SIXTH SESSION : "Forecasting Methods" Objectif : - Dominer les techniques de prévisions de la demande basées sur les séries chronologiques; - Visualisation de différents modèles de demande et interprétation graphique de leurs paramètres sur feuille Excel (en salle informatique); - Comprendre le fonctionnement de différentes méthodes visant à évaluer les paramètres de ces modèles; Contenu : - Enoncé de l’exercice à réaliser en salle informatique(pages 2 à 7); - Solution de l’exercice à réaliser en salle informatique (pages 8 à 14) - Enoncés des exercices supplémentaires (pages 15 à 21); - Solutions (pages 22 à 34); Mise à part la question 2, Les exercices supplémentaires se réfèrent à des matières qui ne sont pas au programme de l’années 2000-2001. Ne pas faire les exercices supplémentaires 1, 3, 4 et 5. Monitorat : - Séance autodidacte; - Exercice à réaliser impérativement par deux en salle informatique; - Plage horaire et locaux (voir annonce aux valves); - Démarrage : Double-cliquez sur « p:\prod2100\prev.xls ». En tapant un chiffre de 1 à 6 dans la case A2, vous réaliserez les différents exercices sur ordinateur. Site WEB : - Il est possible de se procurer le fichier prev.xls sur la page WEB suivante : http://www.prod.ucl.ac.be/enseignement/notes/prod2100.html Sixth session : Forecasting Methods 1 COMPUTER LABORATORY PROBLEM DESCRIPTION This software introduces the main concepts of forecasting methods based on time series analysis. The different exercises have always the same structure : PART I : OBSERVATION & MODEL You proceed here in 3 steps : 1) You can observe a set of points corresponding to the past demand. 2) You choose the best model corresponding to the past demand and maybe on the basis of other informations (for example, it is natural to observe some seasonality for that market). 3) You estimate the different parameters for the chosen model (you have to estimate the trends, the seasonal coefficients,…..). PART II : EVALUATION OF THE MODEL This second part allows to evaluate the quality of the model. Here, Tracking Signal (TSE) and Mean Absolute Deviation(MAD) are used. PART III : FORECASTING The model you selected and assessed in parts I and II can be extrapolated in the future. From these decisions, you can realize the forecasts for the future. The closer to the past demand your model is, the more reliable your forecast is. By building a confidence interval, you can assess the reliability of your forecast. Sixth session : Forecasting Methods 2 Now, you can open the file ‘Prev.xls’. You obtain then the following presentation : Past demand for the chosen exercise(1 to 6) Demand calculated with the model and the parameters Model parameters that you have to specify in function of the past demand Number of the exercise Exercise= 1 Observe Model Parameters Period Nb Demand Forecast the 60 Winter 93 1 50 40 a0= 40 52 40 b= 0 Spring 2 46 40 A/M= a Summer 3 50 Autumn 53 40 T= 1 4 Winter 94 5 52 40 c0 0 51 40 c1 1 Spring 6 47 40 c2 1 Summer 7 40 53 40 c3 1 Autumn 8 Winter 95 9 45 40 c4 1 Spring 51 40 c5 1 10 30 52 40 c6 1 11 Summer 49 40 c7 1 Autumn 12 50 40 c8 1 Winter 96 13 51 40 c9 1 14 Spring 20 49 40 Test 0.00 15 Summer 51 40 OK OK Lower bound Upper bound 16 Autumn Winter 97 17 40 SE= 162 40 40 10 Spring 40 MAD= 10.1 40 40 18 40 TSE= 16 40 40 Summer 19 40 40 40 Autumn 20 0 40 C.I. 0 0.5 40 40 Winter 98 21 40 Indic1 0% 0.00 0 2 4 6 8 10 4012 14 4016 18 22 Spring 40 L.L.(17) 40 Somme partielle des 40 ci 40 23 Summer 40 Avg(17) 40 Past Data 0 Model 40 on Past 40Data 24 Autumn 40 1 40 limit 40 40 U.L.(17) Winter 99 25 Lower limit Upper 40 Indic2 32% 2 40 40 26 Spring You enter here the probability (between 0 and 99 (%)) used for building a confidence interval . 2 OK are necessary!!! Otherwise your model is not coherent 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 51 40 40 40 40 40 26 40 40 40 40 40 Chart with past data, model on the past data and forecast. It’s possible to build a confidence interval Remark : you can only change the elements in the green cells!!! Exercise 1 : Enter ‘1’ in the cell ‘ number of the exercise’(first line and second column) Sixth session : Forecasting Methods 3 In the red part, you can observe the past demand for the first product. PART I : OBSERVATION & MODEL Answer now the following questions and complete your Excel spreadsheet : 1. Which model can you use to represent this past demand (the chart can help you)? Give the mathematical formulation of this model. 2. Estimate the different parameters of the model : a0 = Y-value at the origin (F3 cell) b = trend of your model(if there is no trend, b = 0) (F4 cell) 3. Is your model seasonal? (If your model is not seasonal, set T = 1 and choose a multiplicative model with c0 = 1 or an additive model with c0 = 0) 4. If your model is seasonal, you can choose between two types of models : multiplicative or additive. If you choose a multiplicative model, enter m in the F5 cell and if you choose an additive model, enter a in the same cell. 5. If your model is seasonal, how many periods (T) does he cover? Enter the number of periods in the F6 cell. 6. If your model is seasonal, give an estimation of the seasonal coefficients for each period. Enter the value for the first coefficient (c0) in the F7 cell. Do the same for the following coefficients. Always verify that you have an OK in the yellow part’s second column. If you have an KO, it means that the average of your seasonal coefficients is not equal to 1 for a multiplicative model or is not equal to 0 for an additive model. This average appears in the F16 cell. PART II : EVALUATION OF THE MODEL Whenever you choose a model, you have to test its accuracy. Different methods exist to determine the reliability of your model. 1. On the chart : In turquoise you can observe the model on the past data. So, you can compare your model with the actual data and verify the robustness of your model. 2. Mean Absolute Deviation(MAD) measures the accuracy of the model. In the sixth column in turquoise (cell F20), you can see the calculated MAD corresponding to your model. That gives an idea of the distance between your model and the past data. n MAD = ei i=1 n Sixth session : Forecasting Methods 4 3. Tracking Signal (TSE) allows to check whether your model is biaised or not. If your model is biased, then you under (or over-) estimate the actual demand repeatedly. n TSE = i=1 ei M AD -> cf. F21 cell If there is no bias, the TSE should be small. We could decide the limits it should not exceed. n 4. In the F19 cell, you can observe the sum of the errors (SE) = i=1 ei Theoretically, if there is no bias, this sum should remain close to 0. Check now the quality of your model. PART III : FORECASTING 1. Forecastings can be done from the model you have built up in part 1 and validated in part II. Observe these forecasts and retrieve these values from the mathematical formula of your model. 2. For your forecast, you can build a confidence interval in which the actual demand should fall : Prob (lower limit LC < demand < upper limit UC) = α% => LC = forecast - z * σ = forecast - z * 1.25 * MAD UC = forecast + z * σ = forecast + z * 1.25 * MAD On your worksheet, you can determine this probability in the F23 cell. N.B. : The standard deviation can be approximated by 1,25 * MAD. For instance, set 95 in this cell and choose a wrong model (e.g. : for the exercise 1, you set a0= 10, b0= 0, T = 1, c0 = 0 and your model is additive (a)). You can observe the confidence interval in pink for the lower limit and in black for the upper limit on your chart and on the grey part for the seventeenth period (LL17 and UL17). This interval is very large. Now enter the parameters of the best model for this exercise (cf. solutions). With a probability of 95, you observe a smaller interval. This model is more accurate. Now instead of 95, set 50 in the F23 cell. You can observe a smaller interval. It’s logical because the chosen probability (50%) that the actual demand should belong to this interval is smaller. Thus, the breadth of the confidence interval can be influenced by two factors : • the MAD, depending on the quality of your model; • the confidence degree you have chosen for building your interval. Sixth session : Forecasting Methods 5 Here below on the spreadsheet, we define two indicators (indic1 and indic2) which aims at characterizing the quality of the forecast : -the first indicator measures the relative breadth of the confidence interval z * 1.2 5 * M A D fo re c a st 1 7 = -> F24 cell (indic1) A value of, for example, 10% means that the confidence interval means that the confidence interval covers a range from 10% below the forecast up to 10% above. Your goal when building the model is , of course, to minimize this breadth for a same probability (thus a same z ). -The second indicator can be defined as the coefficient of variation ( process : = 1.2 5 * M A D fo re c a st 1 7 σ ) of the µ -> F28 cell (indic2) Again, the smaller the indicator is, the better. For more details, look at your worksheet : from C37 to C52 cells: find the past demand from D37 to D52 cells : find the past data on basis on your model from E37 to E52 cells: find the errors in absolute value e i from F37 to F52 cells: find the errors ei n E54 cell : sum of the absolute errors(nmad) i=1 F54 cell : sum of the errors(sumerr) n i = 1 e ei i from H37 to H46 cells: find the lower limit of the confidence interval (for your forecast) from I37 to I46 cells : find the upper limit of the confidence interval (for your forecast) Exercises 2 to 6 • Enter the appropriate number in the cell A2 to get the corresponding data and solve the questions 1 to 6 (Part I). • Evaluate the quality of the model (Part II) • Postpone the evaluation of the confidence intervals (Part III) . ADDITIONAL QUESTIONS FOR EXERCISES 1 TO 6 Sixth session : Forecasting Methods 6 In order to understand better the impact of the different values that you choose for the different parameters, we recommend you to test these different proposals after having determined the best model and its parameters. Number of the exercise 1 2 3 4 6 TEST • How do the SE, the TSE, the MAD and the confidence interval change if you modify the value of a0. And why? What do they measure intuitively? • In this exercise, T = 1 and the model is multiplicative with c0 = 1. What will happen if c0 = 0? • In this exercise, T = 1 and the model is multiplicative with c0 = 1. What would have happened if you had chosen an additive model? What should be the value of c0? • How do the SE, the TSE, the MAD and the confidence interval change if you impose T = 2, an additive model with c0 = +10 and c1 = -10? Why? • How do the SE, the TSE, the MAD and the confidence interval change if you impose T = 2, an additive model with c0 = +5 and c1 = -5? Why? • Which of both models is the least bad? And why? • Try to find a not seasonal model with a trend (b = 1) that gives a TSE = 0. • Now we impose T = 8 and set c4 = 10, c5 = 0, c6 = -10 and c7 = 0, is your model still as good? • The solution(p : 17) gives you the result for an additive model, find the corresponding multiplicative model. • How do the SE, the TSE, the MAD and the confidence interval change if you choose c0 = 1, c1 = 0,5, c2 = 1, c3 = 1,5? And why? • Set T = 3 and choose a multiplicative model. How are your forecasts modified? How can you modify your seasonal coefficients in order to obtain the least bad result? • Attempt different values for b and observe the consequences for the SE, the TSE, the MAD and the confidence interval. • Set a0 = 55 (instead of 50), b= 5,5 (instead of 5). What are the consequences of both mistakes separately at short and long term? Which of both mistakes is the most serious at short and long term? • After having found the good answer, what do you think about the following proposal : the model is seasonal and additive, T = 16 and the seasonal coefficients are calculated as the difference between (a0 + b*t) and the actual past data. To which value should the SE, the TSE, the MAD and the confidence interval be equal? Has this model a meaning? • Can you find (like for the second exercise) a corresponding additive model? Why? Answers Sixth session : Forecasting Methods 7 COMPUTER LABORATORY Exercise 1 1. What is the model corresponding to the past demand? Answer: Constant 2. Is your model seasonal? Answer No 3. Is your model additive or multiplicative? Answer m or a This question is meaningless if no seasonality exists. 4. Which parameters do you choose for your model? (complete F3 cell to F16 cell)? a0=? 50 b=? 0 T=? 1 c0 0 if additive; 1 if multiplicative This solution is approximative et the exact solution was a0 = 50.125, it permits to obtain a TSE = 0. On your screen, you can observe : Solution with a confidence interval of 95% Exercise= 1 Observe Model Parameters Period Nb Demand Forecastthe 60 50 50 a0= 50 Winter 93 1 52 50 b= 0 2 Spring 46 50 A/M= a 3 Summer 50 53 50 T= 1 4 Autumn 52 50 c0 0 Winter 94 5 51 50 c1 1 6 Spring 47 50 c2 1 7 Summer 40 53 50 c3 1 8 Autumn 45 50 c4 1 Winter 95 9 51 50 c5 1 10 Spring 30 52 50 c6 1 11 Summer 49 50 c7 1 12 Autumn 50 50 c8 1 Winter 96 13 51 50 c9 1 14 Spring 20 49 50 Test 0.00 15 Summer 51 50 OK OK Lower bound Upper bound 16 Autumn 50 SE= 2 45.40634 54.59366 Winter 97 17 10 50 MAD= 1.9 45.40634 54.59366 18 Spring 50 TSE= 1.067 45.40634 54.59366 19 Summer 50 45.40634 54.59366 20 Autumn 50 C.I. 95 0.03 45.40634 54.59366 Winter 98 21 0 50 Indic1 9% 1.96 0 22 Spring 2 4 6 845.40634 10 1254.59366 14 16 18 50 L.L.(17) 45.41 Somme partielle 45.40634 des ci54.59366 23 Summer 50 Avg(17) 50 0 45.40634 24 Autumn Past Data Model 54.59366 on Past Data 50 U.L.(17) 54.59 1 45.40634 54.59366 Winter 99 25 Lower limit Upper limit 50 Indic2 5% 2 45.40634 54.59366 26 Spring 3 Sixth session : Forecasting Methods 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 51 50 50 50 50 50 26 50 50 50 50 50 8 A wrong solution with a confidence interval of 95% Exe rcise = 1 Observed Model & Parameters of Pe riod N b Demand Forecast the model 110 50 10 a0= 10 0 Winter 93 1 100 2 52 10 b= 0 2 Spring 93 90 -4 46 10 A/M= a Summer 93 3 80 53 10 T= 1 3 Autumn 93 4 70 52 10 c0 0 2 5 Winter 94 60 51 10 c1 1 1 Spring 94 6 50 -3 47 10 c2 1 Summer 94 7 40 53 10 c3 1 3 Autumn 94 8 45 10 c4 1 -5 Winter 95 9 30 51 10 c5 1 1 Spring 95 10 20 52 10 c6 1 2 Summer 95 11 10 49 10 c7 1 -1 Autumn 95 12 0 50 10 c8 1 0 Winter 96 13 -10 0 2 4 6 8 10 12 14 16 18 20 22 24 51 10 c9 1 1 Spring 96 14 -20 49 10 Test 0.00 -1 Summer 96 15 -30 51 10 OK OK Lower bound Upper bound 1 Autumn 96 16 -40 10 SE= 642 -88.3043 108.3043 2 Winter 97 17 -50 10 MAD= 40.1 -88.3043 108.3043 Spring 97 18 -60 10 TSE= 16 -88.3043 108.3043 Summer 97 19 10 -88.3043 108.3043 Autumn 97 20 -70 10 C.I. 95 0.03 -88.3043 108.3043 21 Winter 98 -80 10 Indic1 983% 1.96 -88.3043 108.3043 22 Spring 98 -90 Somme partielle -88.3043 des ci108.3043 10 L.L.(17) -88.3 Summer 98 23 10 0 -88.3043 10 Avg(17) Autumn 98 24 Past Data Model 108.3043 on Past Data Forecast 10 U.L.(17) 108.3 1 -88.3043 108.3043 25 Winter 99 Lower limit Upper limit 10 Indic2 502% 2 -88.3043 108.3043 Spring 99 26 3 26 51 10 10 10 10 10 10 10 10 10 10 Good solution for a confidence interval of 50% Exe rcise = 1 Observed Model & Parameters of Pe riod N b Demand Forecast the model 60 50 50 a0= 50 1 Winter 93 52 50 b= 0 2 Spring 93 46 50 A/M= a Summer 93 3 50 53 50 T= 1 Autumn 93 4 52 50 c0 0 Winter 94 5 51 50 c1 1 Spring 94 6 47 50 c2 1 Summer 94 7 40 53 50 c3 1 Autumn 94 8 45 50 c4 1 Winter 95 9 51 50 c5 1 Spring 95 10 30 52 50 c6 1 Summer 95 11 49 50 c7 1 Autumn 95 12 50 50 c8 1 13 Winter 96 51 50 c9 1 Spring 96 14 20 49 50 Test 0.00 Summer 96 15 51 50 OK OK Lower bound Upper bound Autumn 96 16 50 SE= 2 48.41916 51.58084 Winter 97 17 10 50 MAD= 1.9 48.41916 51.58084 Spring 97 18 50 TSE= 1.067 48.41916 51.58084 Summer 97 19 50 48.41916 51.58084 Autumn 97 20 50 C.I. 50 0.25 48.41916 51.58084 Winter 98 21 0 50 Indic1 3% 0.67 0 Spring 98 22 2 4 6 848.41916 10 1251.58084 14 16 18 50 L.L.(17) 48.42 Somme partielle 48.41916 des ci51.58084 Summer 98 23 50 Avg(17) 50 0 48.41916 Autumn 98 24 Past Data Model 51.58084 on Past Data 50 U.L.(17) 51.58 1 48.41916 51.58084 25 Winter 99 Lower limit Upper limit 50 Indic2 5% 2 48.41916 51.58084 26 Spring 99 3 Sixth session : Forecasting Methods 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 51 50 50 50 50 50 26 50 50 50 50 50 9 Exercise 2 1. What is the model corresponding to the past demand Answer: Constant 2. Is your model seasonal? Answer yes 3. Is your model additive or multiplicative? Answer a in this case (no trend), we could also design a multiplicative model (see at the end of this page). 4. Which parameters do you choose for your model? (complete F3 cell to F16 cell)? a0=? 50 b=? 0 T=? 4 c0 10 c1 0 c2 -10 c3 0 Exe rcise = 2 Observed Model & Parameters of Pe riod N b Demand Forecast the model 70 60 60 a0= 50 1 Winter 93 52 50 b= 0 2 Spring 93 36 40 A/M= a Summer 93 3 60 53 50 T= 4 Autumn 93 4 62 60 c0 10 Winter 94 5 51 50 c1 0 Spring 94 6 50 37 40 c2 -10 Summer 94 7 53 50 c3 0 Autumn 94 8 55 60 c4 1 Winter 95 9 40 51 50 c5 1 Spring 95 10 42 40 c6 1 Summer 95 11 49 50 c7 1 Autumn 95 12 30 60 60 c8 1 13 Winter 96 51 50 c9 1 Spring 96 14 39 40 Test 0.00 Summer 96 15 20 51 50 OK OK Lower bound Upper bound Autumn 96 16 60 SE= 2 55.40634 64.59366 Winter 97 17 50 MAD= 1.9 45.40634 54.59366 Spring 97 18 10 40 TSE= 1.067 35.40634 44.59366 Summer 97 19 50 45.40634 54.59366 Autumn 97 20 60 C.I. 95 0.03 55.40634 64.59366 Winter 98 21 0 50 Indic1 8% 1.96 0 Spring 98 22 2 4 6 845.40634 10 1254.59366 14 16 18 40 L.L.(17) 55.41 Somme partielle 35.40634 des ci44.59366 Summer 98 23 50 Avg(17) 60 10 45.40634 Autumn 98 24 Past Data Model 54.59366 on Past Data 60 U.L.(17) 64.59 10 55.40634 64.59366 25 Winter 99 Lower limit Upper limit 50 Indic2 4% 0 45.40634 54.59366 26 Spring 99 0 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 51 60 50 40 50 60 26 50 40 50 60 50 Remark : If you choose a multiplicative model : c0=1.2, c1=1, c2=0.8, c3=1 If your model is constant, the addiditive seasonality and the multiplicative seasonality are equivalent. Exercise 3 Sixth session : Forecasting Methods 10 1. What is the model corresponding to the past demand Answer: Constant 2. Is your model seasonal? Answer yes 3. Is your model additive or multiplicative? Answer m 4. Which parameters do you choose for your model? (complete F3 cell to F16 cell)? a0=? b=? T=? c0 c1 c2 c3 50 0 4 1 1.5 1 0.5 R : Answer for an additive model : c0=0, c1=25, c2=0, c3= -25 If your model is constant, the addiditive seasonality and the multiplicative seasonality are equivalent. Exe rcise = 3 Observed Model & Parameters of Pe riod N b Demand Forecast the model 80 50 50 a0= 50 1 Winter 93 77 75 b= 0 2 Spring 93 70 46 50 A/M= m Summer 93 3 28 25 T= 4 Autumn 93 4 52 50 c0 1 Winter 94 5 60 76 75 c1 1.5 Spring 94 6 47 50 c2 1 Summer 94 7 28 25 c3 0.5 Autumn 94 8 50 45 50 c4 1 Winter 95 9 76 75 c5 1 Spring 95 10 40 52 50 c6 1 Summer 95 11 24 25 c7 1 Autumn 95 12 50 50 c8 1 13 Winter 96 30 76 75 c9 1 Spring 96 14 49 50 Test 1.00 Summer 96 15 20 26 25 OK OK Lower bound Upper bound Autumn 96 16 50 SE= 2 45.40634 54.59366 Winter 97 17 75 MAD= 1.9 70.40634 79.59366 Spring 97 18 10 50 TSE= 1.067 45.40634 54.59366 Summer 97 19 25 20.40634 29.59366 Autumn 97 20 50 C.I. 95 0.03 45.40634 54.59366 Winter 98 21 0 75 Indic1 9% 1.96 0 Spring 98 22 2 4 6 870.40634 10 1279.59366 14 16 18 50 L.L.(17) 45.41 Somme partielle 45.40634 des ci54.59366 Summer 98 23 25 Avg(17) 50 1 20.40634 Autumn 98 24 Past Data Model 29.59366 on Past Data 50 U.L.(17) 54.59 2.5 45.40634 54.59366 25 Winter 99 Lower limit Upper limit 75 Indic2 5% 3.5 70.40634 79.59366 26 Spring 99 4 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 26 50 75 50 25 50 26 75 50 25 50 75 Exercise 4 : Sixth session : Forecasting Methods 11 1. What is the model corresponding to the past demand Answer: model with trend 2. Is your model seasonal? Answer No 3. Is your model additive or multiplicative? Answer m or a 4. Which parameters do you choose for your model? (complete F3 cell to F16 cell)? a0=? 50 b=? 5 T=? 1 c0 0 for a, 1 for m Exe rcise = 4 Observed Model & Parameters of N b Demand Forecast the model Pe riod 180 50 50 a0= 50 1 Winter 93 170 57 55 b= 5 2 Spring 93 160 56 60 A/M= m Summer 93 3 150 68 65 T= 1 Autumn 93 4 140 72 70 c0 1 Winter 94 5 76 75 c1 1 130 Spring 94 6 77 80 c2 1 Summer 94 7 120 88 85 c3 1 Autumn 94 8 110 85 90 c4 1 Winter 95 9 100 96 95 c5 1 Spring 95 10 90 102 100 c6 1 Summer 95 11 80 104 105 c7 1 Autumn 95 12 110 110 c8 1 13 Winter 96 70 116 115 c9 1 Spring 96 14 60 119 120 Test 1.00 Summer 96 15 50 126 125 OK OK Lower bound Upper bound Autumn 96 16 40 130 SE= 2 125.4063 134.5937 Winter 97 17 30 135 MAD= 1.9 130.4063 139.5937 Spring 97 18 20 140 TSE= 1.067 135.4063 144.5937 Summer 97 19 10 145 140.4063 149.5937 Autumn 97 20 150 C.I. 95 0.030 145.4063 154.5937 Winter 98 21 155 Indic1 4% 1.96 0 159.5937 Spring 98 22 2 4 6 8150.4063 10 12 14 16 18 160 L.L.(17) 125.4 Somme partielle 155.4063 des ci164.5937 Summer 98 23 165 Avg(17) 130 1 160.4063 Autumn 98 24 Past Data Model 169.5937 on Past Data 170 U.L.(17) 134.6 2 165.4063 174.5937 25 Winter 99 Lower limit Upper limit 175 Indic2 2% 3 170.4063 179.5937 26 Spring 99 4 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 126 130 135 140 145 150 26155 160 165 170 175 Exercise 5 : Sixth session : Forecasting Methods 12 1. What is the model corresponding to the past demand Answer: model with trend 2. Is your model seasonal? Answer yes 3. Is your model additive or multiplicative? Answer a The seasonal variation do not amplify with the trend. 4. Which parameters do you choose for your model? (complete F3 cell to F16 cell)? a0=? 50 b=? 5 T=? 4 c0 10 c1 0 c2 -10 c3 0 Exe rcise = 5 Observed Model & Parameters of Pe riod N b Demand Forecast the model 190 60 60 a0= 50 1 Winter 93 180 57 55 b= 5 2 Spring 93 170 46 50 A/M= a Summer 93 3 160 68 65 T= 4 Autumn 93 4 150 82 80 c0 10 Winter 94 5 140 76 75 c1 0 Spring 94 6 130 67 70 c2 -10 Summer 94 7 120 88 85 c3 0 Autumn 94 8 95 100 c4 1 Winter 95 9 110 96 95 c5 1 Spring 95 10 100 92 90 c6 1 Summer 95 11 90 104 105 c7 1 Autumn 95 12 80 120 120 c8 1 13 Winter 96 70 116 115 c9 1 Spring 96 14 60 109 110 Test 0.00 Summer 96 15 50 126 125 OK OK Lower bound Upper bound Autumn 96 16 40 140 SE= 2 135.4063 144.5937 Winter 97 17 30 135 MAD= 1.9 130.4063 139.5937 Spring 97 18 20 130 TSE= 1.067 125.4063 134.5937 Summer 97 19 10 145 140.4063 149.5937 Autumn 97 20 160 C.I. 95 0.030 155.4063 164.5937 Winter 98 21 155 Indic1 3% 1.96 0 159.5937 Spring 98 22 2 4 6 8150.4063 10 12 14 16 18 150 L.L.(17) 135.4 Somme partielle 145.4063 des ci154.5937 Summer 98 23 165 Avg(17) 140 10 160.4063 Autumn 98 24 Past Data Model 169.5937 on Past Data 180 U.L.(17) 144.6 10 175.4063 184.5937 25 Winter 99 Lower limit Upper limit 175 Indic2 2% 0 170.4063 179.5937 26 Spring 99 0 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 126 140 135 130 145 160 26155 150 165 180 175 Exercise 6 : Sixth session : Forecasting Methods 13 1. What is the model corresponding to the past demand Answer: model with trend 2. Is your model seasonal? Answer yes 3. Is your model additive or multiplicative? Answer m 4. Which parameters do you choose for your model? (complete F3 cell to F16 cell)? a0=? b=? T=? c0 c1 c2 c3 50 5 4 1 1,5 1 0.5 Exe rcise = 6 Observed Model & Parameters of Pe riod N b Demand Forecast the model 270 260 50 50 a0= 50 1 Winter 93 250 84.5 82.5 b= 5 2 Spring 93 240 56 60 A/M= m Summer 93 3 230 35.5 32.5 T= 4 Autumn 93 4 220 210 72 70 c0 1 Winter 94 5 200 113.5 112.5 c1 1.5 Spring 94 6 190 77 80 c2 1 Summer 94 7 180 45.5 42.5 c3 0.5 170 Autumn 94 8 160 85 90 c4 1 Winter 95 9 150 143.5 142.5 c5 1 Spring 95 10 140 102 100 c6 1 Summer 95 11 130 120 51.5 52.5 c7 1 Autumn 95 12 110 110 110 c8 1 13 Winter 96 100 173.5 172.5 c9 1 Spring 96 14 90 119 120 Test 1.00 80 Summer 96 15 70 63.5 62.5 OK OK Lower bound Upper bound Autumn 96 16 60 130 SE= 2 125.4063 134.5937 Winter 97 17 50 202.5 MAD= 1.9 197.9063 207.0937 40 Spring 97 18 30 140 TSE= 1.067 135.4063 144.5937 Summer 97 19 20 72.5 67.90634 77.09366 Autumn 97 20 10 150 C.I. 95 0.030 145.4063 154.5937 Winter 98 21 232.5 Indic1 4% 1.96 0 237.0937 Spring 98 22 2 4 6 8227.9063 10 12 14 16 18 160 L.L.(17) 125.4 Somme partielle 155.4063 des ci164.5937 Summer 98 23 82.5 Avg(17) 130 1 77.90634 Autumn 98 24 Past Data Model 87.09366 on Past Data 170 U.L.(17) 134.6 2.5 165.4063 174.5937 25 Winter 99 Lower limit Upper limit 262.5 Indic2 2% 3.5 257.9063 267.0937 26 Spring 99 4 0 2 -4 3 2 1 -3 3 -5 1 2 -1 0 1 -1 1 2 20 22 Forecast 24 63.5 130 202.5 140 72.5 150 232.5 26 160 82.5 170 262.5 EXERCICES SUPPLEMENTAIRES Sixth session : Forecasting Methods 14 QUESTION 1 (Exercice récapitulatif long) Dans cette partie de l’exercice, toutes les étapes vous seront données pour résoudre un cas concret de prévisions de demande. Certains calculs et visualisations de demande seront à réaliser sur Excel. PLUVISHOP, un distributeur de parapluies vous demande de prévoir selon différentes méthodes la demande de parapluies. A cet effet, il vous communique des données statistiques relatives aux dernières saisons. Tableau des demandes Dt Trimestre Printemps Eté Automne Hiver n 1 2 3 4 An 85 n An 86 n An 87 40 5 50 9 60 20 6 30 10 20 90 80 7 130 11 70 8 100 12 80 n An 88 13 60 14 30 15 150 16 120 n An 89 17 100 18 60 19 180 20 150 1. INTRODUCTION 1.1. Introduisez ces demandes sur une feuille de calcul Excel. 1.2. Construisez le graphe correspondant sur Excel. 1.3. Observez le graphe. Quelles sont les caractéristiques de cette demande ? Y a-t-il une tendance ? Y a-t-il des saisons ? Si oui, combien de saisons observez-vous ? 1.4. Quel est selon vous le modèle de prévisions de la demande le plus approprié ? 1.5. Quelles méthodes de calcul peut-on utiliser pour ce modèle de prévisions de la demande? Expliquez quelles contraintes sont liées à ces méthodes de calcul, peuvent-elles toutes être utilisées indistinctement sur n' importe quelle donnée ? Ainsi, différentes méthodes de calcul peuvent être utilisées pour réaliser des prévisions de demande. Chacune a ses avantages et inconvénients qui seront discutées par la suite. Trois méthodes seront vues plus particulièrement dans la suite de l' exercice : la régression linéaire, la méthode de Holt et la méthode de Winters. Les deux premières méthodes permettent de réaliser des prévisions de demande pour les modèles linéaires SANS variations saisonnières. Pour pouvoir l’utiliser dans ce cas-ci, il faudra donc travailler sur des données désaisonnalisées. Celles-ci pourront être trouvées grâce aux « facteurs de saisonnalité ». Chaque saison aura son facteur de saisonnalité propre. Ces facteurs de saisonnalité peuvent être calculés par la méthode des moyennes centrées (CMA). 2. DESAISONNALISATION DES DEMANDES Etapes à suivre pour calculer les facteurs de saisonnalité : Sixth session : Forecasting Methods 15 • a) Calcul des moyennes mobiles centrées CMA(T)t. Celles-ci permettent de trouver une moyenne non biaisée par la tendance et sans effet saisonnier. a.1) Quelle est la longueur du cycle (T) ? a.2) Calculez les moyennes mobiles manquantes dans le tableau ci-dessous : CMA automne 85 (4); CMA printemps 86 (4); CMA été 87 (4); CMA automne 88 (4). Trim. P E A H An 85 / / An 86 An 87 72.5 73.75 78.75 78.75 56.25 62.5 63.75 An 88 72.5 85 103.75 An 89 111.25 118.75 / / a.3) Pourquoi ne peut-on pas calculer la moyenne mobile centrée du printemps 85 ? • b) Calcul des facteurs de saisonnalité : Dt/CMAt et ce pour les mêmes périodes manquantes. Trim P E A H An 85 / / 1.24 An 86 0.41 1.65 1.27 An 87 0.83 1.44 1.25 An 88 0.35 1.58 1.16 An 89 0.89 0.50 / / • c.1) Calcul des coefficients de saisonnalité ct : On les trouve en faisant la moyenne des facteurs de saisonnalité d’une même saison. Trim P E A H An 85 / / 1.49 1.24 An 86 0.78 0.41 1.65 1.27 An 87 0.83 0.31 1.44 1.25 An 88 0.83 0.35 1.58 1.16 An 89 0.89 0.50 / / ct c.2) Si un coefficient de saisonnalité est supérieur à 1, comment sera la demande de cette saison par rapport à sa valeur désaisonnalisée ? c.3) La somme des coefficients de saisonnalité devrait être égale à 4, pourquoi ? Est-ce le cas ? Si non, pondérez vos coefficients de saisonnalité afin que leur somme soit égale à 4. Sixth session : Forecasting Methods 16 Trim An 85 An 86 An 87 An 88 An 89 ct / / 1.49 1.24 0.78 0.41 1.65 1.27 0.83 0.31 1.44 1.25 0.83 0.35 1.58 1.16 0.89 0.5 0.8325 0.3925 1.54 1.23 P E A H / Norm ct c1 c2 c3 c4 • d) Désaisonnalisation de la demande : Dt/Norm ct d.1) Calculez les demandes désaisonnalisées manquantes dans le tableau suivant. Trim P E A H An 85 47.99 50.89 51.88 56.84 An 86 59.99 76.34 84.31 81.20 An 87 71.99 50.89 An 88 76.34 97.28 64.96 An 89 119.97 116.73 121.80 d.2) Représentez la demande désaisonnalisée sur un graphe Excel. d.3) Cette courbe de demandes désaisonnalisées se rapproche-t-elle plus d' un modèle avec tendance linéaire ? 3. REGRESSION LINEAIRE et METHODE DE HOLT Dans cette partie de l' exercice, on va vous demander de réaliser des prévisions de demande pour le printemps 90, l' été 90, l' automne 90 et l' hiver 90. Ces prévisions devront toujours être réalisées sur des demandes désaisonnalisées, ces deux méthodes ne pouvant être appliqués qu' à des modèles LINEAIRES sans variations saisonnières. 3.1. Réalisez une régression linéaire avec les 20 données dont vous disposez et construisez le graphe sur Excel. Rappel des formules : Y = a + bt 1 a= n n t =1 D −b t n +1 2 6 b= n( n + 1)(2n + 1) n t =1 t Dt − 3 a 2n + 1 Le “a” obtenu est l’ordonnée de la droite à l’origine. Calculer a20, l’ordonnée de la droite en t=20. Ces valeurs peuvent également être trouvées soit par Excel, soit avec une calculatrice statistique. En outre, vous pourriez les estimer graphiquement. 3.2.a. En vous basant sur ces paramètres a20 et b20, quelles sont vos prévisions à la fin de l' hiver 89, pour le printemps 90, l’été 90, l’automne 90 et l’hiver 90 par régression linéaire? Ajoutez ces données sur votre graphe Excel. Sixth session : Forecasting Methods 17 Rappel sur le calcul des prévisions Ft,t+r = at + r * bt avec Ft,t+r est la prévision de demande au temps t+r faite au temps t. r = l' horizon sur lequel une prévision est réalisée. Ici, n'oublions pas que les prévisions doivent se faire sur des données désaisonnalisées. Les formules de prévisions seront donc modifiées comme suit : DFt,t+r = at + r * bt (Deseasonnalise Forecast) Ft,t+r = DFt,t+r * ct avec DFt,t+r la prévision de demande désaisonnalisée Ft,t+r la prévision de demande saisonnalisée. Pour la trouver, nous avons tout simplement multiplié la demande désaisonnalisée par son facteur de saisonnalité correspondant. 3.2.b. Recalculez la prévision à la fin Hiv89 pour P90 en vous basant sur a0. 3.3. A présent, calculez ces mêmes prévisions mais selon la méthode de Holt. Attention, basez-vous sur les paramètres a16 et b16 Ceci afin d' affiner au fur et à mesure vos deux paramètres et de réaliser des prévisions plus précises (les paramètres seront plus précis). C’est-à-dire : • Faire une régression linéaire de la période 0 à 16 afin d’estimer a16 et b16 • Appliquer Holt de la période 17 à la période 20 • Faire les prévisions Rappel des formules de la méthode de Holt : at = αDt + (1-α)(at-1+bt-1)= αDt + (1-α)DFt-1, t bt = β(at-at-1) + (1-β)bt-1 DFt,t+r = at + r * bt (! dans ce cas-ci, on ne travaille qu’avec les demandes désaisonnalisées) Prenez les valeurs suivantes pour les coefficients de lissage : α = 0.3 et ß=0.04 Ainsi, les étapes à suivre seront les suivantes : 1) calcul des paramètres a16 et b16 ; 2) calcul de DF16,17 • ajustement des paramètres et calcul de a17 et b17 • calcul de DF17,18 Sixth session : Forecasting Methods 18 • ajustement des paramètres et calcul de a18 et b18 • calcul de DF18,19 • ajustement des paramètres et calcul de a19 et b19 • calcul de DF19,20 • ajustement des paramètres et calcul de a20 et b20 3) calcul des prévisions de demandes saisonnalisées déjà calculées selon la méthode de régression linéaire, à savoir : F20,21; F20,22; F20,23 et F20,24. 3.4. Comparez graphiquement (EXCEL) vos prévisions trouvées par Régression linéaire et selon la méthode de Holt. Que constatez-vous ? 3.5. Comparez les deux méthodes de prévisions utilisées : régression linéaire et méthode de Holt 3.6. Quel impact a le paramètre α sur les prévisions de demande réalisées par la méthode de Holt. Comment réagiraient vos prévisions si l’on prenait un α plus grand ? Et le paramètre β ? 3.7.a) On observe au printemps 90, une demande de 120. Cela aura-t-il un impact sur vos facteurs de saisonnalité ? Si oui, lequel ? Justifiez. b) Quel est l' impact de cette observation sur les prévisions des quatre prochaines saisons (utilisez la méthode de Holt) ? c) Intuitivement, vos prévisions pour ces saisons vont-elles être revue à la hausse ou à la baisse? 4. METHODE DE WINTERS 4.1. Calculez les prévisions F20,21 et F20,22 en supposant que (mêmes données que celles prises initiallement pour réaliser les prévisions selon la méthode de Holt): c1 = cprintemps = 0,8335 c2 = cété = 0,3930 c3= cautomne = 1,5420 c0 = chiver = 1,2315 a20 = 128,41 b20 = 4,34 Rappel des formules de Winters at = α (Dt / ct-T) + (1-α)(at-1 + bt-1) bt = β (at-at-1) + (1-β)bt-1 Sixth session : Forecasting Methods 19 ct = γ (Dt / at) + (1 - γ)ct-T Ft,t+r = (at + rbt)ct+r-T avec T = nombre de périodes r = l’horizon sur lequel une prévision est réalisée 4.2. a) On observe au printemps 90, une demande de 120. Cela aura-t-il un impact sur vos facteurs de saisonnalité ? Si oui, lequel ? Calculez et réactualisez les paramètres du modèle par la méthode de Winters. Prenez les valeurs suivantes pour les coefficients de lissage : α = 0,3; β = 0,04 et γ = 0,1. b) Quel est l' impact de cette observation sur les prévisions des deux prochaines saisons F21,22 et F21,23. 4.3. Comparez rapidement les valeurs obtenues selon la méthode de Winters et de Holt. Quels sont les avantages, inconvénients de chaque méthode ? 5. MAD, Mean Absolute Deviation 5.1. Construisez un intervalle de confiance de 98% autour de la prévision désaisonnalisée calculée par la régression linéaire pour le printemps 90 (période 21) établie en hiver 89 (période 20). Pour cela, calculez le MAD 20 selon la formule: 1 MAD = n n t =1 | et | if et is N(0, σ); then, σ ≅ 1.25 MAD Les erreurs absolues correspondent à la différence entre la demande réelle (non saisonnalisée dans ce cas-ci) et la prévision établie pour la même époque. Ici, on vous demande de calculer ce MAD par le biais de la régression linéaire. Ainsi, calculez pour chaque période (de 1 à 20) les prévisions de demande selon la régression linéaire. Ensuite calculez la différence absolue entre prévision et demande. Ceci vous permettra enfin de calculer le MAD. 5.2. Suite à la demande observée de 120 au printemps 90, mettez le MAD à jour (de préférence, par lissage exponentiel simple). Considérez un α = 0.1. 5.3. Ma prévision est-elle biaisée? Sixth session : Forecasting Methods 20 QUESTION 2 Imaginez que les ventes du produit A soient très régulières: tous les lundis, 100 unités sont vendues; les mardis et les autres jours de la semaine (mercredi, jeudi et vendredi), la vente est double (200). Quel modèle utiliseriez-vous, quels en sont les paramètres et quelles valeurs devraient-ils avoir? QUESTION 3 Si, pour modéliser une demande acyclique, vous deviez choisir entre une régression linéaire simple et la méthode de Holt (lissage exponentiel double), quel(s) considérations(s) prendriez vous en compte et comment ? QUESTION 4 a) Imaginez que les ventes du produit A suivent un modèle saisonnier de période T avec une faible tendance. Vous utilisez la méthode des moyennes centrées pour désaisonnaliser la demande et ensuite estimer la tendance. Vous avez hélas pris une période 2T au lieu de T. Est-ce gênant pour vos prévisions? b) Et si vous aviez pris une période T+1? QUESTION 5 Vous utilisez la méthode de Holt (lissage exponentiel double) pour modéliser l' évolution non saisonnière des ventes du produit B au cours du temps. Vous utilisez pour cela les équations suivantes: at = aDt + (1-a)(at-1 + bt-1) bt = ß(at - at-1) + (1-ß)bt-1 Vous essayez différentes valeurs pour les paramètres de lissage α et β. A chaque fois, vous comparez vos prévisions avec les demandes observées et vous trouvez que les erreurs de prévisions sont minimum avec α et β proches de 1. Qu' en concluez-vous ? Sixth session : Forecasting Methods 21 EXERCICES SUPPLEMENTAIRES Question 1 1. INTRODUCTION 1.1. Périodes t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Demandes Dt 40 20 80 70 50 30 130 100 60 20 90 80 60 30 150 120 100 60 180 150 1.2. Dt 180 160 140 120 100 Dt 80 60 40 20 0 1 2 3 4 5 6 7 Sixth session : Forecasting Methods 8 9 10 11 12 13 14 15 16 17 18 19 20 22 1.3. Oui, il y a une tendance et aussi des saisons. Celles-ci sont au nombre de quatre : printemps, été, automne et hiver. On remarque que la demande est chaque fois la plus forte en automne et la moins importante en été. 1.4. Le modèle de demande approprié est le modèle saisonnier avec tendance linéaire : Dt = (a + b*t)*c tmod T + et. 1.5. Plusieurs méthodes de calcul sont possibles dont, entre autres : 1. La méthode de Winters, couramment utilisée, tient compte à la fois de la tendance et des saisons. Cette méthode détermine tous les paramètres du modèle (a, b, et les ct) par update successifs. Elle sera développée dans la dernière partie de l’exercice. 2. La méthode des moyennes centrées. Cette méthode vise uniquement à déterminer les coefficients de saisonnalité ct. Pour déterminer les autres paramètres a et b, deux méthodes sont possibles : 2.a. La méthode de Holt qui détermine a et b par update successifs. 2.b. La régression linéaire, qui calcule la droite (a+b*t) par minimisation des erreurs. Ces différentes méthodes seront comparées ultérieurement dans l' exercice. Le plus important à noter pour l' instant est que la méthode de Winters peut s' utiliser sur des données saisonnalisées, les deux autres méthodes devront être calculées à partir de données désaisonnalisées (s' il y a des saisons, évidemment). 2. DESAISONNALISATION DE LA DEMANDE • a) Calcul des moyennes mobiles centrées CMAt : a.1) T = 4 a.2) CMA automne 85 (4) = (½ * 40 + 20 + 80 + 70 + ½ * 50) / 4 = 53,75 CMA printemps 86 (4) = (½ * 80 + 70 +50 + 30 + ½ * 130) / 4 = 63,75 CMA été 87 (4) = (½ * 100 + 60 + 20 + 90 + ½ * 80) / 4 = 65 CMA automne 88 (4) = (½ * 60 + 30 + 150 + 120 + ½ * 100) / 4 = 95 a.3) On ne peut calculer cette moyenne mobile car il nous manque les données des deux saisons précédentes. • b) Calcul des facteurs de saisonnalité : Dt/CMAt : Automne 85 : 80 / 53,75 = 1,49 Printemps 86 : 50 / 63,75 = 0,78 Eté 86 : 20 / 65 = 0,31 Printemps 88 = 60 / 72.5 = 0,83 • c.1) Calcul des coefficients de saisonnalité ct : cprintemps = (0,78 + 0,83 + 0,83 + 0,89) / 4 = 0,8325 cété = 0,3925 cautomne = 1,54 chiver = 1,2315 c.2.) Si le coefficient de saisonnalité est supérieur à 1, la demande sera supérieure à la valeur désaisonnalisée de cette même période. Sixth session : Forecasting Methods 23 c.3) Non, la somme des coefficients de saisonnalité n’est pas égale à 4. Elle devrait être égale à 4 car on a 4 coefficients de saisonnalité (un par saison) et que ceux-ci devraient en moyenne être égaux à 1 pour se trouver sur la droite de demandes désaisonnalisées. Σ (coefficients de saisonnalité) = 3,995. On les pondère afin que leur somme soit égale à 4. Trim P E A H ct 0.8325 0.3925 1.54 1.23 Norm ct 0,8325 * 4 / 3,995 = 0,8335 0,3925 * 4 / 3,995 = 0,3930 1,54 * 4 / 3,995 = 1,5420 1,23 * 4 / 3,995 = 1,2315 c1 c2 c3 c0 • d.1) Désaisonnalisation de la demande : Dt/Norm ct Trim P E A H An 85 47.99 50.89 51.88 56.84 An 86 59.99 76.34 84.31 81.20 An 87 71.99 50.89 58,37 64.96 An 88 71,99 76.34 97.28 97,44 An 89 119.97 152,67 116.73 121.80 d.2) Représentation graphique de la demande désaisonnalisée : 180 160 140 120 100 Dt D désaisonnalisée 80 60 40 20 0 1 2 3 4 5 6 Sixth session : Forecasting Methods 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 d.3) On constate que la courbe de demandes désaisonnalisées se rapproche bien plus d' un modèle à tendance linéaire et que des prévisions de demande pourront être réalisées avec les méthodes de calcul propres aux modèles linéaires (régression linéaire, méthode de Holt). La méthode de Winters pourra être appliquée sur un modèle avec tendance et variations saisonnières comme nous le verrons dans la suite de l' exercice. Sixth session : Forecasting Methods 25 3. REGRESSION LINEAIRE et METHODE DE HOLT a0 = 38,34 ≅ 40 b0 = 4,01 3.1. La régression linéaire essaie de placer la droite (a+b*t) au mieux sur la courbe des demandes désaisonnalisées :”b” est la pente de la droite et “a” est la valeur à l’origine (a=a0) a20 = a0 + 20 * b0 = 118,63 b20 = b0 = 4,01 !!!!!! Ces calculs ont été réalisés sur des valeurs DESAISONNALISEES !!!!!! Remarque : Graphiquement et approximativement, on aurait pu trouver a20 ≅ 120 et trouver une pente similaire à celle trouvée par régression linéaire en faisant le calcul suivant : (120 - 40) / 20 = 80 / 20 = 4. Valeurs nécessaires pour la représentation graphique à calculer sur Excel : Les valeurs que vous allez obtenir peuvent être légèrement différentes suite aux arrondis. t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Dt 40 20 80 70 50 30 130 100 60 20 90 80 60 30 150 120 100 60 180 150 DDt 47,99 50,89 51,88 56,84 59,99 76,34 84,31 81,2 71,99 50,89 58,37 64,96 71,99 76,34 97,28 97,44 119,97 152,67 116,73 121,8 t*DDt 47,99 101,78 155,64 227,36 299,95 458,04 590,17 649,6 647,91 508,9 642,07 779,52 935,87 1068,76 1459,2 1559,04 2039,49 2748,06 2217,87 2436 R.L. 42,36 46,37 50,39 54,40 58,41 62,43 66,44 70,46 74,47 78,49 82,50 86,52 90,53 94,54 98,56 102,57 106,59 110,60 114,62 118,63 Sum Dt 1609,87 Sum tDt 19573,22 b 4,014414 a 38,34216 Sixth session : Forecasting Methods 26 180 160 140 120 100 D désaisonnalisée R.L. 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 3.2.a. • Fin H89, P90 ? Prévision (Forecast) désaisonn. calculée en H89 pour P90 = DF20,21 DF20,21 = a20 + r * b20 = a20 + 1 * b20 = 118,63 + 1 * 4 = 122,63 Cette valeur est désaisonnalisée et ne correspond donc pas à la prévision de demande réelle. Pour trouver la prévision « réelle », il suffit de multiplier la prévision de demande désaisonnalisée par le coefficient de la saison correspondante. F20,21 = D20,21 * cprintemps = 122,63 * 0,8335 = 102,21 • Fin H89, E90 ? DF20,22 = a20 + r * b20 = a20 + 2 * b20 = 118,63 + 2 * 4 = 126,63 F20,22 = DF20,22 * cété= 126,63 * 0,3930 = 49,77 • Fin H89, A90 ? DF20,23 = a20 + r * b20 = a20 + 3 * b20 = 118,63 + 3 * 4 = 130,63 F20,23 = DF20,23 * cautomne= 130,63 * 1,5420 = 201,43 • Fin H89, H90 ? DF20,24 = a20 + r * b20 = a20 + 4 * b20 = 118,63 + 4 * 4 = 134,63 F20,24 = DF20,24 * chiver= 134,63 * 1,2315 = 165,8 Sixth session : Forecasting Methods 27 3.2.b. DF20,21 = a0 + 21 * b0 = 122,63 Ceci est identique à ce que l’on a calculé à partir de a20 et b20. En fait nous prolongeons la droite obtenue par régression linéaire. Que l’on prolonge la droite à partir de a0 ou de a20, ça ne change rien. 3.3. Méthode de Holt 1. calcul des paramètres a16 et b16 (estimation initial par régression linéaire) a16 = 102,57 b16 = 4 2. calcul de DF16,17 DF16,17 = 102,57 + 1 * 4 = 106,57 F16,17 = 106.57 * 0.8335 = 88.8 • ajustement des paramètres et calcul de a17 et b17 a17 = 0,3 * 120 + 0,7 * 106,57 = 36 + 74,6 = 110,6 b17 = 0,04 * (110,6 - 102,57) + (1 - 0,04) * 4 = 0,32 + 3,84 = 4.16 • calcul de DF17,18 DF17,18 = 110,6 + 4,16 = 114,76 F17,18 = 114,76 * 0,393 = 45,1 • ajustement des paramètres et calcul de a18 et b18 a18 = 0,3 * 153 + 0,7 * 114,76 = 126,23 b18 = 0,04 * (126,23 - 110,6) + 0.96 * 4,16 = 4,62 • calcul de DF18,19 DF18,19 = 130,85 F18,19 = 130,83 * 1,542 = 201,77 • ajustement des paramètres et calcul de a19 et b19 a19 = 0,3 * 117 + 0,7 * 130,85 = 126,7 b19 = 0,04 * (126,7 - 126,23) + 0,96 * 4,62 = 4,454 • calcul de DF19,20 DF19,20 = 131,154 F19,20 = 131,154 * 1,2315 = 161,51 • ajustement des paramètres et calcul de a20 et b20 a20 = 0,3 * 122 + 0,7 * 131,154 = 128,41 b20 = 0,04 * (128,41 - 126,7) + 0,96 * 4,454 = 4,34 1. calcul de DF20,21 DF20,21 = 132,75 F20,21 = 132,75 * 0,8335 = 110,65 DF20,22 = 128,41 + 2 * 4,34 = 137,09 F20,22 = 137.09 * 0,393 = 53,88 DF20,23 = 128,41 + 3 * 4,34 = 141,43 F20,23 = 141,43 * 1,5420 = 218,09 DF20,24 = 128,41 + 4 * 4,34 = 145.77 F20,24 = 145.77 * 1,2315 = 179,52 Sixth session : Forecasting Methods 28 3.4. 160 140 120 100 D désaisonnalisée R.L. 80 Holt 60 40 20 20 19 18 17 16 15 14 13 12 11 9 10 8 7 6 5 4 3 2 1 0 périodes 3.5. Nous constatons que par rapport à la régression linéaire, Holt donne au temps 20 une droite plus haute (a20=128) et une pente plus forte. Ceci vient du fait que Holt donne plus d’impact aux observations récentes et que les observations aux temps 17 et 18 sont bien supérieures aux prévisions. 3.6. Si α augmente, les prévisions prendront plus en compte les demandes du présent et moins en compte les demandes du passé. Ainsi, les prévisions de demande s' ajusteront plus vite aux changements de demande. On utilisera donc un α plus important pour des demandes variant fortement au cours du temps. Le paramètre β aura la même influence sur la pente de droite permettant de calculer les prévisions de demande. 3.7. a) Oui, cette nouvelle donnée aura un impact sur un de mes coefficient de saisonnalité. En effet, comme on a une nouvelle donnée, on va pouvoir calculer une moyenne mobile centrée supplémentaire CMAautomne 89 (4). CMAautomne 89 (4) = (½ * 100 + 60 + 180 + 150 + ½ * 120) / 4 = 125 On peut également calculer un facteur de saisonnalité supplémentaire, celui de l’automne 89. Celui-ci sera de 180 / 125 = 1,44 A présent, le calcul du coefficient de saisonnalité se fera sur 5 valeurs : cautomne = (1,49 + 1,65 + 1,44 + 1,58 + 1,44) / 5 = 1,52 Sixth session : Forecasting Methods 29 L’ensemble des coefficients de saisonnalité vont devoir être normalisés : cautomne chiver cprintemps cété Somme Avant 1,52 1,2315 0,8335 0,393 3,978 Après normalisation 1,5284 1,2383 0,8381 0,3951 4 b) Cette donnée supplémentaire va aussi pouvoir être intégrée dans les paramètres a et b du modèle de Holt. Cette méthode va mettre les coefficients a et b à jour, c’est à dire tenir compte de la nouvelle donnée. a21 = 0,3 * (120/0,8381) + 0,7 * 132,75 = 135,88 b21 = 0,04 * (135,88 - 128,41) + 0,96 * 4,34 = 4,47 DF21,22 = 140,35 F21,22 = 140,35 * 0,3951 = 55,45 DF21,23 = 135,88 + 2 * 4,47 = 144,82 F21,23 = 144,82 * 1,5284 = 221,34 DF21,24 = 135,88 + 3 * 4,47 = 149,29 F21,24 = 149,29 * 1,2383 = 184,87 DF21,25 = 135,88 + 4 * 4,47 = 153,76 F21,25 = 153,76 * 0,8381 = 128,87 c) Comme l’observation (D21=120) est plus grande que la prévision (F20,21=110), toutes les prévisions vont être revues à la hausse. Ceci va se traduire par un (b21>b20) et (a21>a20+b20) 4. METHODE DE WINTERS 4.1. F20,21 = (128,41 + 4,34) * 0,8335 = 110,65 F20,22 = (128,41 + 2 * 4,34) * 0,3930 = 53,88 4.2. a) a 21 = 0,3 (120 / 0,8335) + (1-0,3) (128,41 + 4,34) = 136,116 b 21 = 0,04 (136,116 - 128,41) + (1 - 0,04) 4,34 = 4,475 cprintemps= 0,1 (120 /136,116) + (1 - 0,1) 0,8335 = 0,8383 Sixth session : Forecasting Methods 30 L’ensemble des coefficients de saisonnalité vont devoir être normalisés : cprintemps cété cautomne chiver Somme Avant 0,8383 0,3930 1,5420 1,2315 4,0048 Après normalisation 0,8373 0,3925 1,5402 1,23 4 4.2.b) F21,22 = (136,116 + 4,475) * 0,3925 = 55,182 F21,23 = (136,116 + 2 * 4,475) * 1,5402 = 223,431 4.3.) cprintemps a 21 b 21 F21,22 F21,23 0,8383 135,88 4,47 55,45 221,34 Holt Winters 0,8373 136,116 4,475 55,182 223,431 On constate que les valeurs trouvées sont assez semblables. Néanmoins, on remarque que la méthode de Winters est plus facile d’utilisation, la mise à jour se faisant en une seule fois (contrairement à la Méthode de Holt où il faut recalculer des moyennes mobiles, etc.). De plus, la méthode de Winters présente l’avantage de pouvoir pondérer les coefficients de saisonnalité et d’ainsi donner un certain poids aux valeurs du passé et du présent. Enfin, notez que pour un γ nul, les formules des méthodes de Winters et de Holt ne diffèrent que par le fait qu’on utilise des valeurs DESAISONNALISEES (ou sans saisons) dans la méthode de Holt, tandis qu’on utilise des valeurs saisonnalisées dans la méthode de Winters. Sixth session : Forecasting Methods 31 5. MAD Calculs à réaliser sur Excel t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Dt 40 20 80 70 50 30 130 100 60 20 90 80 60 30 150 120 100 60 180 150 DDt 47,99 50,89 51,88 56,84 59,99 76,34 84,31 81,2 71,99 50,89 58,37 64,96 71,99 76,34 97,28 97,44 119,97 152,67 116,73 121,8 R.L. 42,36 46,37 50,39 54,40 58,41 62,43 66,44 70,46 74,47 78,49 82,50 86,52 90,53 94,54 98,56 102,57 106,59 110,60 114,62 118,63 Et 5,63 4,52 1,49 2,44 1,58 13,91 17,87 10,74 -2,48 -27,60 -24,13 -21,56 -18,54 -18,20 -1,28 -5,13 13,38 42,07 2,11 3,17 Et absolues 5,63 4,52 1,49 2,44 1,58 13,91 17,87 10,74 2,48 27,60 24,13 21,56 18,54 18,20 1,28 5,13 13,38 42,07 2,11 3,17 => MAD20 = 11,89 σ = 1,25 * 11,89 = 14,86 => cfr. Dans la table normale réduite, à quel z correspond une probabilité de 1 %. =>Z = 2,3 I.C. = [122,63 +/- 2,3 * 14,86] = [88,452; 156,808] Intervalle très large car l’écart-type est grand. En effet des écarts importants s’observent par rapport à la droite de régression linéaire. => 5.2. MAD21 = 0,1 * F20,21 - D21 + 0,9 * 11,89 = 0,1 * 122,63 - 120 / 0,8381 + 10,107 = 12,16 5.3. Pour voir si la prévision est biaisée, on va utiliser le tracking signal : TSE20. TSE = Σ et / MAD. Cette valeur, proche de zéro, nous donne la preuve de prévisions non biaisées. Le TSE aura une valeur éloignée de zéro quand les prévisions seront biaisées, c’est à dire en retard sur la tendance par exemple. Notez que le calcul des paramètres a et b par régression linéaire conduit toujours à TSE=0. Ce ne sera pas le cas avec d’autres méthodes. Sixth session : Forecasting Methods 32 QUESTION 2 Paramètre valeur explication Modèle saisonnier : ( at + t * bt ) ct où ( at + t * bt ) est la droite qui approxime la demande désaisonnalisée et ct sont les facteurs de saisonnalité. Tout le passé se résume en ces paramètres. La demande désaisonnalisée tend vers une droite horizontale. La tendance est donc nulle. bt 0 at 180 C'est la valeur par laquelle passe la droite correspondant à la demande désaisonnalisé (la moyenne)e. clundi 5/9 180 * 5/9 = 100. Le facteur 5/9 est celui qui ramène l’observation 100 sur la droitea+b*t=180. cmardi 10/9 180 * 10/9 = 200. Le facteur 10/9 est celui qui ramène l’observation 200 sur la droite y=180. Idem pour mercredi, jeudi et vendredi. QUESTION 3 Les deux méthodes conviennent pour modéliser une demande acyclique avec tendance. Elles se différencient par: - la quantité de calcul à effectuer : tout recalculer lorsqu' une nouvelle valeur est disponible pour R.L. et une simple mise à jour pour Holt. Si on dispose de peu de moyens de calculs et si on doit recalculer souvent, ce facteur joue en faveur de Holt. - le poids donné aux différentes données: poids implicitement identique pour la RL mais poids décroissant (dans le passé) pour Holt (lissage). Ces poids différents peuvent permettre de s' adapter à une modification de la courbe de demande. Si les données récentes ont plus d' importance que les valeurs passées, Holt est adéquat. Si toutes les valeurs ont la même importance: R.L. QUESTION 4 a) Utilisant une période 2T, j’aurai deux fois plus de saisons et donc deux fois plus de coefficients de saisonalité. Ceci a pour conséquence une perte de précision au niveau de mes estimations puisque les coefficients saisonniers seront calculés à partie de deux fois moins de données. Mais à part cette légère perte de précision, la tendance devrait être estimée correctement et les prévisions devraient être acceptables. b) Dans ce cas, tout s’écroulerait. Prenons par exemple T=5, les 5 jours de la semaine. Nous allons donc, par erreur, considérer 6 jours (T+1) et donc calculer 6 coefficients de saisonnalité. Le premier sera calculé sur base des observations du lundi dans la première semaine, du mardi dans la deuxième semaine,… Il ne correspondra plus à rien du tout. QUESTION 5 Sixth session : Forecasting Methods 33 Remplaçons α et β par 1. Nous obtenons at=Dt et bt=at-at-1=Dt-Dt-1 La prévision est donc : Ft, t+1=Dt+(Dt-Dt-1) et ne se base que sur les deux dernières valeurs. En conséquence, la demande est complètement aléatoire et l’analyse des séries chronologiques est inadéquat: il n’y a aucune histoire à mémoriser! Sixth session : Forecasting Methods 34