НОВЫЕ ВЫЗОВЫ - “СТАРЫЕ” РЕШЕНИЯ!?


Современный, динамически меняющийся бизнес, ставит перед нами всё новые и новые задачи. Для решения которых, не достаточно быть просто компетентным и ответственным - этого мало. Нужно быть, как минимум, лучшим!

Сегодня, всё чаще приходится сталкиваться с ситуациями когда в новых условиях, для решения того или иного вопроса, используют “старые” методы. Методы, когда-то кем-то проверенные, в абсолютно иных условиях. И многие наивно полагают: “Раз это сработало тогда, то сработает и сейчас”. И лезут с этими методами, как со старой мотыгой, на непаханое поле.

Метод Холта

Очевидным недостатком вышеописанных методов скользящего среднего и экспоненциального сглаживания является - сдвиг, относительно исходных данных, “сглаженных” данных вправо.

Преодолеть этот недостаток позволяет метод Холта. Данный метод можно рассматривать как модификацию метода экспоненциального сглаживания, где на каждом этапе не просто усредняются данные, а выделяется трендовая составляющая, которая прибавляется к сглаживаемым данным.

По сглаженным этим методом данным можно как строить функцию регрессии, так и вычислять прогнозные значения.

В методе Холта используются два уравнения, определяющие сглаженные значения уi и значения трендовой составляющей Ti:

yi = (1 - α)* yi + α*( yi-1 + Ti-1) и

Ti = (1 - β)*( yi – yi-1) + β*Ti-1

где α и β – два коэффициента сглаживания,
заданные независимо друг от друга (принимают значения от 0 до 1).

Примечание:

За значение величины первой сглаженной  у1 можно взять значение не сглаженной у1, а за значение Т1 берётся величина, равная

Т1 = (у2 - у1 + у4 – у3) / 2

Выполнение метода Холта сводится к следующей последовательности действий:

Задаются значения коэффициентов сглаживания α и β


Вычисляются начальные значения сглаженной у1 и Т1


По приведенным выше формулам последовательно для i от 2 до n вычисляются пары значений у1 и Т1, причём сначала вычисляется у1, а затем  Т1;

Прогноз на k периодов вперед (отсчитывая от n-го периода (последнего известного, в нашем случае – 6-го периода) выполняется по формуле:


у6+k = yсгл.6 + kT6



Однако, в нашем случае, перед тем как определить значения коэффициентов сглаживания α и β, мы проводим ретроспективный анализ:

искусственно «зануляя» значения скоростей, за последний отчетный период, определяем минимальные возможные погрешности при различных комбинациях  α и β.

После чего происходит сам процесс сглаживания и прогнозирования.

Выбор значений коэффициентов сглаживания

Как упоминалось выше, мы подбираем комбинацию значений α и β таким образом, чтобы при проведении ретроспективного анализа величина погрешности («средняя ошибка аппроксимации ε») была минимальна.

Однако надо понимать саму «физику» процесса, что на что влияет:

так, например, надо помнить, что малые значения α обеспечивают более близкое совпадение форм графиков исходных и сглаженных данных, а большие значения α повышают гладкость сглаженных данных.

Это замечание относится как к методу экспоненциального сглаживания, так и к методу Холта.

Коэффициент β

Значение этого коэффициента мало влияет на форму и гладкость сглаженных данных, но сильно влияет на наклон прямой, на которой лежат прогнозные значения.

Поэтому значение данного коэффициента методом проб выбирают таким образом, чтобы направление этой прямой соответствовало возможным значениям действительного прогноза.

Материалы по теме “Прогнозирование и планирование”

Прогнозирование в Excel - Метод Холта

Как построить диаграмму Ганта в Excel

Как сделать abc-анализ в Excel

Copyright © forecast-ing.ru 2010-2015  Все права защищены

forecast-ing.ru   |   +7 (926) 222-19-57   |   request@forecast-ing.ru