Pohyblivé priemery sú jedným z troch hlavných nástrojov, ktoré vám doplnok Excel Data Analysis poskytuje na vytváranie prognóz. Kĺzavé priemery už možno poznáte. Majú dve hlavné charakteristiky, ako je zrejmé z názvu:
- Pohybujú sa. Presnejšie povedané, pohybujú sa v priebehu času. Prvý kĺzavý priemer môže zahŕňať pondelok, utorok a stredu; v takom prípade by druhý kĺzavý priemer zahŕňal utorok, stredu a štvrtok; tretiu stredu, štvrtok a piatok atď.
- Sú to priemery. Prvý kĺzavý priemer môže byť priemer pondelkových, utorkových a stredajších predajov. Potom by druhý kĺzavý priemer bol priemerom utorkových, stredajších a štvrtkových predajov atď.
Základnou myšlienkou, rovnako ako pri všetkých prognostických metódach, je, že sa deje niečo pravidelné a predvídateľné – často nazývané signál. Predaj lyžiarskych topánok pravidelne stúpa počas jesene a zimy a podľa očakávania klesá počas jari a leta. Predaj piva pravidelne stúpa v nedeľu NFL a podľa očakávania klesá počas ostatných dní v týždni.
Ale deje sa niečo iné, niečo nepravidelné a nepredvídateľné – často nazývané hluk. Ak má miestny obchod so športovými potrebami od mája do júla zľavnené lyžiarske topánky, môžete si vy a vaši priatelia kúpiť nové topánky počas jari a leta, aj keď podľa bežného modelu predaja (signál) ľudia kupujú topánky počas jeseň a zima. Ako prognostik zvyčajne nemôžete predvídať tento špeciálny predaj. Je to náhodné a má tendenciu závisieť od vecí, ako sú nadmerné zásoby. Je to hluk.
Povedzme, že prevádzkujete obchod s alkoholom a štvrtkový večerný vysokoškolský futbalový zápas, ktorý vyzeral ako nudná hra týždňa, keď ste si plánovali nákupy na september, sa zrazu v novembri zmenil na hru s dôsledkami majstrovstiev. Môžete byť zaskočení, ak ste si naplánovali príchod svojich nákupov do vášho obchodu nasledujúcu sobotu, keď vás signál v základnej línii vedie k tomu, že očakávate vrchol predaja. To je hluk – rozdiel medzi tým, čo predpovedáte, a tým, čo sa skutočne stane. Podľa definície je hluk nepredvídateľný a pre prognostika je to bolesť.
Ak je šum náhodný, spriemeruje sa. Niektoré mesiace budú obchody so športovým tovarom zľavnené na lyžiarske topánky za cenu nižšiu, ako je cena artroskopie. Niekoľko mesiacov vyjde nový a skutočne skvelý model a obchody využijú všetky možné výhody. Vrcholy a údolia sa vyrovnávajú. Niekoľko týždňov sa odohrá jeden alebo dva futbalové zápasy navyše a budete predávať (a preto potrebujete) viac fliaš piva. Niektoré týždne bude sucho od pondelka do piatku, nebudete potrebovať toľko piva a nebudete chcieť znášať náklady na pivo, ktoré sa chystáte chvíľu nepredávať.
Myšlienka je, že šum sa spriemeruje a to, čo vám ukazujú kĺzavé priemery, je signál. Aby sme nesprávne citovali Johnnyho Mercera, ak zvýrazníte signál a odstránite šum, dostanete sa k celkom dobrej predpovedi.
Takže pri kĺzavých priemeroch beriete do úvahy signál – skutočnosť, že v určitých mesiacoch predávate viac lyžiarskych topánok a v iných menej, alebo že cez víkendy predávate viac piva ako cez pracovné dni. Zároveň chcete, aby sa náhodné zvuky – tiež nazývané chyby – navzájom rušili. Urobíte to tak, že spriemerujete, čo sa už stalo v dvoch, troch, štyroch alebo viacerých predchádzajúcich po sebe nasledujúcich časových obdobiach. Signál v týchto časových úsekoch je zdôraznený spriemerovaním a toto spriemerovanie má tiež tendenciu minimalizovať šum.
Predpokladajme, že sa rozhodnete založiť svoje kĺzavé priemery na dvojmesačných záznamoch. To znamená, že spriemerujete január a február, potom február a marec a potom marec a apríl atď. V takom prípade získate kontrolu nad signálom tak, že spriemerujete dva po sebe nasledujúce mesiace a súčasne znížite šum. Potom, ak chcete predpovedať, čo sa stane v máji, dúfate, že budete môcť použiť signál – teda priemer toho, čo sa stalo v marci a apríli.
Obrázok ukazuje príklad mesačných výsledkov predaja a dvojmesačného kĺzavého priemeru.
Kĺzavý priemer ukazuje všeobecný smer predaja (signál) a nezvýrazňuje náhodné variácie (šum).