Metoda exponenciálního vyhlazování používá historické průměry proměnné v období, aby se pokusila předpovědět její budoucí chování.
Jde tedy o předvídání toho, co se bude dít a co bude dělat, je vyhlazení časové řady. Cílem je snížit výkyvy a být schopen pozorovat trend, který někdy není viditelný pouhým okem. Je široce používán, zejména v očekávání prodeje a ukázalo se, že je více než přijatelné.
Metoda exponenciálního vyhlazování
Podívejme se na jednoduchý způsob výpočtu. Vzorec, který si v příkladu podrobně ukážeme, zahrnuje skutečnou poptávku (Do) a předpověď (Po). Na druhé straně faktor vyhlazení (alfa) vyjádřeno tolikrát v jednom. Vzorec by byl tento:
Co uděláme, jak uvidíme na konci, je hladká série. Přidejte k prognóze předchozího období (Po) rozdíl mezi tímto a poptávkou (Do) vynásobený vyhlazovacím faktorem (alfa). Tím dosáhneme hodnot s menší variabilitou a vývoj časové řady lze lépe sledovat.
Samozřejmě existují poněkud složitější modely. Na jedné straně model Box-Jenkins a na druhé model Holt-Winter. Ten je velmi užitečný díky své jednoduchosti a snadnému použití. Nebudeme zacházet do konkrétních podrobností, protože bychom překročili náš cíl ukázat ekonomiku jednoduchým způsobem.
Výhody metod exponenciálního vyhlazování
Výhodou je především jednoduchost a snadnost použití, ale existuje několik dalších. Níže uvádíme nejrelevantnější:
- Na rozdíl od jiných metod, jako je ARIMA, nepotřebuje mnoho historických dat.
- Při použití technik exponenciálního modelování má vyšší přesnost než ostatní.
- Jedná se o metodu, která se těší velké flexibilitě tím, že využívá údaje o poptávce, které může výzkumník zvolit.
- Takzvané dvojité exponenciální vyhlazování umožňuje snížit problémy s předpovědí, když je faktor vyhlazení větší než 0,5. Jedna z mála nevýhod.
Příklad exponenciálního vyhlazování
Představte si společnost, která prodává bramborové lupínky. Obchodní ředitel mexické mateřské společnosti kontaktuje svého protějšku ve Španělsku. To vám říká, že budete dělat prognózu prodeje pro Valencii. Jediným ukazatelem, který musíte začít, je samozřejmě prodej ve městě v Mexiku, kde lze údaje porovnávat. Pomocí faktoru vyhlaďte sérii 35%.
Jak vidíme na obrázku, použitím vzorce získáme hodnoty předpovědi. První (P1) od ledna 2015 jsou tržby v Mexico City za daný měsíc. Sloupec poptávky představuje skutečná data pro daný rok. Odtud lze zadáním vzorce vytvořit zbytek dat ve sloupci prognózy.
Můžeme ověřit, že exponenciální vyhlazování snižuje fluktuace, a pozorujeme, že se nezdá, že by existoval jasný trend. Prognóza je však většinu času nad skutečnou poptávkou, která byla nakonec vyprodukována. I když v pozdějším období je to mnohem větší.