Sommario
In molte aree della gestione della catena di fornitura, i metodi analitici generano stime con “decimali fastidiosi”; ad esempio, stime della domanda e pianificazione della produzione. Il metodo tradizionale per eliminare i fastidiosi decimali è l'arrotondamento. Tuttavia, ciò comporta anche la perdita di informazioni critiche nella somma cumulativa, che spesso può sottostimare o sovrastimare il carico di lavoro dell’azienda. Il metodo dell'arrotondamento progressivo limita questa perdita di informazioni a 1. Questo blog dimostra l'importanza di questo metodo e come calcolare queste stime intere migliorate.
Introduzione
Passando il tempo con i “munchkin” (nipoti) si capisce perché gli interi positivi (magari con zero) vengono chiamati numeri naturali; il conteggio è intuitivo. Questa stessa comodità si verifica nella gestione della catena di fornitura. Se il metodo di previsione delle serie temporali prevede una domanda giornaliera di 3.1, 4.2 e 2.3, la nostra preferenza diventa quella di liberarci di quei fastidiosi decimali. Se la piano di prodotto dice che la produzione giornaliera dovrebbe essere 2.9, 3.1 e 1.7, abbiamo la stessa sensazione. La domanda è come eliminare al meglio i decimali, dove per migliore si intende minimizzare la quantità di informazioni perse.
Il metodo tradizionale consiste nell’arrotondare ogni singolo valore a un numero intero e presumere che gli “errori di arrotondamento” si compenseranno. Tuttavia, questo non è sempre vero. La tabella 1 contiene 14 giorni di stime della domanda per tre prodotti (prodotto 1, 2 e 3). Le stime della domanda effettiva sono nelle colonne due, tre e quattro. La somma delle richieste per ciascun prodotto (53.1, 50.0 e 48.7) viene fornita nella penultima riga. Le richieste arrotondate si trovano nelle colonne da cinque a sette e il loro totale è nella penultima riga (50, 51, 52). Nell'ultima riga è riportato il dettaglio tra la somma delle stime effettive e la somma delle stime arrotondate. C'è una differenza considerevole per il prodotto 1 (3.1) e il prodotto 3 (-3.3).
Ciò di cui abbiamo bisogno è un metodo di “arrotondamento” che limiti la differenza nelle somme cumulative a 1 e garantisca che la somma cumulativa dei valori arrotondati sia maggiore della somma cumulativa dei valori effettivi. Questo si chiama “arrotondamento progressivo”. Questo blog fornisce un algoritmo per l'arrotondamento progressivo. Fa parte della serie sugli strumenti del mestiere di data science.
Strumenti del mestiere di machine learning e data science: differenza di primo ordine
Gli strumenti del mestiere: come confrontare/combinare diverse serie temporali – “Normalizzazione”
Strumenti del mestiere per la scienza dei dati: simulazione informatica Monte Carlo
Nozioni di base sull'arrotondamento rotante
Inizieremo con un esempio di somma cumulativa. La tabella 2 contiene la stima della domanda per il prodotto 1 e la somma cumulativa per la stima effettiva e intera. La colonna 3 è l'effettivo cumulativo. Giorno 1 è la stima della domanda per il giorno 1. Giorno 2 è la somma cumulativa del giorno 1 (3.1) più la stima della domanda per il giorno 2 (4.2) che è 7.3. Il giorno 3 è 7.3 + 2.3 = 9.6 La colonna 4 è la somma cumulativa delle stime intere. Giorno 3 (9) = 7+2. L'ultima colonna è il delta tra ciascuna somma cumulativa per ogni giorno. Per il giorno 4, il valore delta è -0.7 = 15.0 – 15.7. Osservare la dimensione crescente del delta.
Quale algoritmo utilizziamo per generare stime intere in cui la somma cumulativa della stima intera è sempre maggiore o uguale alla somma cumulativa dei valori effettivi e la dimensione del delta non è mai maggiore di 1? La tabella 3 mostra questo algoritmo.
- Giorno 1, la stima mobile è il massimale (arrotondamento per eccesso), qui 3.1 La somma cumulativa delle stime intere per il giorno 1 è 4.
- Il giorno 2, aggiungiamo il valore minimo della stima effettiva (4.2 4) alla stima cumulativa del giorno 1 (4) che ci dà 8 (=4+4). Se questo valore è maggiore o uguale alla somma cumulativa effettiva per il giorno 1 (che è 7.3), selezioniamo il valore minimo e la stima dell'arrotondamento progressivo per il giorno 2. In caso contrario, viene utilizzata la stima massima.
- Giorno 3, 2(minimo) + 8 (somma cumulativa intera) = 10, che è >= 9.6 (somma cumulativa effettiva), selezionare il minimo (2).
- Giorno 6, 3(minimo) + 20 (somma cumulativa intera) = 23, ovvero < 23.1 (somma cumulativa effettiva), selezionare il massimale (4) da utilizzare come stima continua per il giorno 6.
Osservare nell'ultima colonna della Tabella 3, tutti i valori sono positivi e tutti inferiori o uguali a 1.
Un algoritmo alternativo è illustrato nella Tabella 4. Il passaggio 1 consiste nel calcolare il valore massimo per la somma cumulativa effettiva (mostrato nella colonna 4). La stima dell'arrotondamento progressivo (colonna 5) è la differenza tra il limite massimo della somma cumulativa effettiva (colonna 4) per oggi e ieri. La stima continuativa per il giorno 4 (6) corrisponde al massimale per la somma cumulativa del giorno 4 (16) meno il massimale della somma cumulativa per il giorno 3 (10); 6 = 16-10. In APL2 il codice è “Z1←¯2- /0,⌈+X”.
Conclusione
In molte aree della gestione della catena di fornitura, i metodi analitici generano stime con “decimali fastidiosi”. Ad esempio, stime della domanda e pianificazione della produzione. Il metodo tradizionale per eliminare i fastidiosi decimali è l'arrotondamento. Tuttavia, ciò comporta anche la perdita di informazioni critiche; la somma cumulativa può spesso sottostimare o sovrastimare il carico di lavoro dell’azienda. Il metodo dell'arrotondamento progressivo limita questa perdita di informazioni a 1.
Ti è piaciuto questo post? Sottoscrivi oppure segui Arkieva LinkedIn, Twittere Facebook per gli aggiornamenti del blog.
Fonte: https://blog.arkieva.com/data-science-tools-of-the-trade-rounding-decimals/
