Stages Of Bevegelige Gjennomsnittet Salg Prognoser Teknikk

Forecasting innebærer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst. Det er helt avgjørende for kort - og langdistanseplanlegging. Definisjonen er basert på tidligere data, i motsetning til en prediksjon, som er mer subjektiv og basert på instinkt, gut føler eller gjett. For eksempel gir kvelden nyhetene værvarselet, ikke værvarslet. Uansett er betingelsene forutsigelse og prediksjon ofte brukt interchangeable. For eksempel definisjoner av regresjon en teknikk noen ganger brukt i prognoser generelt angir at dens formål er å forklare eller forutsi. Forutsetninger er basert på en rekke antagelser. Fortiden vil gjenta seg selv Med andre ord, hva som har skjedd i fortiden, vil skje igjen i fremtiden. Som prognoshorisonten forkortes , prognose nøyaktighet øker For eksempel, en prognose for i morgen vil være mer nøyaktig enn en prognose for neste måned en prognose for neste måned vil være mer nøyaktig enn en prognose f eller neste år, og en prognose for neste år vil være mer nøyaktig enn en prognose for ti år i fremtiden. Forutsetninger i aggregatet er mer nøyaktig enn å anslå individuelle poster. Dette betyr at et selskap vil kunne prognose total etterspørsel over hele sitt spektrum av produkter mer nøyaktig enn det vil være i stand til å prognose individuelle lagerbeholdningsenheter SKUs For eksempel kan General Motors mer nøyaktig anslå det totale antallet biler som trengs for neste år enn totalt antall hvite Chevrolet Impalas med en viss opsjonspakke. Forespørsler Dessuten er prognosene nesten aldri helt nøyaktige Mens noen er svært nær, er få rett på pengene. Det er derfor lurt å tilby et prognoseområde. Hvis man skulle prognose en etterspørsel på 100 000 enheter for neste måned, er det ekstremt usannsynlig at etterspørselen ville være 100 000 nøyaktig, men en prognose på 90 000 til 110 000 ville gi et mye større mål for planlegging. Williams J Stevenson lister en num ber av egenskaper som er felles for en god prognose. Det bør fastslås en viss grad av nøyaktighet, slik at sammenligning kan gjøres til alternative prognoser. Tilsvarende bør prognosemetoden konsekvent gi en god prognose dersom brukeren skal etablere en viss grad av selvtillit. Tidlig en viss tid er nødvendig for å svare på prognosen, slik at prognoseperioden må tillate tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forstå brukere av prognosen må være trygg og komfortabel å jobbe med. Kostnadene ved å lage prognosen bør ikke oppveie fordelene fra prognosen. Forekomsten teknikker spenner fra det enkle til det ekstremt komplekse. Disse teknikkene er vanligvis klassifisert som kvalitative eller kvantitative. KVALITATIVE TEKNIKER. Kvalitative prognose teknikker er generelt mer subjektive enn deres kvantitative kolleger Kvalitative teknikker er mer nyttige i de tidligere stadiene av pr oduct livssyklus, når mindre fortid data eksisterer for bruk i kvantitative metoder Kvalitative metoder inkluderer Delphi teknikken, Nominell Gruppe Technique NGT, salgsstyrke meninger, utøvende meninger og markedsundersøkelser. DELPHI TECHNOLOGY. Delphi teknikken bruker et panel av eksperter til å produsere en prognose Hver ekspert blir bedt om å gi en prognose som er spesifikk for behovet ved hånden. Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir deretter laget av hver ekspert Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av de andres oppfatninger. Denne prosessen gjentar seg til hver ekspert nærmer seg enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ligner på Delphi teknikken ved at den bruker en gruppe av deltakere, vanligvis eksperter Etter at deltakerne svarer på prognosespørsmål, rangerer de deres respons ses i rekkefølge av opplevd relativ betydning. Da blir rangeringene samlet og aggregert. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. SOM FORESPØRSMÅL. Salgspersonalet er ofte en god kilde til informasjon om fremtidig etterspørsel. Salgsansvarlig kan be om innspilling fra hver salgsperson og aggregere deres svar til en komposittprognose fra salgsforvalter. Forsiktighet bør utøves ved bruk av denne teknikken som selgerens medlemmer kanskje ikke kan skille mellom hva kundene sier og hva de egentlig gjør også , hvis prognosene vil bli brukt til å etablere salgskvoter, kan salgsstyrken bli fristet til å gi lavere estimater. EXECUTIVE OPINIONS. Noen ganger møter ledere på toppnivå og utvikler prognoser basert på deres kunnskaper om deres ansvarsområder. Dette kalles noen ganger som en jury av utøvende opinion. MARKET RESEARCH. In markedsundersøkelser brukes forbrukerundersøkelser for å etablere potensiell etterspørsel. Slike m Arketingforskning innebærer vanligvis å bygge opp et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere personlig informasjon i butikk og kjøpesentre, hvor forbrukeren kan oppleve smak, føle, lukte og se et bestemt produkt Forskeren må være forsiktig med at prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER. Kvantitative prognoseteknikker er generelt mer objektive enn sine kvalitative kolleger. Kvantitative prognoser kan være tidsserier prognoser, dvs. projeksjon av fortiden inn i fremtiden eller prognoser basert på assosiative modeller dvs. basert på en eller flere forklarende variabler Tidsseriedata kan ha underliggende atferd som må identifiseres av forecasteren I tillegg må prognosen identifisere årsakene til atferden Noen av disse oppføringene kan være mønstre eller bare tilfeldige variasjoner Blant mønstrene er. Tr endringer, som er langsiktige bevegelser opp eller ned i dataene. Seksualitet, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden av året, måneden eller til og med en bestemt dag, som vitne til omsetningen til jul eller spikes i bankaktivitet på den første i måneden og på fredager. Cykler, som er wavelike variasjoner som varer mer enn et år, som vanligvis knyttes til økonomiske eller politiske forhold. Irregulære variasjoner som ikke reflekterer typisk oppførsel, som en ekstrem periode vær eller en unionstrike. Randomvariasjoner, som omfatter alle ikke-typiske atferd som ikke regnes av de andre klassifikasjonene. I løpet av tidsseriemodellene er det enkleste å se prognosen. A na ve-prognose bruker bare den faktiske etterspørselen etter fortiden periode som forventet etterspørsel etter neste periode Dette forutsetter selvsagt at fortiden vil gjenta. Det antas også at eventuelle trender, sesongmessige eller sykluser enten reflekteres i etterspørselen fra tidligere periode eller eksisterer ikke Et eksempel på na prognoser er presentert i Tabell 1.Table 1 Na ve Forecasting. En annen enkel teknikk er bruk av gjennomsnittlig For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder med tidligere data etter summerer hver periode og deler resultatet med antall perioder Denne teknikken har vist seg å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt inkluderer glidende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar forutbestemt antall perioder, summerer deres faktiske etterspørsel og fordeler etter antall perioder for å nå en prognose. For hver etterfølgende periode faller den eldste datatiden og den siste perioden legges til. Anta et tre måneders glidende gjennomsnitt og bruke dataene fra Tabell 1, en ville ganske enkelt legge til 45 januar, 60 februar og 72 mars og dele med tre for å komme frem til en prognose for 45 april til 60 72 177 3 59. For å komme frem til en prognose for mai, ville man slippe januar s etterspørsel fra ligningen og legge til etterspørselen fra april Tabell 2 presenterer et eksempel på en tre måneders glidende gjennomsnittlig prognose. Tabel 2 Tre måneders flytende gjennomsnittlig Forecast. Actual Demand 000 sA vektet gjennomsnitt bruker en forhåndsbestemt vekt til hver måned med tidligere data, summerer de siste dataene fra hver periode og fordeler seg etter totalvekten Hvis forforskeren justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med den faktiske etterspørselen av hver aktuell periode. Resultatene summeres deretter til oppnå en vektet prognose Generelt, jo nyere dataene jo høyere vekten, og jo eldre dataene, desto mindre er vekten. Ved hjelp av etterspørselseksemplet, vil et veid gjennomsnitt med vekt på 4 3 2 og 1 gi prognosen for juni som 60 1 72 2 58 3 40 4 53 8.Forecasters kan også bruke en kombinasjon av vektet gjennomsnitt og gjennomsnittlig gjennomsnittlig prognose. En veid gjennomsnittlig gjennomsnittlig prognose tilordner vekt til et forhåndsbestemt antall perioder med faktiske data og komp utes prognosen på samme måte som beskrevet ovenfor. Som med alle flyttende prognoser, da hver ny periode legges til, blir dataene fra den eldste perioden kassert. Tabell 3 viser en tre måneders veidende, gjennomsnittlig prognose ved bruk av vektene 5 3 og 2. Tabell 3 Tre måneders vektet Flytende gjennomsnittlig Forecast. Actual Demand 000 sA mer komplisert form av vektet glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt som dataalderen Eksponensiell utjevning tar forrige periode s prognose og justerer den med en forhåndsbestemt utjevning konstant, kalt alfa, verdien for alfa er mindre enn en multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk skjedde i den tidligere estimerte perioden, kalt prognosefeil Eksponensiell utjevning uttrykkes formelt som sådan Ny prognose forrige prognose alfa faktisk etterspørsel tidligere prognose FFA F. Eksponensiell utjevning krever at forecasteren begynner prognosen i en tidligere periode a nd arbeid frem til perioden for hvilken en nåværende prognose er nødvendig. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode, den faktiske etterspørselen fra en tidligere periode, eller Det kan estimeres ved å averdere hele eller deler av de tidligere dataene. Noen heuristikker eksisterer for å beregne en innledende prognose. For eksempel vil den heuristiske N 2 1 og en alfa av 5 gi en N av 3 som indikerer at brukeren vil gjennomsnittlig de første tre periodene av data for å få en innledende prognose Imidlertid er nøyaktigheten av den første prognosen ikke kritisk hvis man bruker store mengder data, siden eksponensiell utjevning er selvkorrigerende. Gitt til nok perioder med tidligere data, vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig innledende prognose Ved å bruke dataene som brukes i andre eksempler, beregnes en innledende prognose på 50 og en alfa på 7, en prognose for februar som en slik ny fore kastet februar 50 7 45 50 41 5.Neste prognosen for mars Ny prognose Mars 41 5 7 60 41 5 54 45 Denne prosessen fortsetter inntil prospektoren når den ønskede perioden I tabell 4 vil dette være for juni måned siden Den faktiske etterspørselen etter juni er ikke kjent. Begrepet 000 s. En utvidelse av eksponensiell utjevning kan brukes når tidsseriedata viser en lineær trend. Denne metoden er kjent av flere navn, dobbeltsjiktende trendjustert eksponensiell utjevningsprognose, inkludert trend FIT og Holt s Modell Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis trenden øker, eller høy hvis trenden minker. Med denne modellen er det to utjevningskonstanter, og med å representere trenden komponent. En forlengelse av Holt s-modellen, kalt Holt-Winter s-metoden, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, med multiplikativet som er mest brukt d I additivmodellen er sesongmessigheten uttrykt som en mengde som skal legges til eller subtraheres fra seriens gjennomsnitt. Den multiplikative modellen uttrykker sesongmessighet som en prosentandel kjent som sesongbaserte slektninger eller sesongindekser av gjennomsnitt eller trend. Disse blir deretter multiplisert gangerverdier i rekkefølge å innlemme sesongmessighet En relativ på 0 8 vil indikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1 10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndbok lærebøker eller en av et tall av bøker om prognoser. Sosiativ eller kausal teknikk innebærer identifisering av variabler som kan brukes til å forutsi en annen variabel av interesse. Eksempelvis kan renten brukes til å prognose etterspørselen etter boligfinansiering. Dette innebærer vanligvis bruk av lineær regresjon, hvor Målet er å utvikle en ligning som oppsummerer effektene av de forutsigende uavhengige variablene på t e prognosert avhengig variabel Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen med avvik som er avstanden fra hvert punkt til linjen. Ligningen vil vises som ya bx, hvor y er den forutsagte avhengige variabelen, x er uavhengig variabel for predikor, b er linjens helling, og a er lik høyden på linjen ved y-interceptet. Når ligningen er bestemt, kan brukeren sett inn nåværende verdier for den uavhengige variabelen for å komme frem til en prognosavhengig variabel. Hvis det er mer enn én prediktorvariabel, eller hvis forholdet mellom prediktor og prognose ikke er lineært, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, må flere regresjoner bør være ansatt, mens ikke-lineære forhold krever bruk av krøllet regresjon. ØKONOMETRISK FORSKRIFT. Økonomiske metoder, for eksempel autoregressive integrert bevegelighetsmodell ARIMA, bruk komplekse matematiske ligninger for å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at det er like pålitelig en representasjon av det tidligere forhold som mulig. dette er gjort, projiserte verdier av påvirkning variablene inntekter, priser, etc er satt inn i ligningen for å lage en prognose. EVALUERENDE FORECASTS. Forecast nøyaktighet kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik MAD, gjennomsnittlig kvadrat feil MSE, eller gjennomsnittlig absolutt prosentfeil MAPE for prognosen ved bruk av forskjellige verdier for alfa Bias er summen av prognosefeilene FE For eksponentiell utjevningseksempel ovenfor, ville den beregnede forspenningen være 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Hvis en antar at en lav bias indikerer en generell lavprognosefeil, man kan beregne bias for en rekke potensielle verdier av alfa og anta at den med lavest bias ville b e den mest nøyaktige Men forsiktighet må observeres ved at feilaktig prognoser kan gi lav bias hvis de har en tendens til å være både over prognose og under prognose negative og positive. I over tre perioder kan et firma bruke en bestemt verdi av alfa til over prognose med 75.000 enheter 75.000, prognostisert av 100.000 enheter 100.000, og deretter over forventet med 25.000 enheter 25.000, noe som gir en bias på null 75.000 100.000 25.000 0 Til sammenligning gir en annen alfa som gir over prognoser på 2000 enheter, 1.000 enheter og 3.000 enheter ville resultere i en bias på 5.000 enheter. Hvis den normale etterspørselen var 100.000 enheter per periode, ville den første alfa gi prognoser som var av med så mye som 100 prosent, mens den andre alfa ville være ute med maksimalt bare 3 prosent, selv om forspenning i den første prognosen var null. Et sikrere mål for prognosens nøyaktighet er gjennomsnittlig absolutt avvik MAD For å beregne MAD, summerer forecasteren absoluttverdien av prognosefeilene og deler deretter med antall prognoser FE N Ved å ta absolutt verdien av prognosefeilene, unngås kompensasjonen av positive og negative verdier. Dette betyr at både en overprognose på 50 og en under prognose på 50 er av med 50 Bruke data fra eksponentiell utjevningseksempel kan MAD beregnes som følger: 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Derfor er prospektoren i gjennomsnitt 16 35 enheter pr prognose Sammenlignet med resultatet av andre alfaer, vil forecasteren vet at alfaen med den laveste MAD gir den mest nøyaktige prognosen. Mean-kvadratfeil MSE kan også benyttes på samme måte MSE er summen av prognosefeilene som er kvadrert delt med N-1 FE N-1. Kvadrering av prognosefeilene eliminerer muligheten for å kompensere for negative tall, siden ingen av resultatene kan være negative. Ved bruk av de samme dataene som ovenfor, ville MSE være 18 5 17 55 8 74 20 62 3 383 94 Som med MAD, kan forecasteren sammenligne MSE med prognoser avledet bruker ulike va lues av alpha og antar alfa med laveste MSE gir den mest nøyaktige prognosen. Den gjennomsnittlige absolutte prosentfeil MAPE er gjennomsnittlig absolutt prosentfeil For å komme til MAPE må man ta summen av forholdene mellom prognosefeil og faktiske etterspørselstider 100 for å få prosentandelen og dividere etter N Nødvendig prognose Faktisk etterspørsel 100 N Ved å bruke dataene fra eksponentiell utjevningseksempel kan MAPE beregnes som følger 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Som med MAD og MSE, jo lavere er den relative feilen jo mer nøyaktig prognosen. Det skal bemerkes at i noen tilfeller kan prognosenes evne til å endre seg raskt for å svare på endringer i datamønstre anses å være viktigere enn nøyaktighet. Derfor er en s valg av prognosemetoden bør gjenspeile den relative balansen mellom betydning mellom nøyaktighet og respons, som bestemt av forecaster. MAKING A FORECAST. William J Stevenson opplister følgende som de grunnleggende trinnene i foreca stingprosessen. Bestem prognosens formål Faktorer som hvordan og når prognosen skal brukes, må nøyaktighetsgraden og detaljnivået avgjøre kostnadstid, penger, ansatte som kan dedikere til prognosen og typen av prognosemetode som skal utnyttes. Opprett en tidshorisont Dette skjer når man har bestemt formålet med prognosen. Langsiktig prognoser krever lengre tidshorisonter og omvendt Nøyaktighet er igjen en vurdering. Velg en prognostiseringsteknikk. Den valgte teknikken avhenger av formålet av prognosen, ønsket tidshorisont og den tillatte kostnaden. Samle og analysere data Mengden og typen data som trengs styres av prognosen s-mål, den valgte prognosensteknikken og eventuelle kostnadsoverveier. Gjør prognosen. Følg prognosen Evaluer ytelsen til prognosen og modifiser, om nødvendig. YTTERLIGERE READING. Finch, Byron J Operations Now Profitability, Processes, Performance 2 og Boston McGraw-H syke Irwin, 2006. Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion Den nominelle gruppeteknikk Forskingsprosessen Tilgjengelig fra. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin , 2005.Også lese artikkelen om Forecasting fra Wikipedia. A Forecast Calculation Examples. A 1 Forecast Calculation Methods. Twelve metoder for beregning av prognoser er tilgjengelige. De fleste av disse metodene sørger for begrenset brukerkontroll. For eksempel vekten plassert på nyere historiske data eller Datoperioden for historiske data som brukes i beregningene kan spesifiseres. Følgende eksempler viser beregningsmetoden for hver av de tilgjengelige prognosemetodene, gitt et identisk sett med historiske data. Følgende eksempler bruker de samme 2004 og 2005 salgsdataene til å produsere en 2006 salgsprognose I tillegg til prognoseberegningen inneholder hvert eksempel en simulert 2005-prognose for en tre måneders holdoutperiode som behandler optio n 19 3 som deretter brukes til prosent av nøyaktighet og gjennomsnittlig absolutt avviksberegning, faktisk salg sammenlignet med simulert prognose. A 2 Forecast Performance Evaluation Criteria. Avhengig av ditt utvalg av behandlingsalternativer og på trender og mønstre som finnes i salgsdata, kan noen prognosemetoder vil fungere bedre enn andre for et gitt historisk datasett En prognosemetode som passer for et produkt, kan ikke være hensiktsmessig for et annet produkt. Det er heller ikke sannsynlig at en prognosemetode som gir gode resultater i en fase av produktets livssyklus vil forbli hensiktsmessig gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere nåværende ytelse av prognosemetodene. Dette er gjennomsnittlig absolutt avviks MAD og prosent av nøyaktighet POA Begge disse resultatevalueringsmetodene krever historiske salgsdata for en brukerdefinert periode av tid Denne tidsperioden kalles en holdoutperiode eller perioder som passer best til PBF Datoen a i denne perioden brukes som grunnlag for å anbefale hvilke av prognosemetoder som skal brukes til å gjøre neste prognoseprosjekt Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til neste. De to prognosevalueringsmetodene er demonstrert i sidene som følger eksemplene på de tolv prognosemetodene. A 3 Metode 1 - Spesifisert prosent over siste år. Denne metoden multipliserer salgsdata fra forrige år med en brukerdefinert faktor for eksempel 1 10 for en 10 økning eller 0 97 for en 3 reduksjon. Ønsket salgshistorie Ett år for beregning av prognosen pluss brukeren angitt antall tidsperioder for vurdering av prognostiseringsbehandlingsalternativ 19.A 4 1 Forecast Forecast. Range of sales history for use in calculating growth factor processing option 2a 3 i dette eksemplet. Som de siste tre månedene av 2005 114 119 137 370.Sum de samme tre månedene for året før 123 139 133 395. Den beregnede faktoren 370 3 95 0 9367. Beregn prognosene. Januar, 2005 salg 128 0 9367 119 8036 eller ca 120. februar 2005 salg 117 0 9367 109 5939 eller om 110.March, 2005 salg 115 0 9367 107 7205 eller ca 108.A 4 2 Simulert prognoseberegning. Som de tre månedene i 2005 før holdout perioden juli, august, sept.129 140 131 400.Sam de samme tre månedene for året før.141 128 118 387.Kalkulert faktor 400 387 1 033591731.Kalkulere simulert prognose. oktober 2004 salg 123 1 033591731 127 13178.November 2004 salg 139 1 033591731 143 66925. desember 2004 salg 133 1 033591731 137 4677.A 4 3 Prosent av nøyaktighetsberegning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metode 3 - Siste år til dette året . Denne metoden kopierer salgsdata fra foregående år til neste år. Ønsket salgshistorie Ett år for beregning av prognosen pluss antall tidsperioder som er angitt for å evaluere prognostiseringsbehandlingsalternativ 19.A 6 1 Varselberegning. Antall perioder som skal inkluderes i gjennomsnittlig behandlingsalternativ 4a 3 i dette eksemplet. For hver måned av prognosen, gjennomsnittlig de foregående tre månedene s data. January prognose 114 119 137 370, 370 3 123 333 eller 123.Februari prognose 119 137 123 379, 379 3 126 333 eller 126.Mark prognose 137 123 126 379, 386 3 128 667 eller 129.A 6 2 Simulert prognose Beregning. Oktober 2005 Salg 129 140 131 3 133 3333.November 2005 Salg 140 131 114 3 128 3333.Desember 2005 Salg 131 114 119 3 121 3333.A 6 3 Prosent av Nøyaktighetsberegning. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Middel Absolutt Avviksberegning. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metode 5 - Linjær Tilnærming. Linjær Tilnærming beregner en trend basert på to salgshistorikk datapunkter. Disse to punktene definerer en rett trendlinje som projiseres inn i f uture Bruk denne metoden med forsiktighet, da langdistanseprognosene utløses av små endringer på bare to datapunkter. Forespurt salgshistorie Antallet perioder som skal inkluderes i regresjonsbehandlingsalternativ 5a, pluss 1 pluss antall tidsperioder for å evaluere prognoseprosessbehandling alternativ 19.A 8 1 Varselberegning. Antall perioder som skal inkluderes i regresjonsbehandlingsalternativ 6a 3 i dette eksemplet. For hver måned av prognosen legger du til økningen eller reduksjonen i de angitte periodene før utholdelsesperioden forrige periode. de foregående tre månedene 114 119 137 3 123 3333.Summary for de foregående tre månedene med vekten vurdert. 114 1 119 2 137 3 763. Forskjellen mellom verdiene. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenceforhold 23 2 11 5.Value2 Gjennomsnittlig verdi1-forhold 123 3333 - 11 5 2 100 3333.Forecast 1 n-verdi1 value2 4 11 5 100 3333 146 333 eller 146.Forecast 5 11 5 100 3333 157 8333 eller 158.Forecast 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulert prognoseberegning. Oktober 2004 salg. Gjennomsnitt av de foregående tre månedene . 129 140 131 3 133 3333. Sammendrag av de foregående tre månedene med vekt. 129 1 140 2 131 3 802. Forskjellen mellom verdiene. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenceforhold 2 2 1.Value2 Gjennomsnittlig verdi1-verdi 133 3333 - 1 2 131 3333.Forutsette 1 n verdi1 verdi2 4 1 131 3333 135 3333.November 2004 sales. Average av de foregående tre månedene. 140 131 114 3 128 3333.Summary for de foregående tre månedene med vekten vurdert. 140 1 131 2 114 3 744.Variasjon mellom verdiene 744 - 128 3333 1 2 3 -25 9999.Value1 Differanseforhold -25 9999 2 -12 9999.Value2 Gjennomsnittlig verdi1-verdi 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de foregående tre månedene. 131 114 119 3 121 3333. Sammendrag av de foregående tre månedene med vekt. 131 1 114 2 119 3 716. Forskjellen mellom verdiene. 716 - 121 3333 1 2 3 -11 9999.Value1 Differanseforhold -11 9999 2 -5 9999.Value2 Gjennomsnittlig verdi1-forhold 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prosent av nøyaktighetsberegning. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metode 7 - Andre Graden Approximation. Linear Regression bestemmer verdier for a og b i prognosen formel Y a bX med målet om å montere en rett linje til salgshistorie dataene Second Degree Approximation er likevel Denne metoden bestemmer verdier for a, b og c i prognosen formel Y a bX cX2 med sikte på å tilpasse en kurve til salgshistorikkdataene Denne metoden kan være nyttig når et produkt er i overgangen mellom stadier av en livssyklus For eksempel når et nytt produkt beveger seg fra introduksjon til vekststadier , salgstendensen kan akselerere På grunn av andreordens sikt kan prognosen raskt nærme seg uendelig eller fall til null, avhengig av om koeffisient c er positiv eller negativ. Denne metoden er derfor kun nyttig på kort sikt. Forespørselsdetaljer Formlene finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du angir n i behandlingsalternativ 7a, antall datoperioder som akkumuleres i hvert av de tre punktene I dette eksemplet n 3 Derfor blir faktiske salgsdata for april til juni kombinert i første punkt. Q1 juli til september legges sammen for å skape Q2 , og oktober til desember sum til Q3 Kurven vil bli montert på de tre verdiene Q1, Q2 og Q3.Required sales history 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å evaluere prognosen ytelse PBF. Number av perioder for å inkludere behandlingsalternativ 7a 3 i dette eksemplet. Bruk de foregående 3 n månedene i tre måneders blokker. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Des 114 119 137 370. Det neste trinnet innebærer c alculating de tre koeffisientene a, b og c som skal brukes i prognosen formel Y a bX cX 2. 1 Q1 en bX cX 2 hvor X 1 a b c. 2 Q2 en bX cX2 hvor X2 a 2b 4c. 3 Q3 en bX cX 2 hvor X 3 a 3b 9c. Solve de tre ligningene samtidig for å finne b, a og c. Subtrekke ligning 1 fra ligning 2 og løse for b. Substituer denne ligningen for b i ligning 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Endelig erstatte disse ligningene for a og b til ligning 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andre graden Tilnærmelsesmetode beregner a, b og c som følger. 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.Ja en bX cX 2 322 85 X -23 X 2.Januar til mars prognose X 4. 322 340 - 368 3 294 3 98 per periode. April til juni prognose X 5. 322 425 - 575 3 57 333 eller 57 per periode. Juli til september prognose X 6. 322 510 - 828 3 1 33 eller 1 per periode. Oktober til desember X 7. 322 595 - 1127 3 -70.A 9 2 Simulert prognoseberegning. Oktober, november og desember 2004 salg. Q1 Jan - Mars 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 Prosent av nøyaktighetsberegning. POA 136 136 136 114 119 137 100 110 27.A 9 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metode 8 - Fleksibel metode. Fleksibel metodeprosent over n måneder Tidligere ligner metode 1, prosent over fjorår Begge metodene multipliserer salgsdata fra en tidligere tidsperiode av en brukerdefinert faktor , så prosjektet dette resultatet inn i fremtiden. I Prosent Over Last Year-metoden er projeksjonen basert på data fra samme periode i fjor. Den fleksible metoden legger til rette for å spesifisere en annen periode enn samme periode i fjor til bruk som grunnlag for beregningene. Multiplikasjonsfaktor For eksempel spesifiser 1 15 i behandlingsalternativet 8b for å øke tidligere salgshistorikkdata med 15.Base periode For eksempel vil n 3 føre til at den første prognosen blir basert på salgsdata i Oktober 2005.Minimum salgshistorie Brukerens spesifiserte nummer o f perioder tilbake til baseperioden, pluss antall tidsperioder som kreves for å evaluere prognoseytelsen PBF. A 10 4 Middel Absolutt Avviksberegning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metode 9 - Vektet Flytting Gjennomsnittlig. Vektet Flytende Gjennomsnittlig WMA-metode ligner Metode 4, Flytende Gjennomsnitt MA Med det Vektede Flytende Gjennomsnitt kan du tilordne ulik vekt til de historiske data Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon for Kort sikt Flere nyere data blir vanligvis tildelt større vekt enn eldre data, slik at WMA gir større respons på endringer i salgsnivået. Prognoseforstyrrelser og systematiske feil oppstår imidlertid fortsatt når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Dette Metoden virker bedre for kortvarige prognoser for modne produkter enn for produkter i vekst - eller forfallsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen For eksempel angi n 3 i behandlingsalternativet 9a for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. Det resulterer i en stabil prognose , men vil være sakte for å gjenkjenne endringer i salgsnivået. På den annen side vil en liten verdi for n som 3 reagere raskere på endringer i salgsnivå, men prognosen kan variere så mye at produksjonen ikke kan svare på Variasjonene. Vekten tilordnet hver av de historiske datoperiodene De tildelte vekter må total til 1 00 For eksempel når n 3 tilordner vekter på 0 6, 0 3 og 0 1, med de nyeste dataene som mottar størst vekt . Minst nødvendig salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirket PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metode 10 - Lineær utjevning. Denne metoden ligner på Metode 9, Vektet Flytende Gjennomsnittlig WMA Hvordan Alltid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tilordne vekter som avtar lineært og summen til 1 00 Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som er sant for alle lineære bevegelige gjennomsnittlige prognostiseringsteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for kortvarige prognoser for modne produkter i stedet for for produkter i vekst - eller forældelsesfasen av livet syklus. n antall perioder med salgshistorie som skal brukes i prognoseberegningen Dette er angitt i behandlingsalternativet 10a For eksempel angi n 3 i behandlingsalternativet 10b for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode Systemet vil automatisk tildele vektene til de historiske dataene som avtar lineært og summen til 1 00 For eksempel når n 3, s ystem vil tildele vekter på 0 5, 0 3333 og 0 1, med de nyeste dataene som mottar størst vekt. Minimum krevende salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirkning PBF. A 12 1 Forecast Calculation. Antall perioder som skal inkluderes ved utjevning av gjennomsnittlig behandlingsalternativ 10a 3 i dette eksemplet. Ratio for en periode før 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i to perioder før 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder før 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januærprognose 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognose 127 0 5 137 1 3 119 1 6 129.Marg prognose 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulert prognoseberegning. Oktober 2004 Salg 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Salg 140 1 6 131 2 6 114 3 6 124. desember 2004 salg 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prosent av nøyaktighetsberegning. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metode 11 - Eksponentiell utjevning. Denne metoden ligner Metode 10, Linjær utjevning Ved lineær utjevning, tilordner systemet vekter til de historiske dataene som avtar lineært Ved eksponensiell utjevning , tilordner systemet vekter som eksponentielt forfall. Eksponensiell utjevningsprognosekvasjon er. Foreslå en tidligere faktisk salg 1 - en tidligere prognose. Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra forrige periode a er vekt brukt på det faktiske salget for forrige periode 1 - a er vekten på prognosen for forrige periode Gyldige verdier for et område fra 0 til 1, og faller vanligvis mellom 0 1 og 0 4 Summen av vektene er 1 00 a 1-a 1.Du bør tildele en verdi for utjevningskonstanten, a Hvis du ikke tilordner verdier for utjevningskonstanten, beregner systemet en antatt verdi basert på antall perioder med salgshistorikk spesifisering d i prosesseringsalternativet 11a. a utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget Gyldige verdier for et område fra 0 til 1.n rekkevidden av salgshistorikkdata for å inkludere i beregningene Generelt ett år av salgshistorikkdata er tilstrekkelig til å estimere det generelle salgsnivået For dette eksempelet ble en liten verdi for nn 3 valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene Eksponensiell utjevning kan generere en prognose basert på så lite som en historisk datapunkt. Minimum påkrevd salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirkning PBF. A 13 1 Forecast Calculation. Number of periods for å inkludere i utjevning gjennomsnittlig prosesseringsalternativ 11a 3, og alfa faktorbehandling alternativ 11b tom i dette example. a faktor for de eldste salgsdataene 2 1 1 eller 1 når alpha er spesifisert. En faktor for 2. eldste salgsdata 2 1 2, eller alfa når alfa er spesifisert. En faktor for den tredje eldste salgsinformasjonen 2 1 3, eller alfa når alfa er spesifisert. En faktor for de siste salgsdataene 2 1 n, eller alfa når alfa er spesifisert. Norges Sm Gj. sn. oktober Faktisk 1 - en oktober Sm Gj. sn. 1 114 0 0 114.December Sm Gj. sn. november Aktuell 1 - a november Sm Gj. sn. 2 3 119 1 3 114 117 3333.January Forventet desember Faktisk 1 - a desember Sm Gj. sn. 2 4 137 2 4 117 3333 127 16665 eller 127.Februari Prognose Januar-prognose 127.Markeprognose Januarprognose 127.A 13 2 Simulert prognoseberegning. Juli 2004 Sm Gj. sn. 2 129 129. august Sm Gj. sn. 2 3 140 1 3 129 136 3333.September Sm Gj. sn. 2 4 131 2 4 136 3333 133 6666.October 2004 salg Sep Sm Avg 133 6666.August, 2004 Sm Gj. sn. 2 2 140 140.September Sm Gjennomsnittspris 2 3 131 1 3 140 134.October Sm Gj. sn. 2 4 114 2 4 134 124.November 2004 Salg Sep Sm Gj. sn. 124.September 2004 Sm Gj. sn. 2 2 131 131.October Sm Gj. sn. 2 3 114 1 3 131 119 6666.November Sm Gj. sn. 2 4 119 2 4 119 6666 119 3333.Desember 2004 Salg Sep Sm Avg 119 3333.A 13 3 Prosent av nøyaktighet Calcula POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metode 12 - Eksponentiell utjevning med trend og sesongmessighet . Denne metoden ligner metode 11, eksponensiell utjevning ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder også et begrep i prognosekvasjonen for å beregne en jevn trend. Prognosen består av en glatt gjennomsnitt justert for en lineær trend. Når spesifisert i prosesseringsalternativet er prognosen også justert for sesongmessige forhold. Den utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for alfaområdet fra 0 til 1.b utjevningskonstanten som benyttes ved beregning av glattet gjennomsnitt for trendkomponenten i prognosen Gyldige verdier for beta-område fra 0 til 1.Whh en sesongbasert indeks er brukt på forecast. a og b er uavhengig av hverandre. De trenger ikke å legge til 1 0.Min Imum kreves salgshistorie to år pluss antall tidsperioder som kreves for å evaluere prognoseprestansen PBF. Method 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en jevn trend og en enkel gjennomsnittlig sesongfaktor. A 14 1 Prognose Beregning A. Et eksponentielt glatt gjennomsnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluering av Forecasts. You kan velge prognosemetoder for å generere så mange som tolv prognoser for hvert produkt. Hver prognose Metoden vil trolig skape en litt annen projeksjon Når tusenvis av produkter er forventet, er det upraktisk å ta en subjektiv beslutning om hvilke av prognosene som skal brukes i dine planer for hver av produktene. Systemet evaluerer automatisk ytelsen for hver av prognosemetoder som du velger, og for hver av produktene prognose Du kan velge mellom to ytelseskriterier, Mean Absolute Deviation MAD og Percent of Accur acy POA MAD er et mål for prognosefeil POA er et mål for prognosebasert Begge disse resultatevalueringsteknikkene krever faktiske salgshistorikdata for en brukerdefinert tidsperiode. Denne perioden med nyere historie kalles en holdoutperiode eller perioder som passer best til PBF. For å måle resultatene av en prognosemetode, bruk prognoseformlene for å simulere en prognose for historisk utholdelsesperiode. Det vil vanligvis være forskjeller mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når flere prognosemetoder blir valgt, vil denne samme prosessen forekommer for hver metode. Flere prognoser beregnes for utholdelsesperioden og sammenlignet med den kjente salgshistorikken for samme tidsperiode. Prognosemetoden som gir best mulig samsvar best mulig mellom prognosen og det faktiske salget i utholdningsperioden, anbefales til bruk i dine planer Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til ne xt. A 16 Mean Absolute Deviation MAD. MAD er gjennomsnittet eller gjennomsnittet av absoluttverdiene eller størrelsen av avvikene eller feilene mellom faktiske og prognose data. MAD er et mål på gjennomsnittlig størrelsesorden for feil som kan forventes, gitt en prognosemetode og data historie Fordi absolutt verdier brukes i beregningen, avbryter ikke positive feil ut negative feil Når man sammenligner flere prognostiseringsmetoder, har den med den minste MAD vist seg å være den mest pålitelige for det aktuelle produktet for den holdingsperioden. Når prognosen er upartisk og feil distribueres normalt, det er et enkelt matematisk forhold mellom MAD og to andre vanlige målefordeler, standardavvik og Mean Squared Error. A 16 1 Prosent av nøyaktighet POA. Percent of Accuracy POA er et mål for prognostisk bias Når prognosene er konsekvente for høyt, lagerbeholdninger akkumuleres og varekostnadene øker Når prognosene er konsekvent to lave, forbruker varebeholdningen og nedgangen i kundeservice s En prognose som er 10 enheter for lav, da 8 enheter for høy, deretter 2 enheter for høy, ville være en objektiv prognose. Den positive feilen på 10 er kansellert av negative feil på 8 og 2.Error Actual - Forecast. When et produkt kan lagres i lager og når prognosen er objektiv, kan en liten mengde sikkerhetslager brukes til å buffere feilene. I denne situasjonen er det ikke så viktig å eliminere prognosefeil som det er å generere objektive prognoser. Men i tjenesteytende næringer , vil ovennevnte situasjon bli sett på som tre feil. Tjenesten vil bli underbemannet i den første perioden, deretter overbemannet for de neste to perioder. I tjenestene er størrelsen på prognosefeil vanligvis viktigere enn det som er prognosen. Summen over holdingsperioden tillater positive feil å avbryte negative feil Når totalt salg av det totale salget overstiger total prognosen, er forholdet større enn 100 Selvfølgelig er det umulig å være mer enn 100 nøyaktige Når en prognose er unbias ed, POA-forholdet vil være 100 Derfor er det mer ønskelig å være 95 nøyaktige enn å være 110 nøyaktige. POA-kriteriene velger prognosemetoden som har et POA-forhold som er nærmest 100. Skrift på denne siden forbedrer innholdsnavigasjon, men ikke endre innholdet på noen måte.3 Forstå prognostiseringsnivåer og - metoder. Du kan generere både detaljer for enkeltproduktprognoser og sammendrag av produktlinjeprognoser som reflekterer produktbehovsmønstre. Systemet analyserer siste salg for å beregne prognoser ved å bruke 12 prognosemetoder. Prognosene inkluderer detaljert informasjon på elementnivå og høyere nivå informasjon om en filial eller firmaet som helhet.3 1 Varsel om ytelsesvurderingskriterier. Avhengig av valg av behandlingsalternativer og trender og mønstre i salgsdata, utfører noen prognosemetoder bedre enn andre for et gitt historisk datasett En prognosemetode som passer for ett produkt, er kanskje ikke egnet for et annet produkt du kanskje finne ut at en prognosemetode som gir gode resultater på et stadie av en produkts livssyklus, forblir hensiktsmessig gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere den nåværende ytelsen til prognostiseringsmetodene. Prøve av nøyaktighet POA. Med absolutt avvik MAD. Ikke av disse ytelsesevalueringsmetodene krever historiske salgsdata for en periode du spesifiserer. Denne perioden kalles en holdoutperiode eller en periode med best egnethet. Dataene i denne perioden brukes som grunnlag for å anbefale hvilken prognosemetode som skal brukes til å gjøre det neste prognoseprojeksjon Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til neste. 3 1 1 Best Fit. Systemet anbefaler den beste passformsprognosen ved å bruke de valgte prognosemetoder til tidligere salgsordrehistorikk og sammenligne prognosemuleringen til Den faktiske historien Når du genererer en best egnet prognose, sammenligner systemet faktiske salgsordrehistorier med prognoser for a spesifikk tidsperiode og beregner hvor nøyaktig hver annen prognosemetode forutsier salg. Systemet anbefaler derfor den mest nøyaktige prognosen som den beste passformen. Denne grafikken illustrerer de beste passformsprognosene. Figur 3-1. Best egnet prognose. Systemet bruker denne trinns trinn for å bestemme best egnet. Bruk hver spesifisert metode for å simulere en prognose for holdout-perioden, lagre det faktiske salget til de simulerte prognosene for holdoutperioden. Beregn POA eller MAD for å fastslå hvilken prognosemetode som passer best med det siste faktiske salg. Systemet bruker enten POA eller MAD, basert på behandlingsalternativene du velger. Anbefal en best egnet prognose av POA som er nærmest 100 prosent over eller under eller MAD som er nærmest null. 3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Management bruker 12 metoder for kvantitativ prognose og indikerer hvilken metode som passer best for prognosesituasjonen. Denne delen diskuterer. Metode 1 Prosent Over La st år. Metode 2 Beregnet prosent over siste år. Metode 3 siste år til dette året. Metode 4 Moving Average. Method 5 Linear Approximation. Method 6 minste kvadrater Regression. Method 7 Second Degree Approximation. Method 8 Fleksibel Metode. Metode 9 Vektet Flytting Gjennomsnittlig. Metode 10 Lineær utjevning. Metode 11 Eksponensiell utjevning. Metode 12 Eksponensiell utjevning med trend og sesonglighet. Spesifiser metoden du vil bruke i behandlingsalternativene for Forecast Generation-programmet R34650. De fleste av disse metodene gir begrenset kontroll. For eksempel vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene kan spesifiseres av deg. Eksemplene i veiledningen angir beregningsprosedyren for hver av de tilgjengelige prognosemetodene, gitt et identisk sett med historiske data. Metodeksemplene i veiledningen bruker deler eller alle disse datasettene, som er historiske data fra de siste to årene. Prognoseprojektet går inn i neste ja Denne dataene for salgshistorikken er stabile med små sesongmessige økninger i juli og desember. Dette mønsteret er karakteristisk for et modent produkt som kan nærme seg forældelsen.3 2 1 Metode 1 Prosent over fjoråret. Denne metoden bruker prosentandelen over fjorårsformelen til multipliser hver prognoseperiode med den angitte prosentvis økning eller reduksjon. For å prognose etterspørsel krever denne metoden antall perioder for best egnethet pluss ett år med salgshistorie. Denne metoden er nyttig for å prognose etterspørselen etter sesongelementer med vekst eller nedgang.3 2 1 1 Eksempelmetode 1 Prosent over fjoråret. Prosent over fjorårsformel multipliserer salgsdata fra foregående år med en faktor du angir og deretter prosjekter som resulterer i løpet av neste år Denne metoden kan være nyttig i budsjettering for å simulere påvirkning av en spesifisert vekstrate eller når salgshistorikken har en betydelig sesongkomponent. Forespørselsspesifikasjoner Multiplikasjonsfaktor For eksempel angi 110 i behandlingsalternativet for å øke e forrige års s salgshistorie data med 10 prosent. Forespørret salgshistorie Ett år for å beregne prognosen, pluss antall tidsperioder som kreves for å vurdere prognosperioder med best passform som du spesifiserer. Dette tabellen er historien som brukes i prognosen beregning. Februari prognose er 117 1 1 128 7 avrundet til 129.Mar prognose er 115 1 1 126 5 avrundet til 127,3 2 2 Metode 2 Beregnet prosent over siste år. Denne metoden bruker beregning av prosent over siste år formel for å sammenligne Tidligere salg av spesifiserte perioder til salg fra samme perioder i forrige år Systemet bestemmer en prosentvis økning eller reduksjon, og deretter multipliserer hver periode med prosentandelen for å bestemme prognosen. For å prognose etterspørsel krever denne metoden antall perioder med salg ordrehistorie pluss ett år med salgshistorie Denne metoden er nyttig for å prognose kortsiktig etterspørsel etter sesongelementer med vekst eller nedgang.3 2 2 1 Eksempel Metode 2 Beregnet Perce nt Over Last Year. The Calculated Percent Over Last Year formula multiplies sales data from the previous year by a factor that is calculated by the system, and then it projects that result for the next year This method might be useful in projecting the affect of extending the recent growth rate for a product into the next year while preserving a seasonal pattern that is present in sales history. Forecast specifications Range of sales history to use in calculating the rate of growth For example, specify n equals 4 in the processing option to compare sales history for the most recent four periods to those same four periods of the previous year Use the calculated ratio to make the projection for the next year. Required sales history One year for calculating the forecast 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, given n 4.February forecast equals 117 0 9766 114 26 rounde d to 114.March forecast equals 115 0 9766 112 31 rounded to 112.3 2 3 Method 3 Last Year to This Year. This method uses last year s sales for the next year s forecast. To forecast demand, this method requires the number of periods best fit plus one year of sales order history This method is useful to forecast demand for mature products with level demand or seasonal demand without a trend.3 2 3 1 Example Method 3 Last Year to This Year. The Last Year to This Year formula copies sales data from the previous year to the next year This method might be useful in budgeting to simulate sales at the present level The product is mature and has no trend over the long run, but a significant seasonal demand pattern might exist. Forecast specifications None. Required sales history One year for calculating the forecast 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. January forecast equals January of last year with a forecast value of 128.February forecast equals February of last year with a forecast value of 117.March forecast equals March of last year with a forecast value of 115.3 2 4 Method 4 Moving Average. This method uses the Moving Average formula to average the specified number of periods to project the next period You should recalculate it often monthly, or at least quarterly to reflect changing demand level. To forecast demand, this method requires the number of periods best fit plus the number of periods of sales order history This method is useful to forecast demand for mature products without a trend.3 2 4 1 Example Method 4 Moving Average. Moving Average MA is a popular method for averaging the results of recent sales history to determine a projection for the short term The MA forecast method lags behind trends Forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for shor t range forecasts of mature products than for products that are in the growth or obsolescence stages of the life cycle. Forecast specifications n equals the number of periods of sales history to use in the forecast calculation For example, specify n 4 in the processing option to use the most recent four 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 is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 is quicker to respond to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. 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. February forecast equals 114 119 137 125 4 123 75 rounded to 124.March forecast equals 119 137 125 124 4 126 25 rounded to 126.3 2 5 Method 5 Linear Approximation. This method uses the Linear Approximation formula to compute a trend from the number of periods of sales order history and to project this trend to the forecast You should recalculate the trend monthly to detect changes in trends. This method requires the number of periods of best fit plus the number of specified periods of sales order history This method is useful to forecast demand for new products, or products with consistent positive or negative trends that are not due to seasonal fluctuations.3 2 5 1 Example Method 5 Linear Approximation. Linear Approximation calculates a trend that is based upon two sales history data points Those two points define a straight trend line that is projected into the future Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications n equals the data point in sales history that is compared to the most recent data point to identify a trend For example, specify n 4 to use the difference between December most recent data and August four periods before December as the basis for calculating the trend. Minimum required sales history n plus 1 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. January forecast December of past year 1 Trend which equals 137 1 2 139.February forecast December of past year 1 Trend which equals 137 2 2 141.March forecast December of past year 1 Trend which equals 137 3 2 143.3 2 6 Method 6 Least Squares Regression. The Least Squares Regression LSR method derives an equation describing a straight line relationship between the historical sales data and the passage of time LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods The minimum requirement is two historical data points This method is useful to forecast demand when a linear trend is in the data.3 2 6 1 Example Method 6 Least Squares Regression. Linear Regression, or Least Squares Regression LSR , is the most popular method for identifying a linear trend in historical sales data The method calculates the values for a and b to be used in the formula. This equation describes a straight line, where Y represents sales and X represents time Linear regression is slow to recognize turning points and step function shifts in demand Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications n equals the periods of sales history that will be used in calculating the values for a and b For example, specify n 4 to use the history from September through December as the basis for the calculations When data is available, a larger n such as n 24 would ordinarily be used LSR defines a line for as few as two data points For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history n periods 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. March forecast equals 119 5 7 2 3 135 6 rounded to 136.3 2 7 Method 7 Second Degree Approximation. To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of pe riods of sales order history times three This method is not useful to forecast demand for a long-term period.3 2 7 1 Example Method 7 Second Degree Approximation. Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula. The objective of this method is to fit a curve to the sales history data This method is useful when a product is in the transition between life cycle stages For example, when a new product moves from introduction to growth stages, the sales trend might accelerate Because of the second order term, the forecast can quickly approach infinity or drop to zero depending on whether coefficient c is positive or negative This method is useful only in the short term. Forecast specifications the formula find a, b, and c to fit a curve to exactly three points You specify n, the number of time periods of data to accumulate into each of the three points In this example, n 3 Actual sales data for April through June is combined into the first point, Q1 July through September are added together to create Q2, and October through December sum to Q3 The curve is fitted to the three values Q1, Q2, and Q3.Required sales history 3 n periods for calculating the forecast 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. Q0 Jan Feb Mar. Q1 Apr May Jun which equals 125 122 137 384.Q2 Jul Aug Sep which equals 140 129 131 400.Q3 Oct Nov Dec which equals 114 119 137 370.The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2.Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation. Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation. Three equations describe the three points on the graph. 1 Q1 a bX cX 2 where X 1 Q1 a b c. 2 Q2 a bX cX 2 where X 2 Q2 a 2b 4c. 3 Q3 a bX cX 2 where X 3 Q3 a 3b 9c. Solve the three equations simultaneously to find b, a, and c. Subtract equation 1 1 from equation 2 2 and solve for b. Substitute this equation for b into equation 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally, substitute these equations for a and b into equation 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.The Second Degree Approximation method calculates a, b, and c as follows. 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 is a calculation of second degree approximation forecast. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 The forecast equals 294 3 98 per period. When X 5, Q5 322 425 575 172 The forecast equals 172 3 58 33 rounded to 57 per period. When X 6, Q6 322 510 828 4 The forecast equals 4 3 1 33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year.3 2 8 Method 8 Flexible Method. This method enables you to select the best fit number of per iods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated This method is useful to forecast demand for a planned trend.3 2 8 1 Example Method 8 Flexible Method. The Flexible Method Percent Over n Months Prior is similar to Method 1, Percent Over Last Year Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year You can also use the Flexible Method to specify a time period, other than the same period in the la st year, to use as the basis for the calculations. Multiplication factor For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 9 Method 9 Weighted Moving Average. The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous month s sales history to project the next month s sales history However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality This method is useful to forecast demand for mature products with demand that is relatively level.3 2 9 1 Example Method 9 Weighted Moving Average. The Weighted Moving Average WMA method is similar to Method 4, Moving Average MA However, you can assign unequal weights to the historical data when using WMA The method calculates a weighted average of recent sales history to arrive at a projection for the short term More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history n to use in the forecast calculation. For example, specify n 4 in the proce ssing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option 14 - periods to include should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1 00 For example, when n 4, assign weights of 0 50, 0 25, 0 15, and 0 10 with the most recent data receiving the greatest weight. 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. January forec ast equals 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 rounded to 128.February forecast equals 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 rounded to 128.March forecast equals 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 rounded to 128.3 2 10 Method 10 Linear Smoothing. This method calculates a weighted average of past sales data In the calculation, this method uses the number of periods of sales order history from 1 to 12 that is indicated in the processing option The system uses a mathematical progression to weigh data in the range from the first least weight to the final most weight Then the system projects this information to each period in the forecast. This method requires the month s best fit plus the sales order history for the number of periods that are specified in the processing option.3 2 10 1 Example Method 10 Linear Smoothing. This method is similar to Method 9, WMA However, 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 Like 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 than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period The system automatically assigns the weights to the historical data that decline linearly and sum to 1 00 For example, when n equals 4, the system assigns weights of 0 4, 0 3, 0 2, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n p lus 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 11 Method 11 Exponential Smoothing. This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified The minimum requirement is two historical data periods This method is useful to forecast demand when no linear trend is in the data.3 2 11 1 Example Method 11 Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing, the system assigns weights that decline linearly to the historical data In Exponential Smoothing, the system assigns weights that exponentially decay The equation for Exponential Smoothing forecasting is. Forecast P revious Actual Sales 1 Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period Alpha is the weight that is applied to the actual sales for the previous period 1 is the weight that is applied to the forecast for the previous period Values for alpha range from 0 to 1 and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 1 1.You should assign a value for the smoothing constant, alpha If you do not 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.