Az előrejelzés az a folyamat, amely során múltbeli és jelenlegi adatok alapján jóslatokat készítenek. Később ezeket össze lehet hasonlítani (megoldani) azzal, ami ténylegesen történik. Például egy vállalat megbecsülheti bevételét a következő évre, majd ezt összevetheti a tényleges eredményekkel, hogy létrehozza a tényleges variancia elemzését. Az előrejelzés hasonló, de általánosabb fogalom. Az előrejelzés utalhat specifikus formális statisztikai módszerekre, amelyek idősorokat, keresztmetszeti vagy longitudinális adatokat alkalmaznak, vagy a kevésbé formális ítélkezési módszerekre, illetve magára a jóslási és ellenőrzési folyamatra. A felhasználás az alkalmazási területektől függően változhat: például a hidrológiában az "az "előrejelzés" és az "előrejelzés készítése" kifejezéseket néha fenntartják bizonyos jövőbeli időpontokra vonatkozó értékbecslésekhez, míg a "predikció" kifejezést általánosabb becslésekhez használják, mint például az árvizek előfordulásának számához hosszabb időszak alatt.
A kockázat és a bizonytalanság központi szerepet játszik az előrejelzésben és az predikcióban; általában jó gyakorlatnak tekintik, ha az előrejelzésekhez kapcsolódó bizonytalanság mértékét is feltüntetik. Az adatoknak minden esetben naprakésznek kell lenniük, hogy az előrejelzés a lehető legpontosabb legyen. Bizonyos esetekben az érdeklődés tárgyát képező változó előrejelzéséhez használt adatok maguk az előrejelzések. Az előrejelzés nem tévesztendő össze a költségvetéssel; A költségvetések konkrétabb, határozott idejű pénzügyi tervek, amelyeket az erőforrások elosztására és ellenőrzésére használnak, míg az előrejelzések becsléseket adnak a jövőbeli pénzügyi teljesítményről, lehetővé téve a rugalmasságot és a változó körülményekhez való alkalmazkodást. Mindkét eszköz értékes a pénzügyi tervezés és döntéshozatal során, de különböző funkciókat látnak el.
Alkalmazások Az előrejelzés számos területen alkalmazható, ahol a jövőbeli feltételek becslése hasznos lehet. Az adott területtől függően az előrejelzések pontossága jelentősen változhat. Ha az előrejelzés tárgyával kapcsolatos tényezők ismertek és jól megértettek, valamint jelentős mennyiségű adat áll rendelkezésre, amely felhasználható, valószínű, hogy a végső érték közel lesz az előrejelzéshez. Ha ez nem így van, vagy ha az előrejelzések maguk befolyásolják a tényleges kimenetelt, az előrejelzések megbízhatósága jelentősen csökkenhet.
A klímaváltozás és az emelkedő energiaárak miatt egyre gyakrabban alkalmazzák az épületek energiafelhasználásának csökkentésére az Egain előrejelzést, amely csökkenti az épület fűtéséhez szükséges energiát, így mérsékelve az üvegházhatású gázok kibocsátását. Az előrejelzést a mindennapi üzleti életben, a gyártó és elosztó cégek ügyfélkereslet-tervezésében is használják.
Bár az aktuális részvényhozamok előrejelzésének hitelességét a hatékony piac hipotézise megkérdőjelezi, a szélesebb gazdasági trendek előrejelzése gyakori. Az ilyen elemzéseket nonprofit szervezetek és profitorientált magánintézmények egyaránt nyújtanak.
A devizamozgások előrejelzése általában diagram és fundamentális elemzés kombinációjával történik. A diagram elemzés és a fundamentális gazdasági elemzés közötti lényeges különbség az, hogy a diagram elemzők csak a piaci árfolyamokat vizsgálják, míg a fundamentális elemzők az árfolyamok mögötti okokat keresik. A pénzügyi intézmények a fundamentális és diagram elemzők által nyújtott bizonyítékokat egy jegyzetbe összesítik, hogy végleges előrejelzést adjanak az adott valutáról.
Az előrejelzést a konfliktushelyzetek kialakulásának előrejelzésére is alkalmazták. Az előrejelzők kutatásokat végeznek, amelyek empirikus eredményeket használnak fel bizonyos előrejelzési modellek hatékonyságának mérésére. Kutatások azonban kimutatták, hogy az adott konfliktushelyzetben jártas szakértők és azok között, akik sokkal kevesebbet tudnak, nincs jelentős különbség az előrejelzések pontosságában. Hasonlóképpen, egyes tanulmányok szerint a szerepjáték - azaz más emberek cipőjébe lépve előrejelezni döntéseiket - nem járul hozzá az előrejelzés pontosságához.
Az előrejelzés fontos, bár gyakran figyelmen kívül hagyott aspektusa a tervezéssel fennálló kapcsolata. Az előrejelzés megpróbálja megjósolni, milyen lesz a jövő, míg a tervezés azt próbálja megjósolni, milyennek kellene lennie a jövőnek. Nincs egyetlen helyes előrejelzési módszer. A módszer kiválasztását a céloknak és a körülményeknek (adatok stb.) megfelelően kell meghatároznunk. Egy jó út a módszer megtalálásához egy kiválasztási fa használata lehet. Egy példa kiválasztási fára itt található.
Az előrejelzés számos helyzetben alkalmazható:
Ellátásilánc-menedzsment és vevői igények tervezése — Az előrejelzés használható az ellátási lánc kezelésében annak biztosítására, hogy a megfelelő termék a megfelelő helyen legyen a megfelelő időben. A pontos előrejelzés segít a kiskereskedőknek csökkenteni a felesleges készleteket, és ezáltal növelni a haszonkulcsot . A pontos előrejelzés a fogyasztói igények kielégítésében is segít. A kereslettervezés tudományága, amelyet néha ellátási lánc előrejelzésnek is neveznek, magában foglalja mind a statisztikai előrejelzést, mind a konszenzusos folyamatot. Tanulmányok kimutatták, hogy az extrapoláció a legkevésbé pontos, míg a vállalati eredmény-előrejelzés a legmegbízhatóbb. Gazdasági előrejelzés Földrengés előrejelzés Ismét az előrejelzés Energia-előrejelzés a megújuló energiaforrások integrációjához Finanszírozás a nemteljesítés kockázatával szemben hitelminősítések és hitelminősítések segítségével Földhasználati előrejelzés Játékos és csapat teljesítménye a sportban Politikai előrejelzés Termék-előrejelzés Értékesítési előrejelzés Technológiai előrejelzés Távközlési előrejelzés Közlekedés tervezése és előrejelzése Időjárás előrejelzés, árvíz-előrejelzés és meteorológia
Előrejelzés mint edzés, fogadás és futarchia Több esetben az előrejelzés nem több, mint egy jövőre vonatkozó előrejelzés.
Philip E. Tetlock Superforecasting: The Art and Science of Prediction című művében az előrejelzést mint a döntéshozatali képesség javításának módszerét tárgyalja. Az ember jobban kalibrálhatóvá válhat – azaz azok az események, amelyeknek 10% esélyt adnak, hogy megvalósulnak, az esetek 10%-ában valóban be is következnek. Vagy magabiztosabban előre jelezhetik a dolgokat – ugyanerre a következtetésre jutva, de korábban. Egyesek azt állították, hogy az előrejelzés átadható készség, amely a vita és a döntéshozatal más területein is előnyös.
A sportra vagy a politikára való fogadás az előrejelzés másik formája. Ahelyett, hogy tanácsként használnák őket, a fogadók fizetése az alapján történik, hogy helyesen jósoltak-e. Bár a döntések meghozatalára ezek a fogadások (előrejelzések) alapján kerülhet sor, a fő motiváció általában pénzügyi.
Végül a futarchia egy olyan kormányzási forma, ahol a kormányzati intézkedések hatásának előrejelzései alapján döntik el, hogy milyen intézkedéseket kell tenni. A futarchia legszigorúbb formájában nem tanácsadás történik, hanem automatikusan azt az intézkedést hajtják végre, amelynek az előrejelzett eredménye a legjobbnak bizonyul.
Előrejelzési fejlesztések Az előrejelzést javító projekteket számos ágazatban működtettek: erre példa a Nemzeti Hurricane Center Hurricane Forecast Improvement Project-je (HFIP) és a Wind Forecast Improvement Project-je, amelyet az Egyesült Államok Energiaügyi Minisztériuma támogat. Az ellátási lánc kezelésével kapcsolatban a DuPont modellt használták annak bemutatására, hogy az előrejelzés pontosságának növekedése növelje az értékesítést, és csökkentse a készleteket, a működési költségeket és a működő tőke lekötését.
Az előrejelzési módszerek kategóriái
Kvalitatív vs. kvantitatív módszerek A kvalitatív előrejelzési technikák szubjektívek, a fogyasztók és a szakértők véleményén és megítélésén alapulnak; akkor megfelelőek, ha nem állnak rendelkezésre múltbeli adatok. Általában közép- vagy hosszú távú döntéseknél alkalmazzák. A minőségi előrejelzési módszerek példái közé tartoznak az informált vélemény és ítéletalkotás, Delphi-módszer, piackutatás és történeti életciklus-analógia.
A kvantitatív előrejelzési modellek a jövőbeli adatok előrejelzésére szolgálnak a múltbeli adatok függvényében. Használatuk akkor célszerű, ha múltbeli számszerű adatok állnak rendelkezésre, és amikor ésszerűen feltételezhető, hogy az adatok bizonyos mintái várhatóan a jövőben is folytatódnak. Ezeket a módszereket általában rövid vagy középtávú döntéseknél alkalmazzák. A mennyiségi előrejelzési módszerek példái közé tartoznak a következők: előző időszaki kereslet, egyszerű és súlyozott N-periódusú mozgóátlagok, egyszerű exponenciális simítás, Poisson-eljárás alapú modell előrejelzés és szorzós szezonális indexek. Korábbi kutatások azt mutatják, hogy a különböző módszerek eltérő szintű előrejelzési pontosságot eredményezhetnek. Például a GMDH neurális hálózat jobb előrejelzési teljesítményt nyújt, mint a klasszikus előrejelző algoritmusok, mint például a Single Exponential Smooth (egyszerű exponenciális simítás), Double Exponential Smooth (dupla exponenciális simítás), ARIMA és a back-propagation neurális hálózat.
Átlagos megközelítés Ebben a megközelítésben az összes jövőbeli érték előrejelzése megegyezik a múlti adatok átlagával. Ez a módszer alkalmazható bármilyen adatra, ahol rendelkezésre állnak múltbeli adatok. Idősoros jelölésben:
ahol a múltbeli adatok.
Bár itt az idősoros jelölést alkalmaztuk, az átlagos megközelítés keresztmetszeti adatokra is használható (amikor nem megfigyelt értékeket jósolunk; hanem olyan értékeket, amelyek nem szerepelnek az adathalmazban). Ekkor a nem megfigyelt értékekre vonatkozó előrejelzés a megfigyelt értékek átlaga.
Naiv megközelítés A naiv előrejelzések a legköltséghatékonyabb előrejelzési modellek, és viszonyítási alapként szolgálnak a kifinomultabb modellek összehasonlításához. Ez az előrejelzési módszer csak idősoros adatokra alkalmas. A naiv megközelítést alkalmazva olyan előrejelzések készülnek, amelyek megegyeznek az utolsó megfigyelt értékkel. Ez a módszer meglehetősen jól működik a gazdasági és pénzügyi idősorok esetében, amelyek gyakran nehezen megbízhatóak és nehezen megjósolható mintázatokkal rendelkeznek. Ha úgy vélik, hogy az idősor szezonalitással rendelkezik, akkor a szezonális naív megközelítés lehet a megfelelőbb, ahol az előrejelzések egyenlőek az előző szezon értékével. Idősoros jelölésben:
Drift módszer A naiv módszer egyik változata lehetővé teszi az előrejelzések növekedését vagy csökkenését az idő múlásával, ahol az időbeli változás mértéke (úgynevezett drift ) az előzményadatokban látható átlagos változásként van beállítva. Tehát az idő előrejelzése által megadva
Ez egyenértékű azzal, hogy egy vonalat húzunk az első és az utolsó megfigyelés között, és azt extrapoláljuk a jövőbe.
Szezonális naiv megközelítés A szezonális naiv módszer figyelembe veszi a szezonalitást azáltal, hogy minden előrejelzést egyenlőnek állít be ugyanazon évszak utolsó megfigyelt értékével. Például az összes következő áprilisi hónap előrejelzési értéke megegyezik az előző áprilisban megfigyelt értékkel. Az idő előrejelzése -val
ahol =szezonális időszak és a legkisebb egész szám, amely nagyobb, mint .
A szezonális naiv módszer különösen hasznos azoknál az adatoknál, amelyeknek nagyon magas a szezonalitása.
Determinisztikus megközelítés A determinisztikus megközelítés az, amikor nincs sztochasztikus változó, és az előrejelzések a kiválasztott függvényektől és paraméterektől függenek. Például adott a függvény
A rövid távú viselkedés és ez a közép-hosszú távú trend
ahol néhány paraméter.