Коэффициент сезонности формула: Коэффициент сезонности в торговле по товарам (формулы)

Содержание

Коэффициент сезонности: как рассчитать | Клуб Логистов

Сайт Ольги Правук http://uppravuk.net/

В этой статье расскажу о том, как рассчитать коэффициент сезонности и о некоторых нюансах расчетов и его применения. Коэффициент сезонности чаще всего применяется при прогнозировании будущего спроса, если в продажах товаров вашей компании присутствуют сезонность в продажах.

Сезонность продаж

Сезонность продаж — это изменение спроса, связанное со сменой времён года, колебаниями температуры, праздничными датами, привычками покупателей и т.д

Практически во всех областях есть товары с сезонными продажами. Иногда встречаются компании, торгующие товарами, у которых нет сезонности или сезонность незначительная.

Для того чтобы выявить сезонность, необходимо проанализировать, как продаются товары в течение нескольких лет. Если взять данные о продажах только за один год, то колебания продаж в течение года не всегда будут означать, что у продаж есть какие-либо сезоны.

Различают три вида сезонности:

  • жесткую,
  • яркую,
  • умеренную.

Продукты жесткой сезонности пользуются спросом очень короткий отрезок времени. Примером может быть новогодняя атрибутика – ее покупают только один раз в год и короткий период. Яркая сезонность — колебания продаж достигают 30-50%, примером служит продажа лакокрасочной продукции в апреле-мае. Умеренная сезонность — колебания в продажах не превышают 10-15%. Такие товары еще называются всесезонными.

Коэффициент сезонности

Коэффициент сезонности — это величина, на которую увеличиваются / уменьшаются продажи по сравнению со средними в определенный период времени.

Коэффициент сезонности рассчитывается на каждый месяц. Для того чтобы рассчитать коэффициент сезонности на каждый месяц необходимо взять продажи в количественном выражении по месяцам и рассчитать среднюю продажу.

Коэффициент сезонности месяца = Продажи в штуках этого месяца / на средние продажи за год

Пример расчета коэффициента сезонности

В таблице представлены продажи по товару по штукам по месяцам за три года

Расчет коэффициента сезонности

Таким образом мы получили коэффициент сезонности на каждый месяц, это и есть коэффициенты сезонности. Их сумма, то есть сумма коэффициентов за 12 месяцев, должна быть равна 12.

Есть несколько нюансов при расчёте коэффициента сезонности.

Первый, коэффициент сезонности лучше считать по группе, чем по отдельным товарам и чем больше товаров объединят это группа тем более точное значение коэффициентов сезонности. Это связано с тем что на продаже влияют не только сезонность тенденции, но и различные случайные факторы, которые не могут значительно повлиять на продажи, но они не повторяются. Из года в год для того чтобы нивелировать влияние случайных факторов на продаже одного товара лучше рассчитывать коэффициент сезонности по группе.

Второй нюанс: для того, чтобы нивелировать случайные факторы, которые повлияли на продажи в одном году даже на всю группу, необходимо рассчитывать коэффициент сезонности за несколько лет и потом выводить средний показатель за эти годы.

Рекомендуется брать минимум три года для расчета среднего коэффициента сезонности, ранее считалось что для прогнозирования и расчетов по статистике необходимо брать статистику за длительный период — чем больше тем лучше. Но с учетом того, что на статистику значительно повлияли кризисные явления в экономике 2008-2009 годов и 2014-15 годов, такой длительный период даст результаты расчетов, которые нельзя будет применить для расчетов будущего спроса.

В нашем примере это выглядит следующим образом:

И третий нюанс: для прогнозирования будущего спроса в рассчитанные коэффициенты сезонности имеет смысл добавлять экспертные корректировки. Почему? Дело в том, что коэффициент сезонности рассчитывается по статистике продаж в прошлом, на их значение могли повлиять события в прошлом, которые не повторятся в будущем, например, дефицит товара. Это достаточно распространённая ситуация, когда в компании в сезон не хватало оборотных средств для закупки товаров, в результате на складе не было товара и продаж соответственно тоже не было. В результате коэффициента сезонности не будет отражать реальное значение сезонности.

Возможно в компании наблюдается эта проблема из года в год, или проблема с оборотными средствами и дефицитом товара были в прошлом году, а объем продаж в этом году значительнее по сравнению с другими предыдущими годами.

Для тех, кто хочет быстро и качественно выполнять расчет заказа поставщикам, учитывая будущие продажи, срок выполнения заказа, периодичность размещения заказа, остатки на складе, остатки в пути я подготовила практический онлайн-курс 

“Управление запасами: Как рассчитать заказ поставщику без дефицита и неликвидов”.

Пройдите курс и получите готовые формулы и навыки для расчета заказа поставщикам!

Онлайн-курс — это 7 занятий в формате видеоуроков по 2-2,5 часа с домашними заданиями и примерами расчетов в Excel.

Полная программа и описание курса.

 

Сайт Ольги Правук http://uppravuk.net/

Как определить коэффициент сезонности товара?

Коэффициент сезонности — это величина, на которую увеличиваются или уменьшаются продажи относительно средних в определенный период времени.

Зачем считать коэффициент сезонности?

При планировании выручки важно учитывать не только конверсии в воронке продаж, но и сезонность товара.

Кроме того, что сезонность можно определить или предположить с помощью специальных инструментов (смотреть статью «Как определить сезонность ниши и спрос на товар?«), ее также можно рассчитать для своего собственного бизнеса отталкиваясь от предыдущих продаж.

И с помощью этого коэффициента корректировать планы по получению чистой прибыли.

Как считать коэффициент сезонности?

1Возьмите любой нужный вам период

Вы можете рассчитать изменение спроса в течение недели (например, с понедельника по воскресенье, чтобы узнать, какой из дней самый эффективный в продажах), так и за определенный месяц (с января по декабрь).

2Соберите статистику продаж

В идеале брать выборку за от 2 до 5 лет.

Но если у вас нет таких данных, вы можете сделать предсказания на основе того, что у вас есть уже сейчас или вы думаете, что будет.

По мере того, как вы будете получать реальные данные, ваши показатели будут корректироваться и становится более точными.

3Разбейте данные по группам товаров

Не стоит брать «среднее по больнице» — не смотрите на общие цифры. Соберите отдельные значения для каждой категории / товарной группе.

Ваши данные будут выглядеть приблизительно так:

Год 1 Год 2 Год 3 Год 4
Январь 27 000 25 000 23 000 39 000
Февраль 43 000 58 000 49 000
67 000
Март 55 000 50 000 63 000 70 000
Апрель 52 000 55 000 56 000 80 000
Май 48 000 30 000 59 000 70 000
Июнь 54 000 48 000 75 000 81 000
Июль 70 000 56 000 59 000 59 000
Август 66 000 56 000 65 000 73 000
Сентябрь 55 000 47 000 61 000 69 000
Октябрь 72 000 59 000 58 000 69 000
Ноябрь 66 000 52 000 61 000 75 000
Декабрь 70 000 80 000 87 000 100 000
Среднее 55 000 53 500 60 000 70 000

4Вывести среднее число месяца

После того, как вы собрали данные, поделить продажи каждого месяца на среднее число этого месяца.

Средний показатель считается по медиане (формула MEDIAN() в EXCEL), чтобы исключить необычные пики.

Например, в январе это будет считаться так: 27 000 / 55 000 = 0.49

Год 1 Год 2 Год 3 Год 4
Январь 0,49 0,47 0,38 0,56
Февраль 0,78 1,08
0,82
0,96
Март 1,00 0,93 1,05 1,00
Апрель 0,95 1,03 0,93 1,14
Май 0,87 0,56 0,98 1,00
Июнь 0,98 0,90 1,25 1,16
Июль 1,27 1,05 0,98 0,84
Август 1,20 1,05 1,08 1,04
Сентябрь 1,00 0,88 1,02 0,99
Октябрь 1,31 1,10 0,97 0,99
Ноябрь 1,20 0,97 1,02 1,07
Декабрь 1,27 1,50 1,45 1,43

5Вывести среднее арифметическое для каждого месяца

Средний показатель тоже считается по медиане (

формула MEDIAN() в EXCEL).

Коэффициент сезонности

Январь 0,48
Февраль 0,89
Март 1,00
Апрель 0,99
Май 0,93
Июнь 1,07
Июль 1,02
Август 1,07
Сентябрь 0,99
Октябрь 1,04
Ноябрь 1,04
Декабрь 1,44

6Добавить экспертное мнение

Это делать не обязательно, но желательно.

Просмотрите финальные показатели и задайте себе вопрос:

может в вашем бизнесе происходило что-то нестандартное?

Например, на рынке был дефицит товара, поэтому ваш коэффициент слишком завышен в каком-то месяце. Или вы запустили новый продукт. Или же наоборот, это сделал клиент и ваши продажи упали, поэтому коэффициент занижен.

Внесите корректировки в ваши показатели.

Пример использования коэффициента сезонности

В таблице ниже представлен пример планирования посещений сайта.

Например

Вы планируете запустить агрессивную рекламу и ожидаете ежемесячное увеличение потока клиентов на 10% с января месяца. Однако, без учета реальных показателей и коэффициента сезонности, эти цифры могут быть неверными.
Для сравнения, вы надеетесь на заходы в количестве 2750 человек. Однако в вашем бизнесе январь показывает стабильно спады. И даже с учетом рекламы, вы получите ориентировочно 1318 человек.

Январь Февраль Март
Заходы на сайт (без учета КС) 2 500 2 750 3 025 3 328
Заходы на сайт (с учетом КС) 2 500 1 318 1 286 1 415
— Планируемый процент роста заходов в месяц 10,00%
— Коэффициент сезонности для сайта 0,48 0,89 1,00

Коэффициенты сезонности ( исходные, средние, средние скорректированные)

Для чего используют коэффициенты сезонности:

  • Для расчета прогноза;
  • Для планирования деятельности, т.е. для определения приоритетов по месяцам в рамках года;
  • Для выбора лучшего времени проведения мероприятий по стимулированию сбыта для товаров или услуг;
  • Для выбора лучшего времени для рекламирования товаров или услуг и т. д.

Знание сезонности по товарам, направлениям продаж позволит эффективно распределить усилия и денежные средства во времени. Одинаковые действия в разные периоды времени имеют разную эффективность. Анализ времени для принятия решения о том «когда?» — это один из важнейших факторов успеха. Например, рекламирование и продвижение безалкогольных прохладительных напитков летом будет намного эффективней, чем зимой, при одних и тех же затратах и усилиях.

Систематическая составляющая временного ряда является результатом воздействия постоянно действующих факторов.

Выделяют три основных систематических компоненты временного ряда:

1) тренд;

2) сезонность;

3) цикличность.

Трендомназывается систематическая линейная или нелинейная компонента, изменяющаяся во времени.


Сезонностью называются периодические колебания уровней временного ряда внутри года.

Цикличностьюназываются периодические колебания, выходящие за рамки одного года. Промежуток времени между двумя соседними вершинами или впадинами в масштабах года определяют как длину цикла.

Систематические составляющие характеризуются тем, что они могут одновременно присутствовать во временном ряду.

Для построения адекватной модели временного ряда необходимо охарактеризовать сезонные и циклические компоненты временного ряда на примере моделирования сезонных колебаний.

Аддитивная модель временного ряда стоится в том случае, если амплитуда сезонных колебаний не меняется во времени:

yt=Tt+St+εt,

где T – это трендовая компонента;

S – это сезонная компонента;

ε – случайные колебания.

Мультипликативная модель временного ряда строится в том случае, если амплитуда сезонных колебаний изменяется во времени:

yt=Tt*St+εt.

Предположим, что задача состоит в исследовании временного ряда Xij, где i – это номер сезона (периода времени внутри года, например, месяца или квартала),

L – число сезонов в году, j – номер года,

m – общее количество лет. Количество уровней исходного временного ряда равно n=L*m.

Прежде чем рассчитывать сезонную компоненту, исходный временной ряд необходимо выровнять. Для этого применяются методы механического выравнивания, к которым относятся:

1) метод скользящих средних;

2) метод экспоненциального сглаживания;

3) метод медианного сглаживания и др.

Результатом процедуры сглаживания будет временной ряд выровненных значений


не содержащих сезонной компоненты.

Если временной ряд представлен аддитивной моделью, то в качестве сезонной компоненты используется показатель абсолютного отклонения – Sai. Сумма всех сезонных компонент, т.е. показателей абсолютных отклонений Sai. должна быть равна нулю.

Если временной ряд представлен мультипликативной моделью, то в качестве сезонной компоненты используется индекс сезонности – Isi. Произведение всех сезонных компонент, т. е. индексов сезонности Isi, должно быть равно единице.

Показатель абсолютного отклонения в i-том сезоне рассчитывается как среднее арифметическое из отклонений фактического и выровненного уровней временного ряда:

Индекс сезонности в i-том сезоне рассчитывается как среднее арифметическое из отношений фактического уровня временного ряда к выровненному:

Если при построении аддитивной модели временного ряда сумма всех абсолютных отклонений не равна нулю, то рассчитываются скорректированные значения сезонных компонент по формуле:

где L – общее количество сезонных компонент.

На следующем этапе построения модели временного ряда осуществляется расчёт трендовой компоненты с помощью метода аналитического выравнивания функциями времени или кривыми роста. Данный метод выравнивания применяют не к исходному временному ряду, а к временному ряду с исключённой сезонной компонентой. При этом уровни исходного временного ряда корректируются на величину сезонной компоненты следующим образом:


1) для аддитивной модели из исходных уровней вычитаются показатели абсолютных отклонений Sai;

2) для мультипликативной модели уровни исходного временного ряда делятся на индексы сезонности Isi.

Метод сезонных фиктивных переменных относится к методам моделирования сезонных компонент временного ряда. Суть данного метода заключается в построении модели регрессии, которая наряду с фактором времени включает сезонные фиктивные переменные.

Фиктивной переменной (dummy variable) называется атрибутивный или качественный фактор, представленный с помощью определённого цифрового кода.

Моделью регрессии с переменной структурой называется модель регрессии, включающая в качестве факторной (факторных) переменных фиктивную переменную.

Предположим, что задача состоит в исследовании временного ряда Xij, где i – это номер сезона (периода времени внутри года, например, месяца или квартала),

L – число сезонов в году, j – номер года,

m – общее количество лет. Количество уровней исходного временного ряда равно n=L*m.

При построении модели регрессии с переменной структурой необходимо учитывать, что число сезонных фиктивных переменных всегда должно быть на единицу меньше сезонов внутри года, т. е. должно быть равно величине L-1. Например, при моделировании годовых данных модель регрессии помимо фактора времени должна содержать одиннадцать фиктивных компонент (12-1). При моделировании поквартальных данных модель регрессии должна содержать три фиктивные компоненты (4-1) и т. д.

Каждому из сезонов соответствует определённое сочетание фиктивных переменных. Сезон, для которого значения всех фиктивных переменных равны нулю, является базой сравнения. Для остальных сезонов одна из фиктивных переменных принимает значение, равное единице.

Тогда общий вид модели регрессии с переменной структурой будет иметь вид:

yt=β0+ β1*t+δ2*D2+δ3*D3+δ4*D4+εt.

Данная модель регрессии представляет собой одну из разновидностей аддитивной модели временного ряда.

На основе общей модели регрессии с переменной структурой можно составить базисную модель или модель тренда для первого квартала:

yt=β0+ β1*t+εt.

Также на основе общей модели регрессии с переменной структурой можно составить частные модели регрессии:

1) частная модель регрессии для второго квартала:

yt=β0+ β1*t+δ2+εt;

2) частная модель регрессии для третьего квартала:

yt=β0+ β1*t+δ3+εt;

3) частная модель регрессии для четвёртого квартала:

yt=β0+ β1*t+δ4+εt.

Данные частные модели регрессии отличаются друг от друга только на величину свободного члена δi.

Коэффициент β1 характеризует среднее абсолютное изменение уровней временного ряда под влиянием основной тенденции.

Сезонная компонента для каждого сезона рассчитывается как разность между средним значением свободных членов всех частных моделей регрессий и значением постоянного члена одной из моделей.

Среднее значение свободных членов всех частных моделей регрессий рассчитывается по формуле:

Для поквартальных данных оценка сезонных отклонений осуществляется по формулам:

1) оценка сезонного отклонения для первого квартала:

2) оценка сезонного отклонения для второго квартала:

3) оценка сезонного отклонения для третьего квартала:

4) оценка сезонного отклонения для четвёртого квартала:

Сумма сезонных отклонений должна равняться нулю.

Пан Агент – помощник расчета оптимального заказа.

Когда разместить заказ поставщику? Сколько товара заказать? Стоит ли брать с запасом? 

Все эти вопросы постоянно возникают у любой торговой компании. Решаются они зачастую несистемно и неоптимально.

Как сделать так, чтоб и склад не затоварился, и дефицит не образовался?

Вы можете помочь своим клиентам-торговым точкам решить эти проблемы максимально эффективно.

Пан Агент вам в этом обязательно посодействует.

Для расчета рекомендованного количества потребуются следующие входные данные:

  1. Текущий остаток товара в торговой точке.
  2. Статистика продаж за прошлые периоды.
  3. Прогноз сезонности спроса.
  4. Страховой запас.
  5. Квант отгрузки товара.

Рассмотрим все эти параметры подробнее.

Текущий остаток товара в торговой точке.

Для снятия текущего остатка товаров в торговой точке предназначен документ “Мерчандайзинг”. 

Торговый агент, находясь в точке, запрашивает данные о наличии той или иной позиции или, при наличии возможности, производит инвентаризацию самостоятельно.

Данные по физическому остатку он фиксирует в документе “Мерчандайзинг”. 

В этот же документ можно поместить данные по розничной цене товара в торговой точке, количеству фейсингов и соответствию выкладки товара планограмме.

Статистика продаж за прошлые периоды.

Для того, чтобы рассчитать статистику продаж, важны два параметра.

Первый – это период планирования, другими словами – на какой срок производится планирование, на какой срок поставка должна обеспечить торговую точку достаточным количеством товара.

Второе — это количество периодов планирования. Как далеко надо заглянуть в прошлое, чтобы предсказать будущее?

Система анализирует данные по продажам за указанный период, разбивая его на отрезки, равные длине периода планирования.

Из этих периодов выбирается тот, продажи в котором были максимальны. Именно он и будет участвовать в дальнейшем расчете.

Пан Агент может брать данные по продажам как с устройства агента, так и использовать данные, переданные из центральной учетной системы, например из “1С:Предприятие”.

Количество периодов планирования и их длина задаются в Центре Управления Пана Агента.

Прогноз сезонности спроса.

Продажи некоторых категорий товаров подвержены характерным скачкам сезонного спроса.

Например, квас лучше всего продается в жаркие месяцы.

Соответственно, если синоптики прогнозируют зной и жару, а статистика продаж при этом берется за дождливые недели, то будет разумным скорректировать прогнозный спрос на квас в сторону увеличения.

Для этого используется коэффициент сезонности.

Например, если мы ожидаем рост сезонного спроса на квас на 50%, то коэффициент сезонности следует установить в значение 1.5.

Коэффициент сезонности указывается для каждой номенклатуры в Центре Управления Пана Агента.

Страховой запас.

Жизнь непредсказуема. Случаются неожиданные скачки спроса. Бывают и проблемы с поставками. Случается порча товаров.

Чтобы не расстраивать своих клиентов, отсутствием их любимых товаров на полках, следует создать небольшой страховой запас.

Как правило, в качестве страхового запаса указывается значение, достаточное для автономного удовлетворения спроса в течение одного-двух дней. 

Например, если среднедневной объем продаж кваса — 20 бутылок, то разумно будет держать страховой запас в размере 20-40 бутылок.

Страховой запас указывается для каждой конкретной номенклатуры в Центре Управления Пана Агента.

Квант отгрузки товара.

Квант отгрузки – это минимальное количество товара, которое вы как поставщик можете отгрузить в торговую точку.

Например, если квас отгружается упаковками по 6 бутылок, то квант отгрузки будет равен 6.

Поэтому, если расчетный объем рекомендованного заказа будет равен 83 бутылкам, то система автоматически скорректирует его до 84 бутылок, то есть до 14 полных упаковок.

Квант отгрузки указывается для каждой конкретной номенклатуры в Центре Управления Пана Агента.

Формула расчета.

Оптимальный объем заказа = Коэффициент сезонности*(Страховой запас + Статистика продаж за период) – Текущий остаток.

Пан Агент рассчитывает статистику продаж за прошлый период, добавляет к ней установленный страховой запас, применяет коэффициент сезонности, а затем уменьшает заказ на величину текущего остатка товара в торговой точке.

После расчета полученное значение корректируется в большую сторону до целого количества квантов отгрузки.

Рекомендованное количество в Пане Агенте.

Рекомендованное количество в Пане Агенте мгновенно выводится для каждой конкретной строки заказа. Тут же отображается и история продаж по периодам.

Кроме того, вы можете заполнить заказ всеми позициями, которые система рекомендует для закупки.

С Паном Агентом вы поможете клиентам продавать лучше и больше, тем самым увеличив и свои собственные продажи!

 

Автострахование ОСАГО. Формула расчета ОСАГО

Стоимость ОСАГО рассчитывается по следующей формуле:

Цена ОСАГО = Базовый тариф * КТ * КМ * КБМ* КВС * КО * КС * КН

Размер базового тарифа (БТ) ОСАГО с 12 апреля 2015:

Категория и назначение ТС

Минимальный БТ (в рублях)

Максимальный БТ (в рублях)

Мотоциклы, мопеды, легкие квадроциклы. (категории “A”, “M”)

867

1579

Транспортные средства категории “B”,”BE”
юридических лиц

2573

3087

физических лиц, индивидуальных предпринимателей

3432

4188

используемые как такси

5138

6166

Транспортные средства категорий “C”, “CE”
с разрешенной максимальной массой 16 тонн и менее

3509

4211

с разрешенной максимальной массой более 16 тонн

5284

6341

Транспортные средства категорий “D”,“DE”
с числом пассажирских мест до 16 включительно

2808

3370

с числом пассажирских мест более 16

3509

4211

используемые на регулярных перевозках с посадкой и высадкой пассажиров как в установленных остановочных пунктах по маршруту регулярных перевозок, так и в любом не запрещенном правилами дорожного движения месте по маршруту регулярных перевозок

5138

6166

Троллейбусы (транспортные средства категории “Tb”)
Трамваи (транспортные средства категории “Tm”)

1751

2101

Тракторы, самоходные дорожно-строительные и иные машины, за исключением транспортных средств, не имеющих колесных движителей

1124

1579

КТ – коэффициент территории или территориальный коэффициент. Этот коэффициент разный для разных регионов Российской Федерации. Коэффициент определяется по региону регистрации автомобиля.

Все территориальные коэффициенты можно посмотреть здесь

КМ – коэффициент мощности автомобиля.

Мощность двигателя (л/с) КМ
До 50 0,6
51-70 1,0
71-100 1,1
101-120 1,2
121-150 1,4
Более 150 1,6

КБМ – коэффициент бонус-малус. Коэффициент безаварийного вождения. Изначально у всех водителей устанавливается коэффициент 1,0. За каждый код безаварийной езды значение коэффициента уменьшается на 5%

0

страховых выплат

1

страховая выплата

2

страховые выплаты

3

страховые выплаты

4 и более

страховых выплат

М

2,45

0

М

М

М

М

0

2,3

1

М

М

М

М

1

1,55

2

М

М

М

М

2

1,4

3

1

М

М

М

 

3

1

4

1

М

М

М

4

0,95

5

2

1

М

М

5

0,9

6

3

1

М

М

6

0,85

7

4

2

М

М

7

0,8

8

4

2

М

М

8

0,75

9

5

2

М

М

9

0,7

10

5

2

1

М

10

0,65

11

6

3

1

М

11

0,6

12

6

3

1

М

12

0,55

13

6

3

1

М

13

0,5

13

7

3

1

М

КВС – коэффициент возраста и стажа. Существует 4 значения этого коэффициента.

  • Коэффициент устанавливается 1,0 для водителей старше 22 лет со стажем вождения от трех лет. 
  • Коэффициент 1,6 для водителей до 22 лет включительно со стажем свыше трех лет.
  • Коэффициент 1,7 для водителей старше 22 лет со стажем до трех лет включительно.
  • Коэффициент 1,8 для водителей до 22 лет включительно со стажем до трех лет включительно.

Если в полис ОСАГО вписывается несколько водителей, коэффициент КВС берется у водителя с самым высоким значением. 

КО – коэффициент ограниченного использования. Коэффициент устанавливается 1,0, если в полисе указаны конкретные водители, если полис с неограниченным количеством водителей коэффициент КО будет 1,8.

КС – коэффициент сезонности использования.  Если страховка покупается меньше, чем на 10 месяцев применяется этот коэффициент.

Период использования ТС КС
3 месяца 0,5
4 месяца 0,6
5 месяцев 0,65
6 месяцев 0,7
7 месяцев 0,8
8 месяцев 0,9
9 месяцев 0,95
10 месяцев и более 1,0

КН – коэффициент нарушений. Если по прошлому договору ОСАГО были нарушения, указанные в законе об ОСАГО в статье 9 пункт 3.

 

Страхование ОСАГО
Калькулятор ОСАГО онлайн
Что такое ОСАГО?
Что защищает ОСАГО?
От чего не защищает ОСАГО?
Ответственности за отсутствие полиса ОСАГО
Кто устанавливает тарифы на ОСАГО?
Как сэкономить на ОСАГО?
Как увеличить лимит по ОСАГО?
Размеры выплат ОСАГО
Страховые компании ОСАГО
Как купить страховку ОСАГО онлайн?
Как рассчитывается КБМ
Как рассчитывается скидка
Возможные причины не верного расчета скидки ОСАГО
Что делать если скидка ОСАГО не верная?
Сколько стоит ОСАГО

Сезонные индексы для квартальных данных

Этот калькулятор учитывает сезонные колебания. Сезонные индексы. Метод калькулятора простых средних, который работает только с месячными данными. Здесь вы можете ввести свои квартальных данных , а калькулятор рассчитает сезонных индексов , используя метод простых средних . Существует несколько методов расчета сезонных индексов, и самый простой из них — метод простых средних. Технически вы рассчитываете сезонные индексы в три этапа.

  1. Вычислить общее среднее значение, то есть суммировать все данные и разделить их на количество периодов (т. Е. Лет), умноженное на количество сезонов (т. Е. Кварталов). Например, для данных за три года вам нужно просуммировать все записи и разделить на 3 (годы) * 4 (кварталы) = 12.
  2. Вычислить среднее значение для каждого сезона за периоды, т.е. суммировать данные за первый квартал, разделить на количество лет и повторять это для каждого квартала.
  3. Рассчитайте сезонный индекс для каждого сезона, разделив среднее за сезон на общее среднее значение и выразив результат в процентах.

Сумма всех показателей должна быть 100% * (количество сезонов). Если вы потеряли некоторую точность во время расчета, вам может потребоваться нормализовать ваши данные. Для кварталов разделите 400% на вашу сумму, а затем умножьте каждый показатель на полученный коэффициент. После этого они прибавят до 400%.

Сезонные индексы для квартальных данных
добавить import_export mode_edit delete
Квартальные данные
Элементов на странице: chevron_left chevron_right

Квартальные данные

Сохранить Отмена

Импорт данных Ошибка импорта

«Для разделения полей данных используется один из следующих символов: табуляция, точка с запятой (;) или запятая (,)» Пример: Lorem ipsum; -50.5; -50,5; -50,5; -50,5

Загрузить данные из файла .csv.

Импорт Назад Отмена Точность вычисления

Цифры после десятичной точки: 2

Файл очень большой. Во время загрузки и создания может произойти замедление работы браузера.

Скачать закрыть

content_copy Ссылка сохранить Сохранить расширение Виджет

Сезонное прогнозирование — Сезонные индексы и факторы

На главную | Программное обеспечение | Услуги | Обучение | О

Задача сезонного прогнозирования — лучшее отражать в прогнозе спроса те изменения спроса, которые происходят в течение года в регулярном годовом цикле.Когда есть выраженный или экстремальный сезонность в структуре спроса, эффективность борьбы с ней буду имеют большое влияние на точность прогнозов.

Другая сторона медали в сезонном прогнозировании состоит в том, что важно не строить сезонность в прогнозе, если он на самом деле не существует, потому что это отрицательно влияют на точность прогнозов. Итак, когда существует сезонность неоднозначно, важно принять наилучшее возможное решение относительно того, или не включать в прогноз сезонность.Разные в этом могут помочь статистические тесты.

Важно понимать, что сезонность учитывается в любом проприетарном программном обеспечении для прогнозирования, которое использовал.

Решения

Forecast Solutions могут предоставлять специальные сервис по тестированию примеров истории продаж вашей компании на сезонность и составим прогноз, плюс проконсультируем по программное обеспечение для прогнозирования.

Связаться нам по электронной почте info @ forecastsolutions.co.uk или по телефону 01844 291942.

Методы расчета сезонности

Возможно, самый простой способ учесть сезонность — это сделать прогноз на основе «как в прошлом году». Обычно это не очень хорошо способ продолжить, потому что прошлогодние продажи могут быть ненормальными для ряда возможные причины. Популярные подходы включают «процент от года». подход или создание аддитивных сезонных факторов или мультипликативных сезонные индексы.

В части расчета мультипликативных сезонных индексов существует ряд различных методов. Простые подходы включают сезонное усреднение и метод отношения к центрированной скользящей средней, оба упомянутых ниже. Другие методы включают анализ Фурье, где синусоидальные и косинусоидальные волны объединяются в чтобы представить сезонную картину.

Метод сезонного среднего

Это действительно простой метод, который можно использовать даже если доступной истории всего два года.Сначала рассчитывается средний объем продаж. для каждого сезона, например каждый календарный месяц. Это дает среднее значение за январь, среднее значение за февраль и т. д. Затем общее среднее значение рассчитывается как среднее из средних за сезон. Наконец, сезонные индексы создается путем деления каждого среднего сезонного значения на общее среднее. В индексы будут в среднем 1,00. Этот простой способ хорош, когда история продаж канцелярские товары, т.е. не подвергалось значительным изменениям в основном уровень спроса с течением времени.Если произошли серьезные изменения, одно вариант состоит в том, чтобы каким-либо образом изменить тенденции исторических данных перед завершением индексы. В качестве альтернативы, если имеется история трех и более лет, лучше использовать отношение к Метод скользящей средней, описанный ниже.

Отношение к методу скользящей средней

Отношение к методу скользящего среднего для расчет мультипликативных сезонных индексов — простой расчет которые можно легко настроить в Excel или другом программном обеспечении.Следующее пример для ежемесячных данных:

  1. Создайте ряд для центрированной годовой скользящей средней (CMA), например. начните с сопоставления среднемесячного значения за 2013 год по сравнению с июнем 2013 года и т. д.

  2. Рассчитайте другую серию как отношение продаж за данный месяц к CMA в этом месяце, то есть соотношение = продажи / CMA.

  3. Рассчитайте сезонные индексы как среднее соотношение на сезонный месяц e.грамм. сезонный индекс за март — это среднее значение коэффициенты для марта-13, марта-14, марта-15 и марта-16. При необходимости скорректируйте индексы, чтобы сезонные индексы добавлялись к 12.00

Строго говоря, центр 12-месячного календаря — это не июнь или июль, а середина двух. Если быть точным, CMA может быть рассчитывается по июню, затем отдельно по июлю и среднему из двух рассчитанных.Для большинства ежемесячных данных уточнение делает небольшая разница, но было бы важно провести ее, если имеешь дело с квартальными данными.

Единственная обратная сторона отношения к скользящей средней Метод заключается в том, что для этого требуется не менее трех лет истории продаж.

Очистка данных и изменчивость данных

Это хорошая идея, чтобы очистить историю продаж перед проведением сезонного расчета, в противном случае включение аномальные данные могут исказить сезонный анализ и могут привести к неточное прогнозирование.Иногда это может быть сложной задачей, так как аномальные данные легко спутать с сезонными и обычными волатильность. Некоторое специализированное программное обеспечение предлагает инструменты для идентификации и исправление «выбросов» (аномальных данных), но ручной подход может быть лучше, если будет время.

Сезонность в недельном прогнозе

Сезонный анализ еженедельных данных часто бывает больше сложнее, чем с ежемесячными данными. Становится менее вероятным, что ежегодное события будут проходить в один и тот же календарный период, поэтому может потребоваться удаление таких экземпляров, как государственные праздники, из истории продаж. и добавление будущих экземпляров к прогнозу как запланированных событий.

Неустойчивость еженедельной информации составляет неизбежно больше, чем с месяцами. В результате часто еженедельных сезонных индексов может иметь резкий эффект из-за повышенная волатильность. Возможны несколько подходов к сглаживанию из недельных индексов, например:

  • групповых сезонных индексов (рассчитать сезонные паттерна на уровне группы, затем присвойте индексы каждому члену группа)

  • сезонного упрощения (агрегировать историю на периоды 4 недель, рассчитайте индексы 4 недель и назначьте на каждую неделю период)

  • сезонное сглаживание (применить 5-недельное центрированное скользящее среднее к сезонным индексам для их сглаживания)

  • использовать сложные методы прогнозирования, такие как TBATS, которые включают анализ Фурье в сезонный расчет (с использованием тригонометрических синусоидальных и косинусоидальных волн)

В Forecast Solutions мы можем протестировать примеры ваших история продаж компании по сезонности, рассчитать набор сезонных индексы и создать прогноз.И мы можем посоветовать программное обеспечение для прогнозирования. Контакт нам по телефону или электронной почте.

Как создать скользящий прогноз сезонных продаж в Excel

Приведенная ниже таблица Excel показывает типичную картину сезонных продаж в виде зубьев пилы.

Сезонные продажи имеют примерно одинаковую структуру каждый год, каждую неделю или и то, и другое. В определенные месяцы или дни недели продажи всегда выше среднего; а в другие периоды продажи ниже среднего.

Сезонные продажи обычно сложно анализировать. В хорошие периоды трудно понять, лучше ли хорошие продажи, чем обычно; в плохие периоды трудно понять, хуже ли плохие продажи, чем обычно.

Прогнозирование сезонных продаж может быть таким же трудным. Трудно представить себе какой-либо метод, который мог бы дать надежный прогноз продаж, который имел бы схему, подобную показанной здесь.

Несколько лет назад я столкнулся с этими проблемами, когда был финансовым директором в небольшой компании, занимающейся садоводством и огородом, чьи ежемесячные продажи варьировались от минимальных в зимние месяцы около 50 000 долларов до максимальных весной около 1 миллиона долларов в месяц.

Чтобы справиться со своими аналитическими проблемами, я разработал несколько методов работы с электронными таблицами, которые действительно помогли. Самый полезный метод — составлять отчеты, анализировать и прогнозировать продажи без учета сезонности.

Десезонные продажи

Темно-серая линия на этой диаграмме Excel показывает продажи за последние четыре с половиной года, при этом влияние сезонности удалено из данных, показанных синей линией.

То есть темная линия показывает десезонизированных продаж .

Посмотрев на десезонные данные, мы легко можем увидеть, что продажи упали в 2010 году и в первой половине 2011 года, немного снизились в 2012 году и в целом увеличились в оставшиеся периоды.

Чтобы спрогнозировать продажи, мы оцениваем общее направление десезонизированных продаж, а затем сезонизируем эту тенденцию для получения конкретных оценок продаж.

Посмотрим, как это делается…

Как снизить сезонность продаж

Идею бессезонных продаж легко понять. Для каждого месяца в году мы рассчитываем сезонный индекс (столбец C на этом рисунке). Это значение говорит нам, в среднем, насколько продажи за каждый месяц отличаются от средних продаж за год.Затем, чтобы уменьшить сезонность продаж, мы делим продажи за каждый месяц на его сезонный индекс.

Чтобы рассчитать сезонность для дней в пределах недели, мы создаем сезонный индекс для дней недели.

Самый важный шаг — вычислить правильное значение для средних продаж. В частности, вам необходимо рассчитать «центрированную скользящую среднюю» (CMA) для каждого периода в ваших исторических данных. Чтобы найти ежедневный CMA в течение недели, период усреднения составляет семь дней. Чтобы найти ежемесячный CMA в течение года, период усреднения составляет 12 месяцев… ну, вроде того.

Начнем с недели. Если вы усредните продажи с понедельника по воскресенье, вы найдете центрированную скользящую среднюю для четверга, потому что четверг находится в середине этих семи дней, как показано на этом рисунке:

Чтобы найти CMA для пятницы, вы усредняете продажи со вторника по понедельник. А CMA за субботу — это среднее значение продаж со среды по вторник, как показано здесь:

Найти CMA на семь дней просто. Это потому, что семь — нечетное количество дней, поэтому у них средний день.

Но в году четное число месяцев. Поэтому, когда мы пытаемся рассчитать CMA за двенадцать месяцев с января по декабрь, у нас возникает следующая проблема:

Это проблема, потому что среднее значение продаж с января по декабрь не относится ни к июню, ни к июлю. (И нет, мы не можем обмануть, произвольно присвоив среднее значение одному из двух месяцев.)

Чтобы обойти эту проблему, мы также находим среднее значение за период с февраля по январь следующего года, а затем усредняем эти два средних значения, как показано здесь:

Чтобы найти CMA за август, мы просто копируем формулу Excel для CMA за июль в следующую ячейку.И в дальнейшем мы делаем то же самое для каждого месяца.

Что это за формулы Excel? Что ж, посмотрим…

Как рассчитать центрированные скользящие средние и коэффициенты продаж

В столбце A на этом рисунке показан порядковый номер для каждой строки данных. Столбцы B и C показывают фактические продажи вымышленной компании по месяцам. Пунктирная линия показывает, где я спрятал строки, чтобы вы могли видеть верх и низ области данных.

Для начала введите метки в строке 3, а затем отформатируйте серые ячейки в строке 4.Скопируйте строку с серыми ячейками в строку 65.

Выберите диапазон A3: E65. Затем выберите «Формулы», «Определенные имена», «Создать из выделенного». Или выберите Alt + INC или Ctrl + Shift + F3

В диалоговом окне «Создание имен» убедитесь, что отмечен только верхний ряд, затем нажмите «ОК».

Скопируйте и вставьте собственные исторические данные о продажах за несколько лет в столбец C и соответствующие даты за месяц в столбец B. Убедитесь, что вы вставили между верхней и нижней серыми границами.

Введите текст, показанный для ячейки A2, а затем введите эту формулу для показанной ячейки:

B2: = COUNT (ActSales)

Эта формула сообщает нам фактическое количество периодов данных, даже если в таблице больше строк, чем данных для их заполнения.

Чтобы присвоить имя этой ячейке, выберите диапазон A2: B2, снова запустите диалоговое окно Create Names, убедитесь, что отмечен только Left Column, затем нажмите OK.

Ячейка D11 содержит формулу, которая делит продажи в ячейке C11 на центрированное скользящее среднее за август 2005 г. Вот формула для показанной ячейки:

D11: = IF ($ A11 + 6

Функция ЕСЛИ в этой формуле возвращает пустую строку («» в конце формулы), когда у нас заканчиваются данные в нижней части рисунка.Функция СРЕДНЕЕ в этой формуле вычисляет центрированное скользящее среднее, вычисляя среднее значение двух диапазонов из двенадцати ячеек: C5: C16 и C6: C17.

Скопируйте формулу из ячейки D11 вниз по столбцу в ячейку D64.

Теперь, когда у нас есть коэффициент продаж, нам нужно заполнить еще одну таблицу, прежде чем мы сможем рассчитать продажи без учета сезонности, показанные в столбце E.

Как рассчитать сезонный индекс

На рисунке ниже показан сезонный индекс в столбце C. Чтобы настроить этот показатель, сначала перейдите к неиспользуемому листу в своей книге.Добавьте текст, показанный в строках 1 и 2, и числа, показанные в столбце A.

Введите эту формулу массива для показанной ячейки:

B3: {= СРЕДНИЙ (ЕСЛИ ((МЕСЯЦ (Дата) = $ A3) * (SlsRatio> 0), SlsRatio))}

Подчеркнем, что это формула массива. Вы вводите его в строку формул, как и любую другую формулу. (Не вводите фигурные скобки.) Затем, удерживая Ctrl + Shift, нажмите Enter, чтобы ввести формулу. Когда вы это сделаете, Excel добавит начальную и конечную скобки, как показано.

Эта формула находит среднее значение всех коэффициентов продаж за январь в столбце D предыдущего рисунка… но делает это только для коэффициентов продаж больше нуля.

Чтобы вычислить аналогичные средние значения для других одиннадцати месяцев, скопируйте эту формулу из ячейки B3 в диапазон B4: B14.

Введите формулу для показанной ячейки:

B15: = СУММ (B3: B14)

Итого в ячейке B15 почти 12. Но нам нужно, чтобы числа сезонных индексов составляли ровно 12. Поэтому мы должны масштабировать средние значения, чтобы они делали это. Поэтому введите эту формулу для показанной ячейки:

C3: = (12 / $ 15 млрд) * B3

Скопируйте формулу в диапазон C4: C14.

Скопируйте формулу СУММ из ячейки B15 в ячейку C15. Когда вы это сделаете, вы увидите, что сумма в столбце SeasIndex теперь равна ровно 12.

Чтобы закончить этот рисунок, присвойте заголовок в ячейке C2 как имя двенадцати ячеек под этой ячейкой. Для этого выберите диапазон C2: C14. Затем в:

  • Классический Excel: Выберите «Вставить», «Имя», «Создать».
  • Новый Excel: Выбрать формулы, определенные имена, создать из выбранного.
  • Либо Excel : выберите Alt + INC или Ctrl + Shift + F3

Убедитесь, что в диалоговом окне «Создание имен» отмечен только верхний ряд, затем нажмите «ОК».

Настройка десезонных формул продаж

После расчета сезонного индекса мы теперь можем десезонизировать наши продажи, как показано в столбце E этого рисунка и как показано в верхней части этой страницы.

Введите формулу для показанной ячейки:

E5: = C5 / INDEX (SeasIndex, МЕСЯЦ (B5))

Скопируйте формулу в столбец, как показано. (Здесь SeasIndex — это столбец в предыдущей таблице.)

Формула в ячейке E5 десезонизирует продажи за январь 2005 г. путем деления этих продаж на сезонный индекс за январь.Формула в ячейке E6 делит продажи за февраль на сезонный индекс за февраль и т. Д.

Ключом к этой формуле является функция ИНДЕКС, которая использует эту версию функции:

= ИНДЕКС (массив; номер_строки или столбца)

Здесь «массив» — это имя диапазона SeasIndex. И номер строки, рассчитанный функцией МЕСЯЦ. Когда эта функция ссылается на порядковый номер даты, она возвращает 1 для января, 2 для февраля и т. Д. Мы можем использовать MONTH таким образом в формуле, потому что первая строка SeasIndex содержит данные за январь; во второй строке — данные за февраль и т. д.

Часто задаваемые вопросы о сезонном индексе

Когда вы начнете работать со своим сезонным индексом, у вас, вероятно, возникнет несколько вопросов. Вот некоторые из наиболее вероятных:

Теперь, когда у меня есть сезонный индекс и сезонные продажи, что мне делать с этой информацией?

Вы можете составить график продаж без учета сезона, чтобы лучше понять тенденцию в объеме продаж.

Вы можете спрогнозировать ежемесячные продажи, умножив предполагаемые продажи на следующий год на сезонный индекс для каждого месяца.Или вы можете оценить 12-месячный тренд для ваших десезонизированных продаж, а затем применить сезонный индекс для прогнозирования ваших фактических объемов продаж.

Вы можете более точно спланировать укомплектование персоналом и расходы, используя таблицу среднего сезонного индекса, чтобы оценить изменения в объеме продаж в течение года.

Вы можете рассчитать сезонные индексы для разных лет вашей истории продаж, а затем сравнить их, чтобы увидеть, меняют ли изменения на вашем рынке вашу сезонность с течением времени.(Например, пятьдесят лет назад Джексон-Хоул, штат Вайоминг, летом был переполнен туристами, но зимой сократился до примерно 100 постоянных жителей. Однако теперь зима приносит лыжников. Таким образом, сезонные модели значительно изменились. сезонные закономерности также могут меняться.)

и т. Д.

Сколько месяцев истории мне нужно?

Чтобы рассчитать сезонный индекс для января 2008 года, вы должны начать с июля 2007 года. А для расчета сезонного индекса для декабря 2008 года вы должны закончить июнем 2009 года.Таким образом, для расчета сезонных индексов за один год вам потребуются данные о продажах как минимум за два года.

Однако, поскольку сезонные индексы имеют дело с повторяющимися моделями, было бы лучше усреднить сезонные индексы как минимум за два года. Это означает, что вам нужны данные как минимум за 36 месяцев.

Как мне добавлять новые строки в таблицу, когда мне это нужно?

Осторожно. Вот в чем проблема:

Если вам нужно больше строк, вы вставите их между строками 64 и 65 в этой таблице.Но все формулы в шести ячейках над ячейкой D65 ссылаются на эту ячейку. Это означает, что при вставке строк для новых данных вы испортите эти шесть формул в столбце D. Это не проблема, если вы выполните следующие действия:

1. Вставьте строки непосредственно над нижней серой рамкой. (Здесь между строками 64 и 65). Можно вставить достаточно строк для данных за несколько лет.

2. Скопируйте формулы из диапазона D11: E11 в ячейку D12 через последнюю несерую ячейку в таблице. (Здесь к диапазону D12: D64.)

Копируя сверху таблицы, вы копируете формулы, которые, как вы знаете, не были искажены при вставке строк. Вставляя эти формулы в существующие формулы и в новые пустые ячейки, вы убедитесь, что все формулы в столбцах D и E ссылаются на правильные строки данных.

Почему бы вам просто не использовать функцию СМЕЩЕНИЕ в формулах в столбце D? Это устранило бы проблемы, которые вы только что описали?

В этом вопросе сказано, что я могу заменить эту формулу…

D11: = IF ($ A11 + 6

… по этой формуле…

D11: = IF ($ A11 + 6

… где OFFSET возвращает ссылку с использованием этих аргументов…

= СМЕЩЕНИЕ (ссылка, строки, столбцы, высота, ширина)

Это, наверное, хорошая идея.Более длинная версия, безусловно, безопаснее. Но если вы не используете OFFSET часто, более длинную версию, вероятно, будет труднее понять. Это твой выбор.

Прогнозирование с сезонной корректировкой и линейным экспоненциальным сглаживанием

Модели с усреднением и сглаживанием

Таблица реализация сезонной корректировки и экспоненциального сглаживания



Это простота выполнения сезонной корректировки и экспоненциального сглаживания модели с использованием Excel.Приведенные ниже изображения экрана и диаграммы взяты из таблица, созданная для иллюстрации мультипликативных сезонных корректировка и линейное экспоненциальное сглаживание следующих квартальных продаж данные Outboard Marine:

Получить копию самого файла электронной таблицы, щелкните здесь. Версия линейной экспоненты сглаживание, которое будет использоваться здесь в целях демонстрации, принадлежит Брауну версия, просто потому, что она может быть реализована с помощью одного столбца формул и есть только одна константа сглаживания, которую нужно оптимизировать.Обычно лучше использовать Holt’s версия с отдельными константами сглаживания для уровня и тренда.

процесс прогнозирования происходит следующим образом: (i) сначала данные сезонные скорректированный; (ii) затем создаются прогнозы для сезонно скорректированных данных. через линейное экспоненциальное сглаживание; и (iii) наконец, сезонно скорректированный прогнозы повторно сезонализируются, чтобы получить прогнозы для исходных серии. Процесс сезонной корректировки выполняется в столбцах с D по G.

Первый Шаг сезонной корректировки заключается в вычислении центрированной скользящей средней (выполняется здесь в столбце D). Это можно сделать, взяв среднее значение двух среднегодовые значения, которые смещены на один период относительно друг друга. (А Для при четном количестве сезонов.) Следующий шаг — вычислить отношение к скользящей средней —i.е. исходные данные, разделенные на скользящая средняя за каждый период, которая выполняется здесь в столбце E. (Это также называется «тренд-цикл» компонент модели, поскольку эффекты тренда и бизнес-цикла могут быть считается всем, что остается после усреднения за весь год данные. Конечно, помесячные изменения, не связанные с сезонностью, могут быть определяется многими другими факторами, но 12-месячное среднее сглаживает их до в большой степени.) расчетный сезонный индекс для каждого сезона вычисляется путем первого усреднения все коэффициенты для этого конкретного сезона, которые выполняются в ячейках G3-G6 с использованием формула СРЗНАЧЕСЛИ. Среднее Затем коэффициенты масштабируются таким образом, чтобы их сумма составляла ровно 100% от количества периодов в сезоне, или 400% в данном случае, что делается в ячейках h4-H6. Ниже в столбце F формулы ВПР используются для вставки соответствующих сезонных значение индекса в каждой строке таблицы данных по кварталу года это представляет.В центре скользящее среднее и сезонно скорректированные данные выглядят следующим образом:

Обратите внимание, что скользящая средняя обычно выглядит как более плавная версия сезонного скорректированный ряд, и он короче с обоих концов.

Другой лист в том же файле Excel показывает применение линейной экспоненциальной модели сглаживания к сезонному скорректированные данные, начиная с столбца G.

А значение для константы сглаживания (альфа) вводится над столбцом прогноза (здесь, в ячейке H9) и для удобства присвоено имя диапазона «Альфа.»(Имя присваивается с помощью Команда «Вставить / Имя / Создать».) Модель LES инициализируется установив первые два прогноза равными первому фактическому значению сезонно скорректированный ряд. Формула, используемая здесь для прогноза LES, — это рекурсивная форма модели Брауна с одним уравнением:


Эта формула вводится в ячейку, соответствующую третьему периоду (здесь ячейка h25) и скопировал оттуда.Обратите внимание, что прогноз LES для текущий период относится к двум предыдущим наблюдениям и двум предыдущие ошибки прогноза, , а также значение альфа. Таким образом формула прогноза в строке 15 относится только к данным, которые были доступны в строке 14 и ранее. (Конечно, если мы хотим использовать простой вместо линейного экспоненциальное сглаживание, мы могли бы заменить здесь формулу SES. Мы могли бы также использовать скорее чем модель LES Брауна, для которой потребовалось бы еще два столбца формул для расчета уровня и тренда, которые используются в прогнозе.2.) При вычислении среднего и дисперсии ошибок в этой формуле, первые два периода исключаются потому что модель фактически не начинает прогнозировать до третьего периода (строка 15 в таблице). Оптимальное значение альфа может быть найдено либо вручную изменяя альфа, пока не будет найден минимальный RMSE, или вы можете использовать «Решатель» для выполнения точной минимизации. Значение альфа что найденный решатель показан здесь (альфа = 0,471).

Это обычно хорошая идея построить ошибки модели (в преобразованных единицах) и также для вычисления и построения их автокорреляций с лагами до одного сезона.Вот график временных рядов ошибок (с учетом сезонных колебаний):

Ошибка автокорреляции вычисляются с помощью функции CORREL () для вычисления корреляции ошибок сами с собой с отставанием на один или несколько периодов — подробности показаны в модели электронной таблицы. Вот график автокорреляции ошибок на первых пяти лагах:

автокорреляция при лагах от 1 до 3 очень близка к нулю, но пик на лаге 4 (значение которого равно 0.35) немного хлопотно — это говорит о том, что сезонный процесс настройки не был полностью успешным. Однако на самом деле это лишь незначительно значимо. 95% полосы значимости для проверки значимости автокорреляции отличные от нуля, примерно равны плюс-минус 2 / SQRT (n-k), где n — размер выборки а k — отставание. Здесь n равно 38, а k изменяется от 1 до 5, поэтому квадратный корень из n-минус-k составляет около 6 для всех из них, и, следовательно, пределы для проверка статистической значимости отклонений от нуля примерно плюс-минус 2/6 или 0.33. Если вы вручную измените значение альфы в этом Модель Excel, вы можете наблюдать влияние на временные ряды и автокорреляцию графики ошибок, а также от среднеквадратичной ошибки, которая будет показано ниже.

На внизу таблицы формула прогнозирования «загружена» в будущее, просто заменив прогнозы фактическими значениями в точке где заканчиваются актуальные данные — то есть там, где начинается «будущее». (В другими словами, в каждой ячейке, где будет происходить будущее значение данных, ячейка вставлена ​​ссылка, которая указывает на прогноз , сделанный для этого период.) Все остальные формулы просто скопированы сверху вниз:

Обратите внимание, что ошибки для прогнозов будущего все вычисляются как ноль . Это не означает, что фактические ошибки будут равны нулю, а просто отражает тот факт, что для целей прогнозирования мы предполагаем, что будущие данные будут равны прогнозу в среднем . В результате LES прогнозы по сезонно скорректированным данным выглядят так:

С этим конкретное значение альфа, которое оптимально для прогнозов на один период вперед, прогнозируемый тренд немного восходящий, что отражает локальный тренд, который наблюдается в течение последних 2 лет или около того.Для других значений альфа очень могут быть получены различные прогнозы тренда. Обычно неплохо увидеть что происходит с прогнозом долгосрочного тренда, когда альфа варьируется, потому что значение, которое лучше всего подходит для краткосрочного прогнозирования, не обязательно будет лучшее значение для предсказания более отдаленного будущего. Например, вот результат, который получается, если значение альфа вручную установлено на 0,25:

прогнозируемый долгосрочный тренд теперь скорее отрицательный, чем положительный! С меньшим значение альфа, модель уделяет больше внимания более старым данным в своих оценка текущего уровня и тренда, а ее долгосрочные прогнозы отражают тенденция к снижению, наблюдаемая в течение последних 5 лет, а не более поздняя повышательная тенденция.Эта диаграмма также наглядно показывает, как модель с меньшим значение альфа медленнее реагирует на «поворотные моменты» в данных и поэтому имеет тенденцию допускать ошибку одного и того же знака в течение многих периодов в ряд. Прогноз на 1 шаг вперед ошибки в среднем больше, чем полученные ранее (RMSE 34,4 скорее чем 27,4) и сильно положительно автокоррелированы. Автокорреляция лаг-1 0,56 значительно превышает значение 0,33, рассчитанное выше для статистически значительное отклонение от нуля.В качестве альтернатива уменьшению значения альфа, чтобы ввести больше консерватизм в долгосрочных прогнозах, фактор «демпфирования тренда» иногда добавляется в модель, чтобы выровнять прогнозируемый тренд через несколько периодов.

Финал Шаг в построении модели прогнозирования — «обосновать» LES прогнозы путем умножения их на соответствующие сезонные индексы. Таким образом повторно сезонные прогнозы в столбце I — это просто результат сезонных индексы в столбце F и сезонно скорректированные прогнозы LES в столбце H.

Это относительно легко вычислить доверительных интервалов на шаг вперед прогнозы, сделанные с помощью этой модели: сначала вычислите RMSE (среднеквадратическую ошибку, что является просто квадратным корнем из MSE), а затем вычислить уверенность интервал для прогноза с учетом сезонных колебаний путем сложения и вычитания в два раза больше RMSE. (Обычно 95% доверительный интервал для прогноз на один период вперед примерно равен точечному прогнозу плюс-минус-два раза предполагаемое стандартное отклонение прогноза ошибок, предполагая, что распределение ошибок приблизительно нормальное, а образец размер достаточно большой, скажем, 20 и более.Здесь RMSE, а не стандартное отклонение ошибок выборки является наилучшей оценкой стандарта отклонение будущих ошибок прогноза , потому что оно также принимает случайное смещение вариации.) Доверительные пределы для сезонно скорректированных прогноз затем пересазонализован вместе с прогнозом умножая их на соответствующие сезонные индексы. В этом случае RMSE равный 27,4 и сезонно скорректированный прогноз на первое будущее период (декабрь-93) — 273.2 , поэтому достоверность 95% с учетом сезонных колебаний интервал от 273,2-2 * 27,4 = 218,4 до 273,2 + 2 * 27,4 = 328,0 . Умножая эти пределы на декабрьский сезонный индекс 68,61% , мы получить нижний и верхний доверительные интервалы 149,8 и 225,0 примерно на декабрь 93-го балльного прогноза 187,4 .

Уверенность лимиты для прогнозов более чем на один период вперед, как правило, расширяются по мере того, как горизонт прогноза увеличивается из-за неопределенности в отношении уровня и тенденции, поскольку а также сезонные факторы, но в целом их сложно вычислить с помощью аналитические методы.(Подходящий способ вычисления доверительных интервалов для прогноз LES основан на теории ARIMA, но неопределенность в сезонных индексы — другое дело.) Если вам нужен реалистичный доверительный интервал для прогноза более чем на один период вперед с учетом всех источников ошибок учетной записи, лучше всего использовать эмпирические методы: например, чтобы получить доверительный интервал для прогноза на 2 шага вперед, вы можете создать еще один столбец в таблице для расчета прогноза на 2 шага вперед для каждого периода (путем загрузки прогноза на один шаг вперед).Затем вычислите RMSE Ошибки прогноза на 2 шага вперед и использовать их как основу для прогноза на 2 шага вперед. доверительный интервал.

Оценка сезонных индексов | Анализ временных рядов

Проблема

Вы работаете с временными рядами, которые показывают некоторые сезонные колебания, и вы хотите вычислить сезонные индексы до десезонизации данных.

Решение

Вы можете вычислить сезонные индексы, используя любой из множества методов.Я покажу вам, насколько просто вычислить такие индексы в Excel с помощью метода среднего процента .

Обсуждение

Взгляните на временной ряд, показанный на рис. 6-23.

Рисунок 6-23. Среднемесячные температуры

Этот временной ряд состоит из среднемесячных температур для штата Луизиана с 1996 по 1999 год. Вертикальные линии сетки соответствуют трехмесячным кварталам, и ясно, что есть очевидные сезонные колебания средних температур.В рецепте 6.9 я покажу вам, как прогнозировать среднемесячные температуры на 2000 год на основе этих исторических данных. Часть этого прогнозного анализа требует, чтобы вы изолировали сезонные колебания температур. Для этого сначала необходимо вычислить сезонные индексы.

Существует множество стандартных методов расчета сезонных индексов. Метод, который я покажу вам, чтобы проиллюстрировать, как использовать Excel для таких вычислений, — это метод среднего процента .

В качестве примера я буду использовать серию, показанную на рис. 6-23.Чтобы применить метод среднего процента, вычислите среднегодовую температуру для каждого года, а затем выразите каждую месячную температуру как процент от средней годовой температуры для соответствующего года. Затем вы усредняете эти проценты для соответствующих месяцев по всем годам, чтобы получить сезонный индекс для каждого месяца.

Данные, показанные на рисунке 6-23, были представлены в виде серии значений температуры в диапазоне месяцев от 1 до 49, охватывающих годы с 1996 по 1999 год. Для вычисления сезонных индексов удобно реорганизовать данные, как показано на рисунке 6-24.

Рисунок 6-24. Исходные данные и средние значения

Исходные данные теперь находятся в таблице со строками, представляющими ежемесячные значения за годы, представленные столбцами. Теперь достаточно просто применить формулу рабочего листа СРЕДНИЙ для вычисления среднегодовых значений. В последней строке таблицы на рис. 6-24 эти средние значения вычисляются с использованием формул вида = СРЕДНЕЕ (F69: F80).

Следующим шагом является разделение каждого месячного значения температуры на среднегодовое значение за соответствующий год.На рис. 6-25 показана таблица, которую я создал для этого расчета.

Рисунок 6-25. Сезонные индексы

Эта таблица аналогична по формату таблице, показанной на рисунке 6-24; однако каждое значение в таблице представляет собой отношение месячной температуры к среднегодовой температуре за соответствующие годы. Например, формула ячейки F85, соответствующая январю 1996 г., равна = F69 / F $ 81, что представляет собой значение температуры за январь 1996 г. из таблицы, показанной на рис. 6-24, деленное на среднегодовое значение за 1996 г. строка таблицы на Рисунке 6-24.Формулы ячеек аналогичны для других месяцев и лет в таблице на рис. 6-25.

Последний столбец на рис. 6-25 содержит сезонный индекс для каждого месяца. Сезонный индекс — это просто среднее значение коэффициентов за соответствующий месяц за все годы. Например, сезонный индекс января в ячейке J85 вычисляется по формуле = СРЕДНЕЕ (F85: I85). Остальные индексы рассчитываются аналогично.

Среднее значение сезонных индексов за все месяцы должно составить 1.Если это не так, то к каждому индексу следует применить подходящий коэффициент, чтобы среднее значение действительно соответствовало значению 1. Ячейка J98 вычисляет средний сезонный индекс в качестве проверки. Как видите, получается значение 1,00, поэтому никаких корректировок не требуется.

Рассчитанные здесь сезонные индексы подтверждают сделанное ранее наблюдение о том, что температуры сезонно выше в средние месяцы года (во втором и третьем кварталах каждого года). Вы можете убедиться в этом, заметив, что сезонные индексы с мая по октябрь выше среднего показателя 1, в то время как остальные индексы ниже этого среднего.

См. Также

Вы можете разложить временной ряд, подобный обсуждаемому здесь, чтобы изолировать сезонную вариацию аналогично тому, как мы выделили долгосрочный тренд в рецепте 6.6. Кроме того, вы также можете десезонизировать временной ряд. Следующий рецепт покажет вам, как это сделать.

Прогнозирование при наличии сезонных эффектов с использованием метода отношения к скользящему среднему · Advanced SQL · SILOTA

  1. SQL-рецепты
  2. Прогнозирование
  3. Прогнозирование при наличии сезонных эффектов с использованием метода отношения к скользящему среднему

Многие виды продаж, внедрение продуктов и другие виды деятельности — поддержка клиентов, посещаемость веб-сайтов и т. Д.показать два вида паттернов: восходящий / нисходящий тренд и сезонные колебания. Например, выручка Amazon не только росла (росла) из года в год в течение последних 20 лет, но также показывала сезонность: большая часть продаж была произведена за последние четыре месяца года (особенно во время Черной пятницы и Рождества).

Если вам, как аналитику данных, интересно узнать, растет или падает продажи, то сезонность вас отпугнет. Продажи в январе и феврале всегда меньше, чем в декабре (из-за Рождества), и без поправки на сезонность может показаться, что продажи имеют тенденцию к снижению.

Моделирование сезонных эффектов важно для точного прогнозирования того, как вам нужно выделять ресурсы и поддерживать достаточное время выполнения заказа. Метод отношения к скользящему среднему — это простой в использовании метод выбора сезонных эффектов и прогнозирования будущих значений.


1. Определите сезонный индекс, используя скользящие средние

Рассмотрим таблицу amazon_revenue с двумя столбцами: квартал и доход . Со следующим запросом:

  выберите квартал,
       доход
от amazon_revenue
по кварталу по возрастанию
  

диаграмма показывает доход Amazon за последние 10 лет за 40 кварталов подряд.Последний квартал каждого года показывает большой скачок из года в год, намекая на сезонный характер розничных продаж.

Нашим первым шагом является десезонизация временного ряда. Мы сделаем это, используя 4-квартальную скользящую среднюю:

  выберите квартал,
       доход,
       avg (выручка) больше (упорядочить по квартальным строкам между 1 предыдущей и двумя последующими) как ma
от amazon_revenue
по кварталу по возрастанию
  

Чтобы вычислить сезонный индекс, мы просто делим фактический доход на скользящее среднее.Сезонный индекс 1,75 означает, что выручка за квартал составляет 175% от скользящей средней, а индекс 0,5 означает, что выручка составляет половину среднего.

Сделаем еще один шаг анализа и усредним сезонные индексы по всему временному ряду:

  выберите date_part ('month', q) как d,
       средн. (выручка * 1,0 / мес.) как si
из
    (выберите row_number () поверх (по кварталу) как n,
            [четверть: четверть] как q,
            доход,
            avg (выручка) больше (упорядочить по квартальным строкам между 1 предыдущей и двумя последующими) как ma
    от amazon_revenue
    порядок по q asc) c
группировать по 1
  

, которая даст нам таблицу поиска:

д si
1 0.9121396120732432
4 0,8246402054415246
7 0,8599421103521137
10 1,2633667197200424

2. Определение участка тренда временного ряда

В предыдущем разделе было показано, как извлечь компонент сезонности. Затем мы вытащим трендовую часть временного ряда. Интуитивно понятно, что выручка Amazon растет из года в год.Мы можем запустить регрессию, используя метод наименьших квадратов, чтобы определить участок тренда.

Мы ссылаемся на наш предыдущий рецепт математической основы: Расчет коэффициентов линейной регрессии в SQL.

Мы возьмем ярлык и воспользуемся PostgreSQL regr_slope и regr_intercept для вычисления наклона и пересечения линии регрессии. Если вы не используете PostgreSQL, вы можете вычислить этот коэффициент, используя вышеупомянутую ссылку на Linear Regression.

  выберите regr_slope (ma, extract (эпоха из квартала)) как наклон,
       regr_intercept (ma, extract (эпоха из квартала)) как перехват
из (
    выберите квартал,
        доход,
        avg (выручка) больше (упорядочить по квартальным строкам между 1 предыдущей и двумя последующими) как ma
    от amazon_revenue
    по кварталу по возрастанию
) а
  

3.Прогнозирование с использованием десезонизированных данных

Объединив регрессию и индекс сезонности, мы получили возможность прогнозировать будущие продажи!

Чтобы фактически выполнить прогноз, мы спроецируем линию тренда от линейной регрессии на будущие периоды, а затем скорректируем эти значения тренда с учетом сезонных факторов.

Последний SQL выглядит многословным, но мы только что его отредактировали:

  с основанием как
    (выберите n,
            q,
            доход,
            ма
    из
        (выберите row_number () поверх (по кварталу) как n,
                [четверть: четверть] как q,
                доход,
                avg (выручка) больше (упорядочить по квартальным строкам между 1 предыдущей и двумя последующими) как ma
        от amazon_revenue
        порядок по q asc) b),


    Си как
    (выберите date_part ('месяц', q),
            ср (доход * 1.0 / ma) как si
    из
        (выберите row_number () поверх (по кварталу) как n,
                [четверть: четверть] как q,
                доход,
                avg (выручка) больше (упорядочить по квартальным строкам между 1 предыдущей и двумя последующими) как ma
        от amazon_revenue
        порядок по q asc) c
    группировать по 1),


    тенденция как
    ( Выбрать
            regr_slope (ma, n) как наклон,
            regr_intercept (ma, n) как перехват
    из
        (выберите row_number () поверх (по кварталу) как n,
                [четверть: четверть] как q,
                доход,
                avg (выручка) больше (упорядочить по квартальным строкам между 1 предыдущей и двумя последующими) как ma
        от amazon_revenue
        порядок q asc) a
    )


выберите базу.q,
    base.revenue,
    base.ma,
    trend.intercept + trend.slope * base.n * case date_part ('месяц', base.q)
                                                    когда 1, то 0,9121396120732432
                                                    когда 4, то 0,8246402054415246
                                                    когда 7, то 0.8599421103521137
                                                    когда 10, то 1.2633667197200424
                                                конец как прогноз
от тренда,
     основание
  

👋 Без суеты, просто SQL Мы открываем все, исходя из нашего опыта работы с клиентами нашего агентства.Они тратят тысячи долларов, чтобы получить такой уровень детального анализа, который теперь вы можете получить бесплатно. Мы отправляем одно обновление каждую неделю. Присоединяйтесь к 400+ аналитикам данных, которые повышают уровень знаний по нашим рецептам. 👊

Никакого спама! Отпишитесь в любое время. Смотрите прошлые электронные письма здесь.

Сезонно скорректированная годовая ставка (SAAR) Определение

Что такое годовая ставка с сезонной корректировкой (SAAR)?

Годовая ставка с сезонной корректировкой (SAAR) — это корректировка ставки, используемая для экономических или бизнес-данных, таких как цифры продаж или данные о занятости, которая пытается устранить сезонные колебания в данных.На большинство данных влияет время года, и поправка на сезонность означает, что можно проводить более точные относительные сравнения между разными периодами времени.

Ключевые выводы

  • Годовая ставка, скорректированная с учетом сезонных колебаний (SAAR), — это корректировка ставки, используемая в бизнесе для учета изменений в данных из-за сезонных колебаний.
  • Корректируя данные, которые зависят от времени года, можно проводить более точные сравнения между разными периодами времени.
  • Использование годовых ставок, скорректированных с учетом сезонных колебаний, полезно при сравнении роста бизнеса, роста цен, продаж или любых данных, которые необходимо сравнивать за один период времени.

Общие сведения о годовой ставке с сезонной корректировкой (SAAR)

Годовая ставка с сезонной корректировкой (SAAR) направлена ​​на устранение сезонных воздействий на бизнес, чтобы получить более глубокое понимание того, как основные аспекты бизнеса работают в течение года. Например, индустрия мороженого, как правило, имеет высокий уровень сезонности, поскольку летом здесь продается больше мороженого, чем зимой, и, используя сезонно скорректированные годовые показатели продаж, продажи летом можно точно сравнить с продажами. зимой.Аналитики автомобильной промышленности часто используют его для учета продаж автомобилей.

Сезонная корректировка — это статистический метод, предназначенный для сглаживания периодических колебаний статистики или изменений спроса и предложения, связанных со сменой сезонов. Сезонная корректировка дает более четкое представление о несезонных изменениях данных, которые в противном случае были бы омрачены сезонными различиями.

Расчет годовой ставки с учетом сезонных колебаний (SAAR)

Для расчета SAAR возьмите нескорректированную ежемесячную оценку, разделите ее на коэффициент сезонности и умножьте на 12.

Аналитики начинают с данных за полный год, а затем находят среднее число за каждый месяц или квартал. Соотношение между фактическим числом и средним значением определяет сезонный фактор для этого периода времени.

Представьте себе, что бизнес зарабатывает 144 000 долларов в течение года и 20 000 долларов в июне. Его среднемесячная выручка составляет 12 000 долларов США, в результате чего сезонный фактор июня выглядит следующим образом:

Взаимодействие с другими людьми $ 2 0 , 0 0 0 / $ 1 2 , 0 0 0 знак равно 1 . 6 7 \ 20000 долларов / \ 12000 долларов = 1.67 20 000 долл. США / 12 000 долл. США = 1,67

В следующем году доход в июне вырастет до 30 000 долларов. При делении на фактор сезонности получается 17 964 доллара, а при умножении на 12 получается 215 568 SAAR; указывает на рост. В качестве альтернативы, SAAR можно рассчитать, взяв нескорректированную квартальную оценку, разделив ее на фактор сезонности и умножив на четыре.

Годовые ставки с сезонной корректировкой (SAAR) и сравнение данных

Годовая ставка с сезонной корректировкой (SAAR) помогает сравнивать данные несколькими способами.Корректируя продажи текущего месяца с учетом сезонности, компания может рассчитать свой текущий SAAR и сравнить его с продажами за предыдущий год, чтобы определить, увеличиваются или уменьшаются продажи.

Точно так же, если человек хочет определить, растут ли цены на недвижимость в его районе, он может посмотреть на средние цены в текущем месяце или квартале, скорректировать эти числа с учетом сезонных колебаний и преобразовать их в SAAR, которые можно сравнить с числами. за предыдущие годы.Без предварительной корректировки аналитик не будет сравнивать яблоки с яблоками и, как следствие, не может сделать четких выводов.

Например, дома летом продаются быстрее и по более высоким ценам, чем зимой. В результате, если человек сравнивает цены продажи летней недвижимости со средними ценами за предыдущий год, у него может сложиться ложное впечатление, что цены растут. Однако, если они скорректируют исходные данные в зависимости от сезона, они смогут увидеть, действительно ли значения растут или просто увеличиваются на мгновение из-за теплой погоды.

Годовые ставки с сезонной корректировкой (SAAR) и годовые ставки без сезонной корректировки

В то время как ставки с сезонной корректировкой (SA) пытаются устранить разницу между сезонными колебаниями, ставки без сезонной корректировки (NSA) не учитывают сезонные приливы и отливы. Что касается набора информации, данные NSA соответствуют годовому уровню информации, а данные SA соответствуют его SAAR.

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *