Метод экспоненциального сглаживания использует исторические средние значения переменной за период, чтобы попытаться предсказать ее будущее поведение.
Следовательно, его цель - предсказать, что произойдет, и сгладить временные ряды. Цель состоит в том, чтобы уменьшить колебания и иметь возможность наблюдать тенденцию, которая иногда не видна невооруженным глазом. Он широко используется, особенно в ожидании продаж, и оказался более чем приемлемым.
Метод экспоненциального сглаживания
Давайте посмотрим на простой способ расчета. Формула, которую мы подробно показываем в примере, включает фактический спрос (Do) и прогноз (Po). С другой стороны, коэффициент сглаживания (альфа) выражается во столько раз. Формула будет такой:
Что мы делаем, как мы увидим в конце, так это сглаживаем серию. Добавьте к прогнозу предыдущего периода (Po) разницу между этим и спросом (Do), умноженную на коэффициент сглаживания (альфа). Благодаря этому мы достигаем значений с меньшей изменчивостью, и можно лучше наблюдать эволюцию временного ряда.
Конечно, есть несколько более сложные модели. С одной стороны, модель Бокса-Дженкинса, а с другой - модель Холта-Винтера. Последний очень полезен благодаря простоте и удобству использования. Мы не собираемся вдаваться в подробности, так как мы вышли бы за рамки нашей цели - показать экономику простым способом.
Преимущества экспоненциальных методов сглаживания
Преимущества - это, прежде всего, простота и удобство применения, но есть еще несколько. Ниже мы приводим наиболее актуальные:
- Он не требует большого количества исторических данных, в отличие от других методов, таких как ARIMA.
- Он имеет более высокую точность, чем другие, при использовании методов экспоненциального моделирования.
- Это метод, который отличается большой гибкостью благодаря использованию данных о спросе, которые могут быть выбраны исследователем.
- Так называемое двойное экспоненциальное сглаживание позволяет уменьшить проблемы прогнозирования, когда коэффициент сглаживания больше 0,5. Один из немногих его недостатков.
Пример экспоненциального сглаживания
Представьте себе компанию, которая продает картофельные чипсы. Коммерческий директор мексиканской материнской компании связывается со своим коллегой в Испании. Это говорит вам, что вы собираетесь составить прогноз продаж Валенсии. Но, конечно, единственный показатель, с которого вам нужно начать, - это продажи в городе в Мексике, где можно сравнить данные. Используйте коэффициент для сглаживания ряда на 35%.
Как видно на рисунке, применяя формулу, получаем прогнозные значения. Первый (P1) с января 2015 года - это продажи в Мехико за этот месяц. Столбец спроса - это фактические данные за этот год. Оттуда, введя формулу, можно создать остальные данные в столбце прогноза.
Мы можем проверить, что экспоненциальное сглаживание действительно уменьшает колебания, и мы наблюдаем, что, похоже, нет четкой тенденции. Однако прогноз в большинстве случаев превышает фактический спрос, который в конечном итоге был произведен. Хотя в более поздний период это намного больше.