse verlaufen. Liegt dagegen ein Trend vor, so führt eine Extrapolation des Trends der Zeitreihe zu einer verzögerten Reaktion. Diese Probleme sind durch die Anwendung der exponentiellen Glättung höherer Ordnung zu vermeiden. So besteht das Modell der exponentiellen Glättung 2. Ordnung aus zwei Gleichungen: Die erste Gleichung ist identisch mit der Rekursionsformel für die exponentielle Glättung 1. Ordnung; in die zweite Gleichung werden die gemäss der ersten Gleichung berechneten Werte yi 1) eingesetzt und die Werte für y{ 2) berechnet. Der Prognose -Ansatz für das Modell exponentieller Glättung 2. Ordnung lautet: yt+r = a t + ss t -r mit r = Prognose -Horizont z. B. r = 1 heisst Prognose für einen Monat oder ein Quartal Literatur: Broivn, R. G., Smoothing, Forecasting and Prediction of Discrete Time Series, New Jersey 1983.
Exponentielle Glättung 2 Ordnung En
Die Methode der exponentiellen Glättung (= exponential smoothing) ragt aus den Zeitreihen-Modellen ein wenig heraus und wird deshalb hier auch gesondert behandelt. Sie ist ein heuristisches Verfahren, ihr liegt kein explizit formuliertes Zeitreihen-Modell zugrunde. Anders hingegen parametrische Zeitreihen-Modelle wie Box-Jenkins-Verfahren oder die Spektralanalyse, die allerdings beide im Rahmen dieser einführenden Analyse nicht behandelt werden. Die exponentielle Glättung mit erster Ordnung prognostiziert den Wert der $\ (t + 1) $. Periode $\ \hat y_{t+1}= 0 \leq \alpha \leq 1 $ nach der Formel Formel: $\ \hat y_{t+1} = \sum_{i=0}^n \alpha (1 - \alpha)^i \cdot y_{t–i}+(1 - \alpha)^{n+1} \cdot \hat y_1 $, Möchte man sofort den Prognosewert für die (t + 1)-te Periode in Abhängigkeit der wahren Werte $\ y_1, y_2,..., y_t $ und des Startwert es $\ \hat y_1 $ haben, so nutzt man am besten diese Formel. Formel: $\ \hat y_{t+1} = \alpha \cdot y + (1 - \alpha) \cdot \hat y_t $ (Einschrittprognose) Die Ein-Schritt-Prognose $\ \hat y_{t+1} $ ist in der Methode der exponentiellen Glättung ein gewogenes arithmetisches Mittel aus dem (tatsächlichen) Zeitreihen-Wert $\ y_t $ der Periode t und dem für die Periode t prognostizierten Wert $\ \hat y_t $ (wobei diese Prognose in der Periode t-1 abgegeben wurde).
Exponentielle Glättung 2 Ordnung 14
Exponentielle Glättung Die exponentielle Glättung 1. Ordnung ist ein Verfahren der Zeitreihenanalyse, das in der Materialwirtschaft für die Prognose zukünftiger Bedarfe eingesetzt werden kann. Bei der exponentiellen Glättung 1. Ordnung errechnet sich der Prognosewert der nächsten Zeitperiode aus dem Prognosewert der alten Zeitperiode zuzüglich der mit Hilfe eines Gegenwartfaktors α gewichteten Differenz zwischen Prognosewert der Vorperiode und tatsächlichem Verbrauch der Vorperiode. Beträgt der α -Wert "0", dann berücksichtigt die exponentielle Glättung 1. Ordnung die Abweichung zwischen Prognose und Ist-Wert in der Vorperiode gar nicht und die neue Prognose entspricht der alten Prognose; der faktische (gegenwärtige) Verbrauch beeinflusst die Prognose also nicht. Bei α = "1" entspricht der Prognosewert der neuen Zeitperiode dem Ist-Verbrauch der vorausgehenden Zeitperiode. Hier bestimmt somit der faktische (gegenwärtige) Verbrauch die Prognose. Unser TIPP: Die exponentielle Glättung 1.
Exponentielle Glättung 2 Ordnung 1
Die exponentielle Glättung zweiter Ordnung hat gegenüber der exponentiellen Glättung erster Ordnung den Vorteil, dass nun auch Trendverläufe berücksichtigt werden. Dh. die bereits einmal geglätteten Werte werden erneuten geglättet. Hierzu stellen wir unsere bisherige Formel ein wenig um: $\ S_{t+1} = \alpha \cdot x_t + (1- \alpha) \cdot S_t \ \ \ \rightarrow \ \ \ \ S_{t+1} = \ S_t + \alpha ( x_t - S_t) $ Nach dieser Umstellung, führen wir nun zuerst eine exponentielle Glättung erster Ordnung und anschließend eine exponentielle Glättung zweiter Ordnung durch. Beispiel zur exponentiellen Glättung zweiter Ordnung Hierzu ein einfaches Beispiel. Beispiel Hier klicken zum Ausklappen Ein Back-Unternehmen hat im Monat Mai 250 Einheiten Kuchen abgesetzt, geschätzt hatte man jedoch nur einen Absatz von 200 Einheiten Kuchen für diese Periode. Führe nun zuerst eine exponentielle Glättung erster Ordnung und anschließend eine exponentielle Glättung zweiter Ordnung durch um eine Aussage für den Monat Juni zu treffen.
Exponentielle Glättung 2 Ordnung 3
( exponential smoothing) Methode zur Erstellung kurzfristiger Prognose n. Sie wurde von Robert Goodell Brown (1963) entwickelt und wird insb. im Rahmen betriebswirtschaftlicher Problemstellungen vielfältig verwendet. Bezeichnet man die Zeitreihenwerte yi, y 2,..., y t,..., yx» so gewinnt man geglättete Werte mit Hilfe der Rekursionsformel y t -i = ay, -i + (l-ajyt-i-j wobei 0 < a < 1; d. h. man gibt der jeweils letzten Beobachtung das Gewicht a und der Schätzung (Glättung) y t _i der Vorperiode das Gewicht 1-a. Durch schrittweises Einsetzen erhält man: ft = ay t + a(l-a)y t _i + a(l-a) 2 y t _ 2 +... Je grösser a ist, desto bedeutsamer sind die Werte der jüngsten Vergangenheit. Mit zunehmender Zeitverschiebung nimmt der Gewichtsfaktor a exponentiell ab; er ist frei wählbar und gibt die Sensitivität der Glättung an. Will man eine Prognose für die Periode t+1 ableiten, so verwendet man dazu die Bestimmungsgleichung: y t +i = y t wobei y t+1 den zu prognostizierenden Wert für die Periode t+1 darstellt.
Hierbei wird der Prognosewert einer Periode mit dem realen Wert abgeglichen und damit parallel auch die geglättete Varianz der Schätzung ermittelt. Die Prognose von Mittelwert und Varianz kann basierend auf Welford's Online-Algorithmus wie folgt berechnet werden: [1]. Die Abweichung zwischen Prognosewert und realem Wert wird durch dargestellt und entspricht der Varianz in Periode. Als Startwerte sind und zu setzen. Im Bestandsmanagement kann mit diesen Informationen der optimale Lagerbestand abgeschätzt werden, um während der Zeit zwischen zwei Bestell- bzw. Produktioonszyklen lieferfähig zu bleiben:
Hierbei stellt der erste Summand den durchschnittlichen Bedarf dar. Der zweite Summand ergänzt einen Sicherheitsbestand, um zwischenzeitliche Schwankungen aufzufangen. stellt einen vom Service Level abhängigen Sicherheitsfaktor dar (siehe Safety Stock). Siehe auch [ Bearbeiten | Quelltext bearbeiten]
Gleitender Mittelwert
ARMA-Modell
Weblinks [ Bearbeiten | Quelltext bearbeiten]
Einzelnachweise [ Bearbeiten | Quelltext bearbeiten]
↑ Tony Finch: Incremental calculation of weighted mean and variance.