راهکارهایی برای پیش‌بینی داده‌های فصلی

راهکار اول:

پیش‌بینی داده‌های فصلی به کمک شاخص‌های فصلی

در جدول زیر، اطلاعات فروش روزانه یک محصول طی چهار هفته نشان داده شده است.

نمودار زیر، بر اساس اطلاعات جدول بالا رسم شده است و به وضوح می‌توانیم فصلی بودن آن را ببینیم؛ فروش در روزهای پنجشنبه، افزایش قابل توجهی دارد و در روزهای جمعه به طور قابل توجهی کاهش می‌یابد.

می‌خواهیم با تعیین شاخص‌های فصلی، مقدار فروش در آینده را پیش‌بینی کنیم. برای این کار باید سه مرحله زیر را جلو ببریم:

کارهایی که باید انجام دهیم، شامل سه مرحله‌ی زیر می‌شوند.

مرحله‌ی اول: بررسی می‌کنیم که مقدار فروش در هر فصل -که در این مثال، روزهای هفته هستند- چند درصد از میانگین فروش روزانه است. مثلاً اگر متوسط فروش در هر روز ۱۰۰ واحد، در روزهای شنبه ۱۲۰ واحد و در روزهای جمعه ۴۰ واحد است، نتیجه می‌گیریم که شنبه‌ها ۱۲۰ درصد و جمعه‌ها ۴۰ درصد میانگین فروش را شامل می‌شوند. این مقادیر، شاخص‌های فصلی هستند و با کمک آن‌ها می‌توانیم نتایج پیش‌بینی را اصلاح کنیم.

مرحله‌ی دوم: فرض می‌کنیم داده‌ها فصلی نیستند. با هر روشی که می‌خواهیم، حتی روش‌هایی که قدرت پیش‌بینی داده‌های فصلی را ندارند، فروش در دوره‌ی مورد نظر را پیش‌بینی می‌کنیم.

مرحله‌ی سوم: نتیجه‌ای که از مرحله‌ی دوم به دست آورده‌ایم را در شاخص فصلی مربوطه ضرب می‌کنیم. مثلاً اگر مقدار فروش در روز جمعه‌ از هفته‌ پنجم را ۲۰۰ واحد پیش‌بینی کرده‌ایم، آن را در شاخص روزهای جمعه که ۴۰% است ضرب می‌کنیم. با این کار مقدار پیش‌بینی شده متناسب با فصلی بودن داده‌ها اصلاح می‌شود.

در ادامه، بر اساس جدولی که بالاتر ارائه کردیم، پیش‌بینی را در سه مرحله انجام خواهیم داد.

مرحله اول: برای هر کدام از هفته‌های اول تا چهارم، میانگین فروش روزانه را حساب می‌کنیم. مثلاً ابتدا بررسی می‌کنیم میانگین فروش روزانه در هفته اول چقدر بوده، بعد میانگین فروش روزانه در هفته‌های دوم، سوم و چهارم را محاسبه می کنیم. سپس برای هفته اول حساب می‌کنیم که در هر روز، مقدار فروش چند درصد از میانگین فروش روزانه در هفته اول است. مقادیر به دست آمده، شاخص‌های فصلی مربوط به روزهای هفته اول هستند.

اقداماتی که گفتیم را برای هفته‌های دوم، سوم و چهارم نیز انجام می‌دهیم و به جدول زیر می‌رسیم:

شاخص‌هایی که در جدول بالا نوشتیم برای هفته‌های اول تا چهارم هستند، اما برای پیش‌بینی آینده باید شاخص‌های هفته‌های بعدی را هم محاسبه کنیم. مثلاً باید بدانیم شاخص هر کدام از روزها در هفته‌ی پنجم چقدر است.

برای پیدا کردن شاخص‌‌ها در هفته‌ی پنجم، باید روند تغییرات شاخص‌ها در هفته‌های قبل را لحاظ کنیم. مثلاً شاخص‌ شنبه‌ها در هفته‌های اول تا چهارم برابر با ۰٫۶۴ و ۰٫۷۶ و ۰٫۵۲ و ۰٫۶۹ بود. بر اساس این داده‌ها می‌توانیم شاخص روز شنبه در هفته‌ی پنجم را پیش‌بینی کنیم. در این مثال، برای پیش‌بینی شاخص روزهای هفته‌ی پنجم از روش میانگین ساده و روش نمو هموار (با آلفای ۰٫۶) استفاده کردیم. نتایج بسیار نزدیک هستند.

مرحله دوم: کارهایی که در مرحله قبل کردیم را کنار می‌گذاریم. هدف به دست آوردن شاخص‌ها بود که انجام دادیم. در مرحله دوم فرض می‌کنیم داده‌ها فصلی نیستند. با این فرض، پیش‌بینی را با هر روشی که می‌خواهیم -و البته از نظرمان مناسب است- انجام می‌دهیم. مثلاً می‌توانیم از روش میانگین ساده استفاده کنیم. در این حالت داریم:

مرحله سوم: مقادیری که در مرحله دوم پیش‌بینی کردیم را در شاخص فصلی مرتبط ضرب کنیم. مثلاً برای شنبه‌ در هفته‌ی پنجم، شاخص ۰٫۶۵ بود. مطابق پیش‌بینی انجام شده در مرحله دوم، در هر روز از هفته پنجم به طور متوسط ۳۹.۰۷ واحد فروش داریم. این دو عدد را ضرب می‌کنیم و به ۲۵.۴ می‌رسیم. این عدد پیش‌بینی ما از مقدار فروش در روز شنبه از هفته پنجم است.