Den eksponentielle udjævningsmetode bruger de historiske gennemsnit for en variabel i en periode for at forsøge at forudsige dens fremtidige opførsel.
Derfor handler det om at forudsige, hvad der skal ske, og hvad det gør, er at udjævne tidsserierne. Målet er at reducere udsving og være i stand til at observere en tendens, der undertiden ikke er klar for det blotte øje. Det er meget brugt, især i forventning om salg og har vist sig at være mere end acceptabelt.
Den eksponentielle udjævningsmetode
Lad os se på en enkel måde at beregne på. Formlen, som vi viser detaljeret i eksemplet, inkluderer en faktisk efterspørgsel (Do) og en prognose (Po). På den anden side er udjævningsfaktoren (alfa) udtrykt i så mange gange en. Formlen ville være denne:
Hvad vi gør, som vi vil se i slutningen, er glat serien. Føj til prognosen for den foregående periode (Po) forskellen mellem dette og efterspørgslen (Do) ganget med udjævningsfaktoren (alfa). Med dette opnår vi værdier med mindre variation, og udviklingen af tidsserierne kan observeres bedre.
Selvfølgelig er der noget mere komplekse modeller. På den ene side Box-Jenkins-modellen og på den anden Holt-Winter-modellen. Sidstnævnte er meget nyttigt på grund af dets enkelhed og brugervenlighed. Vi vil ikke gå i detaljer, da vi overskrider vores mål om at vise økonomien på en enkel måde.
Fordelene ved eksponentielle udjævningsmetoder
Fordelene er frem for alt enkelhed og brugervenlighed, men der er nogle få flere. Vi viser det mest relevante nedenfor:
- Det har ikke brug for mange historiske data, i modsætning til andre metoder som ARIMA.
- Det har højere præcision end andre, når man bruger eksponentiel modelleringsteknik.
- Det er en metode, der nyder stor fleksibilitet ved at bruge efterspørgselsdata, der kan vælges af forskeren.
- Den såkaldte dobbelte eksponentielle udjævning gør det muligt at reducere prognoseproblemer, når udjævningsfaktoren er større end 0,5. En af dens få ulemper.
Eksponentielt udjævningseksempel
Forestil dig et firma, der sælger kartoffelchips. Den kommercielle direktør for det mexicanske moderselskab kontakter sin modstykke i Spanien. Dette fortæller dig, at du vil lave en salgsprognose for Valencia. Men selvfølgelig er den eneste indikator, du skal starte med, salg i en by i Mexico, hvor data kan sammenlignes. Brug en faktor til at udjævne serien på 35%.
Som vi kan se i figuren, når vi anvender formlen, får vi prognoseværdierne. Den første (P1) fra januar 2015 er salg af Mexico City i den måned. Efterspørgselskolonnen er de faktiske data for det år. Derfra kan resten af dataene i prognosekolonnen oprettes ved at indtaste formlen.
Vi kan kontrollere, at den eksponentielle udjævning reducerer udsving, og vi bemærker, at der ikke synes at være en klar tendens. Prognosen ligger dog for det meste over den faktiske efterspørgsel, der til sidst blev produceret. Selv om det i en senere periode er meget større.
