Definition von Seasonality - Inventory Optimization Software. Seasonality Definition. Home Knowledgebase Hier von Joanns Vermorel, zuletzt überarbeitet September 2011.In Statistiken, die Nachfrage - oder der Verkauf - eines bestimmten Produkts soll Saison Saison zeigen, wenn die zugrunde liegende Zeitreihe unterliegt ein Vorhersagbare zyklische Variation abhängig von der Zeit innerhalb des Jahres Saisonalität ist eines der am häufigsten verwendeten statistischen Muster, um die Genauigkeit der Nachfrage Prognosen zu verbessern. Zum Beispiel die meisten westlichen Einzelhändler haben Spitzenverkäufe an der Weihnachtszeit. Illustration der saisonalen Zeitreihen. Die Grafik unten illustriert 4 Saisonale Zeitreihen zum Vergrößern Zeitreihen werden auf wöchentlicher Ebene über einen Zeitraum von 159 Wochen ca. 3 Jahre aggregiert Die Daten stellen wöchentliche Sendungen für 4 verschiedene Produkte aus dem Lager eines großen europäischen Einzelhändlers dar. Der erste Tag des Jahres Januar 1. ist mit einer grauen vertikalen Markierung markiert Die historischen Daten erscheinen rot, während die Lokad-Prognose in lila dargestellt wird. Die Saisonalität kann visuell als eine Ähnlichkeit der Muster von einem Jahr bis zur nächsten Verwendung der grauen Marker als references. Basic-Modell für betrachtet werden Saisonale Zersetzung. Leben wir die Nachfrage zu der Zeit t Wir zerlegen die Nachfrage Y t in zwei Komponenten S ta streng zyklische Funktion und Z t die nicht-saisonale Komplement Dies gibt. Y t S t Z t mit S t 1 Jahr S T. Wenn eine solche Funktion S t geschätzt werden kann, dann geht der Prognoseprozess typischerweise in drei Stufen die entsorgten Zeitreihen als Z t Y t S t. Produzieren Sie die Prognose über die Zeitreihe Z t möglicherweise durch gleitenden Durchschnitt - Antwort die Saisonalität Indizes auf die Prognose nachher. Back auf das ursprüngliche Problem der Schätzung der saisonalen Indizes S t unter der Annahme, es gibt keinen Trend unter anderem, S t kann mit geschätzt werden. S t AVERAGE Y t-1 MA t-1 Y t -2 MA t-2 Y t-3 MA t-3.wo Y t-1 ist die Verknüpfung für Y t - 1 Jahr und MA t der 1-Jahres-gleitenden Durchschnitt von Y t. Der Ansatz in diesem Abschnitt ist naiv Aber kann einfach in Excel implementiert werden Viele statistische Modelle können in der Literatur gefunden werden, um Saisonalität mit komplizierteren Methoden zu behandeln Ex Box-Jenkins, ARMA, ARIMA, Holt-Winters. Challenges bei der Schätzung der Saisonalität Indizes. Die Saisonalität Modell hier oben ist ein Eher naive Annäherung, die für lange glatte saisonale Zeitreihen arbeiten Dennoch gibt es mehrere praktische Schwierigkeiten bei der Schätzung seasonality. Time-Serie sind kurz Die Lebensdauer der meisten Konsumgüter nicht mehr als 3 oder 4 Jahre Als Ergebnis, für ein gegebenes Produkt, Die Verkaufsgeschichte bietet im Durchschnitt nur sehr wenige Punkte in der Vergangenheit, um jeden saisonalen Index zu schätzen, der die Werte von S t im Laufe des Jahres, vgl. Den vorherigen Abschnitt, sagen soll. Time-Serie ist laut. Zufällige Marktschwankungen beeinflussen den Umsatz und Machen die Saisonalität schwieriger zu isolieren. Mehrere Saisonalitäten sind beteiligt Bei der Betrachtung der Verkäufe auf der Filialebene ist die Saisonalität des Produkts selbst in der Regel mit der Saisonalität des Ladens verwickelt. Andere Muster wie Trend oder Produktlebenszyklus beeinflussen auch Zeitreihen Indem sie verschiedene Arten von Bias in die Schätzung einführen. Eine einfache - wenn auch arbeitsintensive - Methode, um diese Probleme zu lösen, besteht darin, manuelles Erstellen von Saisonalitätsprofilen aus Aggregaten von Produkten zu schaffen, von denen bekannt ist, dass sie das gleiche saisonale Verhalten haben. Die Lebensdauer des Produktaggregats ist typischerweise viel länger als Die Lebensdauer der einzelnen Produkte, die diese Schätzungsprobleme abschwächen. Es gibt viele Muster, die einmal im Jahr passieren, aber nicht immer am selben Datum. Bei Lokad nennen wir diese Muster quasi-saisonal Zum Beispiel Muttertag, der an verschiedenen Terminen fällt Je nach Jahr und variiert auch zwischen Ländern und anderen Ferien wie Ramadan, Ostern und Chanukka, die je nach Jahr auf unterschiedliche Termine fallen, sind quasi-saisonal. Diese quasi-saisonalen Ereignisse fallen über den Rahmen der klassischen zyklischen Prognosemodelle hinaus, die davon ausgehen Die Periode des Zyklus ist streng konstant Um mit diesen quasi-saisonalen Ereignissen umzugehen, ist eine komplexere quasi-zyklische Logik erforderlich. Lokad s gotcha. In unserer Erfahrung beeinflusst die Saisonalität die überwiegende Mehrheit der menschlichen Aktivitäten, insbesondere in der Zeit - serien, die den Verkauf von Konsumgütern Lebensmitteln und Non-Food gleichermaßen darstellen, ist ein saisonaler Faktor fast immer vorhanden. Allerdings kommt es häufig vor, dass aufgrund der Menge an Marktlärm die Qualität der Schätzung der Saisonindizes zu niedrig ist Praktisch zu bedienen, um die Prognosen zu verfeinern. Die Prognose-Technologie von Lokad nativ behandelt sowohl Saisonalität und Quasi-Saisonalität, so dass Sie don t müssen, um Lokad über sie zu erzählen, ist es bereits gesorgt. Um zu überwinden Fragen, die durch die begrenzte historische Tiefe, die für die meisten Zeitreihen im Einzelhandel oder in der Fertigung zur Verfügung steht, verwendet Lokad mehrere Zeitreihenanalysen und die Saisonalität wird nicht auf einem einzigen Produkt ausgewertet, sondern betrachtet viele Produkte. Dadurch reduzieren wir den Lärm in unserer Einschätzung der Saisonalität Auch saisonal in den Prognosen einführen, auch wenn Produkte für weniger als ein Jahr verkauft wurden. Get optimierte Umsatzprognosen mit unserer Inventar-Prognose-Technologie Lokad ist spezialisiert auf Bestandsoptimierung durch Nachfragevorhersage Saisonalters Management - und vieles mehr - sind native Features unserer Prognosemaschine. Supply Chain Themen. Forecasting Themen. Spreadsheet Umsetzung der saisonalen Anpassung und exponentielle Glättung. Es ist einfach, saisonale Anpassung und passen exponentielle Glättung Modelle mit Excel Die Bildschirmbilder und Diagramme unten sind aus einer Kalkulationstabelle, die eingerichtet wurde, um multiplikative saisonale zu illustrieren Anpassung und lineare exponentielle Glättung auf die folgenden vierteljährlichen Verkaufsdaten von Outboard Marine. Um eine Kopie der Tabellenkalkulation selbst zu erhalten, klicken Sie hier Die Version der linearen exponentiellen Glättung, die hier zum Zwecke der Demonstration verwendet wird, ist die Version von Brown s, nur weil es Kann mit einer einzigen Spalte von Formeln implementiert werden und es gibt nur eine Glättung Konstante zu optimieren In der Regel ist es besser, Holt s Version verwenden, die separate Glättung Konstanten für Level und Trend hat. Der Prognoseprozess verläuft wie folgt i zuerst die Daten saisonbereinigt werden Ii dann werden Prognosen für die saisonbereinigten Daten über eine lineare exponentielle Glättung generiert und schließlich werden die saisonbereinigten Prognosen wiederhergestellt, um Prognosen für die ursprüngliche Serie zu erhalten. Der saisonale Anpassungsprozess wird in den Spalten D bis G durchgeführt. Der erste Schritt in der saisonalen Anpassung ist Um einen zentrierten gleitenden Durchschnitt zu berechnen, der hier in Spalte D durchgeführt wird. Dies kann getan werden, indem man den Durchschnitt von zwei einjährigen Mittelwerten annimmt, die um eine Periode relativ zueinander versetzt sind. Eine Kombination von zwei Offset-Mittelwerten anstatt eines einzigen Durchschnitts ist erforderlich Für Zentrierzwecke, wenn die Anzahl der Jahreszeiten gleich ist Der nächste Schritt ist, das Verhältnis zum gleitenden Durchschnitt zu berechnen - die ursprünglichen Daten geteilt durch den gleitenden Durchschnitt in jeder Periode - die hier in Spalte E durchgeführt wird. Dies wird auch als Trend bezeichnet - Zyklus-Komponente des Musters, insofern Trend und Business-Cycle-Effekte als alles, was bleibt, nachdem Mittelwert über ein ganzes Jahr im Wert von Daten Natürlich sind Monat-zu-Monat-Änderungen, die nicht aufgrund der Saisonalität sein könnte Bestimmt durch viele andere Faktoren, aber der 12-Monats-Durchschnitt glättet über sie zu einem großen Teil Der geschätzte saisonale Index für jede Jahreszeit wird berechnet, indem zuerst alle Verhältnisse für die jeweilige Jahreszeit gemittelt wird, die in den Zellen G3-G6 unter Verwendung eines AVERAGEIF durchgeführt wird Formel Die durchschnittlichen Verhältnisse werden dann neu skaliert, so dass sie auf genau das 100-fache der Anzahl der Perioden in einer Jahreszeit oder 400 in diesem Fall summieren, was in den Zellen H3-H6 erfolgt. In der Spalte F werden die VLOOKUP-Formeln verwendet, um die entsprechenden einzufügen Saisonaler Indexwert in jeder Zeile der Datentabelle, nach dem Quartal des Jahres, das es repräsentiert Der zentrierte gleitende Durchschnitt und die saisonbereinigten Daten am Ende so aussehen. Hinweis, dass der gleitende Durchschnitt sieht in der Regel wie eine glattere Version der saisonbereinigt Serie, und es ist kürzer an beiden Enden. Ein anderes Arbeitsblatt in der gleichen Excel-Datei zeigt die Anwendung des linearen exponentiellen Glättungsmodells auf die saisonbereinigten Daten, beginnend mit Spalten-GA-Wert für die Glättungskonstante alpha wird über der Prognosespalte hier eingegeben, In Zelle H9 und zur Bequemlichkeit wird ihm der Bereichsname Alpha zugewiesen. Der Name wird mit dem Befehl Name einfügen angelegt Das LES-Modell wird initialisiert, indem die ersten beiden Prognosen gleich dem ersten Istwert der saisonbereinigten Serie gesetzt werden Die LES-Prognose ist die Single-equation rekursive Form des Browns-Modells. Diese Formel wird in die Zelle entsprechend der dritten Periode hier eingegeben, Zelle H15 und von dort abgemeldet. Beachten Sie, dass die LES-Prognose für die aktuelle Periode auf die beiden vorangeht Beobachtungen und die beiden vorangegangenen Prognosefehler sowie den Wert von alpha So bezieht sich die Prognoseformel in Zeile 15 nur auf Daten, die in Zeile 14 und früher verfügbar waren. Natürlich, wenn wir einfach anstelle einer linearen exponentiellen Glättung verwenden wollten , Könnten wir hier die SES-Formel ersetzen. Wir könnten auch Holts anstelle von Browns LES-Modell verwenden, was zwei weitere Spalten von Formeln erfordern würde, um das Niveau und den Trend zu berechnen, die in der Prognose verwendet werden. Die Fehler werden im nächsten berechnet Spalte hier, Spalte J durch Subtrahieren der Prognosen von den Istwerten Der Wurzel-Mittelquadratfehler wird als Quadratwurzel der Varianz der Fehler plus des Quadrats des Mittelwertes berechnet. Dies folgt aus der mathematischen Identität MSE VARIANCE Fehler AVERAGE Fehler 2 Bei der Berechnung Der Mittelwert und die Varianz der Fehler in dieser Formel sind die ersten beiden Perioden ausgeschlossen, weil das Modell eigentlich nicht mit der Prognose beginnt, bis die dritte Periode Zeile 15 auf der Kalkulationstabelle Der optimale Wert von alpha kann entweder durch manuelles Ändern von alpha bis zum Minimum gefunden werden RMSE gefunden wird, oder Sie können den Solver verwenden, um eine exakte Minimierung durchzuführen. Der Wert von alpha, den der Solver gefunden hat, ist hier alpha 0 471.Es ist in der Regel eine gute Idee, die Fehler des Modells in transformierten Einheiten zu skizzieren und auch zu Berechnen und plotten ihre Autokorrelationen bei Verzögerungen bis zu einer Saison Hier ist eine Zeitreihenfolge der saisonbereinigten Fehler. Die Fehlerautokorrelationen werden mit der CORREL-Funktion berechnet, um die Korrelationen der Fehler mit sich selbst zu berechnen, die von einer oder mehreren Perioden verzögert sind - - details werden im Tabellenkalkulationsmodell dargestellt Hier ist eine Auftragung der Autokorrelationen der Fehler bei den ersten fünf Verzögerungen. Die Autokorrelationen bei den Verzögerungen 1 bis 3 sind sehr nahe bei null, aber die Spitze bei Verzögerung 4, deren Wert 0 35 ist, ist geringfügig Lästig - es deutet darauf hin, dass der saisonale Anpassungsprozess nicht vollständig erfolgreich war. Allerdings sind es eigentlich nur marginal signifikante 95 Signifikanzbänder zum Testen, ob Autokorrelationen signifikant von Null verschieden sind, sind etwa plus-oder-minus 2 SQRT nk, wobei n die ist Stichprobengröße und k ist die Verzögerung Hier ist n 38 und k variiert von 1 bis 5, so dass die Quadratwurzel-von-n-Minus-k etwa 6 für alle von ihnen und damit die Grenzen für die Prüfung der statistischen Signifikanz von Abweichungen von Null sind etwa plus-oder-minus 2 6 oder 0 33 Wenn Sie den Wert von alpha von Hand in diesem Excel-Modell variieren, können Sie den Effekt auf die Zeitreihen und Autokorrelationsdiagramme der Fehler sowie auf Der unten verwendete root-mean-squared-Fehler. Am unteren Rand der Kalkulationstabelle wird die Prognoseformel in die Zukunft bootstrapiert, indem sie lediglich Prognosen für Istwerte an der Stelle, an der die tatsächlichen Daten ablaufen, aussetzt, dh wo die Zukunft beginnt Mit anderen Worten, in jeder Zelle, in der ein zukünftiger Datenwert stattfinden würde, wird eine Zellenreferenz eingefügt, die auf die Prognose hinweist, die für diesen Zeitraum gemacht wurde. Alle anderen Formeln werden einfach von oben kopiert. Nichts, dass die Fehler für Prognosen der Zukunft werden alle berechnet, um null zu sein. Das bedeutet nicht, dass die tatsächlichen Fehler null sein werden, sondern vielmehr nur die Tatsache, dass für die Zwecke der Vorhersage wir davon ausgehen, dass die zukünftigen Daten die Prognosen im Durchschnitt entsprechen werden. Die daraus resultierenden LES-Prognosen für die Saison Angepaßte Daten sehen so aus. Mit diesem besonderen Wert von Alpha, der für Ein-Perioden-Vorhersagen optimal ist, ist der projizierte Trend leicht nach oben, was den lokalen Trend widerspiegelt, der in den letzten 2 Jahren beobachtet wurde. Für andere Werte von Alpha , Kann eine ganz andere Trendprojektion erhalten werden. Es ist in der Regel eine gute Idee zu sehen, was mit der langfristigen Trendprojektion passiert, wenn Alpha abwechslungsreich ist, denn der Wert, der für kurzfristige Prognosen am besten ist, wird nicht unbedingt der beste Wert sein Vorhersage der weiter entfernten Zukunft Beispielsweise ist hier das Ergebnis, das erhalten wird, wenn der Wert von alpha manuell auf 0 25 gesetzt wird. Der projizierte Langzeittrend ist nun eher negativ als positiv Mit einem kleineren Wert von alpha platziert das Modell Mehr Gewicht auf ältere Daten in der Einschätzung des aktuellen Niveaus und des Tendenzes und seine langfristigen Prognosen spiegeln den Abwärtstrend wider, der in den letzten 5 Jahren beobachtet wurde, anstatt der jüngsten Aufwärtstrend. Diese Grafik zeigt auch deutlich, wie das Modell mit einem kleineren Wert ist Von alpha ist langsamer, um auf Wendepunkte in den Daten zu reagieren und neigt daher dazu, einen Fehler des gleichen Vorzeichens für viele Perioden in einer Reihe zu machen. Die 1-Schritt-voraus-Prognosefehler sind im Durchschnitt größer als die, die vor RMSE von 34 4 erhalten wurden Als 27 4 und stark positiv autokorreliert Die Lag-1-Autokorrelation von 0 56 übersteigt den oben berechneten Wert von 0 33 für eine statistisch signifikante Abweichung von Null. Als Alternative zum Anfahren des Wertes von alpha, um mehr Konservatismus in Langzeit - Langzeitprognosen wird dem Modell manchmal ein Trenddämpfungsfaktor hinzugefügt, um den projizierten Trend nach einigen Perioden abzubauen. Der letzte Schritt beim Aufbau des Prognosemodells besteht darin, die LES-Prognosen durch Multiplikation mit den entsprechenden saisonalen Indizes zu vernetzen , Sind die reseasonalisierten Prognosen in Spalte I einfach das Produkt der Saisonindizes in Spalte F und die saisonbereinigten LES-Prognosen in Spalte H. Es ist relativ einfach, Konfidenzintervalle für einstufige Prognosen zu berechnen, die von diesem Modell zuerst berechnet werden RMSE-Wurzel-Mittel-Quadrat-Fehler, der nur die Quadratwurzel des MSE ist und dann ein Konfidenzintervall für die saisonbereinigte Prognose berechnen, indem man das Zwei-malige RMSE addiert und subtrahiert. Im Allgemeinen ein 95-Konfidenzintervall für eine Prognose für eine Periode voraus Ist annähernd gleich der Punktprognose plus-oder-minus-zweimal die geschätzte Standardabweichung der Prognosefehler, vorausgesetzt, die Fehlerverteilung ist annähernd normal und die Stichprobengröße ist groß genug, sagen wir, 20 oder mehr Hier ist die RMSE anstatt Die Stichproben-Standardabweichung der Fehler ist die beste Schätzung der Standardabweichung der zukünftigen Prognosefehler, da sie Vorurteile sowie zufällige Variationen berücksichtigt. Die Vertrauensgrenzen für die saisonbereinigte Prognose werden dann zusammen mit der Prognose neu vervielfacht, indem sie mit dem Angemessene saisonale indizes In diesem Fall ist die RMSE gleich 27 4 und die saisonbereinigte Prognose für die erste zukünftige Periode Dez-93 ist 273 2, so dass das saisonbereinigte 95 Konfidenzintervall von 273 2-2 27 4 218 4 bis 273 2 2 ist 27 4 328 0 Die Überschreitung dieser Grenzwerte bis zum Dezember s saisonalen Index von 68 61 erhalten wir niedrigere und obere Konfidenzgrenzen von 149 8 und 225 0 um die Dez-93-Punkt-Prognose von 187 4.Confidence-Limits für Prognosen, die mehr als einen Zeitraum im Voraus sind Erweitern sich, wenn der prognostizierte Horizont zunimmt, aufgrund der Unsicherheit über das Niveau und den Trend sowie die saisonalen Faktoren, aber es ist schwierig, sie im Allgemeinen durch analytische Methoden zu berechnen. Der geeignete Weg, um Vertrauensgrenzen für die LES-Prognose zu berechnen, ist die ARIMA-Theorie , Aber die Ungewissheit in den saisonalen Indizes ist eine andere Sache Wenn Sie ein realistisches Konfidenzintervall für eine Prognose mehr als einen Zeitraum voran wollen, wobei alle Fehlerquellen berücksichtigt werden, ist Ihre beste Wette, empirische Methoden zum Beispiel zu verwenden, um ein Vertrauen zu erhalten Intervall für eine Vorhersage im Voraus mit 2 Schritten, können Sie eine weitere Spalte auf der Kalkulationstabelle erstellen, um eine 2-Schritt-Prognose für jede Periode zu berechnen, indem Sie die Vorstufe für die Vorausschreitung starten. Berechnen Sie dann die RMSE der 2-Schritt-Prognose Fehler und verwenden Sie diese als Grundlage für ein 2-Schritt-voraus Konstanz Intervall. Was ist Seasonality. Seasonality ist ein Merkmal einer Zeitreihe, in der die Daten erleben regelmäßige und vorhersehbare Änderungen, die jedes Kalenderjahr wiederholen Jede vorhersehbare Veränderung oder Muster in einem Zeitreihen, die sich über einen Zeitraum von einem Jahr wiederholen oder wiederholen können, können saisonal sein. Saisonale Effekte unterscheiden sich von zyklischen Effekten, da saisonale Zyklen innerhalb eines Kalenderjahres enthalten sind, während zyklische Effekte, wie z. B. gestiegene Verkäufe aufgrund niedriger Arbeitslosenquoten, Kann Zeitspannen kürzer sein oder länger als ein Kalenderjahr. BREAKING DOWN Seasonality. Seasonality bezieht sich auf periodische Schwankungen in bestimmten Geschäftsbereichen, die regelmäßig auf einer bestimmten Saison auftreten Eine Saison kann sich auf einen Zeitraum beziehen, wie durch die Kalenderjahreszeiten, wie z. B. bezeichnet Sommer oder Winter, sowie kommerzielle Jahreszeiten, wie die Ferien-Saison Unternehmen, die die Saisonalität ihres Unternehmens verstehen können Zeit Vorräte Personal und andere Entscheidungen mit der erwarteten Saisonalität der damit verbundenen Aktivitäten zusammenfallen. Es ist wichtig, um die Auswirkungen der Saisonalität zu berücksichtigen Bei der Analyse von Beständen aus fundamentaler Sicht Ein Unternehmen, das in bestimmten Jahreszeiten höhere Umsätze erlebt, scheint in den Hochsaisonen erhebliche Zuwächse zu erzielen und erhebliche Verluste während der Off-Peak-Jahreszeiten. Wenn dies nicht berücksichtigt wird, kann ein Investor wählen, Verkaufen Wertpapiere auf der Grundlage der Tätigkeit zur Hand, ohne die saisonale Änderung, die später als Teil des Unternehmens saisonalen Konjunkturzyklus auftritt. Examples of Seasonality. Seasonality kann in einer Vielzahl von vorhersehbaren Änderungen der Kosten oder Verkäufe beobachtet werden, wie es sich auf die Regelmäßiger Übergang durch die Zeiten des Jahres Zum Beispiel, wenn Sie in einem Klima mit kalten Wintern und warmen Sommern leben, steigen Ihre Heimatheizkosten wahrscheinlich im Winter an und fallen im Sommer Sie erwarten vernünftigerweise die Saisonalität Ihrer Heizkosten, um jedes zu wiederholen Jahr Ähnlich ist eine Firma, die Sonnenschutz - und Bräunungsprodukte in den Vereinigten Staaten verkauft, den Verkauf im Sommer überspringen, aber fallen in den Winter. Temporary Workers. Large Einzelhändler, wie Wal-Mart, können Leiharbeiter in Reaktion auf die höheren Anforderungen zu mieten Verbunden mit der Ferienzeit Im Jahr 2014 erwartete Wal-Mart die Einstellung von rund 60.000 Mitarbeitern, um die erhöhte Aktivität in den Läden zu kompensieren. Diese Bestimmung wurde durch die Untersuchung der Verkehrsmuster aus früheren Ferienzeiten und die Verwendung dieser Informationen zu extrapolieren, was im kommenden kommen kann Saison Sobald die Saison vorbei ist, wird eine Reihe von Zeitarbeitskräften freigegeben, da sie nicht mehr benötigt werden, basierend auf den Erwartungen der Nachsaison. Mit der Beobachtung der Aktienpreise im Zusammenhang mit Wal-Mart von Juli 2014 bis Juli 2015 kann Saisonalität Beobachtet werden Während der bereinigte Schlusskurs im Juli 2014 als 69 70 aufgeführt wurde, stieg der Preis während der Winterferienzeit auf 82 34 im Dezember Dieser Preis sank nach der Ferienzeit, die bei 69 87 im Juli 2015 saß.
No comments:
Post a Comment