Modelarea Deciziilor Manageriale,

Prof. dr. Carmen Nadia Ciocoiu

UNITATEA DE INVATARE 2
Modele de previziune
Introducere
1. Definitii. Clasificarea metodelor de previziune
2. Analiza seriilor de timp: caracteristici și metode
2.1. Media mobila
2.2. Nivelarea exponentiala
2.3. Proiecţiile de trend
2.4. Decompoziţia

Teste de autoevaluare
1
Obiective ale UI

Din această UI veţi acumula cunoştinţe care vă vor

permite să înţelegeţi cum se pot aplica diverse tehnici
de previziune în afaceri.
Veţi afla cum se pot clasifica tehnicile de previziune şi le
veţi aprofunda pe cele din categoria analizei bazate pe
serii dinamice.
Veţi rezolva aplicaţii practice specifice cu ajutorul
programului informatic WINQSB, QM for Windows și
Excel.
2
Introducere

În fiecare zi, managerii iau decizii fără a ști ce se va întâmpla

în viitor, dar încearcă întotdeauna să reducă această
incertitudine apelând la diverse metode.
Reducerea incertitudinii privind viitorul este scopul principal
al previziunii (prognozei).
Există multe modalități de a prognoza viitorul. În numeroase
firme (în special cele de dimensiuni mici), întregul proces
este subiectiv și implică intuiția și experiența.
Există, de asemenea, multe modele de prognoză cantitative,
cum ar fi: media simplă și mobilă, nivelarea exponențială,
proiecții de trend, analiza de regresie, etc.
1. Definitii. Clasificarea metodelor de previziune
Previziunea = o metodă sistematică de obţinere a unei estimări a
valorii viitoare a unei variabile;
Se bazează, de obicei, pe analiza unei colecţii de observaţii
privind comportamentul trecut al fenomenului /procesului /
organizaţiei studiate.
Calitatea previziunilor depinde hotărâtor de cunoasterea
temeinică a realitătii.
Pentru a obține o previziune cu grad mare de acuratețe este
necesară folosirea unei metodologii complexe de previziune (o
gamă cât mai largă de metode si tehnici).
Peviziunea presupune parcurgerea unor etape/pași. Acesti
prezintă un mod sistematic de inițiere, proiectare, precum și
implementare a unui sistem de prognoză. Când sistemul va fi
utilizat pentru a genera previziuni regulat în timp, datele trebuie
colectate în mod curent, iar calculele sau procedurile utilizate
pentru a face prognoza se pot face în mod automat.
1. Definitii. Clasificarea metodelor de previziune

Opt pași pentru previziune:

1.Determinați obiectivul previziunii - ce încercaţi să obțineţi cu
acesta?
2.Selectați elementele sau cantitățile care urmează să fie prognozate.
3.Determinați orizontul de timp al previziunii: 1-30 zile (pe termen
scurt), 1 lună - 1 an (pe termen mediu), sau mai mult de 1 an (pe
termen lung).
4.Selectați modelul de previziune adecvat.
5.Adunați datele sau informațiile necesare pentru a face previziunea.
6.Validaţi modelul de previziune.
7.Realizaţi previziunea (folosind programe informatice dedicate).
8.Puneţi în aplicare rezultatele (prin utilizarea rezultatelor în
planificarea producţiei, a vânzărilor, etc).
 1. Definitii. Clasificarea metodelor de previziune

Tipuri de metode de previzune:

▪calitative (de judecată) - se bazează pe estimări subiective, mai degrabă
decât pe date; sunt folosite pentru prognoze pe termen lung (mai ales când
intervin factori externi) sau atunci când nu există date istorice, ori acestea
sunt limitate;
ex: opinia experţilor, metoda Delphi, analogii istorice, măsurarea
cerinţelor consumatorilor.
▪bazate pe serii de timp – în cazul în care evoluţia curentă a unui indicator
depinde de nivelul anterior (în ipoteza păstrării unui comportament inerţial al
fenomenului);
ex: metoda mediilor mobile, metode de ajustare, proiecții de trend,
metode de decompoziţie.
▪cauzale – pentru care este posibilă identificarea unor relaţii funcţionale de
tipul Y= f(x1, x2, …, xn) unde Y variabila dependentă este exprimată în
funcţie de nivelul factorilor independenţi (x1, x2, … xn);
ex: analiza de regresie simpla și multiplă, analiza de corelaţie.
▪econometrice – în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce
descriu în formă matematică diferite legităţi economice.
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
O secvenţă de date de observaţie, în mod obişnuit ordonată în
timp, este denumită serie de timp, sau serie dinamică.
Date - se referă la valori discrete măsurate la intervale egale de
timp.
Metodologia care se ocupă cu analiza unor astfel de date se
numeşte analiza seriilor de timp sau analiza seriilor dinamice.
Caracteristica esenţială a acestui tip de analiză este
recunoaşterea implicită a importanţei ordinii de apariţie a
înregistrărilor.
Reprezentarea grafică a unei serii de timp evidenţiază cele mai
importante caracteristici (componente) ale datelor acesteia:
prezenţa/absenţa tendinţei (trendului), a caracterului sezonier, a
ciclurilor sau a unor variații aleatoare.
Înțelegerea componentele unei serii de timp va ajuta la selectarea
unei tehnici de prognoză adecvate.
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
➢ Variaţia aleatoare (Rt) se produce fără a avea cauze speciale care să o
determine în mod previzibil sau cauzal şi fără posibilitatea de a i se
atribui un model de repetare sistematică.

➢ Trendul (Tt) defineşte tendinţa generală a evoluţiei fenomenului

indicatorului Yt desfăşurată pe o perioadă lungă de timp. Trendul este
mișcarea treptată în sus sau în jos a datelor în timp.
Această componentă poate fi relevată ca unică, în cazul seriilor ale căror
diferenţe finite sunt constante, sau ca o componentă fundamentală ce poate fi
izolată de celelalte componente, în cazul seriilor de timp decompozabile.
Identificarea trendului se poate efectua:
- reprezentând grafic, la scară, termenii seriei;
- analitic, prin încercarea mai multor funcţii dintre care se alege cea cu un
indicator de eroare minim – de exemplu, “deviaţia standard minimă” (adică
diferenţa între valorile reale ale seriei şi valorile ajustate cu funcţiile
matematice menţionate).
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
➢ Sezonalitatea (St) este un model de fluctuație a unui fenomen (ex.
cererea pentru un produs/serviciu) deasupra sau sub linia de trend, care
se repetă la intervale regulate.
Variaţia sezonieră apare ca urmare a influenţelor sezonale din timpul
perioadei previzionate. Are oscilaţie mai frecventă decât componenta
ciclică. Uneori variaţia sezonieră este generată de anotimpuri (şi
comportamentul oscilant în funcţie de acestea) sau de obiceiuri, tradiţii
sau fenomene sociale.

➢ Variaţia ciclică (Ct) se manifestă prin oscilaţii relativ ample ale

indicatorului sau fenomenului analizat, iar durata ciclului se poate
observa în perspectiva mai multor ani.
Oscilaţiile sunt generate de alternanţa perioadelor de creştere, cu
perioadele de stagnare, precum şi de alte cauze generale sau locale.
Ele sunt de obicei legate de ciclul de afaceri.
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Reprezentarea grafica a seriilor de timp
1. Vânzări relativ stabile fără trend 2. Vânzări cu trend fără
semnificativ şi fără influenţe
influenţe sezoniere sau ciclice
sezoniere sau ciclice

16
14

Volumul vanzarilor
12
10
8
6
4
2
0
1 3 5 7 9
Timpul
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Reprezentarea grafica a seriilor de timp
3. Vânzări cu variaţii 4. Vânzări cu trend şi variaţii
sezoniere fără trend sezoniere

5 16
14
Volumul vanzarilor

Volumul vanzarilor
4 12
3 10
Media
8
2 6
1 4
2
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Timpul
Timpul
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Extrapolarea reprezintă una din cele mai utilizate metode de previziune în
cadrul metodelor cantitative bazate pe serii de timp;
Metodele de extrapolare bazate pe serii de timp sugerează dezvoltarea
inerţială (prelungirea în viitor) a unor elemente ale proceselor şi
fenomenelor economice;
Pot fi aplicate cu rezultate bune numai dacă procesul la care se referă
prezintă un caracter de repetabilitate, cu aceeaşi intensitate a dinamicii.

Limite:
– oferă numai o imagine orientativă asupra perspectivei de evoluţie dacă se
recunoaşte faptul că viitorul NU reproduce fidel stările şi evoluţiile din
trecut;
– se poate folosi cu succes numai pentru procesele economice ce evoluează
fără discontinuităţi majore;
– riscul şi incertitudinea impun prelucrarea rezultatelor extrapolării cu
metode adiţionale;
– pentru ca rezultatele să fie cât mai plauzibile se recomandă operarea pe
orizonturi de prognoză cât mai scurte.
 2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Ajustarea unei serii temporale = operatiunea de
înlocuire a valorilor observate ale variabilei studiate
cu alte valori.
Noile valori sunt calculate prin metode adecvate cu scopul
de a pune în evidenţă componentele considerate esenţiale
ale seriei de date: trendul, fluctuaţiile ciclice, sezoniere
si/sau neregulate.
sunt aplicabile în previziunile pe termen scurt, de pe o
zi pe alta, de pe o luna pe alta, de pe un trimestru pe
altul.
Cele mai utilizate metode de nivelare (ajustare):
1. metoda mediilor mobile,
2. metoda nivelării exponenţiale.
 2.1. Media mobila
Presupune determinarea previziunii pentru o perioadă de timp (zi,
săptămână, lună, …, an etc.) prin medierea datelor din ultimele „n"
perioade:
y t + y t +1 + ...y t −n +1
Ft +1 =
n
în care: Ft+1 - valoarea previzionată pt. perioada t+1; Yt - valoarea realizată în
perioada t; n - ordinul mediei mobile.
Adoptând ordine diferite ale mediei mobile, se poate ajunge la o
corespondenţă mai apropiată sau mai îndepărtată a curbei previziunii faţă
de curba evoluţiei datelor reale.
Eroarea poate fi apreciată pe baza diferenţelor dintre realitate şi previziune
folosind formula erorii medii: m
2
 (F − Y )
t t
e= t =n
m−n
în care: Ft - valorile previzionate pentru perioadele t=1,...,m; Yt - valorile reale
disponibile; m - numărul de valori ale seriei de timp disponibile.
Medii mobile sunt utile dacă putem presupune că cerințele pieței vor rămâne
destul de constante în timp.
O altă metodă similară este media mobilă ponderată (cu ponderi diferite asociate
datelor în funcţie de ordinea lor în seria de date)
 2.1. Media mobila
Aplicatie practică:
Luna Vânzări reale Media mobilă de ordin 3
Ianuarie 10
Februarie 12
Martie 13
Aprilie 16 (10 + 12 + 13)/3 = 11.67
Mai 19 (12 + 13 + 16)/3 = 13.67
Iunie 23 (13 + 16 + 19)/3 = 16.00
Iulie 26 (16 + 19 + 23)/3 = 19.33
August 30 (19 + 23 + 26)/3 = 22.67
Septembrie 28 (23 + 26 + 30)/3 = 26.33
Octombrie 18 (26 + 30 + 28)/3 = 28.00
Noiembrie 16 (30 + 28 + 18)/3 = 25.33
Decembrie 14 (28 + 18 + 16)/3 = 20.67
Ianuarie — (18 + 16 + 14)/3 = 16.00
 2.2. Metoda nivelării exponenţiale
Pentru metodele de nivelare (ajustare), alegerea formei particulare a
metodei (cu unul sau mai mulți parametri) se poate face, într-un mod
aproximativ, prin reprezentarea grafică a seriei de date:
✓ în cazul seriilor de date pentru care nu se înregistrează trend şi variaţii
ciclice sau sezoniere se poate utiliza modelul de nivelare
exponenţială primară (în jurul mediei) (engl. Single Exponential
Smoothing - SES) (cu un singur parametru α);
✓ dacă pentru seria de date reprezentată se poate pune în evidenţă o
tendinţă liniar crescătoare sau descrescătoare se alege modelul cu
trend (cu doi parametri α si β );
✓ dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege
modelul de ajustare cu sezonalitate (cu doi parametri α si γ);
✓ în situaţia în care, în mod simultan se pot observa o componentă de tip
trend şi variaţii sezoniere se poate alege modelul de ajustare trend -
sezonalitate (ex: modelul Holt-Winters în care se folosesc trei
parametri α, β si γ și trei ecuații pt determinarea previziunii).
 2.2. Metoda nivelării exponenţiale
Nivelarea exponentiala a fost introdusă de Robert G. Brown în
cărțile sale din 1959 și 1963 (R.G. Brown adesea referit ca
“părintele” nivelării exponențiale).

Obiectivul metodei de previziune: netezirea (ajustarea) în

jurul mediei vânzărilor a fluctuaţiilor întâmplătoare.
Ideea de bază: prin modelul de ajustare exponenţială se atribuie
datelor referitoare la vânzările din trecut, ponderi invers
proporţionale cu vârsta lor, considerând că, în evoluţia
procesului, datele recente sunt mai valide decât cele vechi.

În cazul seriilor de date pentru care nu se înregistrează trend

şi variaţii ciclice sau sezoniere se poate utiliza modelul de
nivelare exponenţială primară/simpla (în jurul mediei) (engl.
Single Exponential Smoothing - SES).
 2.2. Metoda nivelării exponenţiale
Modelul de nivelare exponențială simplă
Presupunem ca se cunosc:
Perioadele Vânzările
efective (Y)
1 Y1
2 Y2 Pe baza lor se calculează in perioada t
  previziunea pentru perioada t+1
t-2 Yt-2
t-1 Yt-1
t Yt
t+1 ???????

Previziunea vânzărilor în perioada (t) pentru perioada (t+1) =

Ft+1 = Ft+ · (Yt - Ft) sau Ft+1 = Yt +(1-) · Ft
unde:  = constantă de nivelare, 0    1;  este un parametru în model.
Ft+1 – previziunea realizată în perioada t pentru perioada t+1
 2.2. Metoda nivelării exponenţiale
Concluzie:

Modelul de nivelare exponențială primară determină previziunea

pentru perioada (t+1) pe baza a trei valori:
Ft+1 =  ·Yt +(1-)·Ft

unde: Ft+1 - previziunea pentru perioada (t+1) efectuată la momentul t;

 - Constanta de nivelare 0    1; este aleasă de decident în
funcție de forma seriei de date;
Yt - Vânzările efective din perioada curentă t;
Ft - Previziunea la momentul t (determinată pornind de la o
previziune inițială care, daca nu se cunoaște, se consideră prima
valoare efectivă din seria de date ca și previziune).

Alegerea valorii lui alpha (α) influenteaza ajustarea oscilațiilor din

seria de date reale și calitatea previziunii.
 2.2. Metoda nivelării exponenţiale
Alegerea constantei de nivelare 0    1:
1. Pe baza minimizării indicatorilor erorilor de previziunen(et = Yt - Ft )
 (e t ) 2
Media erorilor la pătrat (mean square eror) = MSE = t =1 n
n

Media erorilor absolute (mean absolute deviation) = MAD =

 t =1
et

n n
Media procentuală a erorilor absolute = MAPE = 100 ⋅ [et /𝑌(t)]/n
(mean absolute percent error) t=1

unde: Y(t) – valorile reale la momentul t, t = 1... n

n
Suma erorilor de previziune (cumulative forecast error) = CFE =  e t
CFE t =1
Semnal de urmarire (Tracking Signal) = TS = MAD
✓TS: →pozitiv: există tendinţă de creştere a vânzărilor
negativ: există tendinţă de descreştere a vânzărilor
✓Numai dacă TS > 5 => există o tendinţă reală de creştere sau descreştere a vânzărilor
Se apreciază că, în cazul în care valoarea semnalului de urmărire este mai mare de 3,75,
este considerată subpreviziune. Pe de altă parte, dacă valoarea semnalului de urmărire
este mai mică de -3.75, atunci este considerată supra-previziune.
 2.2. Metoda nivelării exponenţiale
Alegerea constantei de nivelare 0    1:
2. Din analiza modelului Ft+1 = Yt +(1-)Ft , rezultă că, dacă:
 tinde spre 1 => Ft+1  Yt (previziunile urmaresc oscilatiile valorilor
reale/ efective)
 mult mai mic decat 1 => Ft  Ft-1  ...  F0  media valorilor efective
(previziunile tinde să se niveleze spre media valorilor efective)
3. Din analiza modelului Ft+1 = Ft+ (Yt – Ft ) rezultă că dacă:
- diferenţele | Yt - Ft | sunt mari, atunci se recomandă alegerea unui
 mic (spre 0) pentru a nu permite transferarea fluctuaţiilor mari în
previziune.
- diferenţele | Yt - Ft | sunt mici, atunci se recomandă alegerea unui
 mare (care tinde spre 1) pentru a permite previziunii să reacţioneze
rapid la eventualele schimbări.
4. Prin simulare (testari succesive) pe baza unui criteriu (indicator de
eroare) specificat de decident.
 2.2. Metoda nivelării exponenţiale
Etape de lucru:
Obţinerea datelor privind vânzările produsului în perioadele
trecute;
Analiza datelor pe baza reprezentării grafice;
Alegerea modelului de previziune cel mai adecvat;
Definirea parametrilor modelului: perioada sau perioadele pentru
care se va face previziunea, alegerea constantei de nivelare,
determinarea previziunii iniţiale;
Realizarea previziunii cu un produs informatic, ex.:
WINQSB/Forecasting and Linear Regression/Time Series Forecasting/
Single Exponential Smoothing (SES)
QM for Windows/Forecasting/Time Series Analysis
Excel (Data Analysis/ Exponential Smoothing)
Analiza influenţei constantei de nivelare ( ) asupra previziunii;
Interpretarea economică a rezultatelor.
 2.2. Metoda nivelării exponenţiale
Studiul de caz 1. Previziunea vânzării mărfurilor cu modelul de
nivelare exponenţială primară.
Se cunosc vânzările reale pe 12 luni (Actual Data), previziunea inițială se
considera egala cu prima valoare reală (F(0)=250).
Se dorește previziunea vânzărilor pe luna a 13-a. Rezolvarea va folosi 2 valori
ale lui alpha (0.3 si 0.9).
Luna Actual Forecast
Data by SES Rezultate:
alpha=0.3)
1 250.00
2 245.00 250.00
Alpha = 0.3:
3 237.00 248.50 previziunea F13 = 245.051
4 235.00 245.05 Erorile: MAD = 8.58,
5 249.00 242.03
6 260.00
MSE = 89.17
244.12
7 245.00 248.88 MAPE = 0.0352 (3.52%)
8 234.00 247.72 Trk.Signal = -1.92
9 241.00 243.60
Alpha = 0.9:
10 249.00 242.82
11 236.00 244.67
previziunea F13 = 250.521,
12 252.00 242.07 Erorile: MSE = 114.72
13 245.05
 2.2. Metoda nivelării exponenţiale
Studiul de caz 1. Previziunea vânzării mărfurilor cu modelul de
nivelare exponenţială primară.

260

255
VANZARI SI PREVIZIUNI

250

245

240

235

230
1 2 3 4 5 6 7 8 9 10 11 12 13
LUNILE

Vânzări Valori previzionate alpha 0.3 Valori previzionate alpha 0.9

Valori previzionate alpha 0.14 Media
 2.3. Proiecţiile de trend
O altă metodă de prognoză bazată pe serii de timp se numește proiecția
trendului.
Aceasta tehnica potriveste o linie de trend la o serie de puncte
reprezentând date istorice și apoi proiectează linia în viitor pentru a
obține previziuni pe termen mediu sau lung.
Există mai multe ecuații matematice de trend care pot fi aplicate (de ex.
exponențială și pătratică), dar cea liniară este cea mai folosită.
O linie de trend este pur și simplu o ecuație de regresie liniară în care
variabila independentă (X) este perioada de timp. Forma este:
Y = a + bX
unde: Y - valoare previzionată (variabila dependentă); a – interceptul;
b – panta liniei; X – perioada de timp (ex. 1, 2, 3..n)

Metoda celor mai mici pătrate poate fi aplicată pentru a găsi coeficienții
(a si b) care minimizează suma pătratelor erorilor (MSE).
 2.3. Proiecţiile de trend

Aplicatie practică: Luna Vanzari

se dorește previzionarea vânzărilor în 1 1215
funcție de lună pentru a 13-a perioada,
pe baza datelor din tabel. 2 1251
Rezolvare: 3 1305
Excel: Data > Data 4 1383
Analysis/Regression 5 1280
(Obs: Functia trebuie mai intai activata din 6 1450
File/Options/Add-ins/Analysis ToolPack)
7 1540
WINQSB/Forecasting/ Linear
8 1750
regression
9 1835
QM for Windows/
Forecasting/Simple and Multiple 10 1923
Regression 11 2050
12 1950
 2.3. Proiecţiile de trend
REGRESIE LINIARA (VANZARI IN FUNCTIE
DE LUNA) 2500 X Variable 1 Line Fit Plot

Regression Statistics 2000

Multiple R 0,9608
R Square 0,9231 1500
Adjusted R

Y
Square 0,9154 1000
Y
Standard
Error 89,1866 Predicted Y
500
Observations 12

0
ANOVA 0 2 4 6 8 10 12 14
Significance X Variable 1
df SS MS F F
Regression 1 954166,161 954166,161 119,957 0,00000069
Residual 10 79542,506 7954,251
Total 11 1033708,667
Upper Lower
Coefficients Standard Error t Stat P-value Lower 95% 95% 95,0% Upper 95,0%
Intercept 1046,712 54,891 19,069 0,000 924,4081169,016 924,408 1169,016
X Variable 1 81,685 7,458 10,952 0,000 65,068 98,303 65,068 98,303
 2.3. Proiecţiile de trend

Din regresia liniară rezulta că ecuatia de regresie are

forma:
Y= 1046,712+81,685·X,

de unde rezulta ca vânzarile pentru luna 13 sunt:

Y(13) = 1046,712+81,685·(13)=2108,62
 2.4. Decompozitia

Metodele de decompoziţie (descompunere) presupun

identificarea în mod separat a componentelor tipice
(caracteristici) ale unei serii dinamice şi prognozarea lor
separată:
▪ Tendinţa generală (trendul) (Tt)
▪ Miscarea ciclica (Ct)
▪ Fluctuaţiile sezoniere (St)
▪ Variaţiile neregulate (aleatoare) (Rt)

După prognozarea izolată cele 4 elemente se compun în

forma aditivă sau multiplicativă.
 2.4. Decompozitia

Realizarea unei previziuni cu metoda de decompozitie

necesită calcule elaborate ce presupun:

1. Descompunerea datelor din trecut (filtrarea influențelor

sezoniere din datele originale).

2. Previzionarea separată a trendului (T) şi sezonalităţii (S).

3. Combinarea previziunilor separate folosind modelul aditiv

(însumare) sau multiplicativ (înmulțire).
 2.4. Decompozitia

➢ Dupa prognozare izolata cele 4 elemente se compun in forma aditivă,

multiplicativă, sau combinaţii ale celor două forme.
➢ Alegerea unei anumite forme este influenţată de modul de variaţie a
factorilor ciclici şi sezonieri la modificările valorilor seriei dinamice:
- în formă aditivă: Yt = Tt + Ct + S t + Rt unde: T, S, C, R sunt exprimate
ca valori absolute; se folosește când factorii componenţi sunt
independenţi (ex.: mărimea variaţiei sezoniere nu e afectată de valoarea
tendinţei); variaţiile sezoniere şi cele ciclice nu sunt proporţionale cu
mărimea valorilor din seria de date (în această situaţie, amplitudinea
variaţiilor sezoniere este aproximativ constantă în timp).
- în formă multiplicativă: Yt = Tt  Ct  S t  Rt unde: T, S, C, R sunt
exprimate ca % sau proporţii; când caracteristicile interacţionează (în
care variaţiile sezoniere cresc proporţional cu trendul).
➢ Dacă toate oscilaţiile dintr-o serie de timp sunt datorate variațiilor
aleatoare se recomandă un model de mediere sau de netezire/ajustare
a datelor.
 2.4. Decompozitia

Exemplu:
Daca vânzarile de jucarii au un varf in fiecare aditiv
decembrie, cu o crestere de 100000 lei fata de valoare
luna decembrie din anul anterior, atunci
previziunea trebuie sa creasca in luna decembrie
cu aceasta valoare, iar modelul este aditiv.
Daca se cunoaste ca exista o crestere de 40% a
vanzarilor in luna decembrie fata de restul anului,
atunci modelul este multiplicativ.
timp

Rezolvarea se poate face cu ajutorul multiplicativ

produsului informatic WINQSB/
Forecasting/ Times Series Forecasting/ valoare
Holt-Winters Additive Algorithm sau
WINQSB/ Forecasting/ Times Series
Forecasting/ Holt-Winters Multiplicative
Algorithm
timp
Aplicatie practică: Previziunea vînzărilor trimestriale (cu
trend si sezonalitate) cu Algortimul Holt-Winters

O firma comercializează produse de sticlărie pentru menaj;

pe baza datelor din ultimii 3 ani asupra volumului (mil. u.m.)
de vânzări trimestriale (tabelul 1) se cere să se efectueze
prognoza acestui indicator pentru următoarele 4 trimestre
pentru fundamentarea planului curent de investiţii.

Tabelul 1
Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV
2017 4000 4200 5600 5900
2018 5200 5700 7200 9500
2019 4750 5200 6900 9500
2020 5900 6300 8250 ?
2021 ? ? ?
 Algoritmul Holt-Winters - Aplicatie practica (WINQSB)

Quarter Actual F(t) T(t) S(t) Forecast Formula de calcul pentru

Data x(t) f(t+h) f(t+h)
1 4000,0000 0 0 0,8122
2 4200,0000 0 0 0,8528
3 5600,0000 0 0 1,1371
4 5900,0000 4925,0000 0 1,1980
5 5200,0000 5072,7500 29,5500 0,8761 4000,0000 = [4925+1·0]·0,8122
6 5700,0000 5260,4630 61,1826 0,9220 4351,2000 = [5072,75+1·29,55]·0,8528
7 7200,0000 5422,6950 81,3925 1,1943 6051,0080 ........
8 9500,0000 5746,6880 129,9125 1,3345 6593,7300
9 4750,0000 5831,1450 120,8214 0,8576 5148,2150
10 5200,0000 5920,7480 114,5778 0,9089 5487,8360
11 6900,0000 6009,5550 109,4236 1,1804 7207,7780
12 9500,0000 6218,9490 129,4177 1,3924 8165,8770
13 5900,0000 6401,4840 140,0413 0,8768 5444,4530
14 6300,0000 6580,5230 147,8406 0,9234 5945,5590
15 8250,0000 6754,4200 153,0521 1,1927 7942,4090
16 9618,2310 =[6754,42+1·153,0521]·1,3924
17 6190,8710 =[6754,42+2·153,0521]·0,8768
18 6661,2880 =[6754,42+3·153,0521]·0,9234
19 8786,4180 =[6754,42+4·153,0521]·1,1927
Algoritmul Holt-Winters - Aplicatie practica

c=4 Algoritmul multiplicativ Holt-Winters:

Alpha=0,1 F(t) = α x(t)/S(t-c) + (1- α )[F(t-1)+T(t-1)]
T(t) = β [F(t)-F(t-1)] + (1- β)T(t-1)
Beta=0,2
S(t) = γ x(t)/F(t) + (1- γ)S(t-c)
Gamma=0,3 Previziunea: f(t+h) = [F(t)+hT(t)]S(t+h-c) for h=1,2,..., c
F(0)=4925 f(t+h) = [F(t)+hT(t)]S(t+h-2c) for h=c+1,c+2,..., 2c
T(0)=0 f(t+h) = [F(t)+hT(t)]S(t+h-3c) for h=2c+1,2c+2,..., 3c
etc.
S(1)=0,8122
unde: c este lungimea ciclului de sezonalitate, (aici: c=4)
S(2)=0,8528 α, β, γ sunt constante de ajustare , 0 ≤ α ≤ 1, 0 0 ≤ β ≤ 1, 0 ≤ γ ≤ 1
S(3)=1,1371 Fie m media valorilor reale pentru primul ciclu, de la t=1 la c=4.
S(4)=1,1980 Valorile iniţiale sunt: F(0)= m, T(0)=0, S(t) = x(t)/m pentru t=1,…,4.

Pentru exemplificare:
S(1) = x(1)/m= 4000/4925=0,8122; unde m = (4000+4200+5600+5900)/4=4925
F(5) = x(5)/S(1) + (1-)[F(4)+T(4)] = 0,1·5200/0,8122 + 0,9·[4925+0]=5072,75
T(5) = β[F(5)-F(4)] + (1- β)T(5)= 0,2·[5072,75-4925] + 0,8·0 = 29,55
S(5) = γ x(5)/F(5) + (1- γ )S(1) = 0,3·5200/5072,75 + 0,7·0,8122 = 0,8761
în care la prima iteraţie S(1)=0,8122, T(0)=0
WinQSB versus QM for Windows
Teste de autoevaluare
Enunţaţi şi explicaţi ipotezele care stau la baza metodelor
de previziune bazate pe serii de timp.
Explicaţi rolul şi modul de determinare a constantei de
nivelare α utilizată în modelul de nivelare exponenţială.
Descrieţi asemănările şi deosebirile dintre metoda
mediilor mobile şi metoda nivelării exponenţiale.
Prezentaţi abordarea matematică şi interpretarea
economică a modelului de nivelare exponentiala primara.
Cum se poate determina cea mai bună valoare a constantei
de nivelare alpha?

37