- এক্সফোনেনশিয়াল স্মুথিং পদ্ধতি
- পূর্বাভাসে স্মুথ
- ভরযুক্ত চলমান গড়
- সূচক মসৃণকরণ
- সূচকীয় অংশ
- সূত্র
- উদাহরণ
- তথ্যসূত্র
সূচকীয় মসৃণকরণ একটি নির্দিষ্ট সময়ের জন্য একটি নিবন্ধ চাহিদা পূর্বাভাস একটি উপায়। এই পদ্ধতিটি অনুমান করে যে চাহিদাটি নির্দিষ্ট সময়ের মধ্যে historicalতিহাসিক গ্রাসের গড়ের সমান হবে, সময়ের সাথে কাছাকাছি থাকা মানগুলিকে আরও বেশি ওজন বা ওজন দেবে। অতিরিক্ত হিসাবে, নিম্নলিখিত পূর্বাভাসের জন্য বর্তমান পূর্বাভাসের বিদ্যমান ত্রুটিটিকে অ্যাকাউন্টে গ্রহণ করুন।
চাহিদা বা পূর্বাভাস হ'ল পণ্য বা পরিষেবার জন্য গ্রাহকের চাহিদা প্রজেক্ট করার পদ্ধতি। এই প্রক্রিয়াটি অবিচ্ছিন্ন, ম্যানেজাররা goodতিহাসিক ডেটা ব্যবহার করে তারা কোনও ভাল বা পরিষেবার জন্য বিক্রয় চাহিদা কী প্রত্যাশা করে তা গণনা করতে ব্যবহার করে।
সূত্র: pixabay.com
কোম্পানির অতীতের তথ্যগুলি বাজারের অর্থনৈতিক তথ্যগুলিতে যুক্ত করে বিক্রয় বৃদ্ধি বা হ্রাস পাবে কিনা তা ব্যবহার করে ব্যবহৃত হয়।
চাহিদা পূর্বাভাসের ফলাফলগুলি বিক্রয় বিভাগের জন্য লক্ষ্য নির্ধারণে ব্যবহৃত হয়, সংস্থার লক্ষ্যগুলির সাথে সামঞ্জস্য থাকার চেষ্টা করে।
এক্সফোনেনশিয়াল স্মুথিং পদ্ধতি
স্মুথিং একটি খুব সাধারণ পরিসংখ্যান প্রক্রিয়া। স্মুটেড ডেটা প্রায়শই দৈনন্দিন জীবনের বিভিন্ন রূপে পাওয়া যায়। প্রতিবার গড় হিসাবে কোনও কিছু বর্ণনা করতে ব্যবহৃত হয়, একটি স্মুটেড নম্বর ব্যবহৃত হচ্ছে।
মনে করুন রেকর্ডে সবচেয়ে উষ্ণ শীত এই বছর অভিজ্ঞতা হয়েছে। এটি পরিমান হিসাবে, আমরা প্রতিটি রেকর্ড করা historicalতিহাসিক বছরের শীতকালীন সময়ের জন্য দৈনিক তাপমাত্রার ডেটা সেট করে শুরু করি।
এটি বড় "জাম্প" সহ বেশ কয়েকটি সংখ্যা উত্পন্ন করে। আপনার এমন একটি সংখ্যা দরকার যা একটি শীতের সাথে অন্য শীতের সাথে তুলনা করা আরও সহজ করার জন্য ডেটা থেকে এই সমস্ত জাম্পকে সরিয়ে দেয়।
ডেটাতে ঝাঁপ দূর করতে স্মুথিং বলা হয়। এই ক্ষেত্রে মসৃণতা অর্জনের জন্য একটি সাধারণ গড় ব্যবহার করা যেতে পারে।
পূর্বাভাসে স্মুথ
পূর্বাভাসের চাহিদার জন্য, historicalতিহাসিক চাহিদার বিভিন্নতা দূর করতে মসৃণকরণও ব্যবহৃত হয়। এটি চাহিদা প্যাটার্নগুলির আরও ভাল সনাক্তকরণের অনুমতি দেয়, যা ভবিষ্যতের চাহিদা অনুমান করতে ব্যবহার করা যেতে পারে।
চাহিদার ভিন্নতাগুলি হ'ল তাপমাত্রার তথ্যের "জাম্প" হিসাবে একই ধারণা। চাহিদা ইতিহাসের বিভিন্নতা মুছে ফেলার সর্বাধিক সাধারণ উপায় হল গড় বা গড় হিসাবে গড় ব্যবহার করে specifically
মুভিং এভারেজ গড় গণনা করার জন্য পূর্বনির্ধারিত সংখ্যক পিরিয়ড ব্যবহার করে এবং সময় পার হওয়ার সাথে সাথে সেই সময়সীমাগুলি সরানো হয়।
উদাহরণস্বরূপ, আপনি যদি চার মাসের চলন্ত গড় ব্যবহার করেন এবং আজ 1 মে, আপনি জানুয়ারী, ফেব্রুয়ারি, মার্চ এবং এপ্রিলের গড় চাহিদা ব্যবহার করবেন। ১ জুন, ফেব্রুয়ারী, মার্চ, এপ্রিল এবং মেয়ের চাহিদা ব্যবহার করা হবে।
ভরযুক্ত চলমান গড়
একটি সাধারণ গড় ব্যবহার করার সময়, ডেটা সেটে প্রতিটি মানের জন্য একই গুরুত্ব প্রয়োগ করা হয়। সুতরাং, চার মাসের চলন্ত গড়ের ক্ষেত্রে, প্রতি মাসে চলমান গড়ের 25% প্রতিনিধিত্ব করে।
ভবিষ্যতের চাহিদা প্রজেক্টে ডিমান্ড হিস্ট্রি ব্যবহার করে, এটি দাঁড়ায় যে সাম্প্রতিক সময়ের পূর্বাভাসের উপরে আরও বেশি প্রভাব ফেলেছে।
মুভিং এভারেজ গণনাটি কাঙ্ক্ষিত ফলাফল পেতে প্রতিটি সময়কালে বিভিন্ন "ওজন" প্রয়োগ করতে মানিয়ে নেওয়া যেতে পারে।
এই ওজন শতাংশ হিসাবে প্রকাশ করা হয়। সমস্ত সময়ের জন্য সমস্ত ওজনের মোট 100% পর্যন্ত যোগ করা আবশ্যক।
সুতরাং, যদি আপনি চার মাসের ওজনযুক্ত গড়ের নিকটতম সময়ের জন্য ওজন হিসাবে 35% প্রয়োগ করতে চান, তবে আপনি তিনটি সময়কালের মধ্যে ভাগ করতে 65% রেখে 100% থেকে 35% বিয়োগ করতে পারবেন।
উদাহরণস্বরূপ, আপনি চার মাসের জন্য যথাক্রমে 15%, 20%, 30% এবং 35% এর ওজন দিয়ে শেষ করতে পারেন (15 + 20 + 30 + 35 = 100)।
সূচক মসৃণকরণ
ঘন ঘন স্মুথিং গণনার জন্য নিয়ন্ত্রণ ইনপুটটি স্মুথিং ফ্যাক্টর হিসাবে পরিচিত। অতি সাম্প্রতিক সময়ের জন্য চাহিদার জন্য প্রয়োগ করা ওজনকে উপস্থাপন করে।
ওজনে চলমান গড় গণনার মধ্যে যদি 35% সাম্প্রতিক সময়ের ওজন হিসাবে ব্যবহৃত হয়, তবে আপনি ঘন ঘন স্মুথ গণনার ক্ষেত্রে স্মুথিং ফ্যাক্টর হিসাবে 35% ব্যবহার করতেও পছন্দ করতে পারেন।
সূচকীয় অংশ
ঘন ঘন স্মুথ গণনার মধ্যে পার্থক্য হ'ল প্রতিটি পূর্ববর্তী সময়কালে কত ওজন প্রয়োগ করতে হবে তা নির্ধারণের পরিবর্তে স্মুথিং ফ্যাক্টরটি স্বয়ংক্রিয়ভাবে এটি করতে ব্যবহৃত হয়।
এটি "ক্ষতিকারক" অংশ। 35% যদি স্মুথিং ফ্যাক্টর হিসাবে ব্যবহার করা হয় তবে সাম্প্রতিক সময়ের জন্য চাহিদা ওজন 35% হবে। অতি সাম্প্রতিক সময়ের আগে থেকে চাহিদাটির ভার ওজন 35% এর 65% হবে।
65% 100% থেকে 35% বিয়োগ করে আসে। এটি সেই সময়ের জন্য 22.75% ওজন হিসাবে সমান হয়। পরবর্তী সাম্প্রতিক সময়ের জন্য চাহিদা 35% থেকে 65% থেকে 65% হবে, যা 14.79% এর সমান।
পূর্ববর্তী সময়কাল 65% এর 65% এর 65% এর 65% হিসাবে 9,91% এর সমতুল্য হবে। এটি প্রথম পিরিয়ড পর্যন্ত সমস্ত পূর্ববর্তী সময়ের জন্য করা হবে।
সূত্র
ঘন ঘন স্মুথ গণনার সূত্রটি নিম্নরূপ: (ডি * এস) + (পি * (1-এস)), যেখানে, ডি = পিরিয়ডের জন্য সাম্প্রতিকতম চাহিদা।
এস = স্মুথিং ফ্যাক্টর, দশমিক আকারে উপস্থাপিত (35% হবে 0.35)।
পি = সাম্প্রতিক সময়ের পূর্বাভাস, পূর্ববর্তী সময়ের স্মুথ গণনার ফলে।
ধরে নিলাম যে আমাদের 0.35 এর স্মুথিং ফ্যাক্টর রয়েছে, তখন আমাদের কাছে এটি হবে: (ডি * 0.35) + (পি * 0.65)।
আপনি দেখতে পাচ্ছেন, কেবলমাত্র প্রয়োজনীয় ডেটা ইনপুটগুলি হ'ল চাহিদা এবং সাম্প্রতিক সময়ের পূর্বাভাস।
উদাহরণ
একটি বীমা সংস্থা যানবাহনের জন্য বীমা সরবরাহ করে, দেশের বৃহত্তম শহরে তার বাজার প্রসারিত করার সিদ্ধান্ত নিয়েছে।
প্রাথমিক পদক্ষেপ হিসাবে সংস্থাটি এই শহরের বাসিন্দাদের দ্বারা কতটা গাড়ি বীমা কিনবে তা পূর্বাভাস দিতে চায়।
এটি করার জন্য, তারা প্রাথমিক ডেটা হিসাবে অন্য ছোট শহরে কেনা গাড়ি বীমা পরিমাণ ব্যবহার করবে।
প্রথম সময়ের জন্য চাহিদার পূর্বাভাসটি 2,869 টি চুক্তিবদ্ধ যানবাহনের বীমা, তবে সেই সময়ের আসল চাহিদা ছিল 3,200।
সংস্থার বিবেচনার ভিত্তিতে, এটি 0.35 এর স্মুথিং ফ্যাক্টর নির্ধারণ করে। পরবর্তী সময়ের জন্য পূর্বাভাসের চাহিদা হ'ল: পি 2 = (3200 * 0.35) + 2869 * (1-0.35) = 2984.85।
এই একই গণনাটি পুরো বছরের জন্য তৈরি করা হয়েছিল, যা আসলে প্রাপ্ত হয়েছিল এবং সেই মাসের পূর্বাভাসের মধ্যে নিম্নলিখিত তুলনামূলক টেবিলটি পেয়েছিল।
গড় কৌশলগুলির সাথে তুলনা করে, ক্ষতিকারক স্মুথিং প্রবণতাটি আরও ভালভাবে অনুমান করতে পারে। যাইহোক, এটি গ্রাফটিতে প্রদর্শিত হিসাবে, এটি এখনও ছোট পড়েছে:
এটি দেখা যায় যে পূর্বাভাসের ধূসর লাইনটি সম্পূর্ণরূপে অনুসরণ করতে সক্ষম না হয়ে কীভাবে নীল রেখার চাহিদার নীচে বা উপরে হতে পারে।
তথ্যসূত্র
- উইকিপিডিয়া (2019)। সূচক মসৃণকরণ. থেকে নেওয়া: es.wikedia.org।
- ইনজেনিয়ো এম্প্রেসা (2016)। পূর্বাভাসের পূর্বাভাসের জন্য কীভাবে সরল সূচকীয় স্মুথিং ব্যবহার করবেন। থেকে নেওয়া: ingenioempresa.com।
- ডেভ পাইসেকি (2019)। ক্ষতিকারক স্মুথিংয়ের ব্যাখ্যা। থেকে নেওয়া: inventoryops.com।
- অধ্যয়ন (2019)। চাহিদা পূর্বাভাস কৌশল: চলন গড় এবং তাত্পর্যপূর্ণ স্মুথ। থেকে নেওয়া: অধ্যয়ন.কম।
- সিটিউ (2019)। ক্ষতিকারক স্মুথ পদ্ধতি। থেকে নেওয়া: personal.cb.cityu.edu.hk।