Klouzavé průměry jsou jedním ze tří hlavních nástrojů, které vám doplněk Excel Data Analysis poskytuje k vytváření prognóz. Možná už znáte klouzavé průměry. Mají dvě hlavní charakteristiky, jak je zřejmé z názvu:
- Pohybují se. Přesněji řečeno, pohybují se v čase. První klouzavý průměr může zahrnovat pondělí, úterý a středu; v takovém případě by druhý klouzavý průměr zahrnoval úterý, středu a čtvrtek; třetí středu, čtvrtek a pátek a tak dále.
- Jsou to průměry. První klouzavý průměr může být průměrem pondělních, úterních a středečních tržeb. Pak by druhý klouzavý průměr byl průměrem úterních, středečních a čtvrtečních tržeb a tak dále.
Základní myšlenkou, stejně jako u všech prognostických metod, je, že se děje něco pravidelného a předvídatelného – často nazývaného signál. Prodej lyžařských bot pravidelně na podzim a v zimě stoupá a na jaře a v létě podle očekávání klesá. Prodeje piva pravidelně rostou o nedělích NFL a podle očekávání klesají v ostatní dny v týdnu.
Ale děje se něco jiného, něco nepravidelného a nepředvídatelného – často nazývaného hluk. Pokud má místní obchod se sportovním zbožím výprodej se slevou na lyžařské boty od května do července, můžete si vy a vaši přátelé koupit nové boty během jara a léta, i když běžný prodejní vzorec (signál) říká, že lidé kupují boty během podzim a zima. Jako prognostik obvykle nemůžete tento speciální prodej předvídat. Je to náhodné a má tendenci záviset na věcech, jako je přezásobení. Je to hluk.
Řekněme, že provozujete obchod s alkoholem, a čtvrteční školní fotbalový zápas, který vypadal, že to bude nudná hra týdne, když jste si plánovali nákupy na září, se v listopadu náhle změnil v hru s dopady na mistrovství. Můžete být zaskočeni, pokud jste naplánovali, že vaše nákupy dorazí do vašeho obchodu následující sobotu, kdy vás signál v základní linii vede k tomu, že očekáváte, že vaše prodeje vyvrcholí. To je hluk – rozdíl mezi tím, co předpovídáte, a tím, co se skutečně stane. Podle definice je hluk nepředvídatelný a pro prognostika je to utrpení.
Pokud je šum náhodný, zprůměruje se. Některé měsíce budou obchody se sportovním zbožím zlevňovat lyžařské boty za méně, než jsou náklady na artroskopii. Několik měsíců vyjde nový a opravdu skvělý model a obchody využijí všech možných výhod. Vrcholy a údolí se vyrovnávají. Některé týdny se odehraje fotbalový zápas nebo dva navíc a vy prodáte (a tedy budete potřebovat) více lahví piva. Některé týdny bude sucho od pondělí do pátku, nebudete potřebovat tolik piva a nebudete chtít nést náklady na pivo, které nějakou dobu neprodáte.
Myšlenka je taková, že šum se zprůměruje a to, co vám klouzavé průměry ukážou, je signál. Abych nesprávně citoval Johnnyho Mercera, pokud zvýrazníte signál a eliminujete šum, dostanete se k docela dobré předpovědi.
U klouzavých průměrů tedy berete v úvahu signál – skutečnost, že v určitých měsících prodáváte více lyžařských bot a v jiných méně, nebo že o víkendech prodáváte více piva než ve všední dny. Zároveň chcete, aby se náhodné zvuky – také nazývané chyby – navzájem vyrušily. Toho dosáhnete zprůměrováním toho, co se již stalo ve dvou, třech, čtyřech nebo více předchozích po sobě jdoucích časových obdobích. Signál v těchto časových obdobích je zdůrazněn průměrováním a toto průměrování má také tendenci minimalizovat šum.
Předpokládejme, že se rozhodnete založit své klouzavé průměry na dvouměsíčních záznamech. To znamená, že budete průměrovat leden a únor, a pak únor a březen, a pak březen a duben a tak dále. V takovém případě získáte kontrolu nad signálem průměrováním dvou po sobě jdoucích měsíců a zároveň snížením šumu. Pokud pak chcete předpovídat, co se stane v květnu, doufáte, že budete moci použít signál – tedy průměr toho, co se stalo v březnu a dubnu.
Obrázek ukazuje příklad měsíčních prodejních výsledků a dvouměsíčního klouzavého průměru.
Klouzavý průměr ukazuje obecný směr prodeje (signál) a neklade důraz na náhodné variace (šum).