Flyttande genomsnittlig prognostisering. Introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten för prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med Börja i början och börja arbeta med Moving Average Forecasts. Moving Average Prognoser Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är Alla studenter gör dem hela tiden Tänk på dina testresultat i en kurs där du ska Har fyra tester under terminen Låt oss anta att du fick 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för nästa testresultat. Vad tycker du att dina vänner kan förutsäga för din nästa testpoäng. Vad tycker du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om du blabbar kan du göra din fr Älskar och föräldrar, de och din lärare förväntar mycket sannolikt att du får något i det område du bara har fått. Väl, nu låt oss anta att trots din självbefrämjande till dina vänner överskattar du dig själv Och figur du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för att utveckla en uppskattning oavsett Om de kommer att dela den med dig. De kan säga till sig själva: Den här killen sprider alltid rök om hans smarts. Han kommer att få ytterligare 73 om han är lycklig. Måste föräldrarna försöker vara mer stödjande och säga, ja, så Långt har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fester och inte vågade väsen överallt och om du började göra en mycket mer studerar du kan få en högre poäng. Båda dessa uppskattningar är faktiska Långa rörliga genomsnittliga prognoser. Den första använder endast din senaste poäng för att prognostisera din framtida prestation. Detta kallas en glidande genomsnittlig prognos med en dataperiod. Den andra är också en glidande genomsnittlig prognos men använder två dataperioder. Låt oss anta Att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga en högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89 Allting, inklusive dig själv, är imponerad. Så nu har du det sista provet på terminen som kommer upp och som vanligt känns det som om du behöver göra alla förutspåringar om hur du ska göra det sista testet. Förhoppningsvis ser du mönster. Nu kan du förhoppningsvis se mönstret. Vad tror du är det mest exakta. Hälsa medan vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster kallas Whistle medan vi arbetar. Du har några tidigare försäljningsdata Representeras av följande avsnitt från ett kalkylblad Vi presenterar först data för en treårs glidande medelprognos. Inträdet för cell C6 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Notera hur genomsnittet rör sig Över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte behöver verkligen göra förutsägelserna för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än Exponentiell utjämningsmodell I ve inkluderade tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta prediktionsgiltighet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara. Nu kan kopiera den här cellformeln ner till de andra cellerna C6 till och med C11.Notice hur nu används bara de två senaste bitarna av historiska data för varje förutsägelse igen jag har med D de senaste förutsägelserna för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att notera. För en m-periods rörlig genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. . För en m-period glidande medelprognos när du gör tidigare förutsägelser märker du att den första förutsägelsen sker i period m 1.But av dessa problem kommer att vara väldigt signifikant när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla Koden för det glidande medelprognosen som kan användas mer flexibelt Koden följer Observera att ingångarna är för antalet perioder du vill använda i prognosen och i rad historiska värden. Du kan lagra den i vilken arbetsbok du vill. Funktion MovingAverage Historical, NumberOfPeriods As Single Declaration och initialisering av variabler Dim Item Som variant Dim Counter som integer Dim ackumulering som Single Dim HistoricalSize som heltal. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsackumulering Historisk historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska Som följande. Prognosberäkningsexempel. A 1 Prognosberäkningsmetoder. Växlingsmetoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis är vikten placerad på tidigare historiska data eller datumintervallet för historiska data som används i Beräkningarna kan anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-försäljningsprognos Utöver prognosen Beräkning innehåller varje exempel en simulerad 2005 fo omarbetning för en tre månaders bearbetningsoptionsalternativ 19 3 som då används för procent av noggrannhet och genomsnittlig absolut avvikelseberäkningar, den faktiska försäljningen jämfört med simulerad prognos. A 2 Prognos Prestationsutvärderingskriterier. Beroende på ditt urval av behandlingsalternativ och om trenderna och mönster som finns i försäljningsdata kommer vissa prognosmetoder att fungera bättre än andra för en viss historisk dataset En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt Det är också osannolikt att en prognosmetod som ger bra resultat på Ett steg i en produkts livscykel kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognostiseringsmetoderna. Dessa är medelvärden för absolut avvikelse MAD och procent av noggrannhet POA Båda dessa prestationsbedömningsmetoder kräver Historisk försäljningsdata för en användardefinierad tidsperiod Denna tidsperiod är kallad en uthållningsperiod eller perioder som passar bäst PBF Data i denna period används som grund för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa De två prognosprestationsbedömningsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A 3 Metod 1 - Specificerad procentsats under förra året. Denna metod multiplicerar försäljningsdata från föregående år av en användardefinierad faktor till exempel, 1 10 för en 10 ökning eller 0 97 för en 3 minskning. Förfrågad försäljningshistoria Ett år för beräkning av prognosen plus det användardefinierade antalet tidsperioder för utvärdering av prognosresultatbehandlingsalternativet 19.A 4 1 Prognosberäkning. att använda vid beräkning av tillväxtfaktorbehandling alternativ 2a 3 i detta exempel. Som de sista tre månaderna 2005 114 119 137 370.Som samma tre månader för p Förnuftigt år 123 139 133 395. Beräknad faktor 370 395 0 9367.Räkna prognoserna. January, 2005 års försäljning 128 0 9367 119 8036 eller cirka 120.Februari, 2005 försäljning 117 0 9367 109 5939 eller ca 110.March, 2005 försäljning 115 0 9367 107 7205 eller ca 108.A 4 2 Simulerad Prognos Beräkning. Som de tre månaderna 2005 före hållbarhetsperioden juli, aug, sept.129 140 131 400.Som samma tre månader för föregående år.141 128 118 387 . Den beräknade faktorn 400 387 1 033591731.Räkna simulerad prognos. October 2004 försäljning 123 1 033591731 127 13178.November 2004 försäljning 139 1 033591731 143 66925.December 2004 Försäljning 133 1 033591731 137 4677.A 4 3 Procent av beräkningsberäkning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metod 3 - Förra året till This Year. This metod kopierar försäljningsdata från föregående år till nästa år. Räqu ägt försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som anges för utvärdering av prognosförädlingsalternativ 19.A 6 1 Prognosberäkning. Antal perioder som ska ingå i det genomsnittliga bearbetningsalternativet 4a 3 i detta exempel. För varje månad av prognosen, genomsnittet för de föregående tre månaderna s. Januaryprognosen 114 119 137 370, 370 3 123 333 eller 123.Februari prognos 119 137 123 379, 379 3 126 333 eller 126.March prognos 137 123 126 379, 386 3 128 667 eller 129.A 6 2 Simulerad prognosberäkning. October 2005 Försäljning 129 140 131 3 133 3333.November 2005 Försäljning 140 131 114 3 128 3333.Deember 2005 Försäljning 131 114 119 3 121 3333.A 6 3 Procent av beräkning av noggrannhet. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Genomsnittlig avvikelseberäkning. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metod 5 - Linjär approximation. Linear Approximation beräknar en Trend baserat på två försäljningshistoriska datapunkter. Dessa två punkter d efine en rak trendlinje som projiceras in i framtiden Använd den här metoden med försiktighet, eftersom prognoser för långa sträckor utnyttjas av små förändringar på bara två datapunkter. Förfrågad försäljningshistorik Antalet perioder som ska inkluderas i regressionsbehandlingsalternativ 5a plus 1 plus Antalet tidsperioder för utvärdering av prognosresultatbehandlingsalternativ 19.A 8 1 Prognosberäkning. Antal perioder som ska inkluderas i regressionsbehandlingsalternativet 6a 3 i detta exempel. För varje månad av prognosen lägger du till ökningen eller minskningen under de angivna perioderna Före hållbarhetsperiod föregående period. Andel av de föregående tre månaderna 114 119 137 3 123 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 114 1 119 2 137 3 763. Skillnaden mellan värdena. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 23 2 11 5.Value2 Genomsnittlig-värde1-förhållande 123 3333 - 11 5 2 100 3333.Visa 1 n-värde1 Value2 4 11 5 100 3333 146 333 eller 146.Förecast 5 11 5 100 3333 157 8333 eller 158.Förutsägande 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulerad prognosberäkning. October 2004 försäljning. Medel av de föregående tre månaderna . 129 140 131 3 133 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 129 1 140 2 131 3 802. Skillnaden mellan värdena. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 2 2 1.Value2 Genomsnitt - värde1-förhållande 133 3333 - 1 2 131 3333.Förecast 1 n värde1 värde2 4 1 131 3333 135 3333.November 2004 Försäljning. Medel av de föregående tre månaderna. 140 131 114 3 128 3333.Sammanfattning av de föregående tre månaderna med hänsyn tagen. 140 1 131 2 114 3 744. Skillnaden mellan värdena 744 - 128 3333 1 2 3 -25 9999.Value1 Skillnadsförhållande -25 9999 2 -12 9999.Value2 Genomsnitt - värde1 förhållande 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de föregående tre månaderna. 131 114 119 3 121 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 131 1 114 2 119 3 716. Skillnaden mellan värdena. 716 - 121 3333 1 2 3 -11 9999.Value1 Skillnadsförhållande -11 9999 2 -5 9999.Value2 Genomsnitt - värde1-förhållande 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent av beräkning av noggrannhet. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metod 7 - Andra Graden Approximation. Linear Regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra graden Approximation är likvärdig. Denna metod bestämmer emellertid värdena för a, b och c i Prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata Denna metod kan vara användbar när en produkt befinner sig i övergången mellan en livscykelstadium Till exempel när en ny produkt flyttar från introduktion till tillväxtstadier , Försäljningsutvecklingen kan accelerera På grund av den andra orderperioden kan prognosen snabbt närma sig Oändlighet eller fall till noll beroende på om koefficienten c är positiv eller negativ. Därför är denna metod endast användbar på kort sikt. Förutsägningsformulär Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i Bearbetningsalternativ 7a, antalet tidsperioder av data som ackumuleras i var och en av de tre punkterna I detta exempel n 3 Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1 juli till september läggs samman för att skapa Q2 , och oktober till december summa till Q3 Kurvan kommer att anpassas till de tre värdena Q1, Q2 och Q3.Required sales history 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. Number of Perioder för att inkludera bearbetningsalternativ 7a 3 i detta exempel. Använd de föregående 3 n månaderna i tre månader block. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Nästa steg innefattar c Alculating de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX 2. 1 Q1 en bX cX2 där X 1 a b c. 2 Q2 en bX cX2 där X2 a 2b 4c. 3 Q3 en bX cX 2 där X 3 a 3b 9c. Solve de tre ekvationerna samtidigt för att hitta b, a och c. Ta bort ekvation 1 från ekvation 2 och lösa för b. Ställ in denna ekvation för b i ekvation 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ändra i stället dessa ekvationer för a och b till ekvation 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andra graden approximationsmetoden beräknar A, b och c som följer. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y en bX cX 2 322 85 X -23 X 2.January till mars prognos X 4. 322 340 - 368 3 294 3 98 per period. April till juni prognos X 5. 322 425 - 575 3 57 333 eller 57 per period. Juli till septemberprognos X 6. 322 510 - 828 3 1 33 eller 1 per period. Oktober till december X 7. 322 595 - 1127 3 -70.A 9 2 Simulerad prognosberäkning. Oktober november Och december 2004 försäljning. Q1 jan - mar 360.Q2 apr - jun 384.Q3 jul - sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Procent av beräkning av noggrannhet. POA 136 136 136 114 119 137 100 110 27.A 9 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metod 8 - Flexibel metod. Flexibel metodprocent Över n månader Tidigare liknar Metod 1, Procent över förra året Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor , Sedan projicera resultatet i framtiden I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden ger möjlighet att ange en annan tidsperiod än samma period förra året till Använd som grund för beräkningarna. Multiplikationsfaktor Ange exempelvis 1 15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15.Basperiod Exempelvis kommer n 3 att göra att den första prognosen baseras på försäljningsdata i Oktober 2005. Minsta försäljningshistorik Användarens angivna nummer o F perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. A 10 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metod 9 - Viktad Flyttning Genomsnittet. Den viktade rörliga genomsnittliga WMA-metoden liknar Metod 4, Flyttande medelvärde MA. Med det Viktade Flyttningsgenomsnittet kan du emellertid fördela ojämna vikter till de historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering för kort sikt Senare data tilldelas vanligtvis större vikt än äldre data, vilket gör att WMA reagerar på skift i försäljningsnivån. Dock uppstår prognoser och systematiska fel när produktförsäljningshistoriken uppvisar starka trend - eller säsongsmönster. Metoden fungerar bättre för korta prognoser för mogna produkter i stället för för produkter i livscykelns tillväxt eller föråldrade stadier. Det antal perioder av försäljningshistoria som ska användas i prognosberäkningen Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som grund för projiceringen till nästa tidsperiod. Ett stort värde för n som 12 kräver mer försäljningshistorik. Det resulterar i en stabil prognos , Men kommer att vara långsam för att känna igen skift i försäljningsnivån Å andra sidan kommer ett litet värde för n som 3 att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på Variationerna. Vikten som tilldelas vart och ett av de historiska datoperioderna De tilldelade vikterna måste uppgå till 1 00 Till exempel, när n 3 tilldelar vikter av 0 6, 0 3 och 0 1, med den senaste data som får största vikt . Minsta nödvändiga försäljningshistorik n plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metod 10 - Linjär utjämning. Denna metod liknar Metod 9, Viktad Flyttande Genomsnittlig WMA Hur I stället för att i godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summa till 1 00 Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering på kort sikt. sant för alla linjära glidande medelprognostekniker förekommer prognosförskjutning och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsbetonade mönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter i stället för för produkter i livets tillväxt eller förälskelse cycle. n antalet försäljningsperioder som ska användas i prognosberäkningen Detta anges i bearbetningsalternativet 10a Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som grund för projiceringen i Nästa tidsperiod Systemet kommer automatiskt att tilldela vikterna till historiska data som faller linjärt och summa till 1 00 Till exempel när n 3, s ystem kommer att tilldela vikter av 0 5, 0 3333 och 0 1, med den senaste data som tar emot största vikt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestanda PBF. A 12 1 Forecast Calculation. Antal perioder som ska inkluderas vid utjämning av genomsnittlig bearbetningsalternativ 10a 3 i detta exempel. Rata för en period före 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i två perioder före 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder före 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januärprognos 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognos 127 0 5 137 1 3 119 1 6 129.March prognos 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulerad prognosberäkning. October 2004 försäljning 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Försäljning 140 1 6 131 2 6 114 3 6 124.December 2004 försäljning 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent av beräkning av noggrannhet. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metod 11 - Exponentiell utjämning. Denna metod liknar Metod 10, Linjär utjämning Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt Vid exponentiell utjämning , Systemet tilldelar vikter som exponentiellt sönderfallas Exponential utjämning prognos ekvation är. Förutse en tidigare verklig försäljning 1 - a tidigare prognos. Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period a är vikt applicerad på den faktiska försäljningen för föregående period 1 - a är vikten applicerad på prognosen för föregående period Giltiga värden för ett intervall från 0 till 1 och faller oftast mellan 0 1 och 0 4 Summan av vikterna är 1 00 a 1 - a 1.Du bör tilldela ett värde för utjämningskonstanten, a Om du inte tilldelar värden för utjämningskonstanten beräknar systemet ett antaget värde baserat på antalet perioder med försäljningshistorik d i bearbetningsalternativet 11a. a utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den generella nivån eller storleken på försäljningen Giltiga värden för ett intervall från 0 till 1.n omfånget av försäljningshistorikdata som ingår i beräkningarna Generellt ett år av försäljningshistorikdata är tillräckliga för att uppskatta den allmänna försäljningsnivån För detta exempel valdes ett litet värde för nn 3 för att minska de manuella beräkningar som krävs för att verifiera resultaten Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk Datapunkt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. A 13 1 Prognosberäkning. Number av perioder som ska inkluderas i utjämning av genomsnittlig bearbetningsalternativ 11a 3 och alfa-faktorbehandlingsalternativ 11b tom i detta Example. a faktor för den äldsta försäljningsdata 2 1 1 eller 1 när alpha är specificerad. En faktor för den 2: e äldsta försäljningsdata 2 1 2, eller alf när alpha anges. En faktor För den 3: e äldsta försäljningsdata 2 1 3, eller alf när alpha anges. En faktor för den senaste försäljningsdata 2 1 n eller alf när alpha är specificerad. November Sm Avg a oktober Aktuell 1 - en oktober Sm Gem 1 114 0 0 114.December Avg. Avg. November Aktuell 1 - a november Sm Gem 2 3 119 1 3 114 117 3333.January Prognos december December 1 - a december Sm Gem 2 4 137 2 4 117 3333 127 16665 eller 127.Februari prognos Januari-prognos 127.Marchprognos Januariprognos 127.A 13 2 Simulerad prognosberäkning. Juli 2004 Sm Avg 2 2 129 129.August Sm Gem 2 3 140 1 3 129 136 3333.September Sm Genomsnittspris 2 4 131 2 4 136 3333 133 6666.October 2004 Försäljning Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Gem 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November 2004 Försäljning Sep Sm Gem 124.September 2004 Sm Avg 2 2 131 131. oktober Sm Gem 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Deember 2004 Försäljning Sep Sm Avg 119 3333.A 13 3 Procent av noggrannhet Calcula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Genomsnittlig absolut avvikelseberäkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metod 12 - Exponentiell utjämning med trend och säsonglighet . Denna metod liknar Metod 11 Exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av en jämn medelvärde justerad för en linjär trend När specificerat I bearbetningsalternativet justeras prognosen också för säsongens kvalitet. En utjämningskonstant som används för att beräkna det jämnde genomsnittet för den generella nivån eller storleken på försäljningen. Giltiga värden för alfabetikområde från 0 till 1.b utjämningskonstanten som används vid beräkning av det jämnformade Medelvärdet för trendkomponenten i prognosen Giltiga värden för beta-intervallet från 0 till 1.Vår ett säsongsindex tillämpas på prognosen. a och b är oberoende av varandra De behöver inte lägga till 1 0.Min Imum krävs försäljningshistoria två år plus antal tidsperioder som krävs för att utvärdera prognosprestandan PBF. Method 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A 14 1 Prognos Beräkning. A Ett exponentiellt jämnt medel. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Utvärdering av prognoserna. Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognos Metoden kommer sannolikt att skapa en något annorlunda projicering När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut angående vilka prognoser som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för varje prognosmetod Som du väljer och för var och en av prognoserna Du kan välja mellan två prestandakriterier, Mean Absolute Deviation MAD och Procent of Accur Acy POA MAD är ett mått på prognosfel POA är ett mått på prognosförskjutning Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Denna period av senaste historiken kallas en uthållningsperiod eller perioder som passar bäst PBF. För att mäta resultatet av en prognosmetod använder du prognosformlerna för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process Sker för varje metod Flera prognoser beräknas för hållbarhetsperioden och jämfört med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen som passar bäst mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning I dina planer Denna rekommendation är specifik för varje produkt, och kan ändras från en prognosproduktion till nej xt. A 16 Medel Absolut avvikelse MAD. MAD är medelvärdet eller medelvärdet av de absoluta värdena eller storleken på avvikelserna eller fel mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas med tanke på en prognosmetod och data Historia Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel Vid jämförelse av flera prognosmetoder har den som har den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den hållningsperioden När prognosen är objektiv och Fel distribueras normalt, det finns ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och Mean Squared Error. A 16 1 Procent av noggrannhet POA. Percent of Accuracy POA är ett mått på prognostisk bias När prognoserna är konsekventa För högt, lager ackumuleras och lagerkostnader stiger När prognoserna är konsekvent två låga förbrukas lagren och nedgången av kundservice s En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbröts av negativa fel på 8 och 2.Error Actual - Forecast. When en produkt kan lagras i lager och när prognosen är opartisk kan en liten mängd säkerhetslager användas för att buffra felen. I denna situation är det inte så viktigt att eliminera prognosfel för att skapa objektiva prognoser. , skulle ovanstående situation betraktas som tre fel Tjänsten skulle vara underbemannad under den första perioden och sedan överbemannade för de följande två perioderna. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som prognostiseras. Sammanfattningen över hållbarhetsperioden Tillåter positiva fel att avbryta negativa fel När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 korrekt. När en prognos är unbias ed, POA-förhållandet blir 100 Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriterierna väljer prognosmetoden som har ett POA-förhållande närmast 100. Skript på denna sida förstärker innehållsnavigering, men ändra innehållet på något sätt.3 Förstå prognosnivåer och metoder. Du kan generera både detaljprognoser för enstaka objekt och sammanfattande produktlinjeprognoser som speglar produktbehovsmönster. Systemet analyserar tidigare försäljning för att beräkna prognoser med hjälp av 12 prognosmetoder. Prognoserna innehåller detaljerad information på objektnivå och högre nivå information om en filial eller företaget som helhet.3 1 Prognos Prestationsutvärderingskriterier. Utifrån valet av bearbetningsalternativ och trender och mönster i försäljningsdata fungerar vissa prognosmetoder bättre än andra för En given historisk dataset En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt du kanske upptäcka att en prognosmetod som ger goda resultat i ett skede av en produkts livscykel är lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera den aktuella utvecklingen av prognosmetoderna. Beräkning av noggrannhet POA. Med absolut avvik MAD . Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata under en period som du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Data under denna period används som underlag för att rekommendera vilken prognosmetod som ska användas vid nästa tillfälle prognosprojektion Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa.3 1 1 Bästa passform. Systemet rekommenderar den bästa anpassningsprognosen genom att använda de valda prognosmetoderna till tidigare försäljningsorderhistorik och jämföra prognosimuleringen till Den faktiska historiken När du skapar en bästa passformsprognos jämförs systemet faktiska försäljningsorderhistorier med prognoser för a specifik tidsperiod och beräknar hur exakt varje olika prognostiseringsmetod förutspådde försäljning. Systemet rekommenderar därför den mest exakta prognosen som den passar bäst. Denna grafik illustrerar bästa passformsprognos. Figur 3-1 Bästa passformsprognos. Systemet använder denna stegsekvens för att bestämma Bästa passformen. Använd varje specificerad metod för att simulera en prognos för hållbarhetsberäkning av den faktiska försäljningen till de simulerade prognoserna för hållbarhetsperioden. Beräkna POA eller MAD för att bestämma vilken prognosmetod som ligger närmast den tidigare faktiska försäljningen. Systemet använder antingen POA eller MAD, baserat på de behandlingsalternativ som du väljer. Rekommendera en lämplig prognos för POA som är närmast 100 procent över eller under eller MAD som är närmast noll.3 2 Prognosmetoder. JD Edwards EnterpriseOne Forecast Management använder 12 metoder för kvantitativ prognos och anger vilken metod som passar bäst för prognosläget. Detta avsnitt diskuteras. Metod 1 Procent Över La st år. Metod 2 beräknad procentsats över förra året. Metod 3 förra året till detta år. Metod 4 rörande medelvärde. Metod 5 linjär approximation. Method 6 Minsta kvadratregression. Metod 7 andra grad approximation. Method 8 Flexibel Metod. Metod 9 Vägt Flytta Genomsnitt. Metod 10 Linjär utjämning. Metod 11 Exponentiell utjämning. Metod 12 Exponentiell utjämning med trend och säsonglighet. Ange den metod som du vill använda i behandlingsalternativen för Prognos Generation-programmet R34650. De flesta av dessa metoder ger begränsad kontroll. Till exempel Vikten placerad på tidigare historiska data eller datumintervallet för historiska data som används i beräkningarna kan specificeras av dig. Exemplen i guiden anger beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna med en identisk uppsättning historiska data. Metodsexemplen i guiden använder en del eller alla dessa dataset, vilket är historiska data från de senaste två åren. Prognosprojektionen går in i nästa år r. Dessa försäljningshistorikdata är stabila med små säsongsökningar i juli och december. Detta mönster är karaktäristiskt för en mogen produkt som kan närma sig föryngring.3 2 1 Metod 1 Procent under förra året. Denna metod använder procenten över fjolårets formel till Multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att kunna förutse efterfrågan kräver denna metod antalet perioder för bästa passform plus ett års försäljningshistorik. Denna metod är användbar för att prognostisera efterfrågan på säsongsvaror med tillväxt eller nedgång.3 2 1 1 Exempel Metod 1 Procent Över fjolåret. Procenten över förra året formel multiplicerar försäljningsdata från föregående år med en faktor du anger och sedan projekt som resulterar under nästa år. Denna metod kan vara användbar vid budgetering för att simulera påverkan av en specificerad tillväxttakt eller när försäljningshistoriken har en betydande säsongskomponent. Förutsägningsspecifikationer Multiplikationsfaktor Ange exempelvis 110 i bearbetningsalternativet för att öka E förra året s försäljningshistorik data med 10 procent. Behövs försäljningshistoria Ett år för beräkning av prognosen plus antalet tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform som du anger. Denna tabell är historia som används i prognosberäkningen. Februariprognosen motsvarar 117 1 1 128 7 avrundad till 129.Marg prognos är lika med 115 1 1 126 5 avrundad till 127,3 2 2 Metod 2 Beräknad procentsats under förra året. Denna metod använder den beräknade procentsatsen över fjolårets formel för att jämföra Tidigare försäljning av specificerade perioder till försäljning från samma perioder under föregående år Systemet bestämmer en procentuell ökning eller minskning och multiplicerar sedan varje period med procentandelen för att bestämma prognosen. För att kunna förutse efterfrågan kräver denna metod antalet försäljningsperioder orderhistorik plus ett års försäljningshistorik Denna metod är användbar för att förutse kortfristig efterfrågan på säsongsvaror med tillväxt eller nedgång.3 2 2 1 Exempel Metod 2 Beräknad Perce Nt över förra året. Den beräknade procentsatsen över förra året formel multiplicerar försäljningsdata från föregående år med en faktor som beräknas av systemet och sedan projekterar det resultatet för nästa år. Denna metod kan vara användbar för att projicera påverkan av att förlänga Den senaste tillväxttakten för en produkt till nästa år, samtidigt som ett säsongsmönster som finns i försäljningshistorik bevaras. Förutsägningsspecifikationer Omsättning av försäljningshistorik som ska användas vid beräkning av tillväxten Till exempel anger n att det är 4 i bearbetningsalternativet för att jämföra Försäljningshistoria för de senaste fyra perioderna till samma fyra perioder föregående år Använd det beräknade förhållandet för att göra projiceringen för nästa år. Behovet av försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosperioderna för bästa passform. Detta tabell är historia som används i prognosberäkningen, givet n 4.Februariprognosen är 117 0 9766 114 26 rounde d till 114.March prognosen motsvarar 115 0 9766 112 31 avrundad till 112,3 2 3 Metod 3 förra året till i år. Denna metod använder förra årets försäljning för nästa år s prognos. För att förutse efterfrågan kräver denna metod antalet perioder bästa passform plus ett års försäljningsorderhistorik Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med efterfrågan på efterfrågan eller säsongens efterfrågan utan en trend.3 2 3 1 Exempel Metod 3 Förra året till årets år. Försäljningsdata från föregående år till nästa år Denna metod kan vara användbar vid budgetering för att simulera försäljningen på nuvarande nivå. Produkten är mogen och har ingen trend på lång sikt, men ett signifikant säsongsmässigt efterfrågan kan existera. Erforderlig försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosperioderna för bästa passform. Denna tabell är historia som används i prognosberäkningen. Januaryprognosen är lika med Januari förra året med ett prognosvärde på 128. Februari förra året motsvarar februari förra året med ett prognosvärde på 117.March prognosen är lika med mars förra året med ett prognosvärde på 115,3 2 4 Metod 4 Moving Average. This metod använder Moving Average Genomsnittlig formel för att medge det angivna antalet perioder för att projicera nästa period Du bör omräkna det ofta varje månad eller åtminstone kvartalsvis för att reflektera förändrad efterfråganivå. För att kunna förutse efterfrågan kräver denna metod att antalet perioder passar bäst, plus antalet perioder av Försäljningsorderhistorik Denna metod är användbar för att prognostisera efterfrågan på mogna produkter utan en trend.3 2 4 1 Exempel Metod 4 Flyttande Average. Moving Average MA är en populär metod för att medelvärda resultaten av den senaste försäljningshistoriken för att bestämma ett projektion på kort sikt MA prognosmetoden ligger bakom trender Prognoser och systematiska fel uppstår när produktförsäljningshistoriken uppvisar stark trend eller säsongsbetonade mönster. Denna metod fungerar bättre för stränder t-prognoser för mogna produkter än för produkter som ligger i livscykelns tillväxt eller förälskelse. Förutsägningsspecifikationer n är lika med antalet perioder av försäljningshistorik som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet till Använd de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod Ett stort värde för n som 12 kräver mer försäljningshistorik. Det ger en stabil prognos, men är långsamt att känna igen skift i försäljningsnivån. Omvänt är en litet värde för n som 3 är snabbare att svara på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Förfrågad försäljningshistorik n plus antal tidsperioder som krävs för att utvärdera prognosperioder med bästa passform. Detta tabell är historia som används i prognosberäkningen. Februariprognosen är 114 119 137 125 4 123 75 avrundad till 124.Marg prognos är lika med 119 137 125 124 4 126 25 avrundad till 126,3 2 5 Metod 5 Linjär approximation. This metoden använder den linjära approximationsformeln för att beräkna en trend från antalet perioder av orderorderhistorik och att projicera denna trend till prognosen. Du bör räkna om trenden månadsvis för att upptäcka förändringar i Tendenser. Denna metod kräver antalet perioder med bäst passform plus antal specificerade perioder med orderorderhistorik Denna metod är användbar för att prognostisera efterfrågan på nya produkter eller produkter med konsekventa positiva eller negativa trender som inte beror på säsongsvariationer.3 2 5 1 Exempel Metod 5 Linjär approximation. Linear Approximation beräknar en trend som baseras på två försäljningshistoriska datapunkter Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd den här metoden med försiktighet, eftersom långdistansprognoserna utnyttjas av små ändringar i bara två datapunkter. Förutsättningsspecifikationer n är lika med datapunktet i försäljningshistoriken som jämförs med den senaste datapunkten För att identifiera en trend Till exempel ange n 4 för att använda skillnaden mellan december senaste data och augusti fyra perioder före december som grund för beräkning av trend. Minimum krävs försäljningshistorik n plus 1 plus antal tidsperioder som krävs för Utvärdering av prognosperioder med bästa passform. Detta tabell är historia som används i prognosberäkningen. Januärprognos december förra året 1 Trend som motsvarar 137 1 2 139.Februari prognos december föregående år 1 Trend som motsvarar 137 2 2 141.March Prognos december förra året 1 Trend som är lika med 137 3 2 143,3 2 6 Metod 6 Minsta kvadratregression. Minst kvadratregressions LSR-metoden härleder en ekvation som beskriver en raklinjeförhållande mellan historiska försäljningsdata och tidens gång. LSR passar en linje till Det valda datamängden så att summan av kvadraterna för skillnaderna mellan de faktiska försäljningsdatapunkterna och regressionslinjen minimeras. Prognosen är en projicering av denna raka linje in i framtiden. Denna metod kräver försäljningsdatahistorik för den period som representeras av antalet perioder som passar bäst och det angivna antalet historiska datoperioder. Minimikravet är två historiska datapunkter. Denna metod är användbar för att prognostisera efterfrågan när En linjär trend är i data.3 2 6 1 Exempel Metod 6 Minsta kvadratregression. Linär regression, eller minst kvadratregression LSR, är den mest populära metoden för att identifiera en linjär trend i historisk försäljningsdata Metoden beräknar värdena för a och b som ska användas i formeln. Denna ekvation beskriver en rak linje, där Y representerar försäljning och X representerar tid. Linjär regression är långsam för att känna igen vändpunkter och stegfunktionsskift i efterfrågan. Linjär regression passar en rak linje till data, även när Data är säsongsbetonad eller bättre beskrivs av en kurva När försäljningshistorikdata följer en kurva eller har ett starkt säsongsmönster, uppstår prognosförhållanden och systematiska fel. Specifikationerna n är lika med försäljningshistorikperioderna som kommer att användas vid beräkning av värdena för a och b Ange till exempel n 4 för att använda historiken från september till december som grund för beräkningarna. När data finns finns en större n som n 24 skulle vanligtvis användas LSR definierar en linje för så få som två datapunkter För detta exempel valdes ett litet värde för nn 4 för att minska de manuella beräkningar som krävs för att verifiera resultaten. Minsta nödvändiga försäljningshistorik n perioder plus antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen. Marg prognos är lika med 119 5 7 2 3 135 6 avrundad till 136,3 2 7 Metod 7 Andra graden Approximation. To projektet prognosen använder denna metod den andra graden approximationsformeln för att plotta en kurva som är baserad på antalet perioder av försäljningshistoria. Denna metod kräver antalet perioder som passar bäst, plus antalet pe riods of sales order history times three Denna metod är inte användbar för att prognostisera efterfrågan på en lång period.3 2 7 1 Exempel Metod 7 Andra grader Approximation. Linear Regression bestämmer värdena för a och b i prognosformeln Y ab X med Målsättning att anpassa en rak linje till försäljningshistorikdata Den andra graden Approximation är liknande, men den här metoden bestämmer värdena för a, b och c i den här prognosformeln. Syftet med denna metod är att passa en kurva till försäljningshistorikdata Denna metod är användbar när en produkt befinner sig i övergången mellan livscykelsteg. Till exempel när en ny produkt flyttar från introduktion till tillväxtsteg kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändlighet eller släppa till noll beroende på om koefficienten c är positiv eller negativ Denna metod är endast användbar på kort sikt. Förutsägningsspecifikationer Formeln hitta a, b och c för att passa en kurva till exakt tre punkter Du anger n, Antalet tidsperioder av data som ackumuleras i var och en av de tre punkterna I detta exempel kombineras n 3 Faktiska försäljningsdata för april till juni i första punkten, Q1 juli till september läggs till för att skapa Q2 och oktober till december Summa till Q3 Kurvan är anpassad till de tre värdena Q1, Q2 och Q3. Required sales history 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Denna tabell är Historia som används i prognosberäkningen. Q0 Jan Feb Mar. Q1 Apr Maj Juni vilket är lika med 125 122 137 384.Q2 Jul Aug Sep vilket motsvarar 140 129 131 400.Q3 Okt Nov Dec vilket motsvarar 114 119 137 370. Nästa steg innebär att beräkna De tre koefficienterna a, b och c som ska användas i prognosformeln Y ab X c X 2. Q1, Q2 och Q3 presenteras på grafiken, där tiden plottas på den horisontella axeln Q1 representerar den totala historiska försäljningen för april , Maj och juni och är ritad på X 1 Q2 motsvarar juli till september Q3 motsvarar oktober till december och Q4 representerar januari till mars Denna grafik illustrerar planeringen av Q1, Q2, Q3 och Q4 för approximation av andra grader. Figur 3-2 Plottning Q1, Q2, Q3 och Q4 För andra graders approximation. Three equations beskriver de tre punkterna på grafen. 1 Q1 en bX cX2 där X1 Q1 a b c. 2 Q2 en bX cX2 där X2 Q2 en 2b 4c. 3 Q3 en bX cX 2 där X 3 Q3 a 3b 9c. Solve de tre ekvationerna samtidigt för att hitta b, a och c. Ta bort ekvation 1 1 från ekvation 2 2 och lösa för b. Sätta ut denna ekvation för b i ekvation 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1. Äntligen ersätt dessa ekvationer för a och b till ekvation 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.The Second Degree Approximation method Beräknar a, b och c som följer. 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 Är en beräkning av approximationsprognos för andra graden. En bX cX 2 322 85X 23 X 2. När X 4, Q4 322 340 368 294 Prognosen är 294 3 98 per period. När X 5, Q5 322 425 575 172 Prognosen är lika med 172 3 58 33 avrundad till 57 per period. När X 6, Q6 322 510 828 4 Prognosen motsvarar 4 3 1 33 avrundad till 1 per period. Detta är prognosen för nästa år, förra året till det här året.3 2 8 Metod 8 Flexibel metod. Med den här metoden kan du välja det bästa passformet antal per jod av försäljningsorderhistorik som börjar n månader före prognosens startdatum och att tillämpa en procentuell ökning eller minskning av multiplikationsfaktorn med vilken ändring av prognosen Denna metod liknar Metod 1, Procent över förra året, förutom att du kan ange antal perioder som du använder som bas. Beroende på vad du väljer som n kräver denna metod perioder som passar bäst plus antalet perioder av försäljningsdata som anges. Denna metod är användbar för att prognostisera efterfrågan på en planerad trend.3 2 8 1 Exempel Metod 8 Flexibel metod. Flexibel metodprocent över n månader Tidigare liknar Metod 1, Procent över förra året Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod med en faktor som anges av dig och sedan projekterar det resultatet i framtiden I Procenten över senaste årmetoden är projiceringen baserad på data från samma tidsperiod föregående år. Du kan också använda den flexibla metoden för att ange en annan tidsperiod än samma period i la st år för att använda som grund för beräkningarna. Multiplikationsfaktor Ange till exempel 110 i bearbetningsalternativet för att öka tidigare försäljningshistorikdata med 10 procent. Basperiod Exempelvis ger n 4 den första prognosen baserad på försäljningsdata I september förra året. Minimum krävde försäljningshistoria antalet perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen.3 2 9 Metod 9 Vägt rörlig medelvärde. Den viktade rörliga genomsnittsformeln liknar Metod 4, Rörlig medelformel eftersom det är genomsnittet för försäljningens historia för föregående månad för att projicera nästa månad s försäljningshistorik. Med denna formel kan du dock tilldela vikter för varje Av den tidigare perioden. Denna metod kräver antal viktade perioder valda plus antalet perioder som passar bäst i likhet med rörande medelvärde, den här metoden ligger bakom efterfrågan trenderna, så detta Metod rekommenderas inte för produkter med starka trender eller säsongsvariationer. Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med en efterfrågan som är relativt nivå.3 2 9 1 Exempel Metod 9 Vägt rörligt medelvärde. Den viktade rörliga genomsnittliga WMA-metoden liknar metod 4 , Moving Average MA Du kan dock tilldela ojämna vikter till historiska data vid användning av WMA. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering på kort sikt. Senare data får vanligtvis större vikt än äldre data, Så WMA reagerar mer på förändringar i försäljningsnivån Men prognosfel och systematiska fel uppstår när produktförsäljningshistoriken uppvisar starka trender eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i tillväxt eller föråldrade Stadier av livscykeln. Antalet perioder av försäljningshistorik n att använda i prognosberäkningen. Till exempel, ange n 4 i förfarandet ssing-alternativet att använda de senaste fyra perioderna som grund för projiceringen till nästa tidsperiod Ett stort värde för n som 12 kräver mer försäljningshistoria Ett sådant värde ger en stabil prognos, men det är långsamt att känna igen skift i Försäljningsnivå Omvänt svarar ett litet värde för n som 3 snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Totalt antal perioder för bearbetningsalternativet 14 - Perioder som ska inkluderas får inte överstiga 12 månader. Vikten som tilldelas vart och ett av de historiska dataperioderna. De tilldelade vikterna måste vara totalt 1 00 Till exempel, när n 4, tilldela vikter på 0 50, 0 25, 0 15 och 0 10 med den senaste data som tar emot största vikt. Minimum krävs försäljningshistorik n plus antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen. January forec ast är lika med 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 avrundad till 128. Nyårsprognosen är lika med 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 avrundad till 128. Marsprognosen är lika med 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 avrundad till 128,3 2 10 Metod 10 Linjär utjämning. Denna metod beräknar ett vägt genomsnitt av tidigare försäljningsdata I beräkningen använder denna metod antalet perioder av Försäljningsorderhistorik från 1 till 12 som anges i bearbetningsalternativet Systemet använder en matematisk progression för att väga data i intervallet från den första minsta vikten till den slutliga vikten. Sedan projekterar systemet denna information till varje period i prognosen. Detta Metoden kräver månadens bästa passform plus försäljningsorderhistoriken för antalet perioder som anges i bearbetningsalternativet. 3 2 10 1 Exempel Metod 10 Linjär utjämning. Denna metod liknar Metod 9, WMA. I stället för godtyckligt tilldelande Vikter till historiska data används en formel att bestämma vikter som faller linjärt och summan till 1 00 Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt Liksom alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsbetonade mönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter än för produkter i livscykelns tillväxt eller föråldrade stadier. Det motsvarar antalet försäljningsperioder som ska användas vid prognosberäkning. n är lika med 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod Systemet tilldelar automatiskt vikterna till historiska data som avtar lineärt och summan till 1 00 Till exempel när n är lika med 4 , Systemet tilldelar vikter av 0 4, 0 3, 0 2 och 0 1, med den senaste data som tar emot största vikt. Minsta möjliga försäljningshistoria np lus det antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen.3 2 11 Metod 11 Exponentiell utjämning. Denna metod beräknar ett jämnt medelvärde som blir en uppskattning som representerar generell försäljningsnivå över vald historisk dataperiod. Denna metod kräver försäljningsdatahistorik för den tidsperiod som representeras av antalet perioder som passar bäst, plus antalet historiska datoperioder som anges. Minimibehovet är två historiska dataperioder Metoden är användbar för att prognostisera efterfrågan när ingen linjär trend är i data. 3 2 11 1 Exempel Metod 11 Exponentiell utjämning. Denna metod liknar Metod 10, Linjär utjämning i linjär utjämning, tilldelar systemet vikter som linjärt avviker från historiska data Vid exponentiell utjämning tilldelar systemet vikter som exponentiellt sönderfallas. Ekvationen för exponentiell utjämningsprognos är. Forecast P Revious Actual Sales 1 Tidigare prognos. Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period Alpha är vikten som tillämpas på den faktiska försäljningen under föregående period 1 är vikten som tillämpas till prognosen för föregående period Värden för alfabetik från 0 till 1 och faller vanligen mellan 0 1 och 0 4 Summan av vikterna är 1 00 1 1.Du borde ange ett värde för utjämningskonstanten, alfabetet Om du inte gör assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 12 Method 12 Exponential Smoothing with Trend and Seasonality. This method calculates a trend, a seasonal index, and an 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