Cómo usar el triple alisamiento exponencial para pronosticar en Excel

Question

He tenido la tarea de elaborar un plan de previsión para mi empresa. No tengo experiencia y soy MUY nuevo en la escena del pronóstico. Por ahora, mi compañía no tiene planes de invertir en ningún software de pronóstico, así que mi única herramienta es Excel. He tratado de hacer algunas investigaciones en línea yo mismo y parece que este método de triple suavizado sería una gran ventaja, pero estoy un poco confundido y supongo que no entiendo realmente las ecuaciones.

Abajo he proporcionado 3 años de ventas de un artículo. Pronosticamos en períodos (4 semanas = 1 período). Así que hay 13 períodos en un año. Cuando hacemos pronósticos, tenemos que pronosticar 6 periodos en el futuro, por favor ayúdame a usar la técnica del triple alisado para lograrlo.

Period 10 2009  69,088
Period 11 2009  83,400
Period 12 2009  75,735
Period 13 2009  79,526
Period 01 2010  81,005
Period 02 2010  94,013
Period 03 2010  90,567
Period 04 2010  94,568
Period 05 2010  101,687
Period 06 2010  93,540
Period 07 2010  84,249
Period 08 2010  91,280
Period 09 2010  78,531
Period 10 2010  89,465
Period 11 2010  83,341
Period 12 2010  87,106
Period 13 2010  65,636
Period 01 2011  79,632
Period 02 2011  89,722
Period 03 2011  87,483
Period 04 2011  99,228
Period 05 2011  113,215
Period 06 2011  96,057
Period 07 2011  95,475
Period 08 2011  92,466
Period 09 2011  103,529
Period 10 2011  94,515
Period 11 2011  76,146
Period 12 2011  81,736
Period 13 2011  80,174
Period 01 2012  81,437
Period 02 2012  102,695
Period 03 2012  120,775
Period 04 2012  97,058
Period 05 2012  119,921
Period 06 2012  102,311
Period 07 2012  109,498
Period 08 2012  110,318
Period 09 2012  98,103

Period 10 2012  
Period 11 2012  
Period 12 2012  
Period 13 2012  
Period 01 2013  
Period 02 2013  
Period 03 2013

Answer 1

No es una respuesta exacta a tu pregunta, pero... lo mejor es que dediques un poco de tiempo a aprender los fundamentos de R y utilices algo como el paquete de previsión de Rob Hyndman. Esto le permitirá probar una serie de procedimientos de previsión robustos y elegir los parámetros apropiados, todo dentro de un entorno informático de última generación con buenos gráficos incorporados.

Invertir un poco de tiempo para entender el manejo de datos en R valdrá la pena porque le permitirá lidiar con las verdaderas cuestiones subyacentes de cómo tratar sus series de tiempo, qué métodos usar, cómo tratar cualquier estacionalidad, etc.

install.packages("forecast", dependencies=TRUE)
library(forecast)

x <- ts(c(69088,83400,75735,79526,81005,94013,90567,94568,101687,93540,84249,
91280,78531,89465,83341,87106,65636,79632,89722,87483,99228,113215,96057,
95475,92466,103529,94515,76146,81736,80174,81437,102695,120775,97058,
119921,102311,109498,110318,98103), frequency=13, start=c(2009, 10))

par(mfrow=c(3,1))
plot(ses(x,6), bty="l")
plot(holt(x,6), bty="l")
plot(hw(x,6), bty="l")

Answer 2

Sus datos pueden ser fácilmente modelados utilizando un modelo seaonal de la forma

    Y(T) =  168.16                                                                         
   +[X1(T)][(+ 28.8257)]                 :PULSE           2012/  3
   +[X2(T)][(- 14.3322)]                 :PULSE           2010/ 13
   +[X3(T)][(+ 15.0558)]                 :PULSE           2011/  9
   +[X4(T)][(+ 13.6610)]                 :PULSE           2012/  8
  +     [(1-  .945B** 13)]**-1  [A(T)]

Obsérvese que se trata simplemente de una ecuación que utiliza 0,945 * el valor de hace 13 periodos y puede reformularse como y= 9,3 + 0,945*y(t-13) . El análisis sugiere 4 puntos inusuales en los que podría centrarse para identificar cualquier "serie de información/causa" omitida, como la promoción/actividad de precios.

Un gráfico del ajuste real y las previsiones . En mi opinión, la razón por la que el modelo aditivo seaonal de Peter no captó la estacionalidad es que su modelo era de naturaleza determinista y no adaptativa. A veces un modelo determinista es apropiado, otras veces no. Los datos le dirán qué modelo es el adecuado. Además, el procedimiento de su modelo se basó en los 4 puntos de datos dudosos en lugar de cuestionarlos por "coherencia con las expectativas".

Las previsiones para los próximos 7 períodos son

98.59 81.24 86.52 85.05 86.24 106.32 96.17

. el r-cuadrado del modelo es de 0,754 con un MSE de 56,7 . Este análisis automático se obtuvo utilizando AUTOBOX un programa que he ayudado a desarrollar. La mejora de la precisión de las previsiones puede ahorrar dinero. Espero que esto ayude.

Answer 3

http://www.calstatela.edu/faculty/hwarren/a503/forecast%20time%20series%20within%20Excel.htm también consigue la estacionalidad 13 Espero que disfrutes