Metoda eksponencijalnog izravnavanja koristi povijesne prosjeke varijable u razdoblju kako bi pokušala predvidjeti njezino buduće ponašanje.
Prema tome, ono o čemu se radi je predvidjeti što će se dogoditi i što čini zaglađivanje vremenskih serija. Cilj je smanjiti fluktuacije i moći uočiti trend koji ponekad nije jasan golim okom. Široko se koristi, posebno u očekivanju prodaje, a pokazao se više nego prihvatljivim.
Metoda eksponencijalnog zaglađivanja
Pogledajmo jednostavan način izračuna. Formula, koju detaljno prikazujemo u primjeru, uključuje stvarnu potražnju (Do) i prognozu (Po). S druge strane, faktor zaglađivanja (alfa) izražen u toliko puta jednom. Formula bi bila sljedeća:
Ono što radimo, kao što ćemo vidjeti na kraju, je glatka serija. Prognozi za prethodno razdoblje (Po) dodajte razliku između ove i potražnje (Do) pomnožene s faktorom zaglađivanja (alfa). Ovim postižemo vrijednosti s manje varijabilnosti i evoluciju vremenskih serija možemo bolje uočiti.
Naravno, postoje i nešto složeniji modeli. S jedne strane model Box-Jenkins, a s druge Holt-Winter model. Potonji je vrlo koristan zbog svoje jednostavnosti i jednostavnosti upotrebe. Nećemo ulaziti u određene detalje, jer bismo premašili svoj cilj prikazivanja gospodarstva na jednostavan način.
Prednosti eksponencijalnih metoda zaglađivanja
Prednosti su prije svega jednostavnost i jednostavnost primjene, ali postoji nekoliko više. U nastavku prikazujemo najrelevantnije:
- Ne treba puno povijesnih podataka, za razliku od drugih metoda kao što je ARIMA.
- Ima veću preciznost od ostalih kada se koristi tehnikama eksponencijalnog modeliranja.
- To je metoda koja uživa veliku fleksibilnost, koristeći podatke o potražnji koje istraživač može odabrati.
- Takozvano dvostruko eksponencijalno zaglađivanje omogućuje smanjenje problema s predviđanjem kada je faktor izravnavanja veći od 0,5. Jedan od rijetkih nedostataka.
Primjer eksponencijalnog zaglađivanja
Zamislite tvrtku koja prodaje čips od krumpira. Komercijalni direktor meksičke matične tvrtke kontaktira svog kolegu u Španjolskoj. Ovo vam govori da ćete napraviti prognozu prodaje za Valenciju. Ali naravno, jedini pokazatelj s kojim morate započeti je prodaja u gradu u Meksiku gdje se podaci mogu uspoređivati. Upotrijebite faktor da izravnate niz od 35%.
Kao što možemo vidjeti na slici, primjenom formule dobivamo prognozirane vrijednosti. Prva (P1), od siječnja 2015., prodaja je Mexico Citya za taj mjesec. Stupac potražnje stvarni su podaci za tu godinu. Odatle se unosom formule mogu stvoriti ostali podaci u stupcu predviđanja.
Možemo potvrditi da eksponencijalno zaglađivanje smanjuje fluktuacije i uočavamo da ne postoji jasan trend. Međutim, prognoza je većinu vremena iznad stvarne potražnje koja je na kraju proizvedena. Iako je u kasnijem razdoblju to mnogo veće.