شما در حال خواندن درس پیش‌بینی داده‌های فصلی از دوره‌ی پیش‌بینی تقاضا هستید.

پیش‌بینی داده‌های فصلی

الگوهای فصلی را به خاطر دارید؟ گاهی داده‌ها به‌صورت نوسانی تغییر می‌کنند که آگاهی از آن‌ برای دقیق‌تر شدن پیش‌بینی ضروری است، برای همین تلاش می‌کنیم که تا حد امکان نوسانات منظم داده‌ها را شناسایی کنیم.

اما بعد از شناسایی فصلی بودن داده‌ها، چگونه این موضوع را در پیش‌بینی دخالت دهیم؟

در این درس با ساختاری برای تعیین شاخص‌های فصلی و تصحیح نتایج پیش‌بینی آشنا می‌شوید.

توجه بفرمایید که شیوه‌ی بیان این درس بر مبنای مثال است و حتماً باید از ابتدا تا انتهای آن را با دقت مطالعه کنید.

پیش‌بینی به کمک شاخص فصلی

برای یادگیری این روش از یک مثال استفاده می‌کنیم. به جدول زیر توجه کنید:

قبل از هر چیزی احتمالاً دیدن روزهای هفته به‌عنوان فصل برای شما عجیب است اما عمداً این مثال را انتخاب کردیم تا به خاطر بسپارید که منظورمان از فصل، الزاماً بهار و تابستان و پاییز و زمستان نیست.

فرض کنید که داده‌های مختلف را بررسی کردیم و متوجه شدیم که میزان فروش در هر یک از روزهای هفته، رفتار خاصی را نشان می‌دهد و تصمیم گرفتیم هر کدام را یک فصل در نظر بگیریم. (البته حجم اطلاعات جدول آنقدری نیست که با اطمینان چنین تصمیمی بگیریم، اما در مثل جای مناقشه نیست)

اطلاعات جدول را به‌صورت نمودار ببینید:

فرض کنید می‌خواهیم فروش روز جمعه در هفته‌ی پنجم را پیش‌بینی کنیم.

همان‌طور که در نمودار می‌بینید، فروش روزهای جمعه به‌طور قابل توجهی کمتر از روزهای دیگر است و این موضوع باید در پیش‌بینی لحاظ شود، اما چه راهکاری داریم؟

در این بخش از شاخص فصلی برای تصحیح نتایج پیش‌بینی استفاده می‌کنیم اما از آن‌جایی که این روش به شکل‌های بسیار مختلفی در منابع معرفی می‌شود، تصمیم گرفتیم از یک ساختار سه مرحله‌ای استفاده کنیم تا حالت‌های مختلف آن بررسی شود.

به‌صورت کلی برای تصحیح داده‌های فصلی باید سه مرحله‌ی زیر را انجام دهیم:

مرحله‌ی اول. بررسی می‌کنیم که هر فصل معمولاً چه درصدی از تقاضا (یا هر پارامتر دیگری) را به خود اختصاص می‌دهد. مثلاً متوجه می‌شویم که اگر میانگین فروش روزهای هفته ۱۰۰ واحد باشد، معمولاً شنبه‌ها ۱۲۰ واحد فروش داریم (۱۲۰%) و جمعه‌ها ۴۰ واحد (۴۰%) و به این ترتیب وضعیت فروش فصل‌های مختلف مشخص می‌شود.

مرحله‌ی دوم.  فصلی بودن داده‌ها را کنار می‌گذاریم و با روش دلخواه، تقاضای فصل مورد نظرمان را پیش‌بینی می‌کنیم. (با هر روشی که می‌خواهیم، تقاضای جمعه‌ی هفته‌ی پنجم را محاسبه می‌کنیم)

مرحله‌ی سوم. نتایج مرحله‌ی دوم بر مبنای فصلی بودن داده‌ها نیستند اما اگر آن‌ها را در شاخص‌های فصلی (محاسبه شده در مرحله‌ی اول) ضرب کنیم، تأثیر فصل‌ها اعمال می شود. مثلاً اگر فروش روز جمعه‌ی هفته‌ی پنجم را ۲۰۰ واحد پیش‌بینی کرده باشیم، از آن‌جایی که جمعه است در شاخص ۴۰% ضرب می‌کنیم تا عدد آن تصحیح شود.

در ادامه مثالی که شروع کرده بودیم با کمک این مراحل به پایان می‌رسانیم:

مرحله‌ی اول

در این مرحله می‌خواهیم شاخص فصلی را حساب کنیم تا وضعیت فروش در هر فصل روشن شود.

در قدم اول میانگین فروش (یا هر پارامتری که بررسی می‌شود) روازنه را برای هر کدام از هفته‌ها (بازه‌‌های زمانی نوسان) محاسبه کنیم که برای هفته‌ی اول ۳۹٫۱۴ واحد است.

در قدم دوم، میزان فروش هر یک از روزهای هفته (فصل‌ها) را در میانگین فروش آن هفته (بازه‌ی زمانی نوسان) تقسیم می‌کنیم تا شاخص فصلی آن روز از هفته محاسبه شود، مثلاً برای روز شنبه مقدار ۲۵ را در ۳۹٫۱۴ تقسیم می‌کنیم که برابر با ۰٫۶۴ می‌شود.

برای هفته‌ی اول داریم:

اگر همین کار را برای هفته‌های دیگر انجام دهیم، داریم:

اما شاخص‌ روز جمعه در هفته‌ی پنجم چقدر است؟ به این روز خاص اشاره کردیم چون قصد پیش‌بینی آن را داشتیم وگرنه باید تکلیف تمام شاخص‌های فصلی هفته‌ی پنجم مشخص شود:

در این‌جا روش‌های مختلفی برای پیش‌بینی شاخص‌های هفته‌ی پنجم وجود دارد.

مثلاً شاخص‌ شنبه‌ها در هفته‌های اول تا چهارم برابر با ۰٫۶۴ و ۰٫۷۶ و ۰٫۵۲ و ۰٫۶۹ بوده است که نزدیک هم هستند و روندی هم دیده نمی‌شود، پس می‌توانیم از آن‌ها میانگین ساده بگیریم تا مقدارش برای هفته‌ی پنجم مشخص شود یا می‌توانیم از روش‌هایی مثل نموهموار یا میانگین وزن‌دار و … استفاده کنیم.

ما این کار را با دور روش میانگین ساده و نمو هموار (با آلفای ۰٫۶) انجام دادیم که در جدول زیر می‌بینید:

دانشجویان عزیزی که ما را دنبال می‌کنند توجه داشته باشند که اگر از روش میانگین استفاده کنیم، به عدد محاسبه شده، شاخص فصلی متوسط یا شاخص فصلی میانگین گفته می‌شود. مثلاً شاخص فصلی متوسط پنج‌شنبه‌ها ۱٫۷۵ است.

مرحله‌ی دوم

در این مرحله قرار شد که به فصلی بودن داده‌ها کاری نداشته باشیم.

در این‌صورت اگر بخواهیم تقاضای روز شنبه‌ی هفته‌ی پنجم را محاسبه کنیم چه راهکارهایی وجود دارد؟

اجازه دهید چند روش مختلف را بررسی کنیم:

روش اول (میانگین ساده)

می‌توانیم مقدار میانگین فروش روازنه برای هفته‌ی پنجم را پیش‌بینی کنیم، این مقدار با روش میانگین ساده محاسبه شده است:

روش دوم (میانگین متحرک ساده)

می‌توانیم از میانگین متحرک استفاده کنیم و بر مبنای آن از دو یا سه یا چهار داده‌ی آخر میانگین بگیریم. اگر تعداد دوره‌ها را چهار انتخاب کنیم (n=4) مقدار فروش برای روز شنبه‌ی هفته‌ی پنجم ۳۷٫۲۵ پیش‌بینی می‌شود.

روش سوم (نمو هموار ساده)

می‌توانیم از نموهموار استفاده کنیم که در این‌صورت، با فرض آلفای ۰٫۶ مقدار تقاضای روز شنبه در هفته‌ی پنجم تقریباً ۳۲ واحد می‌شود.


علاوه بر این سه روش، می‌توانیم از روش‌هایی مثل میانگین متحرک وزن‌دار، نمو هموار با تصحیح روند یا هر روش دیگری استفاده کنیم که با بخشی از آن‌ها در درس‌های قبلی آشنا شدید.

مرحله‌ی سوم

در این مرحله کافیست مقدار محاسبه شده در مرحله‌ی دوم را در شاخص فصل مربوطه ضرب کنیم تا مقدار نهایی پیش‌بینی شود.

مثلاً برای شنبه‌ی هفته‌ی پنجم:

شاخص فصلی این روز در مرحله‌ی اول معادل ۰٫۶۵ پیش‌بینی شد.

پیش‌بینی خام فروش در مرحله‌ی دوم ۳۹٫۰۷ پیش‌بینی شد. (با روش میانگین ساده)

در نهایت با ضرب این دو مقدار، پیش‌بینی نهایی فروش ۲۵٫۴ است.

غیرفصلی کردن داده‌ها و پیش‌بینی با رگرسیون خطی

موضوع غیرفصلی کردن داده‌ها ارتباط چندانی با رگرسیون خطی ندارد، در حقیقت می‌توانیم هر نوع داده‌ی فصلی را به غیرفصلی تبدیل کنیم تا با روش‌های رایج پیش‌بینی شود و روشی که برای این درس انتخاب کردیم، رگرسیون خطی است.

پس در قدم اول باید غیرفصلی کردن داده‌ها را یاد بگیریم که کار سختی نیست.

برای این‌کار یک شاخص فصلی کلّی در نظر می‌گیریم (مثلاً شاخص کلّی فصل بهار، یا شاخص کلّی شنبه‌ها) و داده‌های مربوط به آن فصل را در شاخص کلّی همان فصل تقسیم می‌کنیم.

مثال بخش قبلی را دوباره در نظر بگیرید:

برای تعیین شاخص کلی هر فصل، می‌توانیم از روش میانگین ساده استفاده کنیم، به این ترتیب داریم:

حالا اگر مقادیر فروش هر فصل را در شاخص آن فصل تقسیم کنیم، به جدول زیر می‌رسیم:

در ادامه برای پیش‌بینی از رگرسیون خطی استفاده می‌کنیم، برای همین داده‌ها را به شکل زیر بازنویسی کردیم:

در ادامه باید معادله‌ی Y=a+bx را حل کنیم که توضیحات آن را در درس روابط علت و معلولی خواندید و از توضیح مجدد خودداری می‌کنیم.

ما برای حل این مسأله از اکسل استفاده کردیم و به معادله‌ی زیر رسیدیم:

اگر به‌جای X مقدار ۲۹ را قرار دهیم، مقدار فروش غیرفصلی برای شنبه‌ی هفته‌ی پنجم محاسبه می‌شود که ۳۵٫۹ است.

در قدم بعدی باید این عدد را دوباره به داده‌ی فصلی تبدیل کنیم، پس آن را در شاخص میانگین روزهای شنبه یعنی ۰٫۶۵ ضرب می‌کنیم و به عدد ۲۳٫۳ می‌رسیم.

یعنی با در نظر گرفتن فصلی بودن داده‌ها، پیش‌بینی کردیم که فروش شنبه‌ی هفته‌ی پنجم ۲۳٫۳ واحد است که اگر با شنبه‌های قبلی مقایسه کنید (در جدول داده‌های فصلی) هم‌خوانی دارد.

شماره و نام درسی که هم‌اکنون خواندید:

درس هشتم. پیش‌بینی داده‌های فصلی از دوره‌ی پیش‌بینی تقاضا

درس اولپیش بینی تقاضا چیست و چه کاربردی دارد؟
درس دومتفاوت روش‌های کمی و کیفی پیش بینی
درس سومروش‌های کیفی پیش‌بینی
درس چهارممقدمه‌ی روش‌های کمی
درس پنجم شناسایی رابطه‌ی ریاضی میان علت و معلول
درس ششمپیش بینی با روش‌های مبتنی بر میانگین
درس هفتمپیش‌بینی با روش هموارسازی نمایی (نمو هموار)
درس هشتمپیش‌بینی داده‌های فصلی
درس نهممعیارهایی برای سنجش دقت پیش‌بینی
درس دهممثال کاربردی از پیش‌بینی با اکسل