พยากรณ์ เคลื่อนไหว เฉลี่ย ตัวอย่างเช่น

OR-Notes เป็นชุดของบันทึกเบื้องต้นในหัวข้อที่อยู่ภายใต้หัวข้อกว้างของเขตข้อมูลของการวิจัยการดำเนินงาน (OR) พวกเขาถูกใช้โดยฉันในเบื้องต้นหรือหลักสูตรที่ฉันให้ที่อิมพีเรียลคอลเลจ ตอนนี้พวกเขาพร้อมใช้งานสำหรับนักเรียนและครูที่สนใจในหรือภายใต้เงื่อนไขต่อไปนี้ คุณสามารถดูหัวข้อทั้งหมดที่มีอยู่ใน OR-Notes ได้ที่นี่ ตัวอย่างการคาดการณ์ตัวอย่างการคาดการณ์ตัวอย่าง 1996 UG ความต้องการผลิตภัณฑ์ในแต่ละ 5 เดือนล่าสุดแสดงไว้ด้านล่าง ใช้ค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อสร้างการคาดการณ์สำหรับความต้องการในเดือน 6 ​​ใช้การปรับให้เรียบแบบเสวนากับค่าคงที่ที่ราบเรียบเป็น 0.9 เพื่อสร้างการคาดการณ์สำหรับความต้องการสำหรับความต้องการในเดือนที่ 6 ซึ่งจากทั้งสองการคาดการณ์ที่คุณชอบและทำไมการย้ายสองเดือน ค่าเฉลี่ยสำหรับเดือนที่สองถึงห้าจะได้รับโดย: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 5 m 5 2350 การใช้การเพิ่มความล้าสมัยโดยมีค่าคงที่ที่ราบเรียบที่ 0.9 เราได้รับ: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยสำหรับเดือน 5 M 5 2386 เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณค่าเฉลี่ยเบี่ยงเบนความเบี่ยงเบน (MSD) ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่ของ MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 และสำหรับค่าเฉลี่ยที่ได้รับความราบเรียบแบบเรียงลำดับด้วยค่าคงที่ที่ราบเรียบเท่ากับ 0.9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 โดยรวมแล้วเราจะเห็นว่าการทำให้เรียบเป็นทวีคูณดูเหมือนจะให้การคาดการณ์ล่วงหน้าหนึ่งเดือนที่ดีที่สุดเนื่องจากมี MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 2386 ที่ได้รับการผลิตโดยการทำให้เรียบแบบทวีคูณ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2537 ตารางด้านล่างแสดงถึงความต้องการใช้เครื่องโกนหนวดใหม่ในร้านในช่วง 7 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ด อะไรคือการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่แปดใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.1 เพื่อคาดการณ์สำหรับความต้องการในเดือนที่แปด การคาดการณ์ใดในสองเดือนที่แปดที่คุณชอบและเหตุใดผู้ดูแลร้านจึงเชื่อว่าลูกค้าจะเปลี่ยนมาใช้ผลิตภัณฑ์หลังการขายใหม่จากแบรนด์อื่น ๆ อภิปรายเกี่ยวกับวิธีการสร้างแบบจำลองพฤติกรรมการสลับนี้และระบุข้อมูลที่คุณต้องการเพื่อยืนยันว่าการสลับนี้เกิดขึ้นหรือไม่ ค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ดจะได้รับโดย: การคาดการณ์สำหรับเดือนที่แปดเป็นเพียงค่าเฉลี่ยเคลื่อนที่สำหรับเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือนที่ 7 m 7 46 ใช้การคำนวณหากำไรให้เรียบโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 รับ: เป็นก่อนที่การคาดการณ์สำหรับเดือนแปดเป็นเพียงค่าเฉลี่ยสำหรับเดือน 7 7 7 31.11 (ที่เราไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับความราบรื่นแบบจำลองที่มีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สองเดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สองเดือน เพื่อตรวจสอบการเปลี่ยนเราจะต้องใช้รูปแบบกระบวนการ Markov ที่แบรนด์รัฐและเราจะต้องมีข้อมูลสถานะเบื้องต้นและความน่าจะเป็นของลูกค้าเปลี่ยน (จากการสำรวจ) เราจำเป็นต้องใช้แบบจำลองข้อมูลย้อนหลังเพื่อดูว่าเรามีความเหมาะสมระหว่างแบบจำลองและพฤติกรรมทางประวัติศาสตร์หรือไม่ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2535 ตารางด้านล่างแสดงความต้องการใช้มีดโกนเฉพาะในร้านค้าสำหรับแต่ละช่วง 9 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับเดือนที่สามถึงเก้า สิ่งที่คาดหวังของคุณสำหรับความต้องการในเดือนสิบใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.3 เพื่อคาดการณ์สำหรับความต้องการในเดือนสิบ การคาดการณ์ใดในเดือนที่สิบสองที่คุณชอบและเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ 3 เดือนสำหรับเดือนที่ 3 ถึง 9 จะได้จาก: การคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 9 เมตร 9 20.33 ดังนั้นการคาดการณ์สำหรับเดือนที่ 10 คือ 20. ใช้การคำนวณหาค่าเฉลี่ยแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.3 ที่เราได้รับ: ก่อนที่การคาดการณ์สำหรับเดือน 10 จะเป็นค่าเฉลี่ยสำหรับเดือนที่ 9 M 9 18.57 19 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบของ 0.3 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 20 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สามเดือน การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปีพ. ศ. 2534 ตารางด้านล่างแสดงถึงความต้องการเครื่องแฟกซ์เฉพาะในห้างสรรพสินค้าในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สี่เดือนสำหรับเดือนที่ 4 ถึง 12 ปีการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่ 13 ใช้การปรับให้เรียบแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบ 0.2 เพื่อพยากรณ์ความต้องการในเดือนที่ 13 ซึ่งจะมีการคาดการณ์สองเดือน 13 คุณชอบและทำไมปัจจัยอื่น ๆ ที่ไม่ได้พิจารณาในการคำนวณข้างต้นอาจมีผลต่อความต้องการเครื่องแฟกซ์ในเดือนที่ 13 ค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับเดือนที่ 4 ถึง 12 จะได้จาก: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24.75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30.5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 การคาดการณ์ในเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ เดือน 12 ม. 12 46.25 ดังนั้นตามที่คาดการณ์ไว้สำหรับเดือนที่ 13 คือ 46 ใช้ค่าความละเอียดที่เป็นลําชี้โดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.2 เราได้รับ: ก่อนหน้าการคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยสำหรับเดือนที่ 12 M 12 38.618 39 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบจาก 0.2 โดยรวมเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สี่เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สี่เดือน ความต้องการตามฤดูกาลการเปลี่ยนแปลงราคาโฆษณาทั้งแบรนด์นี้และยี่ห้ออื่น ๆ สถานการณ์ทางเศรษฐกิจทั่วไปเทคโนโลยีใหม่การพยากรณ์เช่นการทดสอบ UG ในปี 1989 ตารางด้านล่างแสดงความต้องการใช้เตาไมโครเวฟในห้างสรรพสินค้าเฉพาะในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่ 6 เดือนสำหรับแต่ละเดือน สิ่งที่จะคาดการณ์สำหรับความต้องการในเดือน 13 ใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.7 เพื่อคาดการณ์ความต้องการในเดือน 13 ซึ่งจากสองคาดการณ์สำหรับเดือน 13 ที่คุณชอบและทำไมตอนนี้เราไม่สามารถคำนวณหก เดือนจนกว่าเราจะมีข้อสังเกตอย่างน้อย 6 ข้อกล่าวคือเราสามารถคำนวณค่าเฉลี่ยดังกล่าวได้ตั้งแต่เดือนที่ 6 เป็นต้นไปเท่านั้น ดังนั้นเราจึงมี: m 6 (34 32 30 29 31 27) 6 30.50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34.00 m 10 (39 37 35 36 34 32) 6 35.50 m 11 (40 39 37 35 36 34) 6 36.83 m 12 (42 40 39 37 35 36) 6 38.17 ประมาณการสําหรับเดือนที่ 13 เปนคาเฉลี่ยเคลื่อนที่สําหรับ เดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 38.17 ดังนั้นการคาดการณ์สำหรับเดือนที่ 13 คือ 38 การใช้การปรับให้เรียบโดยใช้ค่าคงที่ที่ราบเรียบที่เราได้รับ: การคาดการณ์พยากรณ์การสร้างตัวเลขจำนวนชุดหรือตัวเลขที่สอดคล้องกับเหตุการณ์ในอนาคต . เป็นสิ่งสำคัญอย่างยิ่งในการวางแผนระยะสั้นและระยะยาว ตามคำนิยามการคาดการณ์จะขึ้นอยู่กับข้อมูลที่ผ่านมาซึ่งตรงข้ามกับการคาดการณ์ซึ่งเป็นเรื่องอัตนัยมากขึ้นและขึ้นอยู่กับสัญชาตญาณความรู้สึกของลำไส้หรือการคาดเดา ตัวอย่างเช่นข่าวช่วงเย็นจะให้สภาพอากาศ x0022forecastx0022 ไม่ใช่สภาพอากาศ x0022prediction. x0022 ไม่ว่าคำที่คาดการณ์และการคาดการณ์จะถูกนำมาใช้กันอย่างแพร่หลาย ตัวอย่างเช่นคำจำกัดความของเทคนิค regressionx2014a ที่บางครั้งใช้ในการพยากรณ์การณ์ทั่วไประบุว่าวัตถุประสงค์ของการอธิบายหรือ x0022predict. x0022 การคาดการณ์ขึ้นอยู่กับจำนวนข้อสมมติฐาน: อดีตจะทำซ้ำตัวเอง กล่าวอีกนัยหนึ่งสิ่งที่เกิดขึ้นในอดีตจะเกิดขึ้นอีกในอนาคต เมื่อช่วงเวลาคาดการณ์สั้นลงความแม่นยำในการคาดการณ์จะเพิ่มขึ้น ตัวอย่างเช่นการคาดการณ์ในวันพรุ่งนี้จะแม่นยำกว่าที่คาดการณ์ไว้สำหรับเดือนถัดไปการคาดการณ์ในเดือนหน้าจะแม่นยำกว่าที่คาดไว้สำหรับปีหน้าและคาดการณ์ในปีหน้าจะแม่นยำกว่าที่คาดไว้เป็นเวลา 10 ปีใน อนาคต. การคาดการณ์ในภาพรวมมีความแม่นยำมากกว่าการคาดการณ์แต่ละรายการ ซึ่งหมายความว่า บริษัท จะสามารถคาดการณ์ความต้องการทั้งหมดของผลิตภัณฑ์ทั้งหมดได้อย่างถูกต้องกว่าที่จะสามารถคาดการณ์หน่วยเก็บสต็อค (SKU) ได้ ตัวอย่างเช่นเจเนอรัลมอเตอร์สามารถคาดการณ์ได้อย่างถูกต้องมากขึ้นจำนวนรถยนต์ทั้งหมดที่จำเป็นสำหรับปีหน้ากว่าจำนวนรวมของ Chevrolet Impalas สีขาวพร้อมกับแพคเกจตัวเลือกบางอย่าง การคาดการณ์ไม่ค่อยถูกต้อง นอกจากนี้การคาดการณ์เกือบจะไม่ถูกต้องโดยสิ้นเชิง ในขณะที่บางรายใกล้เคียงกันอยู่ไม่มากนัก x0022 ในเงินนั้น x0022 ดังนั้นจึงควรที่จะเสนอการคาดการณ์ x0022range. x0022 หากคาดว่าจะมีการคาดการณ์ถึง 100,000 หน่วยในเดือนหน้าจะเป็นไปได้น้อยมากที่ความต้องการจะเท่ากับ 100,000 อย่างแน่นอน อย่างไรก็ตามการคาดการณ์ 90,000 ถึง 110,000 จะให้เป้าหมายที่ใหญ่กว่ามากสำหรับการวางแผน William J. Stevenson แสดงลักษณะเฉพาะที่ใช้กันทั่วไปในการคาดการณ์ที่ดี: Accuratex2014some ระดับความถูกต้องควรได้รับการระบุและระบุเพื่อให้สามารถเปรียบเทียบได้กับการคาดการณ์ทางเลือก Reliablex2014 วิธีการคาดการณ์ควรให้การคาดการณ์ที่ดีเสมอหากผู้ใช้มีความมั่นใจในระดับหนึ่ง Timelyx2014a ต้องใช้ระยะเวลาที่กำหนดเพื่อตอบสนองต่อการคาดการณ์ดังนั้นระยะเวลาพยากรณ์อากาศต้องอนุญาตให้ใช้เวลาที่จำเป็นในการเปลี่ยนแปลง การใช้งานที่เข้าใจได้ง่ายและมีความเข้าใจในการคาดการณ์จะต้องมีความมั่นใจและสะดวกสบายในการทำงาน ต้นทุนที่มีประสิทธิภาพ 2020 ค่าใช้จ่ายในการคาดการณ์ไม่ควรมากกว่าผลประโยชน์ที่ได้รับจากการคาดการณ์ เทคนิคการคาดการณ์ตั้งแต่ง่ายไปจนถึงซับซ้อนมาก เทคนิคเหล่านี้มักถูกจัดอยู่ในเชิงคุณภาพหรือเชิงปริมาณ เทคนิคการวัดผลเชิงคุณภาพโดยทั่วไปมีความเป็นอัตนัยมากกว่าคู่สัญญาเชิงปริมาณของพวกเขา เทคนิคเชิงคุณภาพเป็นประโยชน์มากขึ้นในขั้นตอนก่อนหน้าของวัฏจักรชีวิตผลิตภัณฑ์เมื่อมีข้อมูลที่ผ่านมาน้อยกว่าสำหรับใช้ในเชิงปริมาณ วิธีการเชิงคุณภาพ ได้แก่ เทคนิคเดลฟายเทคนิคกลุ่มที่กำหนด (NGT) ความคิดเห็นของพนักงานขายความคิดเห็นของผู้บริหารและการวิจัยตลาด เทคนิค DELPHI เทคนิค Delphi ใช้แผงผู้เชี่ยวชาญเพื่อสร้างการคาดการณ์ ผู้เชี่ยวชาญแต่ละคนจะถูกถามเพื่อให้การคาดการณ์เฉพาะเพื่อความต้องการในมือ หลังจากการคาดการณ์เริ่มต้นแล้วผู้เชี่ยวชาญแต่ละคนอ่านว่าผู้เชี่ยวชาญทุกคนเขียนอะไรและแน่นอนว่าได้รับอิทธิพลจากมุมมองของพวกเขา จากนั้นผู้เชี่ยวชาญด้านต่างๆจะทำการคาดการณ์ในภายหลัง ผู้เชี่ยวชาญแต่ละคนอ่านอีกครั้งที่ผู้เชี่ยวชาญทุกคนเขียนขึ้นและได้รับอิทธิพลอีกครั้งจากการรับรู้ของผู้อื่น กระบวนการนี้ซ้ำตัวเองจนกว่าผู้เชี่ยวชาญแต่ละคนจะได้รับข้อตกลงเกี่ยวกับภาพจำลองหรือตัวเลขที่จำเป็น เทคนิคกลุ่ม NOMINAL เทคนิคกลุ่มตัวอย่างคล้ายกับเทคนิค Delphi โดยใช้กลุ่มผู้เข้าร่วมซึ่งมักเป็นผู้เชี่ยวชาญ หลังจากที่ผู้เข้าร่วมตอบคำถามที่เกี่ยวข้องกับการคาดการณ์แล้วพวกเขาจะให้คะแนนตามลำดับความสำคัญที่สัมพันธ์กัน จากนั้นจัดอันดับและรวบรวมข้อมูล ในที่สุดกลุ่มควรให้ข้อเสนอแนะเกี่ยวกับลำดับความสำคัญของประเด็นที่ได้รับการจัดอันดับ ความคิดเห็นของฝ่ายขาย พนักงานขายมักเป็นแหล่งข้อมูลที่ดีเกี่ยวกับความต้องการในอนาคต ผู้จัดการฝ่ายขายอาจขอข้อมูลจากแต่ละฝ่ายขายและรวบรวมคำตอบของพวกเขาไว้ในประมาณการของฝ่ายขาย ควรระมัดระวังเมื่อใช้เทคนิคนี้เนื่องจากสมาชิกในทีมขายอาจไม่สามารถแยกความแตกต่างระหว่างสิ่งที่ลูกค้าพูดและสิ่งที่พวกเขาทำ นอกจากนี้หากการคาดการณ์จะถูกใช้เพื่อสร้างโควต้าการขายพนักงานขายอาจถูกล่อลวงเพื่อให้การประมาณการที่ต่ำกว่า ความคิดเห็นของผู้บริหาร บางครั้งผู้จัดการระดับสูงจะได้พบและพัฒนาการคาดการณ์ขึ้นอยู่กับความรู้ด้านความรับผิดชอบของตน นี่คือบางครั้งเรียกว่าคณะลูกขุนของความคิดเห็นของผู้บริหาร การวิจัยทางการตลาด. ในการวิจัยตลาดการสำรวจผู้บริโภคใช้เพื่อสร้างความต้องการที่มีศักยภาพ การวิจัยทางการตลาดดังกล่าวมักเกี่ยวข้องกับการสร้างแบบสอบถามที่เรียกร้องข้อมูลส่วนบุคคลข้อมูลประชากรเศรษฐกิจและการตลาด ในบางโอกาสนักวิจัยตลาดจะเก็บรวบรวมข้อมูลดังกล่าวด้วยตนเองที่ร้านค้าปลีกและห้างสรรพสินค้าซึ่งผู้บริโภคสามารถสัมผัสได้ถึง 20 กลิ่นรสชาติความรู้สึกกลิ่นและเฉพาะเจาะจงของผลิตภัณฑ์ ผู้วิจัยต้องระวังว่ากลุ่มตัวอย่างที่ทำการสำรวจเป็นตัวแทนของเป้าหมายผู้บริโภคที่ต้องการ เทคนิคเชิงปริมาณเทคนิคการพยากรณ์ปริมาณมากโดยทั่วไปมีจุดมุ่งหมายมากกว่าคู่สัญญาเชิงคุณภาพของพวกเขา การคาดการณ์เชิงปริมาณอาจเป็นการคาดการณ์เกี่ยวกับอนุกรมเวลา (เช่นการคาดการณ์ของอดีตในอนาคต) หรือการคาดการณ์ตามรูปแบบการเชื่อมโยง (เช่นขึ้นอยู่กับตัวแปรอธิบายอย่างน้อยหนึ่งตัวแปร) ข้อมูลชุดเวลาอาจมีพฤติกรรมพื้นฐานที่จำเป็นต้องระบุโดยผู้พยากรณ์ นอกจากนี้การคาดการณ์อาจต้องระบุสาเหตุของพฤติกรรม บางส่วนของพฤติกรรมเหล่านี้อาจเป็นรูปแบบหรือรูปแบบสุ่มเพียง รูปแบบต่างๆ ได้แก่ : แนวโน้มซึ่งเป็นข้อมูลในระยะยาว (ขึ้นหรือลง) ฤดูกาลซึ่งเป็นรูปแบบระยะสั้นที่มักเกี่ยวข้องกับช่วงเวลาของปีเดือนหรือแม้กระทั่งวันใดวันหนึ่งโดยมีรายได้จากการขายปลีกในวันคริสต์มาสหรือกิจกรรมทางการเงินของธนาคารในวันแรกของเดือนและวันศุกร์ วัฏจักรซึ่งมีรูปแบบที่ไม่เหมือนกันซึ่งยาวนานกว่าหนึ่งปีที่มักจะเชื่อมโยงกับสภาวะทางเศรษฐกิจหรือการเมือง การเปลี่ยนแปลงที่ไม่สม่ำเสมอซึ่งไม่ได้สะท้อนถึงพฤติกรรมทั่วไปเช่นช่วงเวลาที่มีสภาพอากาศเลวร้ายหรือการประท้วงร่วมกัน รูปแบบที่สุ่มซึ่งรวมถึงพฤติกรรมที่ไม่เป็นแบบอย่างทั้งหมดที่ไม่ได้คิดโดยการจำแนกประเภทอื่น ๆ ในบรรดาแบบจำลองของซีรีส์เวลาที่ง่ายที่สุดคือการคาดการณ์ naxEFve การคาดการณ์ naxEFve ก็ใช้ความต้องการที่เกิดขึ้นจริงในช่วงที่ผ่านมาเนื่องจากความต้องการที่คาดการณ์ในช่วงต่อไป นี้แน่นอนทำให้สมมติฐานที่ว่าในอดีตจะทำซ้ำ นอกจากนี้ยังอนุมานว่าแนวโน้มใด ๆ ฤดูกาลหรือรอบจะสะท้อนให้เห็นในความต้องการของงวดก่อนหน้านี้หรือไม่อยู่ ตัวอย่างของการพยากรณ์ naxEFve แสดงไว้ในตารางที่ 1 ตารางที่ 1 การพยากรณ์ของ Naxefve อีกเทคนิคหนึ่งคือการใช้ค่าเฉลี่ย เพื่อให้การคาดการณ์โดยเฉลี่ยใช้เวลาเฉลี่ยโดยเฉลี่ยของช่วงเวลาของข้อมูลที่ผ่านมาโดยการสรุปแต่ละช่วงเวลาและหารผลตามจำนวนรอบระยะเวลา เทคนิคนี้ได้รับการพิสูจน์ว่ามีประสิทธิภาพมากสำหรับการคาดการณ์ในระยะสั้น ค่าเฉลี่ยของค่าเฉลี่ย ได้แก่ ค่าเฉลี่ยเคลื่อนที่ค่าถัวเฉลี่ยถ่วงน้ำหนักและค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่จะใช้ระยะเวลาหนึ่งที่กำหนดเอาไว้รวมกับความต้องการที่แท้จริงและหารด้วยจำนวนรอบที่จะถึงการคาดการณ์ สำหรับรอบระยะเวลาที่ตามมาข้อมูลที่เก่าที่สุดจะลดลงและจะมีการเพิ่มช่วงเวลาล่าสุด สมมติว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนและใช้ข้อมูลจากตารางที่ 1 ให้เพิ่มเพียง 45 (มกราคม), 60 (กุมภาพันธ์) และ 72 (มีนาคม) และหารด้วยจำนวนสามรายการเพื่อคาดการณ์ในเดือนเมษายน: 45 60 72 177 x00F7 3 59 หากต้องการคาดการณ์ในเดือนพฤษภาคมจะทำให้ความต้องการของ Januaryx0027 ลดลงจากสมการและเพิ่มความต้องการในเดือนเมษายน ตารางที่ 2 แสดงตัวอย่างของการคาดการณ์การเคลื่อนไหวเฉลี่ย 3 เดือน ตารางที่ 2 พยากรณ์ความต้องการในการเคลื่อนที่โดยเฉลี่ย 3 เดือน (000x0027s) ค่าเฉลี่ยถ่วงน้ำหนักใช้น้ำหนักที่กำหนดไว้ล่วงหน้าสำหรับแต่ละเดือนของข้อมูลที่ผ่านมารวมข้อมูลที่ผ่านมาจากแต่ละช่วงเวลาและหารด้วยน้ำหนักทั้งหมด ถ้าเครื่องพยากรณ์ปรับน้ำหนักเพื่อให้ผลรวมของพวกเขาเท่ากับ 1 น้ำหนักจะถูกคูณด้วยความต้องการที่แท้จริงของแต่ละช่วงเวลา ผลลัพธ์จะสรุปเพื่อให้ได้การคาดการณ์ที่ถ่วงน้ำหนัก โดยปกติข้อมูลล่าสุดจะยิ่งมีน้ำหนักมากขึ้นและข้อมูลที่เก่ากว่าจะมีน้ำหนักน้อยลง ใช้ตัวอย่างความต้องการค่าเฉลี่ยถ่วงน้ำหนักโดยใช้น้ำหนักของ. 4 3. 2 และ. 1 จะให้อัตราการคาดการณ์สำหรับเดือนมิถุนายนเป็น: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 ผู้พยากรณ์อาจใช้การคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักและค่าเฉลี่ยถ่วงน้ำหนัก . การคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักกำหนดน้ำหนักให้กับจำนวนข้อมูลที่แท้จริงที่กำหนดไว้ล่วงหน้าและคำนวณการคาดการณ์แบบเดียวกับที่อธิบายข้างต้น เช่นเดียวกับการคาดการณ์การเคลื่อนที่ทั้งหมดเมื่อเพิ่มระยะเวลาใหม่ข้อมูลจากช่วงที่เก่าที่สุดจะถูกละทิ้ง ตารางที่ 3 แสดงการคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักย้อนหลัง 3 เดือนโดยใช้น้ำหนัก 3 และ .2 ตารางที่ 3 ความถ่วงน้ำหนักเฉลี่ยของการเคลื่อนไหวสามครั้ง 2013Month ความต้องการตามจริง (000x0027s) รูปแบบที่ซับซ้อนมากขึ้นของค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักเป็นแบบเลขแจงที่ราบเรียบเนื่องจากมีน้ำหนักมากเกินกว่าที่กำหนดไว้ การปรับแต่งแบบเสียดสีจะใช้การคาดการณ์ periodx0027s ก่อนหน้าและปรับค่าตามค่าคงที่ที่กำหนดไว้ล่วงหน้า x03AC (เรียกว่า alpha ค่าสำหรับ alpha น้อยกว่าหนึ่งอัน) คูณด้วยความแตกต่างในการคาดการณ์ก่อนหน้านี้และความต้องการที่เกิดขึ้นจริงในช่วงคาดการณ์ล่วงหน้า ข้อผิดพลาดในการคาดการณ์) การคาดการณ์ที่คาดการณ์ไว้ก่อนหน้านี้คาดการณ์ก่อนหน้านี้ FF x03AC (A x2212 F) การปรับให้เรียบแบบเสแสร้งต้องใช้ตัวพยากรณ์เวลาในการเริ่มต้นการคาดการณ์ในช่วงที่ผ่านมาและทำงานต่อไปจนถึงช่วงเวลาที่ปัจจุบัน จำเป็นต้องใช้ จำเป็นต้องมีข้อมูลจำนวนมากที่ผ่านมาและการเริ่มต้นหรือการคาดการณ์เบื้องต้น การคาดการณ์ครั้งแรกอาจเป็นการคาดการณ์ที่เกิดขึ้นจริงจากช่วงเวลาก่อนหน้าความต้องการที่แท้จริงของช่วงเวลาก่อนหน้าหรือสามารถประมาณได้โดยใช้ข้อมูลเฉลี่ยทั้งหมดหรือบางส่วนของข้อมูลที่ผ่านมา heuristics บางอย่างมีอยู่สำหรับการคำนวณการคาดการณ์เบื้องต้น ตัวอย่างเช่นค่า n (2 xF7 x03AC) x2212 1 และ alpha เท่ากับ. 5 จะให้ค่า N เท่ากับ 3 ซึ่งบ่งชี้ว่าผู้ใช้จะใช้ข้อมูลสามช่วงแรกในการคาดการณ์เบื้องต้น อย่างไรก็ตามความถูกต้องของการคาดการณ์ครั้งแรกไม่สำคัญหากใช้ข้อมูลจำนวนมากเนื่องจากการปรับให้เรียบเป็น x0022 การแก้ไขให้ถูกต้อง x0022 การระบุระยะเวลาที่เพียงพอของข้อมูลที่ผ่านมาการทำให้เรียบอย่างละเอียดในที่สุดจะทำการแก้ไขให้เพียงพอเพื่อชดเชยค่าเริ่มต้นที่ไม่ถูกต้อง พยากรณ์ การใช้ข้อมูลที่ใช้ในตัวอย่างอื่น ๆ การคาดการณ์เริ่มต้นที่ 50 และ alpha ของ. 7 การคาดการณ์ในเดือนกุมภาพันธ์จะคำนวณดังนี้: การคาดการณ์ใหม่ (กุมภาพันธ์) 50 .7 (45 x2212 50) 41.5 ต่อไปการคาดการณ์สำหรับเดือนมีนาคม : การคาดการณ์ใหม่ (มีนาคม) 41.5 .7 (60 x2212 41.5) 54.45 กระบวนการนี้จะดำเนินต่อไปจนกว่าผู้พยากรณ์ถึงระยะเวลาที่ต้องการ ในตารางที่ 4 นี้จะเป็นเดือนมิถุนายนเนื่องจากความต้องการที่แท้จริงสำหรับเดือนมิถุนายนไม่เป็นที่รู้จัก ความต้องการตามจริง (000x0027s) สามารถขยายการขยายความละเอียดแบบเสวนาได้เมื่อข้อมูลชุดเวลามีแนวโน้มเป็นเส้นตรง วิธีนี้เป็นที่รู้จักกันในชื่อหลายชื่อ: การปรับรูปลักษณ์ของการปรับรูปแบบเลขชี้กำลังแบบทวีคูณให้มีความเรียบเป็นสองเท่ารวมถึงแนวโน้ม (FIT) และแบบจำลอง Holtx0027s หากไม่มีการปรับค่าผลลัพธ์ที่เรียบง่ายชี้แจงจะล้าหลังแนวโน้มนั่นคือการคาดการณ์จะต่ำหากแนวโน้มเพิ่มขึ้นหรือสูงขึ้นหากแนวโน้มลดลง ด้วยรูปแบบนี้จะมีค่าคงที่สองค่าคือ x03AC และ x03B2 ที่มี x03B2 แทนองค์ประกอบของเทรนด์ การขยาย Holtx0027s Model เรียกว่า Holt-Winterx0027s Method คำนึงถึงแนวโน้มและฤดูกาล มีสองรูปแบบคือ multiplicative และ additive โดยใช้ multiplicative เป็นคำที่ใช้กันอย่างแพร่หลาย ในแบบจำลอง additive ฤดูกาลจะแสดงเป็นปริมาณที่จะเพิ่มหรือลบออกจากค่าเฉลี่ยชุด รูปแบบคูณหารเป็นตัวบ่งชี้ถึงฤดูกาลเป็นเปอร์เซ็นต์ที่รู้จักกันว่าเป็นญาติตามฤดูกาลหรือดัชนีตามฤดูกาล 2020 เฉลี่ย (หรือแนวโน้ม) ค่าเหล่านี้จะคูณด้วยค่าต่างๆเพื่อรวมฤดูกาล ญาติของ 0.8 จะระบุความต้องการที่เป็นร้อยละ 80 ของค่าเฉลี่ยในขณะที่ 1.10 จะบ่งบอกถึงความต้องการที่เป็น 10 เปอร์เซ็นต์สูงกว่าค่าเฉลี่ย ข้อมูลรายละเอียดเกี่ยวกับวิธีการนี้สามารถพบได้ในตำราการจัดการการดำเนินงานส่วนใหญ่หรือหนังสือเกี่ยวกับการพยากรณ์อากาศจำนวนหนึ่งเล่ม เทคนิคการเชื่อมโยงหรือสาเหตุที่เกี่ยวข้องกับการระบุตัวแปรที่สามารถใช้ในการคาดการณ์ตัวแปรอื่นที่น่าสนใจได้ ตัวอย่างเช่นอัตราดอกเบี้ยอาจถูกใช้เพื่อพยากรณ์ความต้องการในการรีไฟแนนซ์บ้าน โดยปกติการใช้การถดถอยเชิงเส้นนี้มีวัตถุประสงค์เพื่อพัฒนาสมการที่สรุปผลกระทบของตัวแปรทำนาย (อิสระ) ต่อตัวแปรที่คาดการณ์ (ขึ้นอยู่กับ) ถ้าตัวแปรพรรณาถูกวางแผนวัตถุจะได้รับสมการของเส้นตรงที่ลดผลรวมของการเบี่ยงเบนจากแนวเส้นตรง (มีส่วนเบี่ยงเบนเป็นระยะทางจากแต่ละจุดไปยังเส้น) สมการจะปรากฏเป็น: ya bx โดยที่ y เป็นตัวแปรที่ทำนาย (ขึ้นอยู่กับ), x เป็นตัวแปรพยากรณ์ (อิสระ), b คือความลาดเอียงของเส้นและ a เท่ากับความสูงของเส้นที่ y - ตัด เมื่อสมการกำหนดผู้ใช้สามารถแทรกค่าปัจจุบันสำหรับตัวแปร predictor (independent) เพื่อให้ได้ค่าพยากรณ์ (variable dependent) ถ้ามีตัวแปรทำนายมากกว่าหนึ่งตัวแปรหรือถ้าความสัมพันธ์ระหว่างตัวทำนายกับการคาดการณ์ไม่ใช่เชิงเส้นการถดถอยเชิงเส้นอย่างง่ายจะไม่เพียงพอ สำหรับสถานการณ์ที่มีตัวทำนายหลายตัวควรใช้การถดถอยพหุคูณในขณะที่ความสัมพันธ์ที่ไม่ใช่เชิงเส้นเรียกร้องให้ใช้การถดถอยแบบโค้ง การคาดการณ์ทางเศรษฐศาสตร์วิธีการทางเศรษฐมิติเช่นโมเดล ARIMA แบบอัตถดถอยเชิงบูรณาการใช้สมการทางคณิตศาสตร์ที่ซับซ้อนเพื่อแสดงความสัมพันธ์ระหว่างความต้องการกับตัวแปรที่มีอิทธิพลต่อความต้องการ สมการได้มาและผ่านการทดสอบและปรับแต่งเพื่อให้มั่นใจว่าน่าเชื่อถือในการแสดงถึงความสัมพันธ์ในอดีตที่เป็นไปได้ เมื่อเสร็จแล้วค่าที่คาดการณ์ไว้ของตัวแปรที่มีอิทธิพล (รายได้ราคา ฯลฯ ) จะถูกแทรกลงในสมการเพื่อคาดการณ์ การประเมินความคาดการณ์ความถูกต้องของการคาดการณ์สามารถคำนวณได้จากการคำนวณความลำเอียงค่าเบี่ยงเบนสัมบูรณ์ (MAD) ความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) หรือความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์ (MAPE) สำหรับการพยากรณ์โดยใช้ค่าอัลฟา อคติคือผลรวมของข้อผิดพลาดในการคาดการณ์ x2211 (FE) สำหรับตัวอย่างการทำให้เรียบแบบยกตัวอย่างเช่นข้างต้นการคำนวณจะเป็นดังนี้: (60 x2212 41.5) (72 x2212 54.45) (58 x2212 66.74) (40 x2212 60.62) 6.69 ถ้าสมมติว่าอคติต่ำแสดงข้อผิดพลาดในการคาดการณ์โดยรวมต่ำ คำนวณอคติสำหรับจำนวนค่าที่เป็นไปได้ของค่า alpha และสมมติว่าค่าที่มีค่าต่ำสุดจะเป็นค่าที่ถูกต้องที่สุด อย่างไรก็ตามความระมัดระวังในการคาดการณ์ที่ไม่ถูกต้องอย่างรุนแรงอาจส่งผลให้เกิดความลำเอียงต่ำหากพวกเขามีแนวโน้มที่จะเป็นไปตามคาดการณ์และคาดการณ์ (เชิงลบและบวก) ตัวอย่างเช่น บริษัท สามารถใช้ค่า alpha ได้มากกว่า 75,000 หน่วย (x221275,000) ตามที่คาดการณ์ไว้โดย 100,000 หน่วย (100,000) และมากกว่าที่คาดการณ์ไว้ 25,000 หน่วย (x221225,000) ซึ่งจะให้ผลผลิต มีความลำเอียงเป็นศูนย์ (x221275,000 100,000 x2212 25,000 0) เมื่อเปรียบเทียบแล้วอัลฟาอื่น ๆ ที่มีการคาดการณ์ถึง 2,000 หน่วย 1,000 หน่วยและ 3,000 หน่วยจะส่งผลให้เกิดความลำเอียง 5,000 หน่วย หากความต้องการปกติคือ 100,000 หน่วยต่อระยะเวลาอัลฟาแรกจะให้การคาดการณ์ว่าจะลดลงได้มากถึงร้อยละ 100 ในขณะที่อัลฟาที่สองจะปิดได้สูงสุด 3 เปอร์เซ็นต์แม้จะมีความลำเอียงในการคาดการณ์ครั้งแรกเป็นศูนย์ การวัดความแม่นยำของการคาดการณ์ที่ปลอดภัยกว่าคือค่าเบี่ยงเบนสัมบูรณ์ (Mean) เบี่ยงเบนสัมบูรณ์ (Mean) ในการคำนวณ MAD นักพยากรณ์จะสรุปค่าสัมบูรณ์ของข้อผิดพลาดในการคาดการณ์จากนั้นแบ่งตามจำนวนการคาดการณ์ (x2211 FE x00F7 N) โดยการใช้ค่าสัมบูรณ์ของข้อผิดพลาดในการคาดการณ์การหลีกเลี่ยงค่าบวกและลบ ซึ่งหมายความว่าทั้งการคาดการณ์ 50 และการคาดการณ์ 50 จะลดลง 50 โดยใช้ข้อมูลจากตัวอย่างการทำให้เรียบตัวอย่างเช่น MAD สามารถคำนวณได้ดังนี้ (60 x2212 41.5 72 x2212 54.45 58 x2212 66.74 40 x2212 60.62) x00F7 4 16.35 ดังนั้นพยากรณ์จะปิดเฉลี่ย 16.35 หน่วยต่อการคาดการณ์ เมื่อเทียบกับผลของ alphas อื่นผู้พยากรณ์จะทราบว่าอัลฟาที่มี MAD ต่ำสุดจะให้ผลการพยากรณ์ที่แม่นยำที่สุด ข้อผิดพลาดของค่าความผิดพลาดเฉลี่ย (MSE) สามารถใช้ในรูปแบบเดียวกัน MSE คือผลรวมของข้อผิดพลาดในการคาดการณ์หารด้วย N-1 (x2211 (FE)) x00F7 (N-1) การ จำกัด ข้อผิดพลาดในการคาดการณ์จะช่วยลดความเป็นไปได้ในการหักลบตัวเลขเนื่องจากไม่มีผลใด ๆ ที่เป็นค่าลบ การใช้ข้อมูลเดียวกันกับข้างต้น MSE จะเป็น: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 เช่นเดียวกับ MAD นักพยากรณ์อาจเปรียบเทียบ MSE ของการคาดการณ์ที่ได้จากการใช้ค่าต่างๆของ alpha และ สมมติว่า alpha ที่มี MSE ต่ำสุดจะให้ผลการพยากรณ์ที่แม่นยำที่สุด ข้อผิดพลาดเปอร์เซ็นต์เปอร์เซ็นต์สัมบูรณ์ (MAPE) หมายถึงเปอร์เซ็นต์ข้อผิดพลาดเปอร์เซ็นต์โดยเฉลี่ย เพื่อให้ได้ MAPE ต้องใช้อัตราส่วนระหว่างข้อผิดพลาดในการคาดการณ์กับความต้องการจริง 100 (เพื่อให้ได้เปอร์เซ็นต์) และหารด้วย N (x2211 ความต้องการจริง x2212 คาดการณ์ x00F7 ความต้องการตามจริง) xD7 100 x00F7 N. การใช้ข้อมูลจาก (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 เช่นเดียวกับ MAD และ MSE ค่าความผิดพลาดที่สัมพันธ์กับค่าพยากรณ์จะลดลง ควรสังเกตว่าในบางกรณีความสามารถในการคาดการณ์การเปลี่ยนแปลงอย่างรวดเร็วเพื่อตอบสนองต่อการเปลี่ยนแปลงรูปแบบข้อมูลถือว่ามีความสำคัญมากกว่าความถูกต้อง ดังนั้นการเลือกวิธีการพยากรณ์อากาศแบบ onex0027s ควรสะท้อนความสมดุลระหว่างความสำคัญระหว่างความถูกต้องและการตอบสนองตามที่นักพยากรณ์คาดการณ์ไว้ การคาดการณ์ William J. Stevenson แสดงรายการต่อไปนี้เป็นขั้นตอนพื้นฐานในกระบวนการคาดการณ์: พิจารณาวัตถุประสงค์ forecastx0027 ปัจจัยต่างๆเช่นวิธีการและเวลาในการคาดการณ์ระดับความถูกต้องที่ต้องการและระดับรายละเอียดที่ต้องการจะเป็นตัวกำหนดต้นทุน (เวลาเงินพนักงาน) ที่สามารถทุ่มเทให้กับการคาดการณ์และประเภทของวิธีการคาดการณ์ที่จะใช้ . กำหนดเส้นขอบฟ้าเวลา เหตุการณ์นี้เกิดขึ้นหลังจากที่ได้กำหนดวัตถุประสงค์ของการคาดการณ์แล้ว การคาดการณ์ในระยะยาวต้องใช้เวลานานขึ้นและในทางกลับกัน ความถูกต้องอีกครั้งคือการพิจารณา เลือกเทคนิคการคาดการณ์ เทคนิคที่เลือกขึ้นอยู่กับวัตถุประสงค์ของการพยากรณ์ความต้องการของเส้นขอบเวลาและค่าใช้จ่ายที่อนุญาต รวบรวมและวิเคราะห์ข้อมูล ปริมาณและประเภทของข้อมูลที่จำเป็นต้องอยู่ภายใต้การคาดการณ์ของเป้าหมายที่คาดการณ์ไว้เทคนิคการคาดการณ์ที่เลือกและการพิจารณาค่าใช้จ่ายใด ๆ คาดการณ์ ตรวจสอบการคาดการณ์ ประเมินประสิทธิภาพของการคาดการณ์และปรับเปลี่ยนหากจำเป็น อ่านต่อ: Finch, Byron J. Operations Now: การทำกำไรกระบวนการต่างๆประสิทธิภาพ 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. การวิเคราะห์ทางเศรษฐมิติ. 5 เอ็ด Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion x0022 เทคนิคกลุ่ม Nominal. x0022 กระบวนการวิจัย มีตั้งแต่ x003C ryerson. ca Stevenson, William J. Operations Management 8 ed. Boston: McGraw-Hill Irwin, 2005. อ่านบทความเกี่ยวกับ Forecasting จาก WikipediaMoving Average ตัวอย่างนี้สอนวิธีคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูลใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้เกิดความผิดปกติ (ยอดเขาและหุบเขา) เพื่อรับรู้แนวโน้มได้ง่ายขึ้น 1. ขั้นแรกให้ดูที่ซีรี่ส์เวลาของเรา 2. ในแท็บข้อมูลคลิกการวิเคราะห์ข้อมูล หมายเหตุ: ไม่สามารถหาปุ่ม Data Analysis คลิกที่นี่เพื่อโหลด Add-in Analysis ToolPak 3. เลือก Moving Average และคลิก OK 4. คลิกที่กล่อง Input Range และเลือกช่วง B2: M2 5. คลิกที่ช่อง Interval และพิมพ์ 6. 6. คลิกที่ Output Range box และเลือก cell B3 8. วาดกราฟของค่าเหล่านี้ คำอธิบาย: เนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและจุดข้อมูลปัจจุบัน เป็นผลให้ยอดเขาและหุบเขาจะเรียบออก กราฟแสดงแนวโน้มที่เพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกได้เนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้เพียงพอ 9. ทำซ้ำขั้นตอนที่ 2 ถึง 8 สำหรับช่วงที่ 2 และช่วงที่ 4 ข้อสรุป: ช่วงที่ใหญ่กว่ายอดเนินและหุบเขาจะยิ่งเรียบขึ้น ระยะห่างที่เล็กลงค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ที่ใกล้เคียงกับค่าข้อมูลจริงมากขึ้น