Przykładowa Ważona Ruchoma Średnia Prognoza

Prognozowanie obejmuje generowanie liczb, zestaw liczb lub scenariuszy, które odpowiadają przyszłym zdarzeniom. Konieczne jest, aby planowanie krótkofalowe i długoterminowe Z definicji prognoza opiera się na danych z przeszłości, w przeciwieństwie do przewidywania, co jest bardziej subiektywne i oparte na instynktach, uczucie jelit lub na przykład na przykład w wieczornych wiadomościach daje prognozę pogody nie na prognozę pogody Niezależnie od tego, czy prognozy i prognozy terminów są często używane w sposób zmienny na przykład Na przykład definicje regresji technika czasami wykorzystywane w prognozowaniu ogólnie mówią, że jego celem jest wyjaśnienie lub przewidzenie. Prognozowanie opiera się na wielu założeniach. W przeszłości powtórzę się inaczej Innymi słowy, to, co wydarzyło się w przeszłości, powtórzy się ponownie w przyszłości. , dokładność prognozy wzrasta Na przykład prognoza na jutro będzie dokładniejsza niż prognoza na następny miesiąc prognoza na następny miesiąc będzie dokładniejsza niż prognoza f lub w przyszłym roku, a prognoza na przyszły rok będzie dokładniejsza niż przewidywana na dziesięć lat w przyszłości. Standaż danych w skali globalnej jest dokładniejszy niż prognozowanie pojedynczych elementów Oznacza to, że firma będzie w stanie prognozować całkowity popyt w całym spektrum produktów dokładniej niż będzie w stanie prognozować poszczególne jednostki magazynowych SKU Na przykład, General Motors może dokładniej prognozować całkowitą liczbę samochodów potrzebnych na przyszły rok niż całkowita liczba białych Chevrolet Impalas z pewnym pakietem opcji. rzadko są dokładne. Ponadto prognozy prawie nigdy nie są całkowicie dokładne. Niektóre są bardzo bliskie, niewiele osób ma rację w stosunku do pieniędzy. Dlatego warto zaoferować zakres prognoz. Jeśli miałbyś przewidzieć zapotrzebowanie na 100 000 jednostek na następny miesiąc, to bardzo mało prawdopodobne, że popyt wynosiłby 100 000 dokładnie Jednak prognoza 90 000 do 110 000 zapewniłaby znacznie większy cel planowania. William J Stevenson wymienia numer ność cech, które są wspólne dla dobrej prognozy. Dokonaj określenia pewnego stopnia dokładności i podaj, aby można było porównać alternatywne prognozy. Niezawodność metody prognozy powinna konsekwentnie zapewniać dobrą prognozę, jeśli użytkownik ma ustanowić pewien stopień zaufanie. Tymczasem potrzebna jest pewna ilość czasu, aby odpowiedzieć na prognozę, więc horyzont prognozy musi pozwolić na czas niezbędny do wprowadzenia zmian. Z łatwiejszy w użyciu i zrozumieć użytkowników prognozy musi być pewny siebie i wygodny w pracy. koszty dokonywania prognozy nie powinny przeważyć nad korzyściami płynącymi z prognozy. Techniki projekcji obejmują od prostych do bardzo skomplikowanych. Techniki te są zazwyczaj klasyfikowane jako jakościowe lub ilościowe. TECHNIKI KWALITACYJNE. Techniki prognozowania jakościowego są na ogół bardziej subiektywne niż ich ilościowe odpowiedniki Techniki jakościowe są bardziej użyteczne w poprzednich etapach pr cykl życia produktu, w przypadku gdy istnieją mniej danych z przeszłości do wykorzystania w metodach ilościowych Metody jakościowe obejmują technikę Delphi, technikę Grupy Nominalnej NGT, opinie siły roboczej, opinie wykonawców i badania rynku. THE DELPHI TECHNIKA. Technika Delphi wykorzystuje zespół ekspertów do przygotuj prognozę Każdy ekspertów jest proszony o przygotowanie prognozy właściwej do potrzeb w danej chwili Po dokonaniu wstępnych prognoz każdy ekspert odczytuje to, co napisał każdy inny ekspert, i jest oczywiście zależny od ich opinii Następna prognoza jest następnie sporządzana przez każdego ekspert Każdy z ekspertów ponownie czyta to, co każdy inny ekspert napisał i ponownie wpływa na postrzeganie innych Proces ten powtarza się, dopóki każdy z ekspertów nie zgodzi się na potrzebny scenariusz lub numery. TECHNIKA GRUPY NOMINALNEJ. Niemocna technika grupy jest podobna do techniki Delphi w tym, że wykorzystuje grupę uczestników, zazwyczaj ekspertów Po odpowiedzeniu uczestników na pytania związane z prognozą, oceniają ich respon ses w kolejności postrzegania względnego znaczenia Następnie rankingi są zbierane i agregowane Ostatecznie grupa powinna osiągnąć konsensus w kwestii priorytetów rankingowych. OPINIE DLA RYNKU. Personel sprzedaży często jest dobrym źródłem informacji o przyszłym zapotrzebowaniu Kierownik sprzedaży może poprosić o dane wejściowe od każdego sprzedającego i zagregować swoje odpowiedzi w złożoną prognozę sprzedaży. Ostrożnie należy zachować podczas korzystania z tej techniki, ponieważ członkowie zespołu sprzedaży mogą nie być w stanie rozróżnić tego, co klienci mówią i co właściwie robią , jeśli przewidywane prognozy zostaną wykorzystane do ustalenia kwot sprzedaży, siły sprzedaży mogą być skłonne do przedstawienia niższych szacunków. OPISY EKSPOZYCJI. Cztery razy szefowie wyższego szczebla spotykają się i opracowują prognozy w oparciu o wiedzę na temat obszarów odpowiedzialnych. Czasami określane są jako jury opinii wykonawczej. MARKET RESEARCH. W badaniach rynkowych badania konsumenckie są wykorzystywane do ustalenia potencjalnego zapotrzebowania Badania nad arketingiem zazwyczaj obejmują opracowanie kwestionariusza, w którym gromadzono informacje osobiste, demograficzne, ekonomiczne i marketingowe Z kolei osobom zajmującym się badaniami rynku zbiera się takie informacje osobiście w punktach sprzedaży detalicznej i centrach handlowych, gdzie konsument może doświadczać smaku, odczuwania, zapachu i zobaczyć konkretny produkt Badacz musi być ostrożny, aby próbka badanych osób była reprezentatywna dla pożądanego celu dla konsumentów. TECHNIKI KWESTII TECHNICZNEJ. Techniki prognozowania ilościowego są na ogół bardziej obiektywne niż ich odpowiedniki jakościowe Prognozy ilościowe mogą być prognozami dotyczącymi serii czasowej tj. Projekcji przeszłości w przyszłości lub prognozy oparte na modelach asocjacyjnych, czyli na podstawie jednej lub kilku zmiennych objaśniających Dane serii czasowej mogą mieć podstawowe zachowania, które muszą być zidentyfikowane przez prezentera Ponadto prognoza może potrzebować identyfikacji przyczyn zachowań Niektóre z tych zachowań mogą być wzorcami lub po prostu losowe odchylenia Wśród wzorców są które są długoterminowymi ruchami w górę lub w dół w danych. Seasonality, która generuje wahania krótkoterminowe, które są zwykle związane z pory roku, miesiąca, a nawet konkretnego dnia, co świadczy o sprzedaży detalicznej na Boże Narodzenie lub skoki w działalności bankowej na pierwszy dzień miesiąca i w piątki. Cykle, które są odmiennymi odmianami trwającymi od roku, które zwykle są powiązane ze stanami ekonomicznymi lub politycznymi. Typy zmian, które nie odzwierciedlają typowych zachowań, takich jak okres ekstremalnych pogoda lub strajk strajkowy. Różnice losowe, obejmujące wszystkie nietypowe zachowania, których nie uwzględniono w innych klasyfikacjach. Wśród modeli serii czasowych, najprostszym jest prognoza naiwna. Na podstawie prognozy po prostu wykorzystuje rzeczywiste zapotrzebowanie na przeszłość okres jako prognozowany popyt na następny okres Oczywiście zakłada się, że przeszłość powtórzy Przyjęcie zakłada również, że wszelkie trendy, sezonowość lub cykle są odzwierciedlone w popycie w poprzednim okresie lub nie istnieją Przykłady prognoz naiwnych przedstawiono w tabeli 1. Tablica 1 Na ve Prognozowanie. Inna prosta technika polega na uśrednieniu. Aby prognozować przy uśrednianiu, wystarczy zwykła średnia pewnej liczby okresów przeszłych danych przez zsumowanie każdego okresu i podzielenie wyniku przez liczbę okresów Ta technika okazała się być bardzo skuteczna w prognozowaniu krótkoterminowych. Warianty uśredniania obejmują średnią ruchową, średnią ważoną i ważoną średnią ruchoma Średnia ruchoma ma ustaloną z góry wartość liczba okresów, sumuje ich rzeczywisty popyt i dzieli się przez liczbę okresów, aby osiągnąć prognozę Dla każdego kolejnego okresu najstarszy okres danych upada i dodaje się ostatni okres Zakładając trzykomunową średnią ruchliwą i używając danych z W tabeli 1 po prostu dodać 45 stycznia, 60 lutego i 72 marca i podzielić przez trzy, aby osiągnąć prognozę na kwiecień 45 60 72 177 3 59. Aby osiągnąć prognozę na maj, spadnie styczeń s popyt z równania i dodać zapotrzebowanie od kwietnia Tabela 2 przedstawia przykład trójmianowej średniej ruchomej. Tabela 2 Prognoza średniej ruchomej trwa trzy miesiące. Zapotrzebowanie rzeczywiste 000 sA średnia ważona stosuje z góry ustaloną wagę do każdego miesiąca poprzednich danych, sumuje poprzednie dane z każdego okresu i dzieli się na całkowitą masę Jeśli prekursor dostosuje odważniki tak, aby ich suma wynosiła 1, to odważniki pomnożono przez rzeczywiste zapotrzebowanie każdego obowiązującego okresu. Wyniki są następnie sumowane do osiągnięcie ważonej prognozy Ogólnie rzecz biorąc, im dłużej dane, tym większa masa, a im starsze dane, tym mniejsza masa Przy użyciu przykładu popytu średnia ważona przy użyciu wag 4 3 2 i 1 przyniosłaby prognozę na czerwiec jako 60 1 72 2 58 3 40 4 53 8.Forecasters mogą również używać kombinacji średniej ważonej i średniej ruchomej prognozowanej ważonej średniej ruchomej, przypisuje wagi do z góry określonej liczby okresów rzeczywistych danych i kompresji przewiduje prognozę w taki sam sposób, jak opisano powyżej Podobnie jak w przypadku wszystkich prognoz ruchowych, w miarę dodawania każdego nowego okresu, dane z najstarszego okresu są odrzucane Tabela 3 przedstawia średnią ważoną średnią z trzech miesięcy ważoną 5,3 i 2. Tabela 3 Średnioroczna średnia ruchoma ważona przez trzy miesiące. Trwała zapotrzebowanie 000 sA bardziej złożona forma ważonej średniej ruchomej jest wygładzaniem wykładniczym, tak nazwanym, ponieważ masa upośledza wykładniczo, ponieważ dane są wygładzone Wyrażenie wygładzające przyjmuje prognozę z poprzedniego okresu i dostosowuje ją do z góry określonej stała wygładzająca, zwana alfa, wartość alfa jest mniejsza niż jedna pomnożona przez różnicę w poprzedniej prognozie i zapotrzebowanie, które wystąpiło w poprzednio przewidywanym okresie, zwanym błędem prognozy Wyrównanie wyrównania wyrażone jest formulaically jako takie Nowa prognoza poprzednia prognoza alfa rzeczywisty popyt poprzedni prognoza FFA F. Wyrównanie nieprzerwane wymaga od prekursora rozpoczęcia prognozy w minionym okresie a a także prace nad okresem, w którym potrzebna jest obecna prognoza Znaczna ilość dotychczasowych danych oraz początek lub wstępna prognoza są również konieczne Wstępna prognoza może być rzeczywistą prognozą z poprzedniego okresu, rzeczywistym popytem z poprzedniego okresu lub można oszacować przez uśrednienie całej lub części poprzednich danych Niektóre heurystyki istnieją do obliczania początkowej prognozy Na przykład heurystyczny N 2 1 i alfa 5 daje wynik N równy 3, wskazując, że użytkownik będzie średnio przez pierwsze trzy okresy danych, aby uzyskać wstępną prognozę Jednak dokładność pierwotnej prognozy nie jest istotna, jeśli używamy dużych ilości danych, ponieważ wygładzanie wykładnicze jest samoregulujące Zważywszy na wystarczające okresy przeszłych danych, wygładzenie wykładnicze ostatecznie spowoduje poprawne korekty w celu zrekompensowania w przypadku racjonalnie niedokładnej początkowej prognozy Używając danych używanych w innych przykładach, wstępnej prognozie wynoszącej 50, a alfa 7, prognoza na luty jest obliczana jako taka Nowego oddany luty 50 7 45 50 41 5.Następna prognoza dla marca Nowa prognoza marzec 41 5 7 60 41 5 54 45 Proces ten trwa do czasu, kiedy prekursor osiągnie pożądany okres W tabeli 4 będzie to miesiąc czerwiec, faktyczny popyt na czerwiec nie jest znany. Rzeczywisty popyt 000 s. Rozszerzenie wygładzania wykładniczego może być użyte, gdy dane serii czasowej wykazują tendencję liniową Ta metoda jest znana pod kilkoma nazwami, wyrównywana potrójnie wygładzoną tendencją, w tym trendu FIT i Holt s Model Bez korekty, proste efekty wyrównania wykładniczego będą opóźniały trend, tzn. prognoza będzie zawsze niska, jeśli trend się zwiększy lub będzie wysoki, jeśli trend się zmniejszy W tym modelu istnieją dwie stałe wygładzania i reprezentujące trend składnik. Przedłużenie modelu Holt s Metoda Holt-Winter s uwzględnia tendencję i sezonowość Istnieją dwie wersje: multiplikatywne i addytywne, przy czym mnożnik jest najbardziej powszechnym zastosowaniem d W modelu addytywnym sezonowość wyrażana jest jako ilość dodawana do lub odejmowana od średniej serii. Model multiplikatywny wyraża sezonowość jako procent znany jako sezonowy krewny lub indeksy sezonowe średniej lub trendu Poniższe wartości mnoży się w kolejności aby uwzględnić sezonowość Krewny 0 8 wskazywałoby popyt, który wynosi 80 procent średniej, podczas gdy 1 10 wskaże popyt, który jest o 10 procent wyższy od średniej Szczegółowe informacje dotyczące tej metody można znaleźć w większości podręczników zarządzania operacjami lub jednej z liczb książek na temat prognozowania. Techniki powiązaniowe lub przyczynowo-prawne obejmują identyfikację zmiennych, które można wykorzystać do przewidzenia innej zmiennej zainteresowania Na przykład, stopy procentowe mogą być wykorzystane do prognozowania zapotrzebowania na refinansowanie w domu Zazwyczaj wymaga to regresji liniowej, celem jest opracowanie równania, które podsumowuje wpływ niezależnych zmiennych predykcyjnych na th e przewidywana zmienna zależna Jeśli została wytyczona zmienna predykcyjna, celem byłoby uzyskanie równania prostej, która minimalizuje sumę kwadratowych odchyleń od linii z odchyleniem będącym odległością od każdego punktu do linii Równanie pojawi się jako ya bx, gdzie y jest przewidywaną zmienną zależną, x jest zmienną niezależną od predykucji, b jest nachyleniem linii, a jest równe wysokości linii na przechwytywaniu y Kiedy równanie zostanie określone, użytkownik może wstaw wartości bieżące dla zmiennej niezależnej od predykatu, aby uzyskać zmienną zależną od prognozy. Jeśli istnieje więcej niż jedna zmienna przewidywana lub jeśli relacja między predyktorem a prognozą nie jest liniowa, prosta regresja liniowa będzie niewystarczająca W sytuacjach z wieloma predyktorami, regresja wielokrotna , podczas gdy związki nielinearne wymagają zastosowania regresji krzywoliniowej. SPECYFIKACJA EKONOMICZNA. Metody ekonometryczne, takie jak autoregresywne zintegrowany średnioroczny model ARIMA, stosuj złożone równania matematyczne w celu ukazania przeszłych relacji między zapotrzebowaniem a zmiennymi wpływającymi na popyt. Otrzymane równanie jest testowane i dostrojone, aby zapewnić jak największą reprezentację dotychczasowego związku odbywa się to, przewidywane wartości wpływających zmiennych dochodów, cen, itd. są wstawiane do równania w celu dokonania prognozy. OCENA PROGNOZA. Dokładność rzutu może być określona poprzez obliczenie stronniczości, średniego odchylenia bezwzględnego MAD, średniego błędu kwadratowego MSE lub średniej bezwzględny błąd procentowy MAPE dla prognozy przy użyciu różnych wartości dla alfa Bias jest sumą błędów prognozy FE Dla przykładu wyrównania wykładniczego powyżej, obliczone nastawienie byłoby 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Jeśli jeden zakłada, że ​​niskie nastawienie wskazuje ogólny błąd o niskiej prognozie, można wyliczyć tendencję do szeregu potencjalnych wartości alfa i zakładać, że ta z najniższą stronniczością b e najbardziej dokładne Jednak należy zachować ostrożność, gdy dziko występujące prognozy mogą powodować niską stronniczość, jeśli mają tendencję do bycia zarówno nad prognozą, jak i prognozowanymi negatywnymi i pozytywnymi Na przykład przez trzy okresy firma może wykorzystać określoną wartość alfa do ponad prognozę 75 000 jednostek 75 000, w prognozie 100 000 jednostek 100 000, a następnie ponad prognozę 25 000 jednostek 25 000, co daje złudzenie 75 000 100 000 25 000 0 Dla porównania, inna alfa dająca ponad 2000 jednostek, 1000 jednostek i 3000 jednostek mogłoby doprowadzić do stronniczości 5000 sztuk Jeśli normalny popyt wyniósł 100.000 jednostek na okres, pierwsza alfa dałaby prognozy, które wyniosły nawet o 100 procent, podczas gdy drugi alfa byłby wyłączony maksymalnie o 3 procent, mimo że nastawa w pierwszej prognozie była zerowa. Bezpieczniejszą miarą dokładności prognozy jest średnie bezwzględne odchylenie MAD Aby obliczyć MAD, prekursor sumuje wartość bezwzględną błędów prognozy, a następnie dzieli się liczba prognoz FE N Dzięki uwzględnieniu bezwzględnej wartości błędów prognozy pominięto rekompensatę wartości dodatnich i ujemnych Oznacza to, że zarówno prognoza 50, jak i prognoza 50 są wyłączone przez 50 Wykorzystując dane z wykładniczej Przykład wygładzania, MAD można obliczyć następująco: 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 W związku z tym prognozuje się średnio 16 35 jednostek na prognozę W porównaniu z wynikami innych alfów, prekursor będzie wiadomo, że alfa o najniższym MAD daje najdokładniejszą prognozę. Mean błąd kwadratu MSE może być również wykorzystany w ten sam sposób MSE jest sumą prognozowanych błędów dzielonych przez N-1 FE N-1 Wyeliminowanie prognozowanych błędów możliwość wyrównywania liczb ujemnych, ponieważ żaden z wyników nie może być ujemny Wykorzystując te same dane jak powyżej, MSE wynosiłby 18 5 17 55 8 74 20 62 3 383 94 Podobnie jak w MAD, prekursor może porównywać MSE prognozowanych przy użyciu różnych VA lues z alfa i przyjmują alfa z najniższym MSE daje najdokładniejszą prognozę. Średni procentowy błąd procentowy MAPE to średni bezwzględny błąd procentowy Aby osiągnąć MAPE należy wziąć sumę wskaźników między błędem prognozy a rzeczywistym czasem zapotrzebowania 100, aby uzyskać procent i podzielić przez N Rzeczywiste zapotrzebowanie na zapotrzebowanie Rzeczywiste zapotrzebowanie 100 N Korzystając z danych z przykładu wygładzania wykładniczego, MAPE można obliczyć następująco: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Tak jak w MAD i MSE, im niższy jest błąd względny tym dokładniejsza jest prognoza. Należy zauważyć, że w niektórych przypadkach zdolność prognozowania do szybkiego reagowania na zmiany wzorców danych jest ważniejsza niż dokładność. Dlatego też jeden wybór metody prognozowania powinny odzwierciedlać relatywną wagę ważności między dokładnością i szybkością odpowiedzi, określoną przez prezentera. WYKONANIE PROGNOZA. William J Stevenson wymienia następujące elementy jako podstawowe etapy w forzece proces przewidywania celu. Określenie celu prognozy Czynniki takie jak: jak i kiedy przewidziana jest prognoza, wymagany stopień dokładności oraz wymagany poziom szczegółowości określają czas, pieniądze, pracowników, które mogą być przeznaczone na prognozę i typ metody prognozowania, która ma być wykorzystana. Ustanowienie horyzontu czasowego Dzieje się to po ustaleniu celu prognozy Prognozy długoterminowe wymagają dłuższych horyzontów czasowych i vice versa Dokładność jest ponownie rozważana. Wybierz technikę prognozowania Wybrana technika zależy od celu prognozy, wymaganego horyzontu czasowego i dozwolonego kosztu. Zbieranie i analizowanie danych Ilość i typ potrzebnych danych zależy od przewidywanego celu, wybranej techniki prognozowania oraz wszelkich rozważań o kosztach. Make prognozę. Monitor prognozy Oceniaj skuteczność prognozy i zmodyfikuj, jeśli to konieczne. KALNE CZYTANIE. Finch, Byron J Operacje teraz rentowność, procesy, wydajność 2 ed Boston McGraw-H Ill Irwin, 2006.Green, William H Analiza ekonometryczna 5 ed Górna Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion Technika Grupy Nominalnej Proces Badawczy dostępny od. Stevenson, William J. Operations Management 8 ed Boston McGraw-Hill Irwin , 2005. Przeczytaj także artykuł o prognozowaniu z Wikipedii. Przykłady prognozowania obliczeń. A 1 Metody obliczania prognozy. Dostępne są dwa sposoby obliczania prognoz Większość z tych metod zapewnia ograniczoną kontrolę nad użytkownikami Na przykład ciężar umieszczony na ostatnich danych historycznych lub zakres dat z danych historycznych stosowanych w obliczeniach może być określony Poniższe przykłady przedstawiają procedurę obliczania dla każdego z dostępnych metod prognozowania, biorąc pod uwagę identyczny zbiór danych historycznych. W poniższych przykładach wykorzystano takie same dane o sprzedaży w 2004 i 2005 roku, prognoza sprzedaży Poza obliczeniami prognozy, każdy przykład zawiera symulowaną prognozę na 2005 rok dla trzydziestopunktowego okresu optymalizacji przetwarzania n 19 3, które następnie stosuje się do procentowej dokładności i średnich bezwzględnych obliczeń odchyleń rzeczywistej sprzedaży w porównaniu z symulowaną prognozą. A 2 Prognoza Kryteria oceny wyników. W zależności od wyboru opcji przetwarzania oraz trendów i wzorców istniejących w danych o sprzedaży, niektóre metody prognozowania będą lepsze niż inne dla danego zbioru danych historycznych Metoda prognozowania odpowiednia dla jednego produktu może być nieodpowiednia dla innego produktu Jest mało prawdopodobne, aby metoda prognozowania zapewniała dobre wyniki w jednym etapie cyklu życia produktu pozostaną odpowiednie przez cały cykl życia. Można wybrać jedną z dwóch metod oceny bieżącej skuteczności metod prognozowania. Są to średnie odchylenia bezwzględne MAD i procent dokładności POA Obie te metody oceny skuteczności wymagają historycznych danych dotyczących sprzedaży dla określonego przez użytkownika okresu czasu Ten okres czasu nazywa się okresem holdout lub okresami najlepiej odpowiadającym PBF a w tym okresie jest podstawą do rekomendowania, które z metod prognozowania powinny być wykorzystane przy opracowywaniu kolejnej prognozy prognozy Ta rekomendacja jest specyficzna dla każdego produktu i może zmieniać się z jednego generowania prognozy na następne dwa sposoby prognozowania wyników na stronach następujących przykładów dwunastu metod prognozowania. A 3 Metoda 1 - Określony Procent W ciągu ostatniego roku. Ta metoda pomnożona przez dane z poprzedniego roku dane sprzeda y o określonym przez użytkownika współczynniku, np. 1 10 przy wzroście o 10 lub 0 97 za 3 zmniejszenia. Wymagana historia sprzedaży Jeden rok dla obliczenia prognozy plus liczba określona przez użytkownika dla okresów czasu dla oceny opcji przetwarzania prognozy wydajności 19.A 4 1 Prognoza Obliczenia. Historia sprzedaży do wykorzystania przy obliczaniu opcji przetwarzania czynników wzrostu 2a 3 w tym przykładzie. Sp. ostatnie trzy miesiące 2005 114 119 137 370.So tych samych trzech miesiącach roku ubiegłego 123 139 133 395. obliczony współczynnik 370 3 95 0 9367.Zliczaj prognozy. January, sprzedaż w 2005 r. 128 0 9367 119 8036 lub około 120. Luty lutego 2005 r. Sprzedaż 117 0 9367 109 5939 lub około 110.March, sprzedaż w 2005 r. 115 0 9367 107 7205 lub około 108.A 4 2 Symulowany Prognoza Obliczenia. Zatem trzy miesiące 2005 r. Przed okresem utrzymywania rezerwy lipiec, sierpień, wrzesień 1986 r. 140 131 400. Z tym samym trzy miesiące za poprzedni rok.141 128 118 387. obliczony współczynnik 400 387 1 033591731. Obliczony symulowany prognoza. Otrzec, 2004 rok sprzedaży 123 1 033591731 127 13178.Niemcy 2004 rok sprzedaży 139 1 033591731 143 66925.Dzisiaj, 2004 r. sprzedaż 133 1 033591731 137 4677.A 4 3 Procent dokładności Obliczenia. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Średnia obliczalność odchylenia bezwzględnego. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metoda 3 - Ostatni rok do tego roku Metoda ta kopiuje dane dotyczące sprzedaŜy z poprzedniego roku na następny rok. Wymagana historia sprzedaŜy Rok do wyliczenia prognozy plus liczba okresów czasu wyznaczonych do oceny opcji przetwarzania prognozy wydajności 19.A 6 1 Prognoza Obliczenia. Numina okresów uwzględnianych w średniej opcji przetwarzania 4a 3 w tym przykładzie. Dla każdego miesiąca prognozy średnie poprzednie trzy miesiące dane teleadresowe 114 119 137 370, 370 3 123 333 lub 123. Prognoza tygodnia 119 137 123 379, 379 3 126 333 lub 126. Prognoza makroekonomiczna 137 123 126 379, 386 3 128 667 lub 129.A 6 2 Symulowana prognoza Obliczenia. Ogodziny 2005 sprzedaż 129 140 131 3 133 3333.Nowedż. 2005 sprzedaż 140 131 114 3 128 3333 Sprzedaż w grudniu 2005 131 114 119 3 121 3333.A 6 3 Procent dokładności Obliczenia. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Średnia obliczalność odchylenia bezwzględnego. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metoda 5 - przybliżenie liniowe. Zbliżenie liniowe oblicza tendencję opartą na dwóch punktach historii sprzedaży. Te dwa punkty definiują prostą linię trendu, która jest wyświetlana w f uture Użyj tej metody z ostrożnością, ponieważ prognozy długoterminowe są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Wymagana historia sprzedaży Liczba okresów uwzględnienia w opcji przetwarzania regresji 5a, plus 1 plus liczba okresów czasu dla oceny prognozowania wydajności opcja 19.A 8 1 Prognoza Obliczanie. Nazwa okresów uwzględnienia w opcji przetwarzania regresji 6a 3 w tym przykładzie. Dla każdego miesiąca prognozy należy dodać wzrost lub spadek w określonych przedziałach czasowych przed okresem holdout poprzedniego okresu. poprzednie trzy miesiące 114 119 137 3 123 3333. Streszczenie z poprzednich trzech miesięcy z uwzględnieniem wagi. 114 1 119 2 137 3 763.Różnica pomiędzy wartościami. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 23 2 11 5. Wartość 2 Wartość średnia - wartość 123 3333 - 11 5 2 100 3333.Forecast 1 wartość n1 wartość2 4 11 5 100 3333 146 333 lub 146.Forecast 5 11 5 100 3333 157 8333 lub 158.Forecast 6 11 5 100 3333 169 3333 lub 169.A 8 2 Symulowana prognoza Prognoza sprzedaży na poziomie z października 2004 r. Z ubiegłych trzech miesięcy . 129 140 131 3 133 3333. Streszczenie z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 129 1 140 2 131 3 802.Między różnymi wartościami. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 2 2 1. Wartość 2 Średnia wartość1 133 3333-1 2 131 3333.Forecast 1 n wartość1 wartość2 4 1 131 3333 135 3333. sprzeda yw 2004 r. Z caego okresu trzech miesi cy. 140 131 114 3 128 3333. Podsumowanie ostatnich trzech miesięcy z uwzględnieniem wagi. 140 1 131 2 114 3 744.Różnica pomiędzy wartościami 744 - 128 3333 1 2 3 -25 9999. Różnicę Różnicową Różnicę -25 9999 2 -12 9999. Wartość 2 Wartość średnia - wartość 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333. W grudniu 2004 r. Sprzedaż w ciągu ostatnich trzech miesięcy. 131 114 119 3 121 3333.Summary z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 131 1 114 2 119 3 716.Różnica pomiędzy wartościami. 716 - 121 3333 1 2 3 -11 9999. Współczynnik różnicy w stosunku do wartości 1 -9 9999 2 -5 9999. Wartość 2 Średnia wartość 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent dokładności Obliczanie dokładności. POA 135 33 102 33 109 33 114 119 137 93 93 78.A 8 4 Średnia obliczalność odchylenia bezwzględnego. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metoda 7 - Drugi Przybliżenie stopnia. Regresja liniowa określa wartości dla a i b w projekcie prognozy Y a bX w celu dopasowania prostej do danych z historii sprzedaży. Drugi stopień zbliżenia jest podobny. Jednakże ta metoda określa wartości dla a, b i c w prognozowana formuła Y a bX cX2 w celu dopasowania krzywej do historii historii sprzedaży Ta metoda może być użyteczna, gdy produkt znajduje się w przejściu między etapami cyklu życiowego Przykładowo, gdy nowy produkt przemieszcza się od etapu wprowadzania do etapów wzrostu , trend sprzedaży może przyspieszyć Ze względu na drugi termin zamówień, prognoza może szybko się zbliżać nieskończoność lub spadek do zera w zależności od tego, czy współczynnik c jest dodatni czy ujemny Dlatego też ta metoda jest użyteczna tylko w krótkim okresie czasu. Specyfikacja techniczna Forecasta Odnosi się do formuły a, b i c, aby dopasować krzywą do dokładnie trzech punktów. opcja przetwarzania 7a, liczba okresów danych zgromadzonych w każdym z trzech punktów W tym przykładzie n 3 W związku z tym faktyczne dane o sprzedaży od kwietnia do czerwca są łączone w pierwszy punkt, od pierwszego kwartału do września, w celu utworzenia Q2 , a od października do grudnia suma do Q3 Krzywa będzie dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży 3 n okresy obliczania prognozy plus liczba okresów potrzebnych do oceny prognozy PBF. Ilość okresy obejmujące opcję przetwarzania 7a 3 w tym przykładzie. Użyj poprzednich 3 n miesięcy w blokach trwających trzy miesiące. Q1 kwi - gru 125 122 137 384.q2 lip - wrz 129 140 131 400.q3 paź - gru 114 119 137 370. Następny etap obejmuje c przeliczając trzy współczynniki a, b i c do wzoru prognozowania Y a bX cX 2. 1 Q 1 a bX cX 2 gdzie X 1 a b c c 2, 2 Q 2 a bX cX 2 gdzie X 2 a 2b 4c. 3 Q3 a bX cX2 gdzie X3 a 3b 9c. Solve trzy równania równocześnie, aby znaleźć równanie b, a i c. Subtract 1 z równania 2 i rozwiązać dla b. Spodstaw tego równania dla b do równania 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ostatecznie zastąp te równania dla aib w równaniu 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. Metoda przybliżenia drugiego stopnia a, b i c w następujący sposób. 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 a bX cX 2 322 85 X -23 X 2. stycznia do marca Prognoza marcowa X 4 322 340 - 368 3 294 3 98 za okres od kwietnia do czerwca prognoza X 5. 322 425 - 575 3 57 333 lub 57 za okres od lipca do września. X 6. 322 510 - 828 3 1 33 lub 1 za okres od października do grudnia X 7. 322 595 - 1127 3 -70.A 9 2 Symulowana prognoza Prognozy październik, listopad i sprzedaż w grudniu 2004.q1 sty - mar 360.q2 kwi - cze 384.q3 lip - wrzesień 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 dokładności Obliczenia. POA 136 136 136 114 119 137 100 110 27.A 9 4 Średnia obliczalność odchylenia bezwzględnego. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metoda 8 - metoda elastyczna Metoda elastyczności Procent powyżej n miesięcy Poprzedni jest podobny do metody 1, w procentach w ubiegłym roku Obie metody pomnożają dane sprzedaży z poprzedniego okresu przez określony przez użytkownika czynnik , a następnie projekt tego wyniku w przyszłość W metodzie Procent w ubiegłym roku projekcja oparta jest na danych z tego samego okresu czasu w roku poprzednim. Metoda elastyczna dodaje możliwość określania innego okresu poza tym samym okresem roku ubiegłego wykorzystanie jako podstawa obliczeń. Współczynnik korekcyjny Na przykład, określ opcję 1 15 w opcji przetwarzania 8b, aby zwiększyć poprzednie dane dotyczące historii sprzedaży o 15. Czas bazowy Na przykład n 3 spowoduje, że pierwsza prognoza zostanie oparta na danych o sprzedaży w Październik 2005. Minimalna historia sprzedaży Użytkownik podał numer o f okresy powrotu do okresu bazowego plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. A 10 4 Średnia obliczalność odchylenia bezwzględnego. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metoda 9 - Ważony przepływ Średnia Średnia ważona średnia metoda WMA jest podobna do metody 4, Moving Average MA Jednakże przy średniej ważonej ruchomej można przypisać nierówne wagi do danych historycznych Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę dla short term More recent data is usually assigned a greater weight than older data, so this makes WMA more responsive to shifts in the level of sales However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history It results in a stable forecast, but will be slow to recognize shifts in the level of sales On the other hand, a small value for n such as 3 will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods The assigned weights must total to 1 00 For example, when n 3, assign weights of 0 6, 0 3, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Method 10 - Linear Smoothing. This method is similar to Method 9, Weighted Moving Average WMA How ever, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. As is true of all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation This is specified in the processing option 10a For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period The system will automatically assign the weights to the historical data that decline linearly and sum to 1 00 For example, when n 3, the s ystem will assign weights of 0 5, 0 3333, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 12 1 Forecast Calculation. Number of periods to include in smoothing average processing option 10a 3 in this example. Ratio for one period prior 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio for two periods prior 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio for three periods prior 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.January forecast 137 0 5 119 1 3 114 1 6 127 16 or 127.February forecast 127 0 5 137 1 3 119 1 6 129.March forecast 129 0 5 127 1 3 137 1 6 129 666 or 130.A 12 2 Simulated Forecast Calculation. October 2004 sales 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124.December 2004 sales 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Percent of Accuracy Calculation. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Method 11 - Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing the system assigns weights to the historical data that decline linearly In exponential smoothing, the system assigns weights that exponentially decay The exponential smoothing forecasting equation is. Forecast a Previous Actual Sales 1 - a Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period a is the weight applied to the actual sales for the previous period 1 - a is the weight applied to the forecast for the previous period Valid values for a range from 0 to 1, and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 a 1 - a 1.You should assign a value for the smoothing constant, a If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specifie d in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for a range from 0 to 1.n 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 3 was chosen in order to reduce the manual calculations required to verify the results Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 13 1 Forecast Calculation. Number of periods to include in smoothing average processing option 11a 3, and alpha factor processing option 11b blank in this example. a factor for the oldest sales data 2 1 1 , or 1 when alpha is specified. a factor for the 2nd oldest sales data 2 1 2 , or alpha when alpha is specified. a factor for the 3rd oldest sales data 2 1 3 , or alpha when alpha is specified. a factor for the most recent sales data 2 1 n , or alpha when alpha is specified. November Sm Avg a October Actual 1 - a October Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - a November Sm Avg 2 3 119 1 3 114 117 3333.January Forecast a December Actual 1 - a December Sm Avg 2 4 137 2 4 117 3333 127 16665 or 127.February Forecast January Forecast 127.March Forecast January Forecast 127.A 13 2 Simulated Forecast Calculation. July, 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November, 2004 sales Sep Sm Avg 124.September 2004 Sm Avg 2 2 131 131.October Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 sales Sep Sm Avg 119 3333.A 13 3 Percent of Accuracy Calcula tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 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 averaged adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for alpha range from 0 to 1.b the smoothing constant used in calculating the smoothed average for the trend component of the forecast Valid values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. a and b are independent of each other They do not have to add to 1 0.Min imum required sales history two years plus the number of time periods required for evaluating the forecast performance PBF. Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A 14 1 Forecast Calculation. A An exponentially smoothed average. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluating the Forecasts. You can select forecasting methods to generate as many as twelve forecasts for each product Each forecasting method will probably create a slightly different projection When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast You can choose between two performance criteria, Mean Absolute Deviation MAD and Percent of Accur acy 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 user specified period of time This period of recent history is called a holdout period or periods best fit PBF. To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, 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 of time The forecasting method producing the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in your plans This recommendation is specific to each product, and might change from one forecast generation to the ne xt. A 16 Mean Absolute Deviation MAD. 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 MAD has shown to be the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error. A 16 1 Percent of Accuracy POA. Percent of Accuracy POA is a measure of forecast bias When forecasts are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently two low, inventories are consumed and customer service decline s A forecast that is 10 units too low, then 8 units too high, then 2 units too high, would be 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, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts However in service industries, the above situation would be viewed as three errors The service would be understaffed in the first period, then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100 Of course, it is impossible to be more than 100 accurate When a forecast is unbias ed, the POA ratio will be 100 Therefore, it is more desirable to be 95 accurate than to be 110 accurate The POA criteria select the forecasting method that has a POA ratio closest to 100.Scripting on this page enhances content navigation, but does not change the content in any way. What s the difference between moving average and weighted moving average. A 5-period moving average, based on the prices above, would be calculated using the following formula. Based on the equation above, the average price over the period listed above was 90 66 Using moving averages is an effective method for eliminating strong price fluctuations The key limitation is that data points from older data are not weighted any differently than data points near the beginning of the data set This is where weighted moving averages come into play. Weighted averages assign a heavier weighting to more current data points since they are more relevant than data points in the distant past The sum of the weighting should add u p to 1 or 100 In the case of the simple moving average, the weightings are equally distributed, which is why they are not shown in the table above. Closing Price of AAPL.