Demanda Media Móvil

Cálculo de la demanda media La calidad de los datos de demanda que el cliente envía a SAP Supply Network Collaboration (SAP SNC) puede variar considerablemente dependiendo de la técnica de pronóstico que el cliente esté utilizando. Por lo tanto, SAP SNC utiliza métodos de promediación para calcular el promedio de las demandas reales para un horizonte de demanda media particular. SAP SNC muestra las demandas medias en la cuadrícula de planificación en la figura de clave de demanda media del monitor SMI y el monitor de reposición mínimo / máximo. Están disponibles los siguientes métodos de promedio: Método de cálculo del promedio móvil Con este método, SAP SNC calcula la demanda media basada en las medias móviles calculadas a partir de tres conjuntos de demanda media. Método de cálculo de la media aritmética Con este método, SAP SNC calcula la demanda media basada en un cálculo de la media aritmética de un conjunto de demanda. El stock proyectado puede tener en cuenta la demanda media en lugar de las demandas reales. Por lo tanto, puede planificar sobre la base de las demandas promedio. Características Método de mediación basado en la media móvil El promedio móvil se distingue de la siguiente manera: La suma de las demandas promedio es igual a la suma de las demandas reales en el horizonte de demanda media. El desarrollo de la demanda media a lo largo del tiempo se mantiene lo más cerca posible del desarrollo de la demanda real. El principio del método de promediado es que SAP SNC calcula varios conjuntos de demandas promedio de las demandas reales en el horizonte de demanda media. A continuación, calcula el promedio de estos conjuntos. Para un conjunto de demanda, SAP SNC divide el horizonte de demanda media en varios segmentos de tiempo y promedia las demandas en cada segmento de tiempo. Para ello, SAP SNC suma las demandas reales en los períodos de planificación en un segmento de tiempo y luego divide la suma por el número de períodos de planificación. La demanda promedio de un período de planificación en un segmento de tiempo es, por lo tanto, la media aritmética de las demandas en este segmento de tiempo. Los distintos conjuntos de demanda se distinguen por la forma en que SAP SNC divide el horizonte de demanda media en los segmentos de tiempo a partir de los cuales calcula el promedio en cada caso. En el primer conjunto de demanda, el primer segmento de tiempo es un período de planificación. SAP SNC divide el resto del horizonte de demanda media en segmentos de tiempo con la misma duración que el período de promedio. En el segundo conjunto de demanda, el primer segmento de tiempo comprende dos períodos de planificación y el resto se divide en periodos de promedio. En el tercer conjunto de demanda, el primer segmento de tiempo contiene tres períodos, y así sucesivamente. El número de períodos de planificación en el período de promedio o en el horizonte de demanda media determina cuántos conjuntos de demanda SAP SNC calcula: El número de conjuntos de demanda es igual al número de períodos de planificación en el período de promedio o en el horizonte de demanda media, es más pequeño. La demanda promedio final de un período de planificación es la media aritmética de las demandas promedio en el período de planificación de los diversos conjuntos de demanda. Para obtener más información, vea Ejemplo: Cálculo basado en la media móvil. Método de mediación basado en el promedio aritmético Este método se basa en un cálculo de la media aritmética de las demandas reales. SAP SNC calcula los valores de demanda promedio para los períodos de planificación en el horizonte de demanda media. Para determinar el valor promedio de la demanda para un período de planificación determinado en el horizonte de demanda media, SAP SNC calcula la demanda media media de un intervalo de tiempo cuya duración se da por el período de promedio y que comienza con el período considerado. SAP SNC asigna este valor medio de demanda al período considerado. En el método de cálculo de la media aritmética, la suma de las demandas medias calculadas no es igual a la suma de las demandas reales. Para obtener más información, consulte Ejemplo: Cálculo basado en la media aritmética media. Uso de las demandas medias en las existencias proyectadas La fórmula para las existencias proyectadas en SAP SNC puede tener en cuenta las demandas reales o las demandas promedio. Para que el stock proyectado tenga en cuenta las demandas medias, debe definir una fórmula correspondiente que utilice la cifra clave de la demanda media en lugar de la cifra clave de la demanda real. Cambiar, por ejemplo, la fórmula predeterminada para el stock proyectado en consecuencia. Definir la fórmula en el Customizing de la Red de Suministro Collaboration bajo Replenishment Replenishment Planning Stock proyectado Definir perfiles para el stock proyectado y la demanda de SNI BAdI: Cálculo de la demanda media Si desea utilizar un método de cálculo alternativo para la demanda media, BAdI del Business Add-In (BAdI): cálculo de demanda media (/ SCA / SMIAVGDEMAND) para implementar su propio cálculo de demanda promedio. Puede implementar el BAdI en el Customizing de la Colaboración de red de suministro bajo Complementos de empresa (BAdI) para SAP SNC Configuración básica Stock proyectado. Si activa el BAdI, anula los métodos estándar. Debe desactivarla antes de poder volver a utilizar los métodos de promediación estándar. Fin de la advertencia. Actividades Se realizan ajustes para calcular la demanda promedio en el Customizing para la Colaboración de red de suministro en Reabastecimiento Reabastecimiento Planificación Stock proyectado Asignar perfiles para el stock proyectado. También puede realizar ajustes en la interfaz de usuario Web de SAP SNC bajo Configuración del monitor SMI. En la práctica, el promedio móvil proporcionará una buena estimación de la media de la serie temporal si la media es constante o cambia lentamente. En el caso de una media constante, el mayor valor de m dará las mejores estimaciones de la media subyacente. Un período de observación más largo promediará los efectos de la variabilidad. El propósito de proporcionar un m más pequeño es permitir que el pronóstico responda a un cambio en el proceso subyacente. Para ilustrar, proponemos un conjunto de datos que incorpora cambios en la media subyacente de la serie temporal. La figura muestra las series temporales utilizadas para la ilustración junto con la demanda media a partir de la cual se generó la serie. La media comienza como una constante en 10. Comenzando en el tiempo 21, aumenta en una unidad en cada período hasta que alcanza el valor de 20 en el tiempo 30. Entonces se vuelve constante otra vez. Los datos se simulan sumando a la media un ruido aleatorio de una distribución Normal con media cero y desviación estándar 3. Los resultados de la simulación se redondean al entero más próximo. La tabla muestra las observaciones simuladas utilizadas para el ejemplo. Cuando usamos la tabla, debemos recordar que en cualquier momento dado, sólo se conocen los datos pasados. Las estimaciones del parámetro del modelo, para tres valores diferentes de m se muestran junto con la media de las series temporales de la siguiente figura. La figura muestra la media móvil de la estimación de la media en cada momento y no la previsión. Los pronósticos cambiarían las curvas de media móvil a la derecha por períodos. Una conclusión es inmediatamente aparente de la figura. Para las tres estimaciones, la media móvil se queda por detrás de la tendencia lineal, con el rezago aumentando con m. El retraso es la distancia entre el modelo y la estimación en la dimensión temporal. Debido al desfase, el promedio móvil subestima las observaciones a medida que la media aumenta. El sesgo del estimador es la diferencia en un tiempo específico en el valor medio del modelo y el valor medio predicho por el promedio móvil. El sesgo cuando la media está aumentando es negativo. Para una media decreciente, el sesgo es positivo. El retraso en el tiempo y el sesgo introducido en la estimación son funciones de m. Cuanto mayor sea el valor de m. Mayor es la magnitud del retraso y sesgo. Para una serie cada vez mayor con tendencia a. Los valores de retraso y sesgo del estimador de la media se dan en las ecuaciones siguientes. Las curvas de ejemplo no coinciden con estas ecuaciones porque el modelo de ejemplo no está aumentando continuamente, sino que comienza como una constante, cambia a una tendencia y luego vuelve a ser constante de nuevo. También las curvas de ejemplo se ven afectadas por el ruido. El pronóstico de media móvil de los períodos en el futuro se representa desplazando las curvas hacia la derecha. El desfase y sesgo aumentan proporcionalmente. Las ecuaciones a continuación indican el retraso y sesgo de los períodos de previsión en el futuro en comparación con los parámetros del modelo. Nuevamente, estas fórmulas son para una serie de tiempo con una tendencia lineal constante. No debemos sorprendernos de este resultado. El estimador del promedio móvil se basa en el supuesto de una media constante, y el ejemplo tiene una tendencia lineal en la media durante una parte del período de estudio. Dado que las series de tiempo real rara vez obedecerán exactamente las suposiciones de cualquier modelo, debemos estar preparados para tales resultados. También podemos concluir de la figura que la variabilidad del ruido tiene el efecto más grande para m más pequeño. La estimación es mucho más volátil para el promedio móvil de 5 que el promedio móvil de 20. Tenemos los deseos en conflicto de aumentar m para reducir el efecto de la variabilidad debido al ruido y disminuir m para hacer el pronóstico más sensible a los cambios En promedio El error es la diferencia entre los datos reales y el valor previsto. Si la serie temporal es verdaderamente un valor constante, el valor esperado del error es cero y la varianza del error está compuesta por un término que es una función de y un segundo término que es la varianza del ruido. El primer término es la varianza de la media estimada con una muestra de m observaciones, suponiendo que los datos provienen de una población con una media constante. Este término se minimiza haciendo m tan grande como sea posible. Un m grande hace que el pronóstico no responda a un cambio en la serie temporal subyacente. Para hacer que el pronóstico responda a los cambios, queremos que m sea lo más pequeño posible (1), pero esto aumenta la varianza del error. El pronóstico práctico requiere un valor intermedio. Previsión con Excel El complemento de previsión implementa las fórmulas de promedio móvil. El siguiente ejemplo muestra el análisis proporcionado por el complemento para los datos de muestra en la columna B. Las primeras 10 observaciones se indexan -9 a 0. En comparación con la tabla anterior, los índices de período se desplazan en -10. Las primeras diez observaciones proporcionan los valores iniciales para la estimación y se utilizan para calcular la media móvil para el período 0. La columna MA (10) (C) muestra las medias móviles calculadas. El parámetro de la media móvil m está en la celda C3. La columna Fore (1) (D) muestra un pronóstico para un período en el futuro. El intervalo de pronóstico está en la celda D3. Cuando el intervalo de pronóstico se cambia a un número mayor, los números de la columna Fore se desplazan hacia abajo. La columna Err (1) (E) muestra la diferencia entre la observación y el pronóstico. Por ejemplo, la observación en el tiempo 1 es 6. El valor pronosticado a partir de la media móvil en el tiempo 0 es 11.1. El error entonces es -5.1. La desviación estándar y la media media de desviación (MAD) se calculan en las celdas E6 y E7, respectivamente. Métodos de mediación ponderada Métodos de pronóstico: pros y contras Comentarios Hola, AMA tu publicación. Me preguntaba si podría elaborar más. Utilizamos SAP. En ella hay una selección que puede elegir antes de ejecutar su pronóstico llamado inicialización. Si selecciona esta opción obtendrá un resultado de pronóstico, si ejecuta el pronóstico de nuevo, en el mismo período y no comprueba la inicialización, el resultado cambia. No puedo averiguar qué está haciendo la inicialización. Quiero decir, matemáticamente. Qué resultado de pronóstico es mejor guardar y usar, por ejemplo. Los cambios entre los dos no están en la cantidad pronosticada, sino en el MAD y Error, stock de seguridad y cantidades ROP. No está seguro si utiliza SAP. Hola gracias por explicar tan eficientemente su demasiado gd. Gracias de nuevo Jaspreet Deja un comentario Cancelar respuesta Mensajes más populares Acerca de Pete Abilla Pete Abilla es el fundador de Shmula. Ayuda a compañías como Amazon, Zappos, eBay, Backcountry y otros a reducir costos y mejorar la experiencia del cliente. Lo hace a través de un método sistemático para identificar puntos de dolor que impactan al cliente y al negocio y alienta una amplia participación de los asociados de la compañía para mejorar sus propios procesos. Etiquetas