ابزارهای علم داده تجارت: گرد کردن چرخان برای رسیدگی به اعشار مزاحم

خلاصه

در بسیاری از حوزه‌های مدیریت زنجیره تأمین، روش‌های تحلیلی تخمین‌هایی را با «اعشار مزاحم» تولید می‌کنند. به عنوان مثال، برآورد تقاضا و برنامه ریزی تولید. روش سنتی برای حذف اعشار مزاحم گرد کردن است. با این حال، این همچنین منجر به از دست دادن اطلاعات حیاتی در مجموع تجمعی می شود که اغلب می تواند حجم کاری شرکت را کم یا بیش از حد بیان کند. روش گرد کردن چرخشی این از دست دادن اطلاعات را در 1 محدود می کند. این وبلاگ اهمیت این روش و نحوه محاسبه این تخمین های اعداد صحیح بهبود یافته را نشان می دهد.

معرفی

در حین گذراندن وقت با "munchkins" (نوه ها) واضح است که چرا اعداد صحیح مثبت (شاید با صفر) به عنوان اعداد طبیعی شناخته می شوند. شمارش شهودی است همین راحتی در مدیریت زنجیره تامین نیز رخ می دهد. اگر روش پیش‌بینی سری‌های زمانی تقاضای روزانه 3.1، 4.2 و 2.3 را پیش‌بینی کند - ترجیح ما این است که خود را از شر آن اعشار مزاحم خلاص کنیم. اگر طرح محصول می گوید تولید روزانه باید 2.9، 3.1 و 1.7 باشد، ما همین احساس را داریم. سوال این است که چگونه می توان اعداد اعشاری را حذف کرد، جایی که بهترین به عنوان به حداقل رساندن مقدار اطلاعات از دست رفته تعریف می شود.

روش سنتی این است که هر مقدار جداگانه را به یک عدد صحیح گرد کنید و فرض کنید که "خطاهای گرد کردن" متعادل می شوند. با این حال این همیشه درست نیست. جدول 1 دارای 14 روز برآورد تقاضا برای سه محصول (محصول 1، 2 و 3) است. برآورد تقاضای واقعی در ستون های دو، سه و چهار می باشد. مجموع تقاضاها برای هر محصول (53.1، 50.0 و 48.7) در ردیف بعدی تا آخر ارائه شده است. مطالبات گرد شده در ستون های پنج تا هفت و مجموع آنها در ردیف بعدی تا آخر (50، 51، 52) قرار دارد. ردیف آخر جزئیات بین مجموع برآوردهای واقعی و مجموع برآوردهای گرد شده را نشان می دهد. تفاوت قابل توجهی برای محصول 1 (3.1) و محصول 3 (-3.3) وجود دارد.

آنچه ما نیاز داریم یک روش "گرد کردن" است که تفاوت در مجموع تجمعی را به 1 محدود می کند و تضمین می کند که مجموع تجمعی مقادیر گرد شده بیشتر از مجموع تجمعی مقادیر واقعی است. به این "گرد کردن نورد" می گویند. این وبلاگ یک الگوریتم برای گرد کردن نورد ارائه می دهد. این بخشی از مجموعه ابزارهای علم داده تجارت است.

یادگیری ماشین و ابزارهای علم داده تجارت: تفاوت مرتبه اول

ابزارهای تجارت: نحوه مقایسه / ترکیب سری های زمانی متنوع - "نرمال سازی"

ابزارهای علم داده تجارت: شبیه سازی کامپیوتری مونت کارلو

مبانی گرد کردن نورد

ما با مثالی از جمع انباشته شروع خواهیم کرد. جدول 2 تخمین تقاضا برای محصول 1 و مجموع تجمعی برای برآورد واقعی و عدد صحیح را نشان می دهد. ستون 3 مقدار واقعی تجمعی است. روز 1 برآورد تقاضا برای روز 1 است. روز 2 مجموع تجمعی از روز 1 (3.1) به اضافه برآورد تقاضا برای روز 2 (4.2) است که 7.3 است. روز 3 7.3 + 2.3 = 9.6 است. ستون 4 مجموع تجمعی برای تخمین های اعداد صحیح است. روز 3 (9) = 7+2. آخرین ستون، دلتای بین هر مجموع تجمعی برای هر روز است. برای روز 4، مقدار دلتا -0.7 = 15.0 - 15.7 است. به اندازه در حال رشد دلتا توجه کنید.

از چه الگوریتمی برای تولید تخمین های اعداد صحیح استفاده می کنیم که در آن مجموع تجمعی تخمین اعداد صحیح همیشه بزرگتر یا مساوی با مجموع تجمعی واقعی است و اندازه دلتا هرگز بزرگتر از 1 نیست؟ جدول 3 این الگوریتم را نشان می دهد.

1. روز 1، تخمین چرخشی سقف است (دور به بالا)، در اینجا 3.1  مجموع تجمعی تخمین های عدد صحیح برای روز 1 4 است.
2. روز 2، ارزش کف برآورد واقعی (4.2  4) را به تخمین تجمعی در روز 1 (4) اضافه می کنیم که به ما 8 (=4+4) می دهد. اگر این مقدار بزرگتر یا مساوی با مجموع تجمعی واقعی برای روز 1 باشد (که 7.3 است)، سپس مقدار کف و تخمین گرد کردن نورد را برای روز 2 انتخاب می کنیم. اگر نه، از تخمین سقف استفاده می شود.
3. روز 3، 2 (طبقه) + 8 (جمع انباشتی عدد صحیح) = 10، که >= 9.6 است (جمع تجمعی واقعی)، طبقه (2) را انتخاب کنید.
4. روز 6، 3 (طبقه) + 20 (مجموع تجمعی اعداد صحیح) = 23، که < 23.1 است (مجموع تجمعی واقعی)، سقف (4) را برای استفاده به عنوان تخمین گردی برای روز 6 انتخاب کنید.

در ستون آخر جدول 3 مشاهده کنید که همه مقادیر مثبت و همگی کمتر یا مساوی 1 هستند. 

یک الگوریتم جایگزین در جدول 4 نشان داده شده است. مرحله 1 محاسبه مقدار سقف برای مجموع تجمعی واقعی است (در ستون 4 نشان داده شده است). تخمین چرخشی (ستون 5) تفاوت بین سقف مجموع تجمعی واقعی (ستون 4) برای امروز با دیروز است. تخمین دور چرخشی برای روز 4 (6) سقف برای جمع تجمعی روز 4 (16) منهای سقف مبلغ تجمعی برای روز 3 (10) است. 6 = 16-10. در APL2 کد "Z1←¯2- /0،⌈+X" است.

نتیجه

در بسیاری از حوزه‌های مدیریت زنجیره تأمین، روش‌های تحلیلی تخمین‌هایی را با «اعشار مزاحم» تولید می‌کنند. به عنوان مثال، برآورد تقاضا و برنامه ریزی تولید. روش سنتی برای حذف اعشار مزاحم گرد کردن است. با این حال، این همچنین منجر به از دست دادن اطلاعات حیاتی می شود. مجموع انباشته اغلب می تواند حجم کاری شرکت را کم یا زیاد کند. روش گرد کردن نورد این از دست دادن اطلاعات را در 1 محدود می کند.

از این پست لذت بردید؟ اشتراک  یا Arkieva را دنبال کنید لینکدین, توییترو فیس بوک برای به روز رسانی وبلاگ.

منبع: https://blog.arkieva.com/data-science-tools-of-the-trade-rounding-decimals/