Η εκθετική μέθοδος εξομάλυνσης χρησιμοποιεί τους ιστορικούς μέσους όρους μιας μεταβλητής σε μια περίοδο για να προσπαθήσει να προβλέψει τη μελλοντική της συμπεριφορά.
Επομένως, αυτό που είναι είναι να προβλέψουμε τι πρόκειται να συμβεί και τι κάνει είναι να εξομαλύνει τις χρονοσειρές. Ο στόχος είναι να μειωθούν οι διακυμάνσεις και να είναι σε θέση να παρατηρήσει μια τάση που μερικές φορές δεν είναι ξεκάθαρη με γυμνό μάτι. Χρησιμοποιείται ευρέως, ειδικά για την πρόβλεψη των πωλήσεων και έχει αποδειχθεί ότι είναι κάτι περισσότερο από αποδεκτό.
Η εκθετική μέθοδος εξομάλυνσης
Ας δούμε έναν απλό τρόπο υπολογισμού. Ο τύπος, τον οποίο παρουσιάζουμε λεπτομερώς στο παράδειγμα, περιλαμβάνει μια πραγματική ζήτηση (Do) και μια πρόβλεψη (Po). Από την άλλη πλευρά, ο παράγοντας εξομάλυνσης (άλφα) εκφράζεται σε τόσες πολλές φορές ένα. Ο τύπος θα ήταν ο εξής:
Αυτό που κάνουμε, όπως θα δούμε στο τέλος, είναι η ομαλή σειρά. Προσθέστε στην πρόβλεψη της προηγούμενης περιόδου (Po) τη διαφορά μεταξύ αυτού και της ζήτησης (Do) πολλαπλασιασμένη επί τον συντελεστή εξομάλυνσης (άλφα). Με αυτό επιτυγχάνουμε τιμές με λιγότερη μεταβλητότητα και η εξέλιξη των χρονοσειρών μπορεί να παρατηρηθεί καλύτερα.
Φυσικά, υπάρχουν κάπως πιο περίπλοκα μοντέλα. Από τη μία πλευρά, το μοντέλο Box-Jenkins και από την άλλη, το μοντέλο Holt-Winter. Το τελευταίο είναι πολύ χρήσιμο λόγω της απλότητας και της ευκολίας χρήσης του. Δεν πρόκειται να αναφερθούμε σε συγκεκριμένες λεπτομέρειες, καθώς θα ξεπεράσουμε τον στόχο μας να δείξουμε την οικονομία με έναν απλό τρόπο.
Τα πλεονεκτήματα των εκθετικών μεθόδων εξομάλυνσης
Τα πλεονεκτήματα είναι πάνω απ 'όλα απλότητα και ευκολία εφαρμογής, αλλά υπάρχουν μερικά ακόμη. Δείχνουμε τα πιο σχετικά παρακάτω:
- Δεν χρειάζεται πολλά ιστορικά δεδομένα, σε αντίθεση με άλλες μεθόδους όπως το ARIMA.
- Έχει υψηλότερη ακρίβεια σε σχέση με τους άλλους όταν χρησιμοποιούν εκθετικές τεχνικές μοντελοποίησης.
- Είναι μια μέθοδος που απολαμβάνει μεγάλη ευελιξία, χρησιμοποιώντας δεδομένα ζήτησης που μπορούν να επιλεγούν από τον ερευνητή.
- Η λεγόμενη διπλή εκθετική εξομάλυνση καθιστά δυνατή τη μείωση των προβλημάτων πρόβλεψης όταν ο συντελεστής εξομάλυνσης είναι μεγαλύτερος από 0,5. Ένα από τα λίγα μειονεκτήματά του.
Εκθετικό παράδειγμα εξομάλυνσης
Φανταστείτε μια εταιρεία που πουλά πατατάκια. Ο εμπορικός διευθυντής της μητρικής εταιρείας του Μεξικού έρχεται σε επαφή με τον ομόλογό του στην Ισπανία. Αυτό σας λέει ότι πρόκειται να κάνετε μια πρόβλεψη πωλήσεων για τη Βαλένθια. Αλλά φυσικά, ο μόνος δείκτης που πρέπει να ξεκινήσετε είναι οι πωλήσεις σε μια πόλη στο Μεξικό όπου μπορούν να συγκριθούν δεδομένα. Χρησιμοποιήστε έναν παράγοντα για να εξομαλύνετε τη σειρά του 35%.
Όπως μπορούμε να δούμε στο σχήμα, εφαρμόζοντας τον τύπο λαμβάνουμε τις τιμές πρόβλεψης. Το πρώτο (P1), από τον Ιανουάριο του 2015, είναι οι πωλήσεις της Πόλης του Μεξικού για αυτόν τον μήνα. Η στήλη ζήτησης είναι τα πραγματικά δεδομένα για το συγκεκριμένο έτος. Από εκεί, εισάγοντας τον τύπο, μπορούν να δημιουργηθούν τα υπόλοιπα δεδομένα στη στήλη πρόβλεψης.
Μπορούμε να επαληθεύσουμε ότι η εκθετική εξομάλυνση μειώνει τις διακυμάνσεις και παρατηρούμε ότι δεν φαίνεται να υπάρχει σαφής τάση. Ωστόσο, η πρόβλεψη είναι τις περισσότερες φορές πάνω από την πραγματική ζήτηση που τελικά δημιουργήθηκε. Αν και σε μεταγενέστερη περίοδο, αυτό είναι πολύ μεγαλύτερο.