A Company Will To Prognose Nachfrage Nutzung Die Gewichtet Gleitenden Durchschnitt

Zeitreihenmethoden Zeitreihenmethoden sind statistische Techniken, die historische Daten über einen bestimmten Zeitraum nutzen. Zeitreihenmethoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft stattfinden wird. Wie die Namen Zeitreihen vorschlagen, beziehen diese Methoden die Prognose auf nur einen Faktor - Zeit. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie und gehören zu den beliebtesten Methoden für die Nahbereichsprognose bei Service - und Fertigungsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Zum Beispiel, wenn die Nachfrage 100 Einheiten in dieser Woche ist, ist die Prognose für die nächste Woche Nachfrage 100 Einheiten, wenn die Nachfrage sich aus 90 Einheiten statt, dann die folgenden Wochen Nachfrage beträgt 90 Einheiten, und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, das sie nur in der laufenden Periode auf die Nachfrage stützt. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der letzten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Erhöhungen und Abnahmen einer Prognose, die nur einen Zeitraum verwendet, zu dämpfen oder zu glätten. Der einfache gleitende Durchschnitt ist nützlich für die prognostizierte Nachfrage, die stabil ist und zeigt keine ausgeprägten Nachfrage Verhalten, wie ein Trend oder saisonale Muster. Durchgehende Durchschnitte werden für bestimmte Zeiträume, wie z. B. drei Monate oder fünf Monate, berechnet, je nachdem, wie viel der Prognostiker die Nachfragedaten verkleinern möchte. Je länger die gleitende durchschnittliche Periode, desto glatter wird es sein. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist die Berechnung eines einfachen Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Bürobedarfsgeschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge umgehend zu liefern, ist ein Faktor, um neue Kunden zu bekommen und alte zu halten. (Büros in der Regel bestellen nicht, wenn sie niedrig auf Lieferungen laufen, aber wenn sie komplett ausgelaufen sind, so dass sie ihre Bestellungen sofort benötigen.) Der Manager des Unternehmens will sicher genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern Sie haben ein ausreichendes Inventar auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die im nächsten Monat auftreten werden (d. h. die Nachfrage nach Lieferungen zu prognostizieren). Aus den Aufzeichnungen der Lieferaufträge hat das Management die folgenden Daten für die letzten 10 Monate angesammelt, von denen es will, um 3- und 5-Monats-Gleitdurchschnitte zu berechnen. Nehmen wir an, dass es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, ist typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die letzten 3 Monate in der Sequenz nach folgender Formel berechnet: Der 5-Monats-Gleitender Durchschnitt wird aus den vorangegangenen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und 5-Monats - Gleitende Durchschnittsprognosen für alle Monate der Bedarfsdaten sind in der folgenden Tabelle dargestellt. Tatsächlich würde nur die Prognose für November auf der Grundlage der letzten monatlichen Nachfrage vom Manager genutzt werden. Allerdings erlauben uns die früheren Prognosen für Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das ist, wie gut es tut. Drei - und Fünf-Monats-Mittelwerte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität der tatsächlichen Daten zu verkleinern. Dieser Glättungseffekt kann in der folgenden Abbildung beobachtet werden, in der die 3-Monats - und 5-Monatsdurchschnitte einem Graphen der ursprünglichen Daten überlagert wurden: Der 5-Monats-Gleitender Durchschnitt in der vorherigen Abbildung glättet Schwankungen in größerem Maße als Der 3-Monats-Gleitender Durchschnitt. Allerdings spiegelt der 3-Monats-Durchschnitt die aktuellsten Daten, die dem Büroversorger zur Verfügung stehen. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen der Nachfrage zu reagieren, als die, die mit kürzerperiodischen Bewegungsdurchschnitten gemacht wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose reagiert. Die Festlegung der entsprechenden Anzahl von Perioden, die in einer gleitenden durchschnittlichen Prognose verwendet werden, erfordert oft eine gewisse Versuchs - und Fehler-Experimentierung. Der Nachteil der gleitenden Mittelmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich im Grunde um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Allerdings hat die gleitende durchschnittliche Methode den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. Im Allgemeinen kann diese Methode eine gute Prognose für die kurzfristige, aber es sollte nicht zu weit in die Zukunft geschoben werden. Weighted Moving Average Die gleitende durchschnittliche Methode kann angepasst werden, um die Fluktuationen der Daten besser zu reflektieren. Bei der gewichteten gleitenden Durchschnittsmethode werden den letzten Daten nach der folgenden Formel Gewichte zugeordnet: Die Anforderungsdaten für PM Computer Services (siehe Tabelle für Beispiel 10.3) folgen einem zunehmenden linearen Trend. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer ist als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättung und angepassten exponentiellen Glättungsprognosen. Die für die Berechnungen der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher ist die lineare Trendliniengleichung Um eine Prognose für die Periode 13 zu berechnen, sei x 13 im linearen Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie gegenüber den Ist-Daten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - das heißt, eine gute Passform zu sein - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie ist jedoch, dass sie sich nicht auf eine Trendänderung anpasst, da die exponentiellen Glättungsvorhersagemethoden das sind, wird davon ausgegangen, dass alle zukünftigen Prognosen einer Geraden folgen. Dies begrenzt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine wiederholte Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen saisonalen Mustern, mit der Nachfrage nach warmer Kleidung, die im Herbst und Winter zunimmt und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelhandelsartikeln, einschließlich Spielzeug, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Obst, erhöhen während der Ferienzeit. Grußkarte verlangt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben eine höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkauf - an Einkaufszentren nimmt am Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein Zahlenwert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage für jede Saisonperiode durch die jährliche Gesamtnachfrage nach folgender Formel zu teilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind in Wirklichkeit der Anteil der gesamten jährlichen Nachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um die prognostizierten Prognosen für jede Saison zu erzielen. Berechnen einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne, um an eine Fleischverarbeitungsfirma während des ganzen Jahres zu verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres von Oktober bis Dezember. Wishbone Farms hat die Nachfrage nach Truthühnern für die letzten drei Jahre in der folgenden Tabelle gezeigt: Weil wir drei Jahre Nachfrage haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage über alle drei Jahre dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr 2000 mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Bedarfsprognose für das Jahr 2000. In diesem Fall, da die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend zu zeigen scheinen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu bekommen Prognose Schätzung: So ist die Prognose für 2000 58,17 oder 58,170 Truthähne. Mit dieser jährlichen Prognose der Nachfrage, die saisonbereinigten Prognosen, SF i, für das Jahr 2000 Vergleich dieser vierteljährlichen Prognosen mit den tatsächlichen Nachfrage-Werte in der Tabelle, scheinen sie relativ gute Prognose-Schätzungen, was sowohl die saisonalen Variationen in den Daten und Der allgemeine Aufwärtstrend. 10-12 Wie ist die gleitende Mittelmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell erhöht die Glättungskonstante von 10-14. Wie unterscheidet sich die exponentielle Glättung von der exponentiellen Glättung 10-15. Was bestimmt die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Startvorhersage immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie andere Wege vor, dass die Startvorhersage im laufenden Gebrauch abgeleitet werden könnte. 10-17 Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose von 10-18. Von den Zeitreihenmodellen, die in diesem Kapitel vorgestellt wurden, einschließlich des gleitenden Durchschnitts und des gewichteten gleitenden Durchschnitts, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, die man als das beste betrachtet. Warum 10-19. Welche Vorteile hat die exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend zeigt. 4 K. B. Kahn und J. T. Mentzer, Prognose in Konsumenten - und Industriemärkten, The Journal of Business Forecasting 14, Nr. 2 (Sommer 1995): 21-28.Kapitel 11 - Demand Management amp Prognose 1. Perfekte Prognose ist praktisch unmöglich 2. Anstatt die perfekte Prognose zu suchen, ist es viel wichtiger, die Praxis der kontinuierlichen Überprüfung der Prognose und der Lernen, mit ungenauer Prognose zu leben 3. Bei der Vorhersage ist eine gute Strategie, 2 oder 3 Methoden zu verwenden und sie für die Commonsense-Ansicht zu sehen. 2. Grundquellen der Nachfrage 1. Abhängige Nachfrage - Nachfrage nach Produkten oder Dienstleistungen durch die Nachfrage nach anderen Produkten oder Dienstleistungen verursacht. Nicht viel kann die Firma tun, es muss erfüllt sein. 2. Unabhängige Nachfrage - Nachfrage, die nicht direkt aus der Nachfrage nach anderen Produkten abgeleitet werden kann. Firm kann: a) eine aktive Rolle einnehmen, um die Nachfrage zu beeinflussen - Druck auf Ihren Außendienst auszuüben b) eine passive Rolle zu übernehmen, um die Nachfrage zu beeinflussen - wenn eine Firma voll ausgelastet ist, kann sie nicht etwas über die Nachfrage tun. Andere Gründe sind wettbewerbsfähig, legal, ökologisch, ethisch und moralisch. Versuche, die Zukunft auf der Grundlage einer vergangenen Daten vorauszusagen. 1. Kurzfristig - unter 3 Monaten - taktische Entscheidungen wie die Auffüllung von Inventar oder Terminierung EEs in der nahen Zeit 2. Mittelfristig - 3 M-2Y - Erfassung saisonale Effekte wie Kunden reagieren auf ein neues Produkt 3. Langfristig - mehr als 2 Jahre. Um wichtige Wendepunkte zu identifizieren und allgemeine Trends zu erkennen. Lineare Regression ist eine besondere Art der Regression, wo die Beziehungen zwischen variablen Formen eine gerade Linie Y abX. Y - abhängige Variable a - Y Intercept B - Slope X - unabhängige Variable Es wird für die langfristige Prognose von Großereignissen und Aggregatplanung verwendet. Es wird sowohl für die Zeitreihenvorhersage als auch für die beiläufige Beziehungsprognose verwendet. Ist die am häufigsten genutzte Prognosetechnik. Die jüngsten Vorkommnisse sind ein Indikator für die Zukunft (höchster vorhersagbarer Wert) als die in der weit entfernten Vergangenheit. Wir sollten dem Erz die letzten Zeiträume bei der Vorhersage mehr geben. Jedes Inkrement in der Vergangenheit wird um (1 alpha) verringert. Je höher das Alpha, desto genauer folgt die Prognose der tatsächlichen. Jüngste Gewichtung Alpha (1-alpha) na 0 Daten eine Zeitperiode älter Alpha (1-alpha) na 1 Daten zwei Zeitperioden älter Alpha (1-alpha) na 2 Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der Richtige Personen, die werksseitig verwendet werden, um tatsächlich den Prognosewert zu erzeugen, muss zwischen 0 und 1 1 liegen. 2 oder mehr vorbestimmte Werte von Alpha - je nach Fehlergrad werden unterschiedliche Werte von Alpha verwendet. Wenn der Fehler groß ist, ist Alpha 0,8, wenn der Fehler klein ist, Alpha ist 0,2 2. Berechnete Werte des Alpha - exponentiell geglätteten tatsächlichen Fehlers geteilt durch den exponentiell erstickten absoluten Fehler. Qualitative Techniken in der Prognose Expertenwissen und erfordern viel Urteil (neue Produkte oder Regionen) 1. Marktforschung - auf der Suche nach neuen Produkten und Ideen, mag und mag keine vorhandenen Produkte. In erster Linie SURVEYS amp INTERVIEWS 2. Panel Consensus - die Idee, dass 2 Köpfe sind besser als eins. Panel von Menschen aus einer Vielzahl von Positionen können eine zuverlässigere Prognose als eine engere Gruppe zu entwickeln. Problem ist, dass niedrigere EE-Ebenen durch höhere Management-Level eingeschüchtert werden. Exekutivurteil wird angewendet (höheres Management ist beteiligt). 3. Historische Analogie - eine Firma, die bereits Toaster produziert und Kaffeekannen produzieren möchte, könnte die Toastergeschichte als wahrscheinliches Wachstumsmodell nutzen. 4. Delphi-Methode - sehr abhängig von der Auswahl der richtigen Personen, die werdlich verwendet werden, um tatsächlich die Prognose zu generieren. Jeder hat das gleiche Gewicht (mehr fair). Zufriedenstellende Ergebnisse werden in der Regel in 3 Runden erreicht. OBJECTIVE - Collaborative Planning, Prognose und Nachschub (CPFR) Um ausgetauschte interne Informationen auf einem gemeinsamen Webserver auszutauschen, um für eine zuverlässige, längerfristige künftige Nachfrage nach der Nachfrage in der Supply Chain zu sorgen. P 498 ein Unternehmen will die Nachfrage nachgeben (S. 498) Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorläufige Verkaufswerte (dh Jahr 2009 130, Jahr 2010 110 und Jahr 2011 160) nutzt, ist die folgende gleitende durchschnittliche Prognose für das Jahr 2012 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Verwendung von Gleichung 15.5 (Seite 498) Prognose für 2012 (130 110 160) 3 4004 133.3 AACSB: Analytische Blüten Taxonomie: Analysieren Schwierigkeit: Mittel Jacobs - Kapitel 15 66 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenvorhersage machen können Mit Regressionsbewegungsdurchschnitten und exponentieller Glättung Themenbereich: Zeitreihenanalyse 67. (S. 500) Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen zwei vorläufige Verkaufswerte (dh Jahr 2011 110 und Jahr 2012 130) verwendet, und wir wollen das Jahr 2011 um 10 und Jahr 2012 bei 90, was im Folgenden die gewichtete gleitende durchschnittliche prognose für das jahr 2013 folgt. 120 B. 128 C. 133 D. 138 E. 142 Verwendung von Gleichung 15.6 (Seite 500) Prognose für 2013 (110x0.1) (130x0.9) 11 117 128 AACSB: Analytische Blüten Taxonomie: Analysieren Schwierigkeit: Mittel Jacobs - Kapitel 15 67 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenprognose mit Regressionsbewegungsdurchschnitten und exponentieller Glättung erstellen können. Themenbereich: Zeitreihenanalyse Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion anzuzeigen. 68. (S. 500) Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorläufige Verkaufswerte (dh Jahr 2010 160, Jahr 2011 140 und Jahr 2012 170) verwendet, und wir wollen das Jahr 2010 um 30, Jahr 2011 um 30 und Jahr 2012 bei 40, wobei das folgende ist Gewichtete bewegliche Durchschnittsprognose für das Jahr 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Verwendung von Gleichung 15.6 (Seite 500) Prognose für 2013 (160x0,3) (140x0,3) (170x0,4) 158 AACSB: Analytische Blüten Taxonomie: Analysieren Schwierigkeit: Mittel Jacobs - Kapitel 15 68 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenprognose mit Regressionsbewegungsdurchschnitten und exponentieller Glättung erstellen können. Themenbereich: Zeitreihenanalyse 69. (S. 501) Welche zwei von Die folgenden sind unter den Hauptgründen, dass die exponentielle Glättung als Prognosetechnik gut angenommen worden ist. A. Genauigkeit B. Raffinesse der Analyse C. Predicts Wendepunkte D. Einfache Nutzung E. Fähigkeit zur Vorhersage rückläufiger Datentrends Exponentielle Glättungstechniken sind gut geworden Aus sechs Hauptgründen akzeptiert: 1. Exponentialmodelle sind überraschend richtig. 2. Die Formulierung eines exponentiellen Modells ist relativ einfach. 3. Der Benutzer kann verstehen, wie das Modell funktioniert. 4. Für die Verwendung des Modells ist eine kleine Berechnung erforderlich. 5. Die Anforderungen an die Computerspeicherung sind wegen der begrenzten Verwendung von historischen Daten klein. 6. Tests für die Genauigkeit, wie gut das Modell durchführt, sind leicht zu berechnen. AACSB: Analytisch Dies ist das Ende der Vorschau. Melden Sie sich an, um auf den Rest des Dokuments zuzugreifen. Diese Notiz wurde auf 11092012 für den Kurs MBAA 500 hochgeladen von Professor Multiple während der Frühjahr 03912 Begriff bei Embry-Riddle FLAZ hochgeladen. TERM Spring 03912 PROFESSOR mehrere Klicken Sie hier, um die Dokumentdetails zu bearbeiten10 ein Unternehmen will die Nachfrage mit der 10 prognostizieren. Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen vier vorläufige Umsatzzahlen (dh Jahr 2010 100, Jahr 2011 120, Jahr 2012 140 und Jahr 2013 210) verwendet, ist die folgende gleitende durchschnittliche Prognose für das Jahr 2014 A. 100.5 B. 140.0 C. 142,5 D. 145,5 E. 155,0. C Prognose für 2014 (100 120 140 210) 4 5704 142,5. 11. Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorläufige Verkaufswerte (dh Jahr 2011 130, Jahr 2012 110 und Jahr 2013 160) verwendet, ist die folgende gleitende durchschnittliche Prognose für das Jahr 2014 A. 100.5 B. 122.5 C. 133.3 D. 135.6 E. 139.3. C Prognose für 2014 (130 110 160) 3 4004 133.3. 12. Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorläufige Verkaufswerte nutzt (dh Jahr 2011 160, Jahr 2012 140 und Jahr 2013 170), und wir wollen das Jahr 2011 auf 30 Prozent, Jahr 2012 bei 30 Prozent und Jahr 2013 auf 40 Prozent, was Von folgendem ist die gewichtete gleitende Durchschnittsprognose für das Jahr 2014 A. 170 B. 168 C. 158 D. 152 E. 146. C Prognose für 2014 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158. 13 Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen zwei vorläufige Verkaufswerte nutzt (dh das Jahr 2012 110 und das Jahr 2013 130), und wir wollen das Jahr 2012 bei 10 Prozent und Jahr 2013 bei 90 Prozent, was im Folgenden die gewichtete gleitende Durchschnittsprognose für das Jahr 2014 ist A. 120 B. 128 C. 133 D. 138 E. 142. B Prognose für 2014 (160 x 0,3) (140 x 0,3) (170 x 0,4) 158. 14. Ein Unternehmen will eine Prognose für die Bedarfsermittlung generieren Jahr 2014 mit exponentieller Glättung. Die tatsächliche Nachfrage im Jahr 2013 betrug 120. Die Prognose Nachfrage im Jahr 2013 war 110. Mit diesen Daten und eine Glättung konstante Alpha von 0,1, die von der folgenden ist der resultierende Jahr 2014 Prognose Wert A. 100 B. 110 C. 111 D 114 E. 120. C 15. Kontinuierliche Überprüfung und Aktualisierung im Lichte neuer Daten ist eine Prognosetechnik, die als Zweitraten bezeichnet wird. T Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion anzuzeigen. 16. Zyklische Einflüsse auf die Nachfrage werden oft grafisch als lineare Funktion ausgedrückt, die entweder nach oben oder nach unten geneigt ist. F 17. Zyklische Einflüsse auf die Nachfrage können von Ereignissen wie politischen Wahlen, Krieg oder wirtschaftlichen Bedingungen kommen. T 18. Die Zerlegung einer Zeitreihe bedeutet, die Zeitreihendaten in ihre Komponenten zu identifizieren und zu trennen. T 19. Die Gleichung für die exponentielle Glättung besagt, dass die neue Prognose gleich der alten Prognose plus dem Fehler der alten Prognose ist. F 20. Erfahrung und Versuch und Irrtum sind die einfachsten Möglichkeiten, Gewichte für das gewichtete gleitende Durchschnittsprognosemodell auszuwählen. T 21. Exponentielle Glättungsprognosen liegen immer hinter dem eigentlichen Auftreten zurück, können aber mit einer Trendanpassung etwas korrigiert werden. T 22. Exponentielle Glättung ist immer die beste und genaueste aller Prognosemodelle. F 23. Die exponentielle Glättungsmethode erfordert, welche der folgenden Daten die Zukunft zu prognostizieren. A 24. Für jedes Prognoseproblem gibt es eine beste Prognosetechnik. F 25. Dies ist das Ende der Vorschau. Melden Sie sich an, um auf den Rest des Dokuments zuzugreifen. Diese Testvorbereitung wurde am 05222016 für den Kurs OPER 3400 hochgeladen von Professor A. cemsaydam während der Frühjahr 03914 Begriff bei UNC Charlotte hochgeladen. TERM Spring 03914 PROFESSOR A. CemSaydam Klicken Sie hier, um die Dokumentdetails zu bearbeiten