Exponential Smoothing

Statistische Forecasting op grote Schaal. Verklaring van Exponential Smoothing. - Nederlands

Niemand kan werkelijk in de toekomst kijken. Maar moderne statistische methodes, econometrische modellen en Business Intelligence software kunnen tot op zekere hoogte bedrijven zeker wel helpen te voorspellen en inschatten wat er in de toekomst gaat gebeuren.

Het Exponential Smoothing model

Het Exponential Smoothing model (ESM) gebruikt een gewogen gemiddelde van oude (vorige) en huidige waarden, waarbij het gewicht van de huidige waarden wordt aangepast om rekening te houden met schommelingen in de gegevens, zoals die door seizoensinvloeden. Gebruik makend van een alpha-term (tussen 0-1), kunt u de gevoeligheid van de smoothing effecten aanpassen. ESM wordt vaak gebruikt voor Statistische Forecasting problemen op grote schaal, omdat het zowel robuust is, als gemakkelijk toe te passen.

ESM is een populair schema om een afgevlakte Tijdreeks te creëren. Terwijl in Enkelvoudige Bewegende Gemiddelden de oude (vorige) observaties gelijk gewogen worden, wijst Exponential Smoothing exponentieel dalende gewichten toe, naarmate de observatie ouder wordt. Met andere woorden: recente observaties wordt meer forecasting-gewicht gegeven dan de oudere observaties.

In het geval van moving averages, zijn de gewichten die aan de observaties worden toegewezen gelijk en zijn gelijk aan 1/N. Maar in Exponential Smoothing zijn er één of meerdere smoothing parameters die moeten worden bepaald of worden geschat. Deze keuzen bepalen de gewichten die aan de observaties worden toegewezen.