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 din nästa testresultat. Vad tycker du att dina vänner kan förutsäga För din nästa testpoäng. Vad tror 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 De rörliga genomsnittliga prognoserna. 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 med 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 på 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. Båda dessa problem kommer att vara väldigt signifikanta 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 Som Single Declaration och initialisering av variabler Dim Item As Variant Dim Counter Som Integer Dim Accumulation Som Single Dim HistoricalSize As Integer. 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. Akkumuleringsaccumulering Historisk Historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen i kalkylbladet så att resultatet av beräkningen visas där den ska Som följande. När du beräknar ett löpande rörligt medelvärde, är det genomsnittligt att placera medelvärdet under mellantid. I det föregående exemplet beräknade vi genomsnittet av de första 3 tidsperioderna och placerade det bredvid period 3 Vi kunde ha placerat genomsnittet i Mitten av tidsintervallen av tre perioder, det vill säga intill period 2 Det fungerar bra med udda tidsperioder, men inte så bra för jämna tidsperioder Så var skulle vi placera det första glidande medlet när M 4. Tekniskt sett rör de rörliga Medelvärdet skulle falla vid t 2 5, 3 5. För att undvika detta problem släpper vi MAs med M 2 Således släpper vi de jämnda värdena. Om vi i genomsnitt är ett jämnt antal ter Ms, vi behöver släta de jämnderade värdena. Följande tabell visar resultaten med hjälp av M 4.3 Förstå prognosnivåer och metoder. Du kan generera både detaljprognoser för enstaka prognoser 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 nivåinformation om en filial eller företaget som helhet.3 1 Prognos Prestationsutvärderingskriterier. Avhängigt av valet av bearbetningsalternativ och om trender och mönster i Försäljningsdata gör vissa prognosmetoder bättre än andra för en viss historisk datamängd. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det kan hända att en prognosmetod som ger bra resultat i ett skede av produktlivet Cykeln förblir lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera Te aktuella prestanda för prognosmetoderna. Beräkning av noggrannhet POA. Mean absolut avvikelse MAD. Both av dessa prestanda utvärderingsmetoder kräver historiska försäljningsdata för en period som du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Dataen i Denna period används som grund för att rekommendera vilken prognosmetod som ska användas vid nästa 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 passformen Prognos genom att använda de valda prognosmetoderna till tidigare försäljningsorderhistorik och jämföra prognossimuleringen med den faktiska historiken När du genererar en bästa anpassningsprognos jämförs systemet faktiska försäljningsorderhistorier med prognoser för en viss tidsperiod och beräknar hur exakt varje olika prognos Metod förutspådd försäljning Sedan rekommenderar systemet att den mest exakta prognosen är den bästa passformen. Denna grafik illustrerar S bästa anpassade prognoser. Figur 3-1 Bästa passformsprognos. Systemet använder denna stegsekvens för att bestämma den bästa passformen. Använd varje angiven metod för att simulera en prognos för hållbarhetsperioden, spara 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 fjolår . Metod 2 beräknad procentsats under förra året. Metod 3 förra året till årets år. Metod 4 Flyttande medelvärde. Metod 5 Linjär approximation. Method 6 Minsta kvadratregression. Metod 7 Andra Degre E Approximation. Method 8 Flexible Method. Method 9 Weighted Moving Average. Method 10 Linjär utjämning. Metod 11 Exponentiell utjämning. Metod 12 Exponentiell utjämning med trend och säsonglighet. Specifiera metoden som du vill använda i behandlingsalternativen för Prognos Generation-programmet R34650 De flesta av dessa metoder ger begränsad kontroll. Till exempel kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna specificeras av dig. Exemplen i guiden anger beräkningsförfarandet för var och en av de Tillgängliga prognosmetoder, 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. Dessa försäljningshistorikdata är stabila Med små säsongstegringar i juli och december Detta mönster är karakteristiskt för en mogen produkt som kan närma sig föryngring.3 2 1 Metod 1 Procent under sista året. Denna metod använder procenten över fjolårets formel för att multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att prognostisera 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 fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor du anger och sedan projekt som resulterar över Nästa år Denna metod kan vara användbar vid budgetering för att simulera påverkan av en viss tillväxttakt eller när försäljningshistoriken har en betydande säsongskomponent. Förutsägningsspecifikationer Multiplikationsfaktor Ange till exempel 110 i behandlingsalternativet för att öka föregående års säljhistorikdata Med 10 procent. Förfrågad försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera foreca St prestationsperioder med bästa passform som du anger. Detta tabell är historia som används i prognosberäkningen. Februari prognos är lika med 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 över Förra året. Denna metod använder den beräknade procentsatsen över förra årets formel för att jämföra den tidigare försäljningen av angivna perioder till försäljning från samma perioder i föregående år Systemet bestämmer en procentuell ökning eller minskning och multiplicerar sedan varje period med procentandelen för att bestämma Prognosen. För att prognostisera efterfrågan kräver denna metod antalet perioder med orderorderhistorik plus ett års försäljningshistorik. Denna metod är användbar för att prognostisera kortfristig efterfrågan på säsongsvaror med tillväxt eller nedgång.3 2 2 1 Exempel Metod 2 Beräknad Procent Förra året. Beräknad procentsats över förra årets formel multiplicerar försäljningsdata från föregående år med en faktor som beräknas av systemet och sedan projekterar det resultatet för Nästa år Den här metoden kan vara användbar för att projicera inverkan på att förlänga den senaste tillväxttakten för en produkt till nästa år, samtidigt som ett säsongsmönster som finns i försäljningshistorik bevaras. Förutsägningsspecifikationer Försäljningshistorik som ska användas för att beräkna hastigheten på Tillväxt Ange till exempel n lika med 4 i bearbetningsalternativet för att jämföra försäljningshistorik för de senaste fyra perioderna till samma fyra perioder föregående år. Använd det beräknade förhållandet för att göra projiceringen för nästa år. Förfrågad försäljningshistoria Ett år för Beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen, given n 4.Februariprognosen är 117 0 9766 114 26 avrundad till 114.March prognos Motsvarar 115 0 9766 112 31 avrundad till 112,3 2 3 Metod 3 förra året till i år. Denna metod använder förra året s-försäljningen för nästa år s prognos. För att förutse efterfrågan Etod kräver antal perioder som passar bäst, plus ett år med orderorderhistorik. Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med efterfrågan på efterfrågan eller säsongsbetonad efterfrågan utan en trend.3 2 3 1 Exempel Metod 3 Förra året till det här året. År till år formel kopierar 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 betydande säsongsbestämt mönster kan Exist. Forecast specifications None. Required sales history Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen. Januaryprognosen är lika med januari i fjol År med ett prognosvärde på 128.Februari prognos är lika med februari i fjol med ett prognosvärde på 117.March prognosen är lika med mars i fjol med ett prognostiskt värde av 115.3 2 4 Metod 4 Flyttande medelvärde. Denna metod använder den rörliga genomsnittsformeln 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 förutse efterfrågan, innebär denna metod Kräver antal perioder som bäst passar plus antal perioder med orderorderhistorik Denna metod är användbar för att förutse efterfrågan på mogna produkter utan en trend.3 2 4 1 Exempel Metod 4 Flyttande Genomsnitt. Förflyttningsgenomsnitt MA är en populär metod för att medelvärda Resultatet av den senaste försäljningshistoriken för att bestämma en prognos 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 korta prognoser för mogna produkter än för Produkter som ligger i livscykelens tillväxt eller föråldrade stadier. Förutsägningsspecifikationerna n är lika med antalet perioder av försäljningshistoria t O Användning i prognosberäkningen Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod Ett stort värde för n som 12 kräver mer försäljningshistorik Det resulterar i en Stabil prognos men är långsamt att känna igen skift i försäljningsnivån Omvänt är ett litet värde för n som 3 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 prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen. Februariprognosen motsvarar 114 119 137 125 4 123 75 avrundad till 124.March prognos Motsvarar 119 137 125 124 4 126 25 avrundad till 126,3 2 5 Metod 5 Linjär approximation. This method använder linjär approximation formel för att beräkna en trend från antalet perioder av orderorder historia och att projekt Denna trend till prognosen Du bör omberäkna trenden månatligen för att upptäcka förändringar i trender. Den här metoden kräver antal perioder med bäst passform plus antal angivna perioder med orderorderhistorik. Denna metod är användbar för att förutse 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 försäljningshistorikdatapunkter Dessa två punkter definierar en rak trendlinje som projiceras till Framtiden Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Förutsättningsspecifikationer n är lika med datapunktet i försäljningshistoriken som jämförs med den senaste datapunkten för att identifiera en trend. Exempelvis ange n 4 för att använda skillnaden mellan december senaste data och augusti fyra perioder före december som grund för beräkning av trend. Minimum requ Ired försäljningshistoria n plus 1 plus antal tidsperioder som krävs för att utvärdera prognosperioder med bästa passform. Detta tabell är historia som används i prognosberäkningen. Januaryprognos december förra året 1 Trend vilket 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 motsvarar 137 3 2 143,3 2 6 Metod 6 Minsta kvadratregression. Minsta kvadratregression LSR-metoden härleder en ekvation som beskriver en rak linje Förhållandet mellan den historiska försäljningsdata och tidens gång LSR passar en linje till det valda området av data så att summan av kvadraterna för skillnaderna mellan de faktiska försäljningsdatapunkterna och regressionslinjen minimeras. Prognosen är en projicering av detta Rak linje in i framtiden. Denna metod kräver försäljningsdatahistorik för den period som representeras av antalet perioder som passar bäst och det angivna antalet historiska data pe Tidspunkter Minimikravet är två historiska datapunkter Denna metod är användbar för att prognostisera efterfrågan när en linjär trend ligger 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 historiska 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 steg Funktionsskift 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 uppträder prognosfel och systematiska fel. Är lika med försäljningshistorikperioderna som kommer att användas vid beräkningen av värdena för a och b Ange till exempel n 4 för att använda historien från september till december som Grund för beräkningarna När data är tillgängliga skulle en större n som n 24 normalt 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 beräkningarna som är Krävs för att verifiera resultaten. Minsta obligatoriska försäljningshistorik n perioder plus antal tidsperioder som krävs för att utvärdera prognosperioderna för 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 grader Approximation. To projicera prognosen använder denna metod den andra graden approximationsformeln för att plotta en kurva som är baserad på antalet perioder av försäljningshistoria. Denna metod kräver att antalet perioder passar bäst Plus antal perioder av försäljningsorder historia gånger tre 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 v Alues för a och b i prognosformeln Y ab X med målet att anpassa en rak linje till försäljningshistorikdata. Andra grader Approximation är likartad, men denna metod bestämmer värdena för a, b och c i denna prognosformel. Målsättningen 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 ordens termen kan prognosen snabbt närma sig oändligheten eller släppa till noll beroende på huruvida 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 poäng Du anger n, antalet dataperioder som ackumuleras i var och en av de tre punkterna. I detta exempel kombineras n 3 Aktuella försäljningsdata för april till juni i första punkten, Q1 juli till och med September läggs ihop 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 Utvärdering av prognosperioder med bästa passform. Detta tabell är historia som används i prognosberäkningen. Q0 Jan Feb Mar. Q1 Apr Maj Juni vilket motsvarar 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 är Plottad på den horisontella axeln Q1 representerar total historisk försäljning för april, maj och juni och är plottad 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 i sek Ond grad approximation. Figure 3-2 Plotting Q1, Q2, Q3 och Q4 för approximation av andra grader. Tre ekvationer 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 för att ändra 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 förutse 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 fjolår Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod med en faktor som specificeras 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 tidsperiod, annan 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 orsakar n 4 den första prognosen att baseras 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 den är genomsnittlig säljhistorik för föregående månad för att projicera nästa månads 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 till 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 mest vikt. Då projicerar 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 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 prognos på kort sikt Som alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken Uppvisar stark trend eller säsongsbetonade mönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i livscykelns tillväxt eller föråldrade stadier. Det motsvarar antalet försäljningsperioder som ska användas vid prognosberäkningen. Ange till exempel 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 bör tilldela ett värde för utjämningskonstanten, alfabetet Om du inte gör det Ange ett värde för utjämningskonstanten, beräknar systemet ett antaget värde som är baserat på antalet perioder av försäljningshistorik som anges i bearbetningsalternativet, liksom den utjämnade konstanten som används för att beräkna det jämnde genomsnittet för den allmänna nivån eller Storleken på försäljningen. Val för alfabetik från 0 till 1n motsvarar utbudet av försäljningshistorikdata som ingår i beräkningarna. Generellt är ett års försäljningshistorikdata tillräckligt för att uppskatta den allmänna försäljningsnivån För detta exempel valdes ett litet värde för nn 4 för att minska de manuella beräkningarna som krävs för att verifiera resultaten Exponentiell utjämning kan generera en prognos som baseras på så lite som en historisk datapunkt. Minsta nödvändiga försäljningshistorik n plus numret Av tidsperioder som krävs för att utvärdera prognosperioderna med bästa passform. Detta tabell är historia som används i prognosberäkningen.3 2 12 Metod 12 Exponentiell utjämning med trend och säsonglighet. Denna metod beräknar en trend, ett säsongsindex och en 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