Научно-технический прогресс в проектировании складских объектов

Оглавление

Задание
Часть 1.
Исходные данные
Исследование
Теория
Расчеты
Часть 2
Теория
Расчет
Теория
Литература

Научно-технический прогресс в проектировании складских объектов

4
79,6
-39,8
июн.08
-1
21,9
1
-1
1
21,9
-21,9
июл.08
22,7
авг.08
1
19
1
1
1
19
19
сен.08
2
16,8
16
8
4
67,2
33,6
окт.08
3
11,9
81
27
9
107,1
35,7
ноя.08
4
6,8
256
64
16
108,8
27,2
дек.08
5
5,2
625
125
25
130
26
янв.09
6
2,4
1296
216
36
86,4
14,4
СУММА
156,3
4550
182
1108,9
-22,7
Подставим значения в систему:
Решим систему:
Получим уравнение зависимости
Построим графики значений выборки и расчетных значений.
Проверим работоспособность метода. Как уже было указано, функция является периодической, с периодом в 12 месяцев. Значение в феврале будет равно
Значение в марте
Часть 2
Проведем исследование для Сок «Тонус», тыс. упак.
 
Сок
ноя.07
33
дек.07
36
янв.08
32
фев.08
28
мар.08
32
апр.08
33
май.08
33
июн.08
33
июл.08
37
авг.08
28
сен.08
35
окт.08
31
ноя.08
38
дек.08
34
янв.09
35
фев.09
38
мар.09
35
Построим график
Теория
Одним из наиболее эффективных способов краткосрочного прогнозирования спроса является прогнозирование на основе экспоненциального сглаживания. Этот метод основан на исчислении средневзвешенной величины продаж за некоторое число прошедших периодов и в краткосрочном периоде оказывается очень полезным в тех случаях, когда в рассматриваемом временном ряду наблюдаются значительные различия в уровнях данных, а также в случаях, если товар дешевый или скоропортящийся.
Преимущество метода экспоненциального сглаживания при краткосрочном прогнозировании состоит, главным образом, в том, что он достаточно вычислительно прост и удобен в использовании по сравнению с другими методами. Кроме того, экспоненциальное сглаживание обеспечивает быстрое реагирование прогноза на все события, происходящие на протяжении определенного периода, что позволяет построить так называемую «адаптивную прогнозную модель». Такая модель значительно лучше учитывает случайную колеблемость функции, чем например, трендовая модель. Тем не менее, прогнозирование спроса методом экспоненциального сглаживания будет более точным, если факторы, определяющие спрос, не будут подвержены резким колебаниям.
Для прогнозирования используем метод экспоненциального сглаживания.
При использовании методики экспоненциального сглаживания более поздним данным уделяется большее внимание, чем ранним данным. Такой метод обеспечивает быстрое получение прогноза на один период вперед, при этом автоматически корректируя любой прогноз в свете отличий фактических результатов от спрогнозированных.
Простейшую модель экспоненциального сглаживания можно представить как:
,
где - константа сглаживания,
Ft+1- прогноз на следующий период,
Ft- прогноз на текущий период,
Dt - фактический спрос на текущий период.
Константа сглаживания выбирается от 0 до 1. Величина константы зависит от специфики данных. Если величина ближе к 0, это значит, что прогноз на следующий период будет, в основном, зависеть от данных прошлых периодов, в значительно меньшей степени учитывая последние фактические данные. Если же величина стремится к 1, то на прогноз в большей степени влияет фактический спрос в текущем периоде, чем данные прошлых периодов.
Расчет
Проведем сглаживание по методу экспоненциального сглаживания, который был приведен в теоретическом обзоре и выглядит следующим образом:
,
где t – временной период (например, порядковый номер месяца или квартала);
Ft – прогноз на период t;
Ft+1 – прогноз продаж на период (t+1);
 – константа экспоненциального сглаживания;
At – фактические продажи в период t.
Построим таблицы для метода с различными значениями .
Период
Продажи, руб.
a=0,1
a=0,4
a=0,7
ноя.07
33
33
33
33
дек.07
36
35,7
34,8
33,9
янв.08
32
35,73
35,82
36
фев.08
28
35,357