kokkuvõte
Paljudes tarneahela juhtimise valdkondades genereerivad analüütilised meetodid hinnanguid "tüütu kümnendkohaga"; näiteks nõudluse prognoosid ja tootmise planeerimine. Traditsiooniline meetod ebameeldivate kümnendkohtade eemaldamiseks on ümardamine. Kuid see toob kaasa ka kriitilise teabe kadumise, mis võib sageli ettevõtte töökoormust ala- või ülehinnata. Veerev ümardamismeetod piirab selle teabekao väärtuseks 1. See ajaveebi näitab selle meetodi tähtsust ja seda, kuidas neid täiustatud täisarvude hinnanguid arvutada.
Sissejuhatus
“Munchkins” (lapselastega) aega veetes on selge, miks positiivseid täisarve (võib-olla nulliga) nimetatakse naturaalarvudeks; loendamine on intuitiivne. Sama mugavus esineb ka tarneahela juhtimisel. Kui aegridade prognoosimismeetod ennustab päevanõudlust 3.1, 4.2 ja 2.3, siis eelistame vabaneda neist tüütutest kümnendkohtadest. Kui tooteplaan ütleb, et päevane toodang peaks olema 2.9, 3.1 ja 1.7, meil on sama tunne. Küsimus on selles, kuidas kõige paremini kõrvaldada kümnendkohad, kus parim on defineeritud kui kaotatud teabe hulga minimeerimine.
Traditsiooniline meetod on ümardada iga väärtus täisarvuni ja eeldada, et "ümardamisvead" tasakaalustavad. See ei ole aga alati tõsi. Tabelis 1 on kolme toote (toode 14, 1 ja 2) 3 päeva nõudluse prognoosid. Tegeliku nõudluse hinnangud on veerus kaks, kolm ja neli. Iga toote nõudmiste summa (53.1, 50.0 ja 48.7) on esitatud järgmises viimases reas. Ümardatud nõuded on veergudes viis kuni seitse ja nende kogusumma on järgmises viimases reas (50, 51, 52). Viimane rida näitab tegelike hinnangute summa ja ümardatud hinnangute summa vahelist detaili. Toote 1 (3.1) ja toote 3 (-3.3) puhul on märkimisväärne erinevus.
Vajame "ümardamismeetodit", mis piirab kumulatiivsete summade erinevuse 1-ga ja tagab, et ümardatud väärtuste kumulatiivne summa on suurem kui tegelike väärtuste kumulatiivne summa. Seda nimetatakse "rullivaks ümardamiseks". See ajaveeb pakub rullimise ümardamise algoritmi. See on osa kaubanduse andmeteaduse tööriistade sarjast.
Kaubanduse masinõppe ja andmeteaduse tööriistad: esimese järgu erinevus
Kaubanduse tööriistad: kuidas võrrelda / kombineerida erinevaid aegridu – "normaliseerimine"
Kaubanduse andmeteaduse tööriistad: Monte Carlo arvutisimulatsioon
Rullimise ümardamise põhitõed
Alustame kumulatiivse summa näitega. Tabelis 2 on toote 1 nõudluse hinnang ning tegeliku ja täisarvu hinnanguline summa. 3. veerg on kumulatiivne tegelik. 1. päev on 1. päeva nõudluse hinnang. 2. päev on 1. päeva kumulatiivne summa (3.1) pluss 2. päeva nõudluse hinnang (4.2), mis on 7.3. 3. päev on 7.3 + 2.3 = 9.6 4. veerg on täisarvu hinnangute kumulatiivne summa. 3. päev (9) = 7+2. Viimane veerg on iga päeva kumulatiivse summa vaheline delta. 4. päeva delta väärtus on -0.7 = 15.0 – 15.7. Jälgige delta kasvavat suurust.
Millist algoritmi me kasutame täisarvu hinnangute genereerimiseks, kus täisarvu hinnangute kumulatiivne summa on alati suurem kui tegelike väärtuste kumulatiivne summa või sellega võrdne ja delta suurus ei ole kunagi suurem kui 1? Tabel 3 näitab seda algoritmi.
- 1. päev, veerev ümmargune hinnang on lagi (ümardamine üles), siin 3.1 1. päeva täisarvu hinnangute kumulatiivne summa on 4.
- 2. päeval lisame 4.2. päeva (4) kumulatiivsele hinnangule tegeliku hinnangu alammäära (1 4), mis annab meile 8 (=4+4). Kui see väärtus on suurem või võrdne 1. päeva tegeliku kumulatiivse summaga (mis on 7.3), valime 2. päeva alamväärtuse ja jooksva ümardamise hinnangu. Kui ei, siis kasutatakse ülemmäära hinnangut.
- 3. päev, 2 (korrus) + 8 (täisarv kumulatiivne summa) = 10, mis on >= 9.6 (tegelik kumulatiivne summa), valige korrus (2).
- 6. päev, 3 (korrus) + 20 (täisarv kumulatiivne summa) = 23, mis on < 23.1 (tegelik kumulatiivne summa), valige ülemmäär (4), mida kasutada 6. päeva jooksva ringi hinnanguna.
Jälgige tabeli 3 viimases veerus, et kõik väärtused on positiivsed ja kõik väiksemad kui 1 või sellega võrdsed.
Alternatiivset algoritmi on näidatud tabelis 4. 1. samm on tegeliku kumulatiivse summa ülemmäära arvutamine (näita veerus 4). Jooksev ümardatav hinnang (veerg 5) on tegeliku kumulatiivse summa (veerg 4) ülemmäära erinevus tänase ja eilse kohta. 4. päeva (6) jooksev ringprognoos on 4. päeva (16) kumulatiivse summa ülemmäär, millest on lahutatud 3. (10) päeva kumulatiivse summa ülemmäär; 6 = 16-10. APL2-s on kood “Z1←¯2- /0,⌈+X”.
Järeldus
Paljudes tarneahela juhtimise valdkondades genereerivad analüütilised meetodid hinnanguid tüütu kümnendkohaga. Näiteks nõudluse prognoosid ja tootmise planeerimine. Traditsiooniline meetod ebameeldivate kümnendkohtade eemaldamiseks on ümardamine. Kuid see toob kaasa ka kriitilise teabe kadumise; kumulatiivne summa võib sageli ettevõtte töökoormust ala- või ülehinnata. Veerev ümardamismeetod piirab selle teabekao väärtuseks 1.
Kas teile meeldis see postitus? Soovin uudiskirja või järgige Arkievat LinkedIn, puperdamaja Facebook ajaveebi uuenduste jaoks.
Allikas: https://blog.arkieva.com/data-science-tools-of-the-trade-rounding-decimals/
