Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für Ihre nächste Test-Score. Was denkst du, deine Eltern könnten für Ihre nächste Test-Score prognostizieren. Um trotz aller Blabbing können Sie tun, um Ihre fr Iend und Eltern, sie und dein Lehrer sind sehr wahrscheinlich zu erwarten, dass du etwas in der Gegend von 85 bekommst, die du gerade bekommen hast. Nun, jetzt gehts an, dass du trotz deiner Selbstbeförderung zu deinen Freunden dich selbst überschätzst Und die Zahl, die Sie weniger für den zweiten Test studieren können und so erhalten Sie eine 73.Now, was sind alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung unabhängig von zu entwickeln Ob sie es mit Ihnen teilen werden. Sie können sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts Er wird zu bekommen 73, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so Weit hast du eine 85 und eine 73 bekommen, also vielleicht solltest du auf eine 85 73 2 79 steigen. Ich weiß es nicht, vielleicht, wenn du weniger feiern wolltest und den Wiesel über den ganzen Platz wedelnd und wenn du anfingst zu tun Viel mehr studieren könnte man eine höhere score. Both von diesen Schätzungen sind tatsächlich Ly gleitende durchschnittliche Prognosen. Der erste ist mit nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von data. Let s annehmen Dass all diese Leute, die auf deinem großen Verstand zerschlagen sind, dich irgendwie verärgert haben und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen Du nimmst den Test und dein Ergebnis ist eigentlich ein 89 Jeder, auch dich selbst, ist beeindruckt. So jetzt hast du die abschließende Prüfung des Semesters kommen und wie üblich fühlst du die Notwendigkeit, alle zu machen, die ihre Vorhersagen darüber machen, wie du bei dem letzten Test machst. Nun, hoffentlich sehst du das Pattern. Now, hoffentlich können Sie das Muster sehen, was Sie glauben, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma, die von Ihrer entfremdeten Halbschwester namens Whistle genannt wird, während wir arbeiten Sie haben einige vergangene Verkaufsdaten Vertreten durch den folgenden Abschnitt aus einer Kalkulationstabelle Wir stellen zunächst die Daten für eine dreistellige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Notice, wie sich der Durchschnitt bewegt Über die jüngsten historischen Daten, sondern nutzt genau die drei letzten Perioden für jede Vorhersage Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngsten Vorhersage zu entwickeln Dies ist definitiv anders als die Exponentielle Glättung Modell I ve enthalten die Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um Vorhersage Gültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt Sie Kann diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Notice, wie jetzt nur die beiden letzten Stücke historischer Daten für jede Vorhersage verwendet werden D die vergangenen Vorhersagen für illustrative Zwecke und für die spätere Verwendung in der Prognosevalidierung. Einige andere Dinge, die von Bedeutung zu bemerken sind. Für eine m-Periode gleitende durchschnittliche Prognose nur die m neuesten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode m 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir entwickeln Der Code für die gleitende durchschnittliche Prognose, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten, und das Array von historischen Werten Sie können es speichern, was auch immer Arbeitsmappe Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden. Wenn die Berechnung eines laufenden gleitenden Durchschnitt, Platzierung der Durchschnitt in der mittleren Zeitspanne ist sinnvoll. Im vorigen Beispiel haben wir den Durchschnitt der ersten 3 Zeiträume berechnet und platziert sie neben Periode 3 Wir hätten den Durchschnitt in Die Mitte des Zeitintervalls von drei Perioden, das heißt, neben Periode 2 Das funktioniert gut mit seltsamen Zeiträumen, aber nicht so gut für gleichmäßige Zeiträume Also wo würden wir den ersten gleitenden Durchschnitt platzieren, wenn M 4.Technisch, das Bewegen Durchschnitt würde bei t 2 5, 3 fallen 5. Um dieses Problem zu vermeiden, glatt wir die MA s mit M 2 So glätten wir die geglätteten Werte. Wenn wir eine gerade Anzahl von ter Ms, müssen wir die geglätteten Werte glätten. Die folgende Tabelle zeigt die Ergebnisse mit M 4.3 Verstehen von Prognoseebenen und Methoden. Sie können sowohl Detail-Einzelprojektprognosen als auch zusammenfassende Produktlinienprognosen generieren, die Produktnachfragemuster widerspiegeln. Das System analysiert die bisherigen Verkäufe Prognosen mit 12 Prognosemethoden Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes.3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und auf Trends und Mustern in der Verkaufsdaten, einige Prognosemethoden verhalten sich besser als andere für einen gegebenen historischen Datensatz Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die auf einer Stufe eines Produktlebens gute Ergebnisse liefert Zyklus bleibt während des gesamten Lebenszyklus angemessen. Sie können zwischen zwei Methoden wählen, um zu bewerten Te die aktuelle Leistung der Prognosemethoden. Percent der Genauigkeit POA. Mean absolute Abweichung MAD. Bei dieser Performance-Evaluierung Methoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Dieser Zeitraum wird als Halteperiode oder Periode der besten Passung Die Daten in Dieser Zeitraum dient als Grundlage für die Empfehlung, welche Vorhersagemethode bei der Erstellung der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten ändern. 1 1 Best Fit. Das System empfiehlt die beste Passform Prognose durch Anwenden der ausgewählten Prognosemethoden auf den vergangenen Kundenauftragsverlauf und Vergleich der Prognosesimulation mit dem aktuellen Verlauf Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede andere Prognose ist Methode vorhergesagte Verkäufe Dann empfiehlt das System die genaueste Prognose als die beste Passform Diese Grafik illustrieren S Best-Fit-Prognosen. Figure 3-1 Best-Fit-Prognose. Das System nutzt diese Sequenz von Schritten, um die besten fit. Use jede spezifizierte Methode zu simulieren eine Prognose für die Holdout-Periodpare tatsächlichen Umsatz zu den simulierten Prognosen für die Holdout Zeitraum. Calculate Die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit den bisherigen tatsächlichen Verkäufen übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Wählen Sie eine Best-Fit-Prognose durch die POA, die am nächsten zu 100 Prozent ist Oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und zeigt an, welche Methode die beste Passform für die Prognosesituation bietet. Dieser Abschnitt diskutiert. Method 1 Prozent über letztes Jahr. Method 2 berechnete Prozent über letztes Jahr. Method 3 Letztes Jahr zu diesem Jahr. Method 4 Moving Average. Method 5 Lineare Approximation. Method 6 Least Squares Regression. Method 7 Second Degre E Approximation. Method 8 Flexible Methode. Method 9 Weighted Moving Average. Method 10 Lineare Glättung. Method 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Specify die Methode, die Sie in den Verarbeitungsoptionen für die Prognose Generation Programm verwenden möchten R34650 Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel kann das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, platziert werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsprozedur für jeden der Verfügbare Prognosemethoden, bei einem identischen Satz historischer Daten. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle diese Datensätze, die historische Daten aus den vergangenen zwei Jahren sind. Die Prognoseprojektion geht in das nächste Jahr. Diese Erfolgsgeschichte ist stabil Mit kleinen saisonalen Zunahmen im Juli und Dezember Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte.3 2 1 Methode 1 Prozent über letztes Jahr. Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte Diese Methode Ist nützlich, um die Nachfrage nach saisonalen Posten mit Wachstum oder Rückgang zu prognostizieren. 2 1 1 Beispiel Methode 1 Prozent über letztes Jahr Die Percent Over Last Year Formel vervielfacht die Umsatzdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich über die Nächstes Jahr Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente hat. Forecast-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Verkaufsdaten des Vorjahres zu erhöhen Um 10 Prozent. Benötigte Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose, plus die Anzahl der Zeiträume, die für die Bewertung der Prognose erforderlich sind St Performance Perioden von bester Passform, die Sie angeben. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet. Februar Prognose entspricht 117 1 1 128 7 gerundet auf 129.März Prognose entspricht 115 1 1 126 5 gerundet auf 127,3 2 2 Methode 2 Berechnet Prozent über Letztes Jahr. Diese Methode verwendet die Berechnete Percent Over Last Year Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt eine prozentuale Zunahme oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um zu bestimmen Die Prognose. Zu Prognose Nachfrage, diese Methode erfordert die Anzahl der Perioden der Kundenauftrag Geschichte plus ein Jahr der Verkaufsgeschichte Diese Methode ist nützlich, um kurzfristige Nachfrage für saisonale Elemente mit Wachstum oder Abnahme prognostizieren.3 2 2 1 Beispiel Methode 2 Berechnet Prozent Im vergangenen Jahr vervielfacht die Berechnungsperiode über die letztjährige Formel die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird Das nächste Jahr Diese Methode könnte nützlich sein, um den Einfluss der Verlängerung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr unter Beibehaltung eines saisonalen Muster, das in der Verkaufsgeschichte vorhanden ist, vorzubereiten. Forecast Spezifikationen Bereich der Verkaufsgeschichte bei der Berechnung der Rate von Wachstum z. B. geben Sie n gleich 4 in der Verarbeitungsoption, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Benötigte Verkaufsgeschichte Ein Jahr für Berechnen der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung, gegeben n 4.Februar Prognose entspricht 117 0 9766 114 26 gerundet auf 114.March Prognose Entspricht 115 0 9766 112 31 gerundet auf 112,3 2 3 Methode 3 Letztes Jahr in diesem Jahr. Diese Methode nutzt den Vorjahresumsatz für das nächste Jahr s Prognose. Zur Prognose der Nachfrage, diese m Ethod erfordert die Anzahl der Perioden am besten fit plus ein Jahr der Verkaufsauftrag Geschichte Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten mit Level-Nachfrage oder saisonale Nachfrage ohne Trend zu prognostizieren.3 2 3 1 Beispiel Methode 3 Letztes Jahr zu diesem Jahr Jahr bis zu diesem Jahr Formel kopiert Umsatzdaten vom Vorjahr auf das nächste Jahr Diese Methode könnte bei der Budgetierung nützlich sein, um den Umsatz auf dem aktuellen Niveau zu simulieren Das Produkt ist ausgereift und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte Vorhanden. Forecast-Spezifikationen Keine. Berforderte Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose entspricht Januar der letzten Jahr mit einem prognostizierten Wert von 128.Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117.März Prognose entspricht März des vergangenen Jahres mit einem Prognosewert von 115.3 2 4 Methode 4 Moving Average. This-Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu projizieren, um den nächsten Zeitraum zu projizieren. Du solltest sie oftmals monatlich oder mindestens vierteljährlich neu berechnen, um die Nachfrage nach Bedarf zu reflektieren Erfordert die Anzahl der Perioden am besten passt zuzüglich der Anzahl der Perioden des Kundenauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren.3 2 4 1 Beispiel Methode 4 Moving Average. Moving Average MA ist eine beliebte Methode zur Mittelung der Ergebnisse der jüngsten Verkaufsgeschichte, um eine Projektion für kurzfristig zu bestimmen Die MA-Prognosemethode verzichtet hinter den Trends Vorhersage-Bias und systematische Fehler treten auf, wenn die Produktverkäufe Geschichte starken Trend oder saisonalen Muster zeigt Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Forecast-Spezifikationen n entspricht der Anzahl der Perioden der Verkaufsgeschichte t O Verwendung in der Prognoseberechnung Beispielsweise geben Sie n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Umsatzhistorie Es ergibt sich ein Stabile Prognose, aber ist langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Umgekehrt ist ein kleiner Wert für n wie 3 ist schneller auf Verschiebungen in der Ebene des Umsatzes zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann Erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Februar Prognose entspricht 114 119 137 125 4 123 75 gerundet auf 124.March Prognose Entspricht 119 137 125 124 4 126 25 gerundet auf 126,3 2 5 Methode 5 Lineare Approximation. Diese Methode verwendet die lineare Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und zu projizieren Diese Tendenz zur Prognose Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Anpassung plus die Anzahl der spezifizierten Perioden des Verkaufsauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten zu prognostizieren Mit konsequenten positiven oder negativen Trends, die nicht auf saisonale Schwankungen zurückzuführen sind.3 2 5 1 Beispiel Methode 5 Lineare Approximation. Linear Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die projiziert wird Die Zukunft Nutzen Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Die Daten in der Verkaufsgeschichte, die mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren, z. B. n 4, um den Unterschied zwischen Dezember neuesten Daten und August vier Perioden vor Dezember als Grundlage für die Berechnung der Trend. Minimum requ Ired Umsatzgeschichte n plus 1 plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose Dezember des vergangenen Jahres 1 Trend, die 137 1 2 139 entspricht. Februar-Prognose Dezember des vergangenen Jahres 1 Trend entspricht 137 2 2 141.Märzvorhersage Dezember des vergangenen Jahres 1 Trend entspricht 137 3 2 143,3 2 6 Methode 6 Least Squares Regression Die Least Squares Regression LSR-Methode ergibt eine Gleichung, die eine Gerade beschreibt Beziehung zwischen den historischen Verkaufsdaten und dem Ablauf der Zeit LSR passt eine Zeile auf den ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionslinie minimiert wird. Die Prognose ist eine Projektion davon Gerade in die Zukunft. Diese Methode erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten geeignet ist, sowie die angegebene Anzahl historischer Daten Riods Die Mindestanforderung ist zwei historische Datenpunkte Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt.3 2 6 1 Beispiel Methode 6 Least Squares Regression. Linear Regression oder Least Squares Regression LSR, ist die beliebteste Methode Zur Ermittlung eines linearen Trends in historischen Verkaufsdaten Die Methode berechnet die Werte für a und b, die in der Formulierung verwendet werden sollen. Diese Gleichung beschreibt eine Gerade, wobei Y den Verkauf darstellt und X die Zeit darstellt. Lineare Regression ist langsam, um Wendepunkte und Schritt zu erkennen Funktionsverschiebungen in der Nachfrage Lineare Regression passt zu einer geraden Linie zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn die Verkaufsverlaufsdaten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, werden prognostizierte Vorurteile und systematische Fehler auftreten Entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Zum Beispiel geben Sie n 4 an, um die Geschichte von September bis Dezember zu verwenden Basis für die Berechnungen Wenn Daten verfügbar sind, wird ein größeres n wie n 24 gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren Erforderlich, um die Ergebnisse zu überprüfen. Minimum erforderliche Verkaufsgeschichte n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung. March Prognose entspricht 119 5 7 2 3 135 6 abgerundet auf 136,3 2 7 Methode 7 Zweite Grad Approximation. Um die Prognose zu projizieren, verwendet diese Methode die Formel für die zweite Grad-Approximation, um eine Kurve zu zeichnen, die auf der Anzahl der Perioden der Verkaufshistorie basiert. Diese Methode erfordert die Anzahl der Perioden, die am besten geeignet sind Plus die Anzahl der Perioden der Kundenauftragsgeschichte mal drei Diese Methode ist nicht sinnvoll, um die Nachfrage nach einer langfristigen Periode zu prognostizieren.3 2 7 1 Beispiel Methode 7 Zweite Grad Approximation. Linear Regression bestimmt v Alues für a und b in der Prognoseformel Y ab X mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich, aber diese Methode bestimmt Werte für a, b und c in dieser Prognoseformel Ziel dieser Methode ist es, eine Kurve an die Verkaufsgeschichte Daten anzupassen Diese Methode ist nützlich, wenn ein Produkt im Übergang zwischen Lebenszyklusstadien ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen Der Term der zweiten Ordnung, kann die Prognose schnell unendlich anfangen oder auf Null fallen, je nachdem, ob der Koeffizient c positiv oder negativ ist. Diese Methode ist nur kurzfristig nützlich. Forecast-Spezifikationen finden die Formel a, b und c, um eine Kurve anzupassen Genau drei Punkte Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel werden n 3 Die tatsächlichen Verkaufsdaten für April bis Juni werden in den ersten Punkt, den 1. Juli, September werden zusammen addiert, um Q2 zu erstellen, und Oktober bis Dezember Summe zu Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte 3 n Perioden für die Berechnung der Prognose plus die Anzahl der benötigten Zeiträume Auswertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Q0 Jan Feb Mär. Q1 Apr Mai Jun, die 125 122 137 384.Q2 Jul Aug Sep entspricht 140 129 131 400.Q3 Okt Nov Dez. Was 114 119 137 370 entspricht. Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognosemethode Y ab X c X 2.Q1, Q2 und Q3 verwendet werden sollen, auf der Grafik, wo Zeit ist Aufgetragen auf der horizontalen Achse Q1 repräsentiert den gesamten historischen Umsatz für April, Mai und Juni und ist auf X 1 Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März Diese Grafik veranschaulicht das Plotten von Q1, Q2 , Q3 und Q4 für sec Ond Grad Näherung. Bild 3-2 Plotten Q1, Q2, Q3 und Q4 für die zweite Grad-Näherung. Three Gleichungen beschreiben die drei Punkte auf dem Diagramm. 1 Q1 a bX cX 2 wobei X 1 Q1 a b c 2 Q2 a bX cX 2 wobei X 2 Q2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 Q3 a 3b 9c. Solve die drei Gleichungen gleichzeitig zu finden b, a und c. Subtract Gleichung 1 1 aus Gleichung 2 2 und lösen für b. Substitut diese Gleichung für b in Gleichung 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally ersetzen Sie diese Gleichungen für a und b in Gleichung 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.Das zweite Grad Approximation-Verfahren Berechnet a, b und c wie folgt. 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.Dieses Ist eine Berechnung des zweiten Grades Näherungsvorhersage. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 Die Prognose entspricht 294 3 98 pro Periode. Wenn X 5, Q5 322 425 575 172 Die Prognose entspricht 172 3 58 33 gerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 828 4 Die Prognose entspricht 4 3 1 33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr.3 2 8 Methode 8 Flexible Method. This Methode ermöglicht es Ihnen, die beste passende Anzahl von pro auswählen Iods der Verkaufsauftragsgeschichte, die n Monate vor dem voraussichtlichen Startdatum beginnt und einen prozentualen Anstieg oder Verringerung des Multiplikationsfaktors anwendet, mit dem die Prognose geändert werden soll. Diese Methode ähnelt Methode 1, Prozent über letztes Jahr, mit der Ausnahme, dass Sie die Anzahl der Perioden, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, benötigt diese Methode Perioden, die am besten passen, plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren.3 2 8 1 Beispiel Methode 8 Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne um einen von Ihnen angegebenen Faktor und projizieren dann das Ergebnis in die Zukunft In der Percent Over Last Year-Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben, der nicht der gleiche Zeitraum in der la ist St Jahr, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichte-Daten um 10 Prozent zu erhöhen. Basisperiode Beispielsweise bedeutet n 4, dass die erste Prognose auf Verkaufsdaten basiert Im September des vergangenen Jahres. Minimum erforderliche Verkaufsgeschichte die Anzahl der Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung.3 2 9 Methode 9 Gewichteter beweglicher Durchschnitt Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt des Verkaufsverlaufs des Vormonats liegt, um die Verkaufsgeschichte des nächsten Monats zu projizieren. Mit dieser Formel können Sie jedoch Gewichte zuordnen Der vorherigen Perioden. Diese Methode erfordert die Anzahl der gewichteten Perioden ausgewählt plus die Anzahl der Perioden am besten passen Daten Ähnlich wie Moving Average, diese Methode hinter den Nachfrage Trends, so dass dies Methode wird nicht empfohlen für Produkte mit starken Trends oder Saisonalität Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit der Nachfrage zu veranschaulichen, die relativ niedrig ist.3 2 9 1 Beispiel Methode 9 Gewichteter bewegter Durchschnitt. Die gewichtete bewegliche durchschnittliche WMA-Methode ähnelt Methode 4 , Moving Average MA Allerdings können Sie bei der Verwendung von WMA ungleiche Gewichte den historischen Daten zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, So reagiert WMA eher auf Verschiebungen im Umsatzniveau. Allerdings treten prognostizierte Bias und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trends oder saisonale Muster aufweist. Diese Methode funktioniert für kurzfristige Prognosen von reifen Produkten besser als bei Produkten im Wachstum oder in der Obsoleszenz Stufen des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte n in der Prognoseberechnung verwenden. Zum Beispiel geben Sie n 4 in der Prozedur Ssing-Option, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen in der Umsatzniveau Umgekehrt reagiert ein kleiner Wert für n wie 3 schneller auf Verschiebungen im Umsatz, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption 14 - Die zu berücksichtigenden Perioden dürfen 12 Monate nicht überschreiten. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen 1 00 betragen. Wenn z. B. n 4 Gewichte von 0 50, 0 25, 0 15 und 0 zugewiesen werden 10 mit den aktuellsten Daten, die das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar-Prognose erforderlich sind Ast entspricht 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 gerundet auf 128.Februarprognose entspricht 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 auf 128 abgerundet. März-Prognose entspricht 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 gerundet auf 128,3 2 10 Methode 10 Lineare Glättung. Diese Methode berechnet einen gewichteten Durchschnitt der vergangenen Verkaufsdaten. Bei der Berechnung verwendet diese Methode die Anzahl der Perioden von Kundenauftragsverlauf von 1 bis 12, der in der Verarbeitungsoption angegeben ist Das System verwendet eine mathematische Progression, um Daten im Bereich vom ersten geringsten Gewicht bis zum letzten Gewicht zu wiegen. Dann projiziert das System diese Informationen auf jeden Zeitraum in der Prognose Methode erfordert den Monat am besten passt zuzüglich der Verkaufsauftragshistorie für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind. 2 10 1 Beispiel Methode 10 Lineare Glättung. Dieses Verfahren ähnelt Methode 9, WMA Jedoch statt der willkürlichen Zuordnung Gewichte zu den historischen Daten, wird eine Formel verwendet Um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, Vorhersagevorhersage und systematische Fehler treten bei der Produktverkäufe auf Zeigt starke Tendenz oder saisonale Muster Diese Methode arbeitet besser für kurzfristige Prognosen von reifen Produkten als für Produkte in der Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden sollen N entspricht 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitspanne zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn beispielsweise n gleich 4 ist , Weist das System Gewichte von 0 4, 0 3, 0 2 und 0 1 zu, wobei die aktuellsten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte np Lus die Anzahl der Zeiträume, die für die Auswertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind. Diese Tabelle ist die in der Prognoseberechnung verwendete Geschichte.3 2 11 Methode 11 Exponentielle Glättung. Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird Allgemeine Umsatzniveaus über die ausgewählten historischen Datenperioden. Diese Methode erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten passt und die Anzahl der historischen Datenperioden, die angegeben werden, repräsentiert wird. Die Mindestanforderung ist zwei historische Datenperioden Methode ist sinnvoll, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten vorliegt.3 2 11 1 Beispiel Methode 11 Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung In Linearer Glättung weist das System Gewichte zu, die linear den historischen Daten abweichen Bei der Exponential-Glättung weist das System Gewichte auf, die exponentiell abklingen. Die Gleichung für die Exponential-Glättungsvorhersage ist. Forecast P Neugierige Tatsächliche Verkäufe 1 Vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Verkäufe aus der vorherigen Periode und die Prognose aus der vorherigen Periode Alpha ist das Gewicht, das auf den tatsächlichen Umsatz für die vorherige Periode 1 angewendet wird, ist das Gewicht, das angewendet wird Auf die Prognose für die vorherige Periode Werte für Alpha-Bereich von 0 bis 1 und fallen normalerweise zwischen 0 1 und 0 4 Die Summe der Gewichte beträgt 1 00 1 1. Sie sollten einen Wert für die Glättungskonstante zuweisen, alpha Wenn Sie dies nicht tun Einen Wert für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der Perioden der Verkaufshistorie basiert, die in der Verarbeitungsoption angegeben ist. Die Glättungskonstante, die zur Berechnung des geglätteten Durchschnitts für die allgemeine Ebene verwendet wird, Größe von sales. Values für Alpha-Bereich von 0 bis 1.n entspricht dem Bereich der Umsatz Geschichte Daten in die Berechnungen enthalten. Generisch, ein Jahr der Umsatz Geschichte Daten ist ausreichend, um die allgemeine Umsatzniveau zu schätzen Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Minimal erforderliche Verkaufsgeschichte n plus die Zahl Von Zeiträumen, die für die Bewertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind. Diese Tabelle ist die in der Prognoseberechnung verwendete Geschichte.3 2 12 Methode 12 Exponentielle Glättung mit Trend und Seasonality. This Methode berechnet einen Trend, einen saisonalen Index und einen exponentially smoothed average from the sales order history The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast You can enter the alpha and beta factor, or have the system calculate them Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales alpha and the trend component of the forecast beta.3 2 12 1 Example Method 12 Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. Alpha and beta are independent of on e another They do not have to sum to 1 0.Minimum required sales history One year plus the number of time periods that are required to evaluate the forecast performance periods of best fit When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average. An exponentially smoothed trend. A simple average seasonal index. Figure 3-3 Simple Average Seasonal Index. The forecast is then calculated by using the results of the three equations. L is the length of seasonality L equals 12 months or 52 weeks. t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation. This section pr ovides an overview of Forecast Evaluations and discusses. You can select forecasting methods to generate as many as 12 forecasts for each product Each forecasting method might create a slightly different projection When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast You can select between two performance criteria MAD and POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a period specified by you The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system. Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period The forecasting method that produces the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in the plans This recommendation is specific to each product and might change each time that you generate a forecast.3 3 1 Mean Absolute Deviation. Mean Absolute Deviation MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. 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.
No comments:
Post a Comment