LÀM MỊN THEO CẤP SỐ NHÂN: PHƯƠNG PHÁP VÀ VÍ DỤ - DUDAS - 2026

Làm mượt theo cấp số nhân là một cách để dự báo nhu cầu cho một bài báo trong một khoảng thời gian nhất định. Phương pháp này ước tính rằng nhu cầu sẽ bằng mức trung bình của mức tiêu thụ lịch sử trong một thời kỳ nhất định, cho trọng số hoặc trọng số lớn hơn với các giá trị gần thời gian hơn. Ngoài ra, đối với các dự báo sau đây, hãy tính đến lỗi hiện có của dự báo hiện tại.

Dự báo nhu cầu là phương pháp dự báo nhu cầu của khách hàng đối với một sản phẩm hoặc dịch vụ. Quá trình này diễn ra liên tục, trong đó các nhà quản lý sử dụng dữ liệu lịch sử để tính toán những gì họ mong đợi nhu cầu bán hàng đối với một hàng hóa hoặc dịch vụ.

Nguồn: pixabay.com

Thông tin từ quá khứ của công ty được sử dụng bằng cách thêm nó vào dữ liệu kinh tế thị trường để xem liệu doanh số bán hàng sẽ tăng hay giảm.

Kết quả của dự báo nhu cầu được sử dụng để thiết lập các mục tiêu cho bộ phận bán hàng, cố gắng luôn phù hợp với các mục tiêu của công ty.

Phương pháp làm mịn hàm mũ

Làm mịn là một quá trình thống kê rất phổ biến. Dữ liệu được làm mịn thường được tìm thấy trong nhiều hình thức khác nhau của cuộc sống hàng ngày. Mỗi khi một số trung bình được sử dụng để mô tả điều gì đó, một số được làm mịn sẽ được sử dụng.

Giả sử đã trải qua mùa đông ấm nhất được ghi nhận trong năm nay. Để định lượng điều này, chúng tôi bắt đầu với bộ dữ liệu nhiệt độ hàng ngày cho khoảng thời gian mùa đông của mỗi năm lịch sử được ghi lại.

Điều này tạo ra một số con số có “bước nhảy” lớn. Bạn cần một số loại bỏ tất cả các bước nhảy này khỏi dữ liệu để so sánh mùa đông này với mùa đông khác dễ dàng hơn.

Loại bỏ bước nhảy trong dữ liệu được gọi là làm mịn. Trong trường hợp này, có thể sử dụng mức trung bình đơn giản để đạt được độ mịn.

Làm mịn trong dự báo

Đối với dự báo nhu cầu, làm mịn cũng được sử dụng để loại bỏ các biến thể trong nhu cầu lịch sử. Điều này cho phép xác định tốt hơn các mẫu nhu cầu, có thể được sử dụng để ước tính nhu cầu trong tương lai.

Sự thay đổi trong nhu cầu là khái niệm giống như "bước nhảy" của dữ liệu nhiệt độ. Cách phổ biến nhất mà các biến thể trong lịch sử nhu cầu bị loại bỏ là sử dụng đường trung bình, hoặc cụ thể là đường trung bình động.

Đường trung bình sử dụng một số khoảng thời gian được xác định trước để tính giá trị trung bình và những khoảng thời gian đó sẽ di chuyển theo thời gian.

Ví dụ: nếu bạn sử dụng đường trung bình động của 4 tháng và hôm nay là ngày 1 tháng 5, bạn sẽ sử dụng nhu cầu trung bình cho tháng 1, tháng 2, tháng 3 và tháng 4. Ngày 1/6, cầu tháng 2, 3, 4, 5 sẽ được sử dụng.

Khối lượng di chuyển trung bình

Khi sử dụng giá trị trung bình đơn giản, mức độ quan trọng giống nhau được áp dụng cho mỗi giá trị trong tập dữ liệu. Do đó, trong đường trung bình động bốn tháng, mỗi tháng đại diện cho 25% của đường trung bình động.

Bằng cách sử dụng lịch sử nhu cầu để dự đoán nhu cầu trong tương lai, có thể cho rằng giai đoạn gần đây nhất có tác động lớn hơn đến dự báo.

Việc tính toán đường trung bình động có thể được điều chỉnh để áp dụng các “trọng số” khác nhau cho từng thời kỳ nhằm thu được kết quả mong muốn.

Các trọng số này được biểu thị bằng phần trăm. Tổng trọng số của tất cả các kỳ phải cộng lại bằng 100%.

Do đó, nếu bạn muốn áp dụng 35% làm trọng số cho kỳ gần nhất trong bình quân gia quyền bốn tháng, bạn có thể lấy 100% trừ đi 35%, còn lại 65% để chia cho ba kỳ còn lại.

Ví dụ: bạn có thể kết thúc với tỷ trọng lần lượt là 15%, 20%, 30% và 35% trong bốn tháng (15 + 20 + 30 + 35 = 100).

Làm mịn theo cấp số nhân

Đầu vào điều khiển cho phép tính làm trơn hàm mũ được gọi là hệ số làm mịn. Đại diện cho trọng lượng được áp dụng cho nhu cầu trong khoảng thời gian gần đây nhất.

Nếu 35% được sử dụng làm trọng số của kỳ gần đây nhất trong phép tính trung bình động có trọng số, bạn cũng có thể chọn sử dụng 35% làm hệ số làm mịn trong phép tính làm trơn theo cấp số nhân.

Phần lũy thừa

Sự khác biệt trong phép tính làm trơn theo cấp số nhân là thay vì phải tìm ra trọng lượng cần áp dụng cho mỗi giai đoạn trước đó, hệ số làm trơn được sử dụng để thực hiện điều đó một cách tự động.

Đây là phần "hàm mũ". Nếu 35% được sử dụng làm hệ số làm mịn, thì tỷ trọng cầu của giai đoạn gần đây nhất sẽ là 35%. Tỷ trọng của nhu cầu so với kỳ trước gần đây nhất sẽ là 65% của 35%.

65% đến từ việc trừ đi 35% từ 100%. Điều này tương đương với tỷ trọng 22,75% cho giai đoạn đó. Nhu cầu cho giai đoạn gần nhất tiếp theo sẽ là 65% từ 65% từ 35%, tương đương với 14,79%.

Kỳ trước tỷ trọng là 65% của 65% của 65% của 35%, tương đương với 9,61%. Điều này sẽ được thực hiện cho tất cả các kỳ trước, cho đến kỳ đầu tiên.

Công thức

Công thức tính toán làm trơn theo cấp số nhân như sau: (D * S) + (P * (1-S)), trong đó,

D = nhu cầu gần đây nhất trong khoảng thời gian.

S = hệ số làm mịn, được biểu diễn ở dạng thập phân (35% sẽ là 0,35).

P = dự báo của giai đoạn gần đây nhất, kết quả từ việc tính toán mượt mà của giai đoạn trước.

Giả sử rằng chúng ta có hệ số làm mịn là 0,35, khi đó chúng ta sẽ có: (D * 0,35) + (P * 0,65).

Như bạn có thể thấy, đầu vào dữ liệu duy nhất được yêu cầu là nhu cầu và dự báo thời kỳ gần đây nhất.

Thí dụ

Một công ty bảo hiểm đã quyết định mở rộng thị trường sang thành phố lớn nhất cả nước, cung cấp bảo hiểm cho các phương tiện giao thông.

Theo hành động ban đầu, công ty muốn dự đoán người dân thành phố này sẽ mua bao nhiêu bảo hiểm xe cộ.

Để làm điều này, họ sẽ sử dụng làm dữ liệu ban đầu về số tiền bảo hiểm ô tô đã mua ở một thành phố khác nhỏ hơn.

Dự báo nhu cầu cho giai đoạn 1 là 2.869 xe hợp đồng bảo hiểm, nhưng nhu cầu thực tế trong giai đoạn đó là 3.200.

Theo quyết định của công ty, nó chỉ định hệ số làm mịn là 0,35. Dự báo nhu cầu cho kỳ sau là: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Tính toán tương tự này đã được thực hiện cho cả năm, thu được bảng so sánh sau đây giữa những gì thực sự thu được và những gì được dự báo cho tháng đó.

So với các kỹ thuật tính trung bình, làm mịn theo cấp số nhân có thể dự đoán xu hướng tốt hơn. Tuy nhiên, nó vẫn giảm, như được hiển thị trong biểu đồ:

Có thể thấy đường màu xám của dự báo có thể thấp hơn hoặc cao hơn đường cầu màu xanh lam như thế nào mà không thể theo dõi đầy đủ.

Người giới thiệu

1. Wikipedia (2019). Làm mịn theo cấp số nhân. Lấy từ: es.wikipedia.org.
2. Ingenio Empresa (2016). Cách sử dụng tính năng làm mịn theo cấp số nhân đơn giản để dự báo nhu cầu. Lấy từ: ingenioempresa.com.
3. Dave Piasecki (2019). Giải thích làm trơn theo cấp số nhân. Được lấy từ: stockops.com.
4. Nghiên cứu (2019). Kỹ thuật dự báo nhu cầu: Trung bình động & Làm mịn theo cấp số nhân. Lấy từ: study.com.
5. Cityu (2019). Phương pháp làm mịn theo cấp số nhân. Lấy từ: cá nhân.cb.cityu.edu.hk.