การทำให้เรียบแบบเอ็กซ์โปเนนเชียล: วิธีการและตัวอย่าง - ดูดาส - 2026

การปรับให้เรียบแบบเอ็กซ์โปเนนเชียลเป็นวิธีการคาดการณ์ความต้องการบทความในช่วงเวลาหนึ่ง ๆ วิธีนี้ประเมินว่าความต้องการจะเท่ากับค่าเฉลี่ยของการบริโภคในอดีตในช่วงเวลาที่กำหนดโดยให้น้ำหนักหรือน้ำหนักมากกว่าค่าที่ใกล้เคียงกับเวลา นอกจากนี้สำหรับการคาดการณ์ต่อไปนี้ให้คำนึงถึงข้อผิดพลาดที่มีอยู่ของการคาดการณ์ปัจจุบัน

การคาดการณ์ความต้องการเป็นวิธีการคาดการณ์ความต้องการของลูกค้าสำหรับผลิตภัณฑ์หรือบริการ กระบวนการนี้เป็นไปอย่างต่อเนื่องโดยที่ผู้จัดการใช้ข้อมูลในอดีตเพื่อคำนวณสิ่งที่พวกเขาคาดหวังว่าความต้องการขายสินค้าหรือบริการจะเป็นอย่างไร

ที่มา: pixabay.com

ข้อมูลจากอดีตของ บริษัท จะถูกนำมาใช้โดยการเพิ่มข้อมูลเศรษฐกิจการตลาดเพื่อดูว่ายอดขายจะเพิ่มขึ้นหรือลดลง

ผลลัพธ์ของการคาดการณ์ความต้องการใช้เพื่อกำหนดเป้าหมายสำหรับฝ่ายขายโดยพยายามให้สอดคล้องกับเป้าหมายของ บริษัท

วิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล

การทำให้เรียบเป็นกระบวนการทางสถิติที่พบบ่อยมาก ข้อมูลที่ราบรื่นมักพบในชีวิตประจำวันหลายรูปแบบ ทุกครั้งที่ใช้ค่าเฉลี่ยในการอธิบายบางสิ่งจะมีการใช้ตัวเลขแบบเรียบ

สมมติว่าฤดูหนาวที่อบอุ่นที่สุดเท่าที่เคยบันทึกมาในปีนี้ได้ประสบ ในการหาจำนวนนี้เราเริ่มต้นด้วยข้อมูลอุณหภูมิรายวันที่กำหนดไว้สำหรับช่วงฤดูหนาวของแต่ละปีในอดีตที่บันทึกไว้

สิ่งนี้ทำให้เกิดตัวเลขจำนวนมากที่มี "การกระโดด" ขนาดใหญ่ คุณต้องมีตัวเลขที่กำจัดการกระโดดเหล่านี้ออกจากข้อมูลเพื่อให้เปรียบเทียบฤดูหนาวกับฤดูหนาวได้ง่ายขึ้น

การกำจัดการกระโดดในข้อมูลเรียกว่าการทำให้เรียบ ในกรณีนี้สามารถใช้ค่าเฉลี่ยอย่างง่ายเพื่อให้ได้การปรับให้เรียบ

การคาดการณ์ที่ราบรื่น

สำหรับการคาดการณ์อุปสงค์การปรับให้เรียบยังใช้เพื่อขจัดความต้องการในอดีตที่เปลี่ยนแปลงไป สิ่งนี้ช่วยให้สามารถระบุรูปแบบความต้องการได้ดีขึ้นซึ่งสามารถใช้ในการประมาณอุปสงค์ในอนาคตได้

การเปลี่ยนแปลงความต้องการเป็นแนวคิดเดียวกับ "การกระโดด" ของข้อมูลอุณหภูมิ วิธีที่ใช้บ่อยที่สุดในการลบรูปแบบต่างๆในประวัติอุปสงค์คือการใช้ค่าเฉลี่ยหรือโดยเฉพาะอย่างยิ่งค่าเฉลี่ยเคลื่อนที่

ค่าเฉลี่ยเคลื่อนที่ใช้จำนวนช่วงเวลาที่กำหนดไว้ล่วงหน้าเพื่อคำนวณค่าเฉลี่ยและช่วงเวลาเหล่านั้นจะเคลื่อนที่เมื่อเวลาผ่านไป

ตัวอย่างเช่นหากมีการใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือนและวันนี้คือวันที่ 1 พฤษภาคมจะใช้ความต้องการเฉลี่ยในเดือนมกราคมกุมภาพันธ์มีนาคมและเมษายน ในวันที่ 1 มิถุนายนจะใช้ความต้องการในเดือนกุมภาพันธ์มีนาคมเมษายนและพฤษภาคม

ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก

เมื่อใช้ค่าเฉลี่ยอย่างง่ายความสำคัญเดียวกันจะถูกนำไปใช้กับแต่ละค่าในชุดข้อมูล ดังนั้นในค่าเฉลี่ยเคลื่อนที่ 4 เดือนแต่ละเดือนคิดเป็น 25% ของค่าเฉลี่ยเคลื่อนที่

การใช้ประวัติอุปสงค์ในการคาดการณ์ความต้องการในอนาคตเป็นเหตุผลว่าช่วงเวลาล่าสุดมีผลกระทบต่อการคาดการณ์มากขึ้น

การคำนวณค่าเฉลี่ยเคลื่อนที่สามารถปรับใช้เพื่อใช้ "น้ำหนัก" ที่แตกต่างกันในแต่ละช่วงเวลาเพื่อให้ได้ผลลัพธ์ที่ต้องการ

น้ำหนักเหล่านี้แสดงเป็นเปอร์เซ็นต์ ยอดรวมของน้ำหนักทั้งหมดสำหรับช่วงเวลาทั้งหมดต้องรวมกันไม่เกิน 100%

ดังนั้นหากคุณต้องการใช้ 35% เป็นน้ำหนักสำหรับช่วงเวลาที่ใกล้เคียงที่สุดในค่าเฉลี่ยถ่วงน้ำหนักสี่เดือนคุณสามารถลบ 35% จาก 100% เหลือ 65% เพื่อหารระหว่างสามช่วงเวลาที่เหลือ

ตัวอย่างเช่นคุณสามารถลดน้ำหนักได้ 15%, 20%, 30% และ 35% ตามลำดับในช่วงสี่เดือน (15 + 20 + 30 + 35 = 100)

การปรับให้เรียบแบบเอ็กซ์โปเนนเชียล

อินพุตควบคุมสำหรับการคำนวณการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลเรียกว่าปัจจัยการทำให้เรียบ แสดงถึงน้ำหนักที่ใช้กับความต้องการสำหรับช่วงเวลาล่าสุด

หากใช้ 35% เป็นน้ำหนักช่วงเวลาล่าสุดในการคำนวณค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักคุณสามารถเลือกใช้ 35% เป็นตัวคูณความเรียบในการคำนวณการปรับให้เรียบแบบเอ็กซ์โพเนนเชียล

ส่วนเอกซ์โพเนนเชียล

ความแตกต่างในการคำนวณการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลคือแทนที่จะต้องคำนวณน้ำหนักที่จะนำไปใช้กับแต่ละช่วงเวลาก่อนหน้านี้ตัวประกอบการปรับให้เรียบจะถูกใช้โดยอัตโนมัติ

นี่คือส่วน "เอกซ์โพเนนเชียล" หากใช้ 35% เป็นปัจจัยปรับความเรียบน้ำหนักอุปสงค์สำหรับช่วงเวลาล่าสุดจะเท่ากับ 35% การถ่วงน้ำหนักของอุปสงค์จากช่วงเวลาก่อนหน้าล่าสุดจะเท่ากับ 65% ของ 35%

65% มาจากการลบ 35% จาก 100% ซึ่งเท่ากับน้ำหนัก 22.75% สำหรับช่วงเวลานั้น ความต้องการสำหรับช่วงเวลาล่าสุดถัดไปจะอยู่ที่ 65% จาก 65% จาก 35% ซึ่งเท่ากับ 14.79%

ช่วงเวลาก่อนหน้านี้จะถูกถ่วงน้ำหนักเป็น 65% ของ 65% ของ 65% ของ 35% หรือเท่ากับ 9.61% สิ่งนี้จะดำเนินการสำหรับช่วงเวลาก่อนหน้าทั้งหมดจนถึงช่วงแรก

สูตร

สูตรสำหรับการคำนวณการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลมีดังนี้: (D * S) + (P * (1-S)) โดยที่

D = ความต้องการล่าสุดสำหรับช่วงเวลานั้น

S = ปัจจัยการทำให้เรียบแสดงในรูปทศนิยม (35% จะเป็น 0.35)

P = การคาดการณ์ของช่วงเวลาล่าสุดซึ่งเป็นผลมาจากการคำนวณความราบรื่นของช่วงเวลาก่อนหน้า

สมมติว่าเรามีค่าความเรียบ 0.35 เราจะมี: (D * 0.35) + (P * 0.65)

อย่างที่คุณเห็นอินพุตข้อมูลเดียวที่จำเป็นคือความต้องการและการคาดการณ์ช่วงเวลาล่าสุด

ตัวอย่าง

บริษัท ประกันภัยแห่งหนึ่งตัดสินใจขยายตลาดไปยังเมืองที่ใหญ่ที่สุดในประเทศโดยให้บริการประกันภัยสำหรับยานพาหนะ

ในการดำเนินการเบื้องต้น บริษัท ต้องการคาดการณ์ว่าชาวเมืองนี้จะซื้อประกันภัยรถยนต์เท่าใด

โดยจะใช้เป็นข้อมูลเบื้องต้นจำนวนเงินประกันรถยนต์ที่ซื้อในเมืองเล็ก ๆ อีกแห่งหนึ่ง

การคาดการณ์ความต้องการในช่วงที่ 1 คือประกันภัยรถยนต์ตามสัญญา 2,869 คัน แต่ความต้องการที่แท้จริงในช่วงนั้นคือ 3,200

ตามดุลยพินิจของ บริษัท จะกำหนดค่าความเรียบ 0.35 ความต้องการคาดการณ์สำหรับช่วงเวลาถัดไปคือ P2 = (3200 * 0.35) + 2869 * (1-0.35) = 2984.85

การคำนวณเดียวกันนี้เกิดขึ้นตลอดทั้งปีโดยได้รับตารางเปรียบเทียบต่อไปนี้ระหว่างสิ่งที่ได้รับจริงและสิ่งที่คาดการณ์สำหรับเดือนนั้น

เมื่อเทียบกับเทคนิคการหาค่าเฉลี่ยแล้วการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลสามารถทำนายแนวโน้มได้ดีกว่า อย่างไรก็ตามมันยังคงสั้นดังที่แสดงในกราฟ:

จะเห็นได้ว่าเส้นสีเทาของการคาดการณ์สามารถอยู่ต่ำกว่าหรือสูงกว่าเส้นความต้องการสีน้ำเงินได้อย่างไรโดยที่ไม่สามารถปฏิบัติตามได้ทั้งหมด

อ้างอิง

1. Wikipedia (2019). การปรับให้เรียบแบบเอ็กซ์โปเนนเชียล นำมาจาก: es.wikipedia.org.
2. Ingenio Empresa (2016). วิธีใช้การเรียบเลขชี้กำลังอย่างง่ายเพื่อคาดการณ์อุปสงค์ นำมาจาก: ingenioempresa.com.
3. Dave Piasecki (2019) อธิบายการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล นำมาจาก: warehouseops.com.
4. การศึกษา (2019) เทคนิคการพยากรณ์ความต้องการ: ค่าเฉลี่ยเคลื่อนที่และการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล นำมาจาก: study.com.
5. Cityu (2019). วิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล นำมาจาก: personal.cb.cityu.edu.hk.