3 Års Moving Average Prognose

Flytende gjennomsnitt. Dette eksemplet lærer deg hvordan du beregner det bevegelige gjennomsnittet av en tidsserie i Excel. Et glidende gjennomsnitt brukes til å utjevne uregelmessigheter topper og daler for å enkelt gjenkjenne trender. Først, la oss ta en titt på vår tidsserier.2 På Data-fanen klikker du Data Analysis. Note kan ikke finne Data Analysis-knappen Klikk her for å laste Analysis ToolPak-tillegget.3 Velg Flytt gjennomsnitt og klikk OK.4 Klikk i feltet Inngangsområde og velg området B2 M2. 5 Klikk i intervallboksen og skriv inn 6.6 Klikk i feltet Utmatingsområde og velg celle B3.8 Plott en graf av disse verdiene. Planlegging fordi vi angir intervallet til 6, er det bevegelige gjennomsnittet gjennomsnittet for de foregående 5 datapunktene og det nåværende datapunktet Som et resultat, blir tømmer og daler utjevnet Grafen viser en økende trend Excel kan ikke beregne det bevegelige gjennomsnittet for de første 5 datapunktene fordi det ikke er nok tidligere datapunkter.9 Gjenta trinn 2 til 8 for intervall 2 og intervall 4. Konklusjon La rger intervallet, jo flere tinder og daler utjevnes. Jo mindre intervallet, jo nærmere de bevegelige gjennomsnittene er de faktiske datapunktene. Gjennomgang av gjennomsnittlig prognoser. Innledning Som du kanskje antar, ser vi på noen av de mest primitive tilnærmingene til prognoser Men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne venen vil vi fortsette ved å starte i begynnelsen og begynne å jobbe med Moving Average prognoser. Gjennomgående gjennomsnittlige prognoser Alle er kjent med å flytte gjennomsnittlige prognoser, uavhengig av om de tror de er Alle studenter gjør dem hele tiden Tenk på testresultatene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva ville du forutsier for din andre testscore. Hva tror du at læreren din ville forutse for neste testscore. Hva tror du dine venner kan pre dikt for din neste test score. Hva tror du at foreldrene dine kan forutsi for din neste testscore. Uansett hvilken blabbing du kan gjøre til dine venner og foreldre, er de og din lærer veldig sannsynlig å forvente deg å få noe i område av 85 du nettopp fikk. Vel, la oss nå anta at til tross for selvfremmende til vennene dine, overestimerer du deg selv og figurerer du kan studere mindre for den andre testen og så får du en 73.Nå hva er alle de bekymrede og ubekymrede kommer til å forutse at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat, uansett om de vil dele det med deg. De kan si til seg selv: Denne fyren blåser alltid røyk om hans smarts Han kommer til å få en annen 73 hvis han er heldig. Måtte foreldrene forsøke å være mer støttende og si: Vel, så langt har du fått en 85 og en 73, så kanskje du burde regne med å skaffe deg en 85 73 2 79 Jeg vet ikke, kanskje hvis du gjorde mindre fest og weren t wagging væsen over alt, og hvis du begynte å gjøre mye mer å studere kan du få en høyere score. Både disse estimatene flytter faktisk gjennomsnittlige prognoser. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. kalles en gjennomsnittlig gjennomsnittlig prognose ved hjelp av en datadata. Den andre er også en flytende gjennomsnittlig prognose, men bruker to dataperioder. Vi antar at alle disse menneskene bryr seg i det store sinnet, har slags pisset deg av og du bestemmer deg for å gjøre vel på den tredje testen av dine egne grunner og å sette en høyere poengsum foran dine allierte Du tar testen og poengsummen din er faktisk en 89 Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semesteret som kommer opp og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du mønsteret. Nå, forhåpentligvis kan du se mønsteret. Hva tror du er mest nøyaktige. Whistl e Mens vi jobber Nå går vi tilbake til vårt nye rengjøringsfirma som startes av din fremstilt halv søster, kalt Whistle mens vi jobber. Du har noen tidligere salgsdata som er representert av følgende del fra et regneark. Vi presenterer først dataene for en treårs glidende gjennomsnittlig prognose. Oppføringen for celle C6 skal være. Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til C11. Notat hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon. Du bør også legg merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponensiell utjevningsmodell. Jeg har inkludert de siste spådommene fordi vi vil bruke dem på neste nettside for å måle prediksjon gyldighet. Nå jeg vil presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være. Nå kan du kopiere denne celleformelen ned til de andre cellene C6 til og med C11.Notice hvordan nå brukes bare de to siste stykkene av historiske data for hver prediksjon Igjen har jeg tatt med de siste spådommene for illustrative formål og for senere bruk i prognose validering. Som andre ting som er av viktig for å legge merke til. For en m-periode som beveger gjennomsnittlig prognose, blir bare de nyeste dataverdiene brukt til å foreta prognosen. Det er ikke nødvendig med noe annet. For en m-periode som beveger gjennomsnittlig prognose i perioden m 1.Bet av disse problemene vil være svært viktig når vi utvikler vår kode. Utvikle den bevegelige gjennomsnittsfunksjonen Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt. Koden følger Merk at inngangene er for antall perioder du vil bruke i prognosen og rekke historiske verdier Du kan lagre den i hvilken arbeidsbok du vil. Funksjon FlyttingAktiv Historisk, AntallOfPerioder Som Synd gle Deklarer og initialiserer variabler Dim-element som variant dim-teller som integer dim akkumulering som enkelt dim historisk størrelse som helhet. Initialisering av variabler Teller 1 Akkumulering 0. Bestemme størrelsen på Historisk matrise HistoricalSize. For Counter 1 til NumberOfPeriods. Akkumulere riktig antall siste tidligere observerte verdier. Akkumulasjonsakkumulering Historisk Historisk størrelse - AntallOfPeriods Counter. MovingAverage AkkumuleringsnummerOfPeriods. Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der den skal som følgende.3 Forstå prognostiseringsnivåer og - metoder. Du kan generere både detaljer for enkeltvareprognoser og sammendrag av produktlinjeprognoser som reflekterer produktbehovsmønstre. Systemet analyserer siste salg for å beregne prognoser ved å bruke 12 prognosemetoder. Prognosene inneholder detaljert informasjon på varen nivå og høyere nivå informasjon om en filial eller firmaet som helhet.3 1 Varsel om ytelsesvurderingskriterier. Avhengig av valg av behandlingsalternativer og trender og mønstre i salgsdataene, utfører noen prognosemetoder bedre enn andre for en gitt historisk datasett En prognosemetode som er egnet for at et produkt kanskje ikke passer for et annet produkt. Det kan hende du finner ut at en prognosemetode som gir gode resultater på et stadie av et produkts livssyklus, forbli passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere dagens ytelse av prognostiseringsmetodene. Percent av nøyaktighet POA. Mean absolutt avvik MAD. Both av disse ytelsesevalueringsmetodene krever historiske salgsdata for en periode du spesifiserer Denne perioden kalles en holdoutperiode eller periode med best egnethet Dataene i denne perioden brukes som grunnlag for å anbefale hvilken prognosemetode som skal brukes til å gjøre neste prognoseprojektjon. Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til neste. 3 1 1 Best Fit. Systemet anbefaler den beste passformsprognosen ved å bruke utvalgte prognosemetoder til tidligere salgsordrehistorikk og sammenligne prognosesimuleringen til den faktiske historien Når du genererer en best egnet prognose sammenligner systemet faktiske salgsordrehistorier med prognoser for en bestemt tidsperiode og beregner hvor nøyaktig hver annen prognosemetode forutsier salg. Systemet anbefaler derfor den mest nøyaktige prognosen som den passer best. Denne grafikken illustrerer de beste passformsprognosene. Figur 3- 1 Best egnet prognose. Systemet bruker denne fremgangsmåten for å bestemme den beste passformen. Bruk hver spesifisert metode for å simulere en prognose for holdoutperioden, lagre det faktiske salget til de simulerte prognosene for holdoutperioden. Beregn POA eller MAD for å avgjøre hvilken prognosemetoden passer nærmest det siste faktiske salg. Systemet bruker enten POA eller MAD, basert på de behandlingsalternativene du velger. Anbefal en best egnet prognose av POA som er nærmest 100 prosent over eller under eller MAD som er nærmest til null.3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Management bruker 12 metoder for kvantitative prognoser og indikerer hvilken metode som gir best egnet for prognose situasjonen. Denne delen diskuterer. Metode 1 Prosent over forrige år. Metode 2 Beregnet Prosent over forrige år. Metode 3 Siste år til dette året. Metode 4 Moving Average. Method 5 Linear Approximation. Method 6 minste kvadrater regresjon. Metode 7 Second Degree Approximation. Method 8 Fleksibel Metode. Metode 9 Vektet Moving Average. Method 10 Linear Smoothing. Method 11 Eksponensiell Smoothing. Method 12 Eksponensiell utjevning med trend og sesonglighet. Spesifikere metoden du vil bruke i behandlingsalternativene for Prognose Generasjonsprogram R34650 De fleste av disse metodene gir begrenset kontroll. Eksempelvis kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres av deg. Eksemplene i veiledningen angir beregningsprosedyren for hver av de tilgjengelige prognosemetoder, gitt et identisk sett med historiske data. Metodeeksemplene i guiden bruker del eller alle disse datasettene, hvem h er historiske data fra de siste to årene. Prognoseprosjektet går inn i neste år. Denne salgshistorikdataene er stabile med små sesongmessige økninger i juli og desember. Dette mønsteret er karakteristisk for et modent produkt som kan nærme seg forældelse.3 2 1 Metode 1 Prosent over forrige år. Denne metoden bruker prosentandelen over fjorårsformelen til å multiplisere hver prognoseperiode med den angitte prosentvise økningen eller reduksjonen. For å prognose etterspørsel krever denne metoden antall perioder for best egnethet pluss ett år med salgshistorie Denne metoden er nyttig for å prognose etterspørselen etter sesongvarer med vekst eller tilbakegang.3 2 1 1 Eksempelmetode 1 Prosent over fjoråret. Prosent over fjorårsformel multipliserer salgsdata fra forrige år med en faktor du angir og deretter prosjekter som resulterer over neste år Denne metoden kan være nyttig i budsjettering for å simulere effekten av en spesifisert vekstrate eller når salgshistorikken har en betydelig sesongkomponent. Forespørselsspecifikat ioner Multiplikasjonsfaktor For eksempel spesifiser 110 i behandlingsalternativet for å øke forrige års s salgshistorikkdata med 10 prosent. Forespurt salgshistorie Ett år for å beregne prognosen, pluss antall tidsperioder som kreves for å vurdere prognoseperiodene med best mulig passform som du spesifiserer. Dette tabellen er historikk brukt i prognoseberegningen. Februarprognosen er lik 117 1 1 128 7 avrundet til 129. Forventet prognose er 115 1 1 126 5 avrundet til 127,3 2 2 Metode 2 Beregnet prosentandel i fjor. Denne metoden bruker beregning av prosentandel over fjorårs formel for å sammenligne det siste salget av angitte perioder til salg fra samme perioder i forrige år. Systemet bestemmer en prosentvis økning eller reduksjon, og multiplikerer hver periode med prosentandelen for å bestemme prognosen. For å prognose etterspørsel krever denne metoden antall perioder med salgsordrehistorie pluss ett år med salgshistorie. Denne metoden er nyttig for å prognose kortsiktig dem og for sesongmessige elementer med vekst eller nedgang.3 2 2 1 Eksempel Metode 2 Beregnet prosent over siste år. Beregnet prosentandel Over fjorårsformel multipliserer salgsdata fra foregående år med en faktor som beregnes av systemet, og deretter prosjekterer som resulterer for neste år Denne metoden kan være nyttig når det gjelder å utvide virkningen av å forlenge den siste vekstraten for et produkt inn i det neste året, samtidig som det opprettholder et sesongmessig mønster som er til stede i salgshistorikken. Forespørselsspesifikasjoner Omfang av salgshistorie som skal brukes ved beregning vekstraten For eksempel angi n være lik 4 i behandlingsalternativet for å sammenligne salgshistorikk for de siste fire perioder til de samme fire perioder i forrige år. Bruk beregningsforholdet for å gjøre projeksjonen for neste år. Ønsket salgshistorie Ett år for å beregne prognosen pluss antall tidsperioder som kreves for å vurdere prognoseperiodene som passer best. Dette tabellen er historien som brukes i n prognosen beregning gitt n 4. Februar prognose er 117 0 9766 114 26 avrundet til 114.Mar prognose er 115 0 9766 112 31 avrundet til 112,3 2 3 Metode 3 Siste år til år. Denne metoden bruker i fjor s salg for neste år s prognose. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss ett år med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med behov for etterspørsel eller sesongbasert etterspørsel uten en trend.3 2 3 1 Eksempel Metode 3 Siste år til dette året. Det siste året til dette året formulerer kopier salgsinformasjon fra foregående år til neste år Denne metoden kan være nyttig i budsjettering for å simulere salg på nåværende nivå. Produktet er modent og har ingen trend over Langsiktig, men et betydelig sesongmessig etterspørselsmønster kan eksistere. Forespørselsspesifikasjoner None. Required sales history Ett år for å beregne prognosen pluss antall tidsperioder som kreves for å evaluere prognoseperiodene for best egnet. Dette tabellen er historien som brukes i prognosen beregning. Januarprognosen er lik januar i fjor med en prognoseverdi på 128. Februarprognosen er lik februar i fjor med en prognosenverdi på 117. Mars prognosen er lik i mars i fjor med en prognoseverdi på 115,3 2 4 Metode 4 Flytende gjennomsnitt. Denne metoden bruker den flytende gjennomsnittlige formelen til å gjennomsnittlig angitte antall perioder for å projisere neste periode. Du bør omregne det ofte hver måned eller minst kvartalsvis for å reflektere endring av etterspørselsnivå. Denne metoden krever antall perioder best egnet pluss antall perioder med salgsordrehistorikk Denne metoden er nyttig for å prognose etterspørselen etter modne produkter uten en trend.3 2 4 1 Eksempel Metode 4 Flytende Gjennomsnitt. Gjennomsnittlig MA er en populær metode for å beregne resultatene av den siste salgshistorikken for å bestemme en projeksjon på kort sikt. MA-prognosemetoden ligger bak trender. Prognoseforstyrrelser og systematiske feil oppstår når produktsal es historie viser sterk trend eller sesongmessige mønstre Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter som er i vekst eller forverdsfasen av livssyklusen. Forespesifikasjonsspesifikasjoner n er det antall perioder med salgshistorie som skal brukes i prognoseberegning For eksempel angi n 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. Det resulterer i en stabil prognose, men er sakte å gjenkjenne endringer i salgsnivå Omvendt er en liten verdi for n som 3 raskere å svare på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Forespurt salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognoseperiodene som passer best. Dette tabellen er historien som ble brukt i prognoseberegningen. Februarprognose tilsvarer 114 119 137 125 4 123 75 avrundet til 124.Mar prognose er lik 119 137 125 124 4 126 25 avrundet til 126,3 2 5 Metode 5 Linjær tilnærming. Denne metoden benytter Linear Approximation formel for å beregne en trend fra antall perioder med salg bestilling historie og å projisere denne trenden til prognosen Du bør omregne trenden hver måned for å oppdage endringer i trender. Denne metoden krever antall perioder med best egnethet pluss antall spesifiserte perioder med salgsordrehistorikk Denne metoden er nyttig for å prognose etterspørselen etter nye produkter eller produkter med konsekvente positive eller negative trender som ikke skyldes sesongmessige svingninger.3 2 5 1 Eksempelmetode 5 Linjær tilnærming. Linær tilnærming beregner en trend som er basert på to salgshistorikk datapunkter Disse to punktene definerer en rett trend linje som projiseres inn i fremtiden Bruk denne metoden med forsiktighet fordi langdistanseprognosene utnyttes av små endringer på bare to datapunkter. Forespørselsspesifikasjoner n tilsvarer datapunktet i salgshistorikken som er sammenlignet med det nyeste datapunktet for å identifisere en trend. For eksempel angi n 4 for å bruke forskjellen mellom desember nyeste data og august fire perioder før desember som grunnlag for beregning av trend. Minimal Krav til salgshistorikk n pluss 1 pluss antall tidsperioder som kreves for å evaluere prognoseperiodene som passer best. Dette tabellen er historien som ble brukt i prognosen. Januarprognose desember siste år 1 Trend som tilsvarer 137 1 2 139. Februar-prognose Desember forrige år 1 Trend som tilsvarer 137 2 2 141.March prognose Desember foregående år 1 Trend som tilsvarer 137 3 2 143,3 2 6 Metode 6 Minste kvadrateregresjon. Den minste kvadratregressjon LSR-metoden danner en ligning som beskriver en rett linje forholdet mellom de historiske salgsdata og tidsforløpet LSR passer til en linje til det valgte dataområdet, slik at summen av firkantene av forskjellene mellom den faktiske salgsdata og regresjonslinjen er minimert. Prognosen er en projeksjon av denne rette linjen inn i fremtiden. Denne metoden krever salgsdatahistorikk for perioden som er representert av antall perioder som passer best til det angitte antallet historiske datoperioder. Minimumskrav er to historiske datapunkter Denne metoden er nyttig for å prognose etterspørsel når en lineær trend er i dataene. 3 2 6 1 Eksempelmetode 6 Minste kvadratregressjon. Linær regresjon, eller minste kvadratregressjon LSR, er den mest populære metoden for å identifisere en lineær trend i historiske salgsdata Metoden beregner verdiene for a og b som skal brukes i formelen. Denne ligningen beskriver en rett linje, hvor Y representerer salg og X representerer tid. Linjær regresjon er sakte for å gjenkjenne vendepunkter og trinnfunksjonsskift etterspørsel Lineær regresjon passer til en rett linje til dataene, selv når dataene er sesongmessige eller bedre beskrevet av en kurve Når salgshistorikkdata følger en kurve ve eller har et sterkt sesongmessig mønster, prognoseforstyrrelser og systematiske feil oppstår. Forespørselsspesifikasjoner n er lik salgsperioder som skal brukes til å beregne verdiene for a og b For eksempel spesifiserer n 4 å bruke historien fra september til desember som grunnlag for beregningene Når data foreligger, vil en større n som n 24 vanligvis bli brukt. LSR definerer en linje for så få som to datapunkter. For dette eksempelet ble en liten verdi for nn 4 valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene. Minste nødvendige salgshistorie n perioder pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som ble brukt i prognoseberegningen. Den lange prognosen er lik 119 5 7 2 3 135 6 avrundet til 136,3 2 7 Metode 7 Andre grad Tilnærming. For å prognostisere prognosen, bruker denne metoden annen gradert tilnærming formel for å plotte en kurve som er basert på antall perioder av salgshistorie. Denne metoden krever antall perioder som passer best i tillegg til antall perioder med salgsordre historie ganger tre. Denne metoden er ikke nyttig for å prognose etterspørsel etter en langsiktig periode.3 2 7 1 Eksempel Metode 7 Second Degree Approximation. Linear Regresjon bestemmer verdier for a og b i prognoseformelen Y ab X med sikte på å tilpasse en rett linje til salgshistorikkdataene. Second Degree Approximation er lik, men denne metoden bestemmer verdier for a, b og c i denne prognosen . Målet med denne metoden er å tilpasse en kurve til salgshistorikkdataene. Denne metoden er nyttig når et produkt er i overgangen mellom livssyklusfaser. Når et nytt produkt beveger seg fra introduksjon til vekststadier, kan salgstrenden akselerere På grunn av andreordens term, kan prognosen raskt nærme seg uendelig eller slippe til null avhengig av om koeffisienten c er positiv eller negativ. Denne metoden er kun nyttig på kort sikt. Forespørselsspecifikat ioner formelen finner a, b og c for å passe til en kurve til nøyaktig tre punkter. Du angir n, antall datoperioder som akkumuleres i hvert av de tre punktene. I dette eksemplet, n 3 Faktiske salgsdata for april til juni kombineres til første punkt, Q1 juli til september legges sammen for å skape Q2, og oktober til desember sum til Q3 Kurven er tilpasset de tre verdiene Q1, Q2 og Q3.Required salgshistorie 3 n perioder for å beregne prognosen pluss antall tidsperioder som kreves for å vurdere prognoseperiodene som passer best. Dette tabellen er historien som brukes i prognosen. Q0 Jan Feb Mar. Q1 Apr Mai Juni, som tilsvarer 125 122 137 384.Q2 Jul Aug Sep som tilsvarer 140 129 131 400.Q3 Okt. Nov Des, som tilsvarer 114 119 137 370. Det neste trinnet involverer beregning av de tre koeffisientene a, b og c som skal brukes i prognoseformelen Y ab X c X 2. Q1, Q2, og Q3 presenteres på grafikken, hvor tiden er tegnet på den horisontale a xis Q1 representerer totalt historisk salg i april, mai og juni og er plottet på x 1 Q2 tilsvarer juli til september Q3 tilsvarer oktober til desember og fjerde kvartal representerer januar til mars Denne grafikken illustrerer planleggingen av Q1, Q2, Q3 og Q4 for andre grad tilnærming. Figur 3-2 Plotting Q1, Q2, Q3 og Q4 for andre grad tilnærming. Tre likninger beskriver de tre punktene på grafen. 1 Q1 en bX cX 2 hvor X 1 Q1 a b c. 2 Q2 en bX cX2 hvor X2 Q2 en 2b 4c. 3 Q3 en bX cX 2 hvor X 3 Q3 a 3b 9c. Solve de tre ligningene samtidig for å finne b, a og c. Trekk ut ligning 1 1 fra ligning 2 2 og løse for b. Bytt denne ligningen for b inn i ligning 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finalt, erstatt disse likningene for a og b inn i ligning 1. 1 Q3 3 Q2 Q1 Q2 Q1 Q3 Q1 Q Q2 Q2 Q1 Q2 2.Den andre graden tilnærming metode beregner a, b og c som følger. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This er en beregning av tograds tilnærming prognose. En bX cX 2 322 85X 23 X 2. Når X 4, Q4 322 340 368 294 Prognosen er 294 3 98 per periode. Når X 5, Q5 322 425 575 172 Prognosen er like 172 3 58 33 avrundet til 57 per periode. Når X 6, Q6 322 510 828 4 Prognosen er lik 4 3 1 33 avrundet til 1 per periode. Dette er prognosen for neste år, Siste år til dette året.3 2 8 Metode 8 Fleksibel metode. Denne metoden lar deg velge det beste passformet antall per iod av salgsordrehistorikk som starter en måned før prognose-startdatoen, og å bruke en prosentvis økning eller reduksjon av multiplikasjonsfaktoren som kan endre prognosen Denne metoden ligner metode 1, prosentandel over fjorår, bortsett fra at du kan spesifisere antall perioder du bruker som base. Avhengig av hva du velger som n, krever denne metoden perioder best egnet pluss antall perioder med salgsdata som er indikert. Denne metoden er nyttig for å prognose etterspørselen etter en planlagt trend.3 2 8 1 Eksempel Metode 8 Fleksibel Metode. Fleksibel Metode Prosent Over N Måneder Tidligere ligner Metode 1, Prosent Over fjorår Begge metodene multipliserer salgsdata fra en tidligere tidsperiode med en faktor som er spesifisert av deg, og deretter prosjekterer dette resultatet i fremtiden I prosenten Prosent over fjorårmetoden er projeksjonen basert på data fra samme tidsperiode i forrige år. Du kan også bruke fleksibel metode for å angi en tidsperiode, unntatt samme periode i la st år for å bruke som grunnlag for beregningene. Multiplikasjonsfaktor For eksempel angi 110 i behandlingsalternativet for å øke tidligere salgshistorikkdata med 10 prosent. Baseperiode For eksempel forårsaker n 4 den første prognosen å være basert på salgsdata i september i fjor. Minste krevde salgshistorie antall perioder tilbake til baseperioden pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som ble brukt i prognoseberegningen.3 2 9 Metode 9 Vektet Flytende Gjennomsnitt. Vektet Flytende Gjennomsnittlig formel ligner Metode 4, Flytende gjennomsnittlig formel fordi den gjennomsnittlig forrige måned s salgshistorie for å projisere neste måneds s salgshistorie. Med denne formelen kan du tildele vekter for hver av de tidligere periodene. Denne metoden krever antall vektede perioder valgt pluss antall perioder som passer best til data. I likhet med Moving Average, ligger denne metoden etter etterspørselstrendene, så dette Metoden anbefales ikke for produkter med sterke trender eller sesongmessige forhold. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med etterspørsel som er relativt nivå.3 2 9 1 Eksempel Metode 9 Veidende Flytende Gjennomsnitt. Vektet Flytende Gjennomsnittlig WMA-metode ligner Metode 4 , Flytende gjennomsnitt MA Du kan imidlertid tilordne ulik vekt til de historiske dataene når du bruker WMA. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til et projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, slik at WMA er mer lydhør overfor forandringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterke trender eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst eller forældelse stadier av livssyklusen. Antall perioder med salgshistorie n som skal brukes i prognoseberegningen. For eksempel angi n 4 i prosessen ssing mulighet til å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. En slik verdi gir en stabil prognose, men det er sakte å gjenkjenne skift i salgsnivå Omvendt svarer en liten verdi for n som 3 raskere til endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Totalt antall perioder for behandlingsalternativet 14 - Perioder som skal inkluderes, bør ikke overstige 12 måneder. Vekten som tilordnes hver av de historiske dataperiodene. De tildelte vekter må totalt 1 00 For eksempel når n 4 tilordner vekter på 0 50, 0 25, 0 15 og 0 10 med de nyeste dataene som mottar størst vekt. Minimum krevende salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Denne tabellen er historien som ble brukt i prognosen. January forec ast tilsvarer 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 avrundet til 128. Februarprognose er lik 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 avrundet til 128. Mars prognose er lik 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 avrundet til 128,3 2 10 Metode 10 Linjær utjevning. Denne metoden beregner et veid gjennomsnitt av tidligere salgsdata I beregningen bruker denne metoden antall perioder av salgsordrehistorikk fra 1 til 12 som er angitt i behandlingsalternativet Systemet bruker en matematisk progresjon for å veie data i området fra den første minstevekten til den endelige vekten. Systemet prosjekterer derfor denne informasjonen til hver periode i prognosen. Dette Metoden krever at måneden er best egnet pluss salgsordrehistorikken for antall perioder som er spesifisert i behandlingsalternativet. 3 2 10 1 Eksempel Metode 10 Linjær utjevning. Denne metoden ligner Metode 9, WMA. I stedet for å tilfeldigvis tildele Vekter til de historiske dataene, brukes en formel å tildele vekter som avtar lineært og summen til 1 00 Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som alle lineære bevegelige gjennomsnittlige prognoseteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken utviser sterk trend eller sesongmessige mønstre Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forfallsfasen av livssyklusen. n er det antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel spesifiser n er lik 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode Systemet tilordner automatisk vektene til de historiske dataene som avtar lineært og summen til 1 00 For eksempel når n er 4 , tilordner systemet vekten 0, 0 3, 0 2 og 0 1, med de nyeste dataene som mottar størst vekt. Minimum påkrevd salgshistorie np lus antall tidsperioder som kreves for å vurdere prognoseperiodene med best passform. Dette tabellen er historien som brukes i prognoseberegningen.3 2 11 Metode 11 Eksponensiell utjevning. Denne metoden beregner et glatt gjennomsnitt som blir et estimat som representerer generelt salgsnivå over de valgte historiske data-periodene. Denne metoden krever salgsdatahistorikk for tidsperioden som er representert av antall perioder som passer best, pluss antall historiske datoperioder som er spesifisert Minimumskravet er to historiske datoperioder Dette Metoden er nyttig for å prognose etterspørsel når ingen lineær trend er i dataene. 3 2 11 1 Eksempel Metode 11 Eksponensiell utjevning. Denne metoden ligner Metode 10, Linjær utjevning i lineær utjevning, tilordner systemet vekt som er lineært redusert til de historiske dataene Ved eksponentiell utjevning tilordner systemet vekter som eksponentielt forfall. Ligningen for eksponentiell utjevning er prognoser. Forespørsel P revious Actual Sales 1 Tidligere Forecast. Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra forrige periode. Alpha er vekten som brukes på det faktiske salget for den forrige perioden. 1 er vekten som er brukt til prognosen for forrige periode Verdier for alfaområdet fra 0 til 1 og faller vanligvis mellom 0 1 og 0 4 Summen av vektene er 1 00 1 1.Du bør tildele en verdi for utjevningskonstanten, alfa Hvis du ikke gjør det tilordne en verdi for utjevningskonstanten, beregner systemet en antatt verdi som er basert på antall perioder med salgshistorikk som er spesifisert i behandlingsalternativet, lik den utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivå eller størrelsen på sales. Values ​​for alfa-området fra 0 til 1.n er lik rekkevidden av salgshistorikkdata som skal inkluderes i beregningene. Generelt er ett års salgshistorikkdata tilstrekkelig til å estimere det generelle salgsnivået For dette eksempelet ble en liten verdi for nn 4 valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene Eksponensiell utjevning kan generere en prognose som er basert på så lite som et historisk datapunkt. Minst nødvendig salgshistorie n pluss tallet av tidsperioder som kreves for å vurdere prognoseperiodene som passer best. Dette tabellen er historien som brukes i prognoseberegningen.3 2 12 Metode 12 Eksponensiell utjevning med trend og sesongmessighet. Denne metoden beregner en trend, en sesongbestemt indeks og en eksponentielt glatt gjennomsnitt fra salgsordrehistorikken Systemet bruker deretter en projeksjon av trenden til prognosen og justerer for sesongens indeks. Denne metoden krever antall perioder som passer best, pluss to års salgsdata, og er nyttig for varer som har både trend og sesongmessighet i prognosen Du kan skrive inn alfa - og beta-faktoren, eller få systemet til å beregne dem Alpha og beta-faktorer er utjevningskonstanten som systemet bruker til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget alfa og trendkomponenten i prognosen beta.3 2 12 1 Eksempelmetode 12 Eksponensiell utjevning med trend og sesonglighet. Denne metoden ligner metode 11, eksponentiell utjevning , ved at et glatt gjennomsnitt beregnes. Metode 12 inkluderer også et uttrykk i prognosekvasjonen for å beregne en jevn trend. Prognosen er sammensatt av et glatt gjennomsnitt som justeres for en lineær trend. Når spesifisert i behandlingsalternativet, er prognosen også justert for seasonality. Alpha er lik utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Valver for alfaområdet fra 0 til 1.Beta er lik utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for Trendskomponenten i prognosen. Valider for beta rekkevidde fra 0 til 1.Whh en sesongbasert indeks er brukt på prognosen. Alpha og beta er uavhengige av på e et annet De trenger ikke å summe til 1 0. Minste nødvendige salgshistorie Ett år pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform Når to eller flere års historisk data er tilgjengelig, bruker systemet to års data i beregningene. Metode 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en glatt trend og en enkel gjennomsnittlig sesongbasert indeks. En eksponensielt jevnet gjennomsnitt. En eksponensielt jevn trend. En enkel gjennomsnittlig sesongmessig sesong index. Figur 3-3 Enkel Gjennomsnittlig Seasonal Index. Prognosen beregnes da ved å bruke resultatene av de tre ligningene. L er lengden på sesonglengde L er 12 måneder eller 52 uker. Det er den nåværende tidsperioden. av tidsperioder i fremtiden for prognosen. S er den multiplikative sesongjusteringsfaktoren som er indeksert til riktig tidsperiode. Denne tabellen viser historien som ble benyttet i prognosen. Denne delen pr egger en oversikt over prognosevalueringer og diskuterer. Du kan velge prognosemetoder for å generere så mange som 12 prognoser for hvert produkt. Hver prognosemetode kan skape en litt annen projeksjon. Når tusenvis av produkter er prognostisert, er en subjektiv beslutning ubrukelig angående hvilken prognose som skal brukes i planene for hvert produkt. Systemet evaluerer automatisk ytelsen for hver prognosemetode du velger, og for hvert produkt du forutsier. Du kan velge mellom to ytelseskriterier MAD og POA MAD er et mål for prognosefeil POA er et mål for prognoseforstyrrelser Begge disse prestasjonsevalueringsteknikkene krever faktiske salgshistorikkdata i en periode som er spesifisert av deg. Perioden for den siste historien som brukes til evaluering kalles en holdoutperiode eller periode med best egnethet. For å måle resultatene av en prognosemetode, bruker systemet. prognoseformler for å simulere en prognose for den historiske holdoutperioden. Lag en sammenligning mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når du velger flere prognosemetoder, oppstår denne samme prosessen for hver metode. Flere prognoser beregnes for holdingsperioden og sammenlignet med den kjente salgshistorikken for samme periode. Prognosemetoden som produserer den beste matchen best passer mellom prognosen og det faktiske salget i holdoutperioden anbefales for bruk i planene Denne anbefalingen er spesifikk for hvert produkt og kan endres hver gang du genererer en prognose.3 3 1 Mean Absolute Deviation. Mean Absolute Avvik MAD er gjennomsnittet eller gjennomsnittet av absoluttverdiene eller størrelsen av avvikene eller feilene mellom faktiske og prognose data. MAD er et mål på gjennomsnittlig størrelsesorden for feil som kan forventes, gitt en prognosemetode og datalogging. Fordi absolutt verdier brukes i Beregning, positive feil avbryter ikke negative feil Når man sammenligner flere prognosemetoder, er den med den minste MA D er den mest pålitelige for det aktuelle produktet for denne holdoutperioden Når prognosen er upartisk og feil distribueres normalt, eksisterer det et enkelt matematisk forhold mellom MAD og to andre vanlige distribusjonsmålinger, som er standardavvik og Mean Squared Error For eksempel. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.