Stage Of Moving Average Sales Prognose Technik

Prognose beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, das einem zukünftigen Auftreten entspricht. Es ist absolut notwendig für eine Kurzstrecken - und Langstreckenplanung Nach einer Definition basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Vorhersage, Die eher subjektiv ist und auf Instinkt basiert, gut gefühlt oder erraten Zum Beispiel gibt die Abendnachrichten die Wettervorhersage nicht die Wettervorhersage Unabhängig davon werden die Begriffe Prognose und Vorhersage häufig inter-changeable verwendet. Zum Beispiel, Definitionen der Regression eine Technik manchmal Verwendet in der Prognose in der Regel sagen, dass es seinen Zweck ist zu erklären oder vorherzusagen. Forecasting basiert auf einer Reihe von Annahmen. Die Vergangenheit wird sich wiederholen Mit anderen Worten, was in der Vergangenheit passiert ist passieren wieder in der Zukunft. Als der Prognosehorizont verkürzt , Prognose Genauigkeit erhöht Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für den nächsten Monat wird genauer als eine Prognose f Oder im nächsten Jahr und eine Prognose für das nächste Jahr wird genauer sein als eine Prognose für zehn Jahre in der Zukunft. Forecasting in der Aggregate ist genauer als die Prognose einzelner Elemente Dies bedeutet, dass ein Unternehmen in der Lage sein wird, die Gesamtnachfrage über sein gesamtes Spektrum zu prognostizieren Von Produkten genauer als es in der Lage sein wird, einzelne Lagerhaltung-Einheiten zu prognostizieren SKUs Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren, als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Forecasts Sind selten genau, Darüber hinaus sind Prognosen fast nie ganz richtig, während einige sehr nahe sind, sind wenige direkt auf das Geld. Daher ist es ratsam, eine Prognose-Bereich anzubieten Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es Äußerst unwahrscheinlich, dass die Nachfrage 100.000 genau ausmachen würde. Allerdings würde eine Prognose von 90.000 bis 110.000 ein viel größeres Ziel für die Planung liefern. William J Stevenson listet eine num Die von einer guten Prognose gemeinsam sind. Es ist ein gewisses Maß an Genauigkeit festzulegen und so festzulegen, dass ein Vergleich zu alternativen Prognosen möglich ist. Die Vorhersagemethode sollte konsequent eine gute Prognose liefern, wenn der Benutzer einen gewissen Grad festlegt Confidence. Timely eine gewisse Zeit ist erforderlich, um auf die Prognose zu reagieren, so dass der Prognosehorizont muss die Zeit notwendig, um Änderungen zu machen. Einfach zu bedienen und zu verstehen Benutzer der Prognose muss zuversichtlich und komfortabel arbeiten mit it. Cost-effektiv Die Kosten für die Prognose sollten nicht überwiegen die Vorteile aus der Prognose gewonnen. Forecasting-Techniken reichen von der einfachen bis zu den extrem komplexen Diese Techniken sind in der Regel als qualitative oder quantitative. QUALITATIVE TECHNIQUES. Qualitative Prognose Techniken sind in der Regel mehr subjektiv als ihre quantitativen Gegenstücke Qualitative Techniken sind in den früheren Stadien der pr Odukt-Lebenszyklus, wenn weniger vergangene Daten für den Einsatz in quantitativen Methoden existieren Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique NGT, Außendienst Stellungnahmen, Exekutiv-Stellungnahmen und Marktforschung. THE DELPHI TECHNIK. Die Delphi-Technik nutzt ein Expertengremium Produzieren eine Prognose Jeder Experte wird gebeten, eine Prognose für die Notwendigkeit zur Hand bereitzustellen Nachdem die anfänglichen Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schrieb und wird natürlich von ihren Ansichten beeinflusst. Eine nachfolgende Prognose wird dann von jedem gemacht Experte Jeder Experte liest dann wieder, was jeder andere Experte schrieb und wieder von den Wahrnehmungen der anderen beeinflusst wird. Dieser Prozeß wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder Zahlen hat. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ist ähnlich wie die Delphi-Technik Dass es eine Gruppe von Teilnehmern nutzt, in der Regel Experten Nachdem die Teilnehmer auf Prognose-bezogene Fragen antworten, richten sie ihre Verantwortung ab Ses in der Reihenfolge der wahrgenommenen relativen Bedeutung Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der geordneten Themen erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für zukünftige Nachfrage Der Vertriebsleiter Kann für die Eingabe von jedem Vertriebsmitarbeiter fragen und aggregieren ihre Antworten in eine Außendienst-Composite-Prognose Vorsicht sollte bei der Verwendung dieser Technik ausgeübt werden, da die Mitglieder der Außendienst nicht in der Lage sein zu unterscheiden, was Kunden sagen und was sie tatsächlich tun auch , Wenn die Prognosen verwendet werden, um Verkaufsquoten zu etablieren, kann der Außendienst versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Sometimes Oberstufen Manager treffen und entwickeln Prognosen auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche Dies wird manchmal auch als bezeichnet Eine Jury der Exekutivmeinung. MARKET FORSCHUNG In der Marktforschung werden Verbraucherumfragen verwendet, um potenzielle Nachfrage zu etablieren Arketing-Forschung beinhaltet in der Regel den Aufbau eines Fragebogens, der persönliche, demographische, ökonomische und Marketing-Informationen anbietet. Gelegentlich sammeln Marktforscher solche Informationen persönlich in Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher Geschmack, Geschmack, Geruch und ein bestimmtes Produkt erleben kann Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Verbraucherziel ist. QUANTITATIVE TECHNIKEN. Quantitative Prognosetechniken sind in der Regel objektiv als ihre qualitativen Gegenstücke Quantitative Prognosen können Zeitreihenprognosen sein, dh eine Projektion der Vergangenheit in die Zukunft oder Prognosen basierend auf assoziativen Modellen, dh basierend auf einer oder mehreren erläuternden Variablen Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens identifizieren. Einige dieser Verhaltensweisen können Muster sein Oder einfach zufällige Variationen Unter den Mustern sind. Tr Endet, die langfristige Bewegungen nach oben oder unten in den Daten sind. Seasonality, die kurzfristige Variationen produziert, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie die Einzelhandelsumsätze zu Weihnachten oder die Spikes in banking-tätigkeit auf dem ersten des monats und freitags. Cycles, die wavelike Variationen dauern mehr als ein Jahr, die in der Regel an wirtschaftliche oder politische Bedingungen gebunden sind. Irreguläre Variationen, die nicht widerspiegeln typischen Verhalten, wie eine Periode der extremen Wetter oder ein Gewerkschaftsstreik. Random-Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von den anderen Klassifikationen berücksichtigt werden. Unter den Zeitreihenmodellen, die einfachste ist die na ve-Prognose Eine na-ve-Prognose verwendet einfach die tatsächliche Nachfrage nach der Vergangenheit Zeitraum als die prognostizierte Nachfrage für die nächste Periode Dies ist natürlich die Annahme, dass die Vergangenheit wird wiederholen Es geht auch davon aus, dass alle Trends, Saisonalität oder Zyklen entweder in der vorherigen Periode s Nachfrage oder reflektiert werden Gibt es nicht Ein Beispiel für na ve Prognose ist in Tabelle 1 dargestellt. Tabelle 1 Na ve Forecasting. Another einfache Technik ist die Verwendung von Mittelwert Um eine Prognose mit Mittelung zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summierung jeder Periode und Aufteilung des Ergebnisses durch die Anzahl der Perioden Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. Die Mittelwerte der Mittelung umfassen den gleitenden Durchschnitt, den gewichteten Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt einen vorbestimmten Wert ein Anzahl der Perioden, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der Perioden, um eine Prognose zu erreichen. Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Angenommen, ein dreimonatiger gleitender Durchschnitt und die Daten aus Tabelle 1, würde man einfach den 45. Januar, den 60. Februar und den 72. März hinzufügen und sich von drei teilen, um eine Prognose für den 45. April 60 72 177 3 59 zu erreichen. Um zu einer Prognose für Mai zu kommen, würde man Januar fallen S Nachfrage aus der Gleichung und fügen Sie die Nachfrage von April Tabelle 2 stellt ein Beispiel für eine dreimonatige gleitende durchschnittliche Prognose. Tabelle 2 Drei Monate bewegte durchschnittliche Prognose. Aktuale Nachfrage 000 sA gewichteten Durchschnitt gilt ein vorgegebenes Gewicht auf jeden Monat der vergangenen Daten, Summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte Wenn der Prognostiker die Gewichte so einstellt, daß ihre Summe gleich 1 ist, so werden die Gewichte mit der tatsächlichen Nachfrage jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann addiert Eine gewichtete Prognose zu erreichen Im Allgemeinen, je neuere die Daten desto höher das Gewicht und je älter die Daten, desto kleiner das Gewicht Mit dem Bedarfsbeispiel, einem gewichteten Durchschnitt mit Gewichten von 4 3 2 und 1 würde die Prognose für Juni als 60 liefern 1 72 2 58 3 40 4 53 8.Forecasters können auch eine Kombination der gewichteten durchschnittlichen und gleitenden Durchschnittsprognosen verwenden. Eine gewichtete gleitende Durchschnittsprognose weist Gewichte auf eine vorgegebene Anzahl von Perioden von tatsächlichen Daten und comp ab Utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes utes Tabelle 3 Drei-Monats-gewichtete bewegliche durchschnittliche Prognose. Aktuale Nachfrage 000 sA komplexere Form des gewichteten gleitenden Durchschnitts ist exponentielle Glättung, so genannt, weil das Gewicht exponentiell abfällt, da die Datenalter Exponential Glättung nimmt die vorherige Periode s Prognose und passt es um eine vorgegebene Glättung Konstante, genannt Alpha der Wert für Alpha ist kleiner als eins multipliziert mit dem Unterschied in der vorherigen Prognose und die Nachfrage, die tatsächlich aufgetreten während der vorher prognostizierten Zeitraum als Prognosefehler Exponentielle Glättung wird formell ausgedrückt als solche Neue Prognose vorherige Prognose Alpha tatsächliche Nachfrage vorherige Prognose FFA F. Exponentielle Glättung erfordert, dass der Prognostiker die Vorhersage in einem vergangenen Zeitraum a beginnt Nd Arbeit vorwärts zu dem Zeitraum, für den eine aktuelle Prognose benötigt wird Eine erhebliche Anzahl von vergangenen Daten und eine Anfangs - oder Anfangsprognose sind ebenfalls notwendig Die anfängliche Prognose kann eine tatsächliche Prognose aus einer vorherigen Periode, die tatsächliche Nachfrage aus einer vorherigen Periode oder sein Es kann durch die Mittelung der gesamten oder eines Teils der vergangenen Daten geschätzt werden. Einige Heuristiken existieren für die Berechnung einer Anfangsprognose. Beispielsweise würde die Heuristik N 2 1 und ein Alpha von 5 ein N von 3 ergeben, was anzeigt, dass der Benutzer die ersten drei Perioden durchschnittlich beurteilen würde Der Daten, um eine anfängliche Prognose zu erhalten Allerdings ist die Genauigkeit der anfänglichen Prognose nicht kritisch, wenn man große Mengen an Daten verwendet, da exponentielle Glättung selbstkorrigiert ist. Bei genügend Perioden vergangener Daten wird die exponentielle Glättung schließlich genügend Korrekturen vornehmen, um sie zu kompensieren Für eine vernünftig ungenaue Anfangsprognose Unter Verwendung der in anderen Beispielen verwendeten Daten, einer Anfangsprognose von 50 und eines Alphas von 7 wird eine Prognose für Februar als solche neu berechnet Gegossen Februar 50 7 45 50 41 5.Next, die Prognose für März Neue Prognose März 41 5 7 60 41 5 54 45 Dieser Vorgang wird fortgesetzt, bis der Prognostiker den gewünschten Zeitraum erreicht. In Tabelle 4 wäre dies für den Monat Juni, da der Die tatsächliche Nachfrage nach Juni ist nicht bekannt. Aktuale Nachfrage 000 s. Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihen-Daten einen linearen Trend zeigen Diese Methode ist bekannt durch mehrere Namen doppelte Glättung Trend-angepasst exponentielle Glättung Prognose einschließlich Trend FIT und Holt S Modell Ohne Anpassung werden die einfachen exponentiellen Glättungsergebnisse dem Trend übergehen, das heißt, die Prognose wird immer niedrig sein, wenn der Trend steigt oder hoch, wenn der Trend abnimmt. Bei diesem Modell gibt es zwei Glättungskonstanten und mit dem Trend Komponente. Eine Erweiterung des Holt-Modells, genannt Holt-Winter-Methode, berücksichtigt sowohl Trend als auch Saisonalität Es gibt zwei Versionen, multiplikativ und additiv, wobei das Multiplikator am weitesten verbreitet ist D Im additiven Modell wird die Saisonalität als eine Quantität ausgedrückt, die dem Serien-Durchschnitt hinzugefügt oder subtrahiert werden soll. Das multiplikative Modell drückt die Saisonalität als Prozentsatz aus, der als saisonale Verwandte oder saisonale Indizes des Durchschnitts oder Tendenzes bekannt ist Um die Saison zu berücksichtigen Ein Verwandter von 0 8 würde die Nachfrage, die 80 Prozent des Durchschnitts ist, während 1 10 würde die Nachfrage, die 10 Prozent über dem Durchschnitt Detaillierte Informationen über diese Methode finden Sie in den meisten Operationen Management Lehrbücher oder einer von einer Zahl Von Büchern über die Prognose. Associative oder kausale Techniken beinhalten die Identifizierung von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorhersagen Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu planen. In der Regel beinhaltet dies die Verwendung von linearen Regression, wo Ziel ist es, eine Gleichung zu entwickeln, die die Effekte der prädiktorunabhängigen Variablen auf th zusammenfasst E prognostizierte abhängige Variable Wenn die Prädiktorvariable aufgetragen wurde, wäre das Objekt, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert, wobei die Abweichung der Abstand von jedem Punkt zur Linie ist. Die Gleichung würde als erscheinen Ya bx, wobei y die vorhergesagte abhängige Variable ist, x die prädiktorunabhängige Variable ist, b die Steigung der Linie ist und a gleich der Höhe der Linie am y-Intercept ist. Sobald die Gleichung bestimmt ist, kann der Benutzer Fügen Sie aktuelle Werte für die prädiktorunabhängige Variable ein, um zu einer prognostizierten abhängigen Variablen zu gelangen. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, ist eine einfache lineare Regression unzureichend. Für Situationen mit mehreren Prädiktoren, multiple Regression Sollte angewendet werden, während nicht-lineare Beziehungen die Verwendung von krummlinigen Regression fordern. KONOMETRISCHE FORECASTING. Econometric Methoden, wie autoregressive Integrierte Moving-Average-Modell ARIMA, verwenden komplexe mathematische Gleichungen, um vergangene Beziehungen zwischen Nachfrage und Variablen zu zeigen, die die Nachfrage beeinflussen. Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es eine möglichst zuverlässige Darstellung der bisherigen Beziehung ist Dies geschieht, projizierte Werte der beeinflussenden Variablen Einkommen, Preise, etc. werden in die Gleichung eingefügt, um eine Prognose zu machen. EVALUATING FORECASTS. Forecast Genauigkeit kann durch die Berechnung der Bias, mittlere absolute Abweichung MAD, mittlere quadratische Fehler MSE oder Mittelwert bestimmt werden Absoluter Prozentfehler MAPE für die Prognose mit unterschiedlichen Werten für alpha Bias ist die Summe der Prognosefehler FE Für das oben genannte Glättungsbeispiel wäre die berechnete Vorspannung 60 41 5 72 54 45 58 66 74 40 60 62 6 69.Wenn eine Nimmt an, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, man könnte die Vorspannung für eine Anzahl von potentiellen Werten von alpha berechnen und annehmen, dass die mit der niedrigsten Vorspannung b wäre E die genaueste Allerdings ist Vorsicht zu beachten, dass wild ungenaue Prognosen eine niedrige Vorspannung ergeben können, wenn sie dazu neigen, sowohl über Prognose als auch unter Prognose negativ und positiv zu sein. Zum Beispiel kann über drei Perioden eine Firma einen bestimmten Wert von Alpha verwenden Über die Prognose von 75.000 Einheiten 75.000, unter Prognose von 100.000 Einheiten 100.000, und dann über Prognose von 25.000 Einheiten 25.000, was eine Vorspannung von Null 75.000 100.000 25.000 0 Im Vergleich, ein weiteres Alpha, die über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten Würde zu einer Vorspannung von 5.000 Einheiten führen Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl das Bias in der ersten Prognose war Null. Ein sichereres Maß der Prognosegenauigkeit ist die mittlere absolute Abweichung MAD Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann mit Die Anzahl der Prognosen FE N Mit dem Absolutwert der Prognosefehler wird die Verrechnung von positiven und negativen Werten vermieden. Dies bedeutet, dass sowohl eine Überprognose von 50 als auch eine untere Prognose von 50 durch 50 mit den Daten aus dem Exponential ausgeschaltet werden Glättungsbeispiel, MAD kann wie folgt berechnet werden 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Daher ist der Prognostiker im Durchschnitt 16 35 Einheiten pro Prognose aus. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker Dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Mean quadratischer Fehler MSE kann auch in der gleichen Weise verwendet werden MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 FE N-1 Quadrieren der Prognose Fehler beseitigt Die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben, wäre die MSE 18 5 17 55 8 74 20 62 3 383 94 Wie bei MAD kann der Prognostiker die MSE der dargestellten Prognosen vergleichen Mit verschiedenen va Lues von alpha und nehmen Sie an, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert. Der mittlere absolute Prozentfehler MAPE ist der durchschnittliche absolute Prozentfehler Um zum MAPE zu gelangen, muss man die Summe der Verhältnisse zwischen Prognosefehler und tatsächlichen Bedarfszeiten berücksichtigen 100, um den Prozentsatz zu erhalten und durch N Tatsächliche Nachfrageprognose zu ermitteln Tatsächliche Nachfrage 100 N Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAPE wie folgt berechnet werden: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Wie bei MAD Und MSE, desto niedriger der relative Fehler, desto genauer die Prognose. Es sollte darauf hingewiesen werden, dass in einigen Fällen die Fähigkeit der Prognose schnell ändern, um auf Änderungen in Datenmuster zu reagieren gilt als wichtiger als Genauigkeit Daher ist eine Wahl Der Prognose-Methode sollte die relative Balance der Bedeutung zwischen Genauigkeit und Reaktionsfähigkeit, wie durch den Prognostiker bestimmt. MAKING A FORECAST. William J Stevenson listet die folgenden als die grundlegenden Schritte in der Prognose Sting-Prozess. Bestimmen Sie die Prognose Zweck Faktoren wie wie und wann die Prognose verwendet werden, die Grad der Genauigkeit benötigt, und die Höhe der Details bestimmen bestimmen die Kosten Zeit, Geld, Mitarbeiter, die auf die Prognose und die Art gewidmet werden können Der Prognosemethode, die genutzt werden soll. Erstellen Sie einen Zeithorizont Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik Die gewählte Technik hängt vom Zweck ab Der Prognose, der Zeithorizont gewünscht und die erlaubten Kosten. Daten erfassen und analysieren Die Menge und Art der benötigten Daten unterliegt dem Ziel der Prognose, der gewählten Prognosetechnik und allen Kostenüberlegungen. Machen Sie die Prognose. Monitor die Prognose Bewerten Sie die Leistung der Prognose und ändern Sie, wenn nötig. FURTHER READING. Finch, Byron J Operations jetzt Profitabilität, Prozesse, Performance 2 ed Boston McGraw-H Krank Irwin, 2006.Green, William H Ökonometrische Analyse 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr. Marion Die Nominal Group Technik Der Forschungsprozess verfügbar von. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin , 2005.Sie lesen auch Artikel über Prognose aus Wikipedia. A Prognose Berechnung Beispiele. A 1 Prognose Berechnungsmethoden. Tuch-Methoden der Berechnung von Prognosen sind verfügbar Die meisten dieser Methoden bieten für begrenzte Benutzer Kontrolle Zum Beispiel das Gewicht auf aktuelle historische Daten oder die Datumsbereich der in den Berechnungen verwendeten historischen Daten können angegeben werden Die folgenden Beispiele zeigen die Berechnungsmethode für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden dieselben 2004 und 2005 Verkaufsdaten, um ein 2006 zu produzieren Umsatzprognose Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte 2005 Prognose für eine dreimonatige Halteperiodenbearbeitung optio N 19 3, die dann für Prozent der Genauigkeit verwendet wird und mittlere Absolutabweichung Berechnungen tatsächlichen Umsatz im Vergleich zu simulierten Prognose. A 2 Prognose Performance Evaluation Criteria. D Je nach Auswahl der Verarbeitungsoptionen und auf die Trends und Muster, die in den Verkaufsdaten, einige Prognosemethoden werden besser als andere für einen gegebenen historischen Datensatz durchgeführt Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Lebenszyklus eines Produkts gute Ergebnisse liefert Wird während des gesamten Lebenszyklus angemessen bleiben. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind die mittlere Absolute Abweichung MAD und der Prozentsatz der Genauigkeits-POA. Beide dieser Bewertungsbewertungsmethoden erfordern historische Verkaufsdaten für einen bestimmten Zeitraum Der Zeit Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt PBF Die dat A in diesem Zeitraum dient als Grundlage für die Empfehlung, welche der Prognosemethoden bei der Erstellung der nächsten Prognoseprojektion verwendet werden. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden prognostizierten Leistungsbewertungsmethoden werden nachgewiesen In den Seiten nach den Beispielen der zwölf Prognosemethoden. 3 Methode 1 - Festgelegtes Prozent über letztes Jahr. Diese Methode multipliziert die Verkaufsdaten aus dem Vorjahr mit einem vom Benutzer angegebenen Faktor, zB 1 10 für 10 Zunahme oder 0 97 Für eine 3 Abnahme. Required Verkäufe Geschichte Ein Jahr für die Berechnung der Prognose plus der Benutzer angegebene Anzahl von Zeiträumen für die Bewertung der Prognose Performance-Verarbeitung Option 19.A 4 1 Prognose Berechnung. Range der Umsatz Geschichte bei der Berechnung der Wachstumsfaktor Verarbeitung Option 2a 3 verwenden In diesem Beispiel. Sum die letzten drei Monate des Jahres 2005 114 119 137 370.Sum die gleichen drei Monate für das Vorjahr 123 139 133 395.Der berechnete Faktor 370 3 95 0 9367.Calculate die Prognosen. Januar, 2005 Umsatz 128 0 9367 119 8036 oder etwa 120.Februar, 2005 Umsatz 117 0 9367 109 5939 oder etwa 110.März, 2005 Umsatz 115 0 9367 107 7205 oder etwa 108.A 4 2 Simulierte Prognoseberechnung. Sum die drei Monate des Jahres 2005 vor der Halteperiode Juli, August, September 129 140 131 400.Sum die gleichen drei Monate für das Vorjahr.141 128 118 387.Der berechnete Faktor 400 387 1 033591731.Calculate simuliert Prognose. Oktober, 2004 Umsatz 123 1 033591731 127 13178.November 2004 Verkauf 139 1 033591731 143 66925.December, 2004 Umsatz 133 1 033591731 137 4677.A 4 3 Prozent der Genauigkeit Berechnung. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Mittlere Absolutabweichungsberechnung. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Methode 3 - Letztes Jahr in diesem Jahr Diese Methode kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose Plus die Anzahl der für die Auswertung der Prognoseleistungsverarbeitungsoption festgelegten Zeiträume 19.A 6 1 Prognoseberechnung. Zahl der Perioden, die in die durchschnittliche Verarbeitungsoption 4a 3 in diesem Beispiel aufgenommen werden sollen. Für jeden Monat der Prognose durchschnittlich die letzten drei Monate S Daten. Januar Prognose 114 119 137 370, 370 3 123 333 oder 123.Februar Prognose 119 137 123 379, 379 3 126 333 oder 126.Märzvorhersage 137 123 126 379, 386 3 128 667 oder 129.A 6 2 Simulierte Prognose Kalkulation. Oktober 2005 Umsatz 129 140 131 3 133 3333.November 2005 Umsatz 140 131 114 3 128 3333.Dekember 2005 Umsatz 131 114 119 3 121 3333.A 6 3 Prozent der Genauigkeit Berechnung. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Mittlere Absolute Abweichungsberechnung. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Methode 5 - Lineare Approximation. Linear Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsgeschichte Datenpunkte. Diese beiden Punkte definieren eine gerade Trendlinie, die in die f Uture Verwenden Sie diese Methode mit Vorsicht, da Langstrecken-Prognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Benötigte Verkaufshistorie Die Anzahl der Perioden, die in die Regressionsverarbeitungsoption 5a enthalten sind, plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistungsverarbeitung Option 19.A 8 1 Prognoseberechnung. Zahl der Perioden, die in der Regressionsverarbeitungsoption 6a 3 in diesem Beispiel enthalten sind. Für jeden Monat der Prognose fügen Sie die Erhöhung oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu Die letzten drei Monate 114 119 137 3 123 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 114 1 119 2 137 3 763.Differenz zwischen den Werten. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 23 2 11 5.Value2 Durchschnitt - Wert1 Verhältnis 123 3333 - 11 5 2 100 3333.Forecast 1 n Wert1 Wert2 4 11 5 100 3333 146 333 oder 146.Forecast 5 11 5 100 3333 157 8333 oder 158.Forecast 6 11 5 100 3333 169 3333 oder 169.A 8 2 Simulierte Prognoseberechnung. Oktober 2004 sales. Average der letzten drei Monate . 129 140 131 3 133 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 129 1 140 2 131 3 802.Differenz zwischen den Werten. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 2 2 1.Value2 Durchschnitt - Wert1 Verhältnis 133 3333 - 1 2 131 3333.Forecast 1 n Wert1 Wert2 4 1 131 3333 135 3333.November 2004 sales. Average der letzten drei Monate. 140 131 114 3 128 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 140 1 131 2 114 3 744.Differenz zwischen den Werten 744 - 128 3333 1 2 3 -25 9999.Value1 Differenzverhältnis -25 9999 2 -12 9999.Value2 Durchschnitt - Wert1 Verhältnis 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Dekember 2004 sales. Average der letzten drei Monate. 131 114 119 3 121 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 131 1 114 2 119 3 716.Differenz zwischen den Werten. 716 - 121 3333 1 2 3 -11 9999.Value1 Differenzverhältnis -11 9999 2 -5 9999.Value2 Durchschnitt - Wert1 Verhältnis 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prozentsatz der Genauigkeitsberechnung. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Mittlere Absolutabweichungsberechnung. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Methode 7 - Zweitens Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich Diese Methode bestimmt jedoch Werte für a, b und c in Die Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsgeschichtsdaten anzupassen Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Wenn beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt wird , Kann sich die Umsatzentwicklung beschleunigen. Aufgrund der zweiten Bestellung kann sich die Prognose schnell nähern Unendlichkeit oder Tropfen auf Null, je nachdem, ob der Koeffizient c positiv oder negativ ist. Daher ist diese Methode nur kurzfristig nützlich. Forecast-Spezifikationen Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, um sich in jeden der drei Punkte zu akkumulieren In diesem Beispiel n 3 Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt zusammengefasst, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen Und Oktober bis Dezember Summe auf Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufshistorie 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. Number of Perioden, um die Verarbeitungsoption 7a 3 in diesem Beispiel aufzunehmen. Verwenden Sie die vorherigen 3 n Monate in dreimonatigen Blocks. Qu1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Der nächste Schritt beinhaltet c Wobei die drei Koeffizienten a, b und c in der Vorhersageformel Y a bX cX 2 verwendet werden. 1 Q1 a bX cX 2 wobei X 1 a b c ist. 2 Q2 a bX cX 2 wobei X 2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 a 3b 9c die drei Gleichungen gleichzeitig analysieren, um b, a und c zu finden. Gleichung Gleichung 1 aus Gleichung 2 zu addieren und für b zu lösen. Diese Gleichung für b in Gleichung 3 einzustellen. 3 Q3 a 3 Q2 - Q1 - 3c c. Schließen Sie diese Gleichungen für a und b in Gleichung 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Die zweite Grad Approximation Methode berechnet A, b und c wie folgt. 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.Januar bis März Vorhersage X 4. 322 340 - 368 3 294 3 98 pro Periode. April bis Juni Prognose X 5. 322 425 - 575 3 57 333 oder 57 pro Zeitraum. Juli bis September Prognose X 6. 322 510 - 828 3 1 33 oder 1 pro Zeitraum. Oktober bis Dezember X 7. 322 595 - 1127 3 -70.A 9 2 Simulierte Prognose Berechnung. Oktober, November Und Dezember 2004 sales. Q1 Jan - Mar 360.Q2 Apr - Jun 384.Q3 Jul - Sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Prozent der Genauigkeitsberechnung. POA 136 136 136 114 119 137 100 110 27.A 9 4 Mittlere Absolutabweichungsberechnung. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Methode 8 - Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne durch einen vom Benutzer angegebenen Faktor , Dann projizieren Sie das Ergebnis in die Zukunft In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als den gleichen Zeitraum des Vorjahres anzugeben Verwendung als Grundlage für die Berechnungen. Multiplikationsfaktor Geben Sie z. B. 1 15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15.Basisperiode zu erhöhen. Beispielsweise wird n 3 die erste Prognose auf Verkaufsdaten in Oktober 2005.Minimum Verkaufsgeschichte Der Benutzer angegebene Nummer o F Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. 10 4 Mittlere Absolute Abweichungsberechnung. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Methode 9 - Gewichtetes Verschieben Durchschnittlich Die gewichtete Moving Average WMA Methode ähnelt Methode 4, Moving Average MA Mit dem Weighted Moving Average können Sie den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um eine Projektion für die Kurzfristig Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen im Umsatzniveau reagiert. Allerdings treten prognostizierte Bias und systematische Fehler immer noch auf, wenn die Produktverkäufe Geschichte starken Trend oder saisonalen Mustern aufweist Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in der Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n die Anzahl der Perioden der Verkaufsgeschichte zu verwenden in Die Prognoseberechnung Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Umsatzhistorie Es ergibt eine stabile Prognose , Aber wird langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Auf der anderen Seite wird ein kleiner Wert für n wie 3 reagieren schneller auf Verschiebungen in der Ebene des Umsatzes, aber die Prognose kann so weit schwanken, dass die Produktion nicht reagieren kann Die Variationen. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist, muss die zugewiesene Gewichte auf 1 00 betragen. Wenn z. B. n 3 Gewichte von 0 6, 0 3 und 0 1 zugewiesen werden, wobei die letzten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Methode 10 - Lineare Glättung. Diese Methode ist ähnlich Methode 9, gewichtete bewegliche durchschnittliche WMA Wie Sogar, anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige zu gelangen Echt von allen linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierten Vorurteilen und systematischen Fehlern treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für kurze Reichweitenprognosen von reifen Produkten und nicht für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebens Zyklus. n die Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die Nächste Zeitperiode Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n 3 die s Ystem wird Gewichte von 0 5, 0 3333 und 0 1 zuordnen, wobei die aktuellsten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung PBF erforderlich sind. 12 1 Prognoseberechnung. Anzahl der Perioden, die in der Glättung der durchschnittlichen Verarbeitungsoption 10a 3 in diesem Beispiel enthalten sind. Ratio für einen Zeitraum vor 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio für zwei Perioden vorher 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio für drei Perioden vor 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januarprognose 137 0 5 119 1 3 114 1 6 127 16 oder 127.Februarprognose 127 0 5 137 1 3 119 1 6 129.Märzvorhersage 129 0 5 127 1 3 137 1 6 129 666 oder 130.A 12 2 Simulierte Prognoseberechnung. Oktober 2004 Umsatz 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Umsatz 140 1 6 131 2 6 114 3 6 124Dezember 2004 Umsatz 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prozent der Genauigkeitsberechnung. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mittlere Absolutabweichung Berechnung. WÜTEND 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Methode 11 - Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung In der linearen Glättung weist das System den historischen Daten, die linear abfallen, Gewichte zu. Bei der exponentiellen Glättung , Das System ordnet Gewichte, die exponentiell abklingen Die exponentielle Glättung Vorhersage Gleichung ist. Forecast eine vorherige tatsächliche Umsatz 1 - a vorherige Prognose. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsatz aus der vorherigen Periode und die Prognose aus der vorherigen Periode a ist die Gewicht auf die tatsächlichen Verkäufe für die vorherige Periode 1 - a ist das Gewicht auf die Prognose für die vorherige Periode angewendet Gültige Werte für einen Bereich von 0 bis 1 und in der Regel fallen zwischen 0 1 und 0 4 Die Summe der Gewichte ist 1 00 a 1 - a 1.Sie sollten einen Wert für die Glättungskonstante zuweisen, a Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der Anzahl der Perioden des Verkaufsverlaufs D in der Verarbeitungsoption 11aa die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für einen Bereich von 0 bis 1.n der Bereich der Verkaufsgeschichte Daten, um in die Berechnungen enthalten In der Regel ein Jahr Der Verkaufsgeschichte Daten reichen aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für nn 3 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie eine historische basiert Datenpunkt. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. A 13 1 Prognoseberechnung. Zahl der Perioden, die in die Glättung der durchschnittlichen Verarbeitungsoption 11a 3 und die Alpha-Faktor-Verarbeitungsoption 11b in diesem enthalten sind Beispiel ein Faktor für die ältesten Verkaufsdaten 2 1 1 oder 1, wenn alpha angegeben ist. ein Faktor für die 2. ältesten Verkaufsdaten 2 1 2 oder alpha, wenn alpha angegeben ist. ein Faktor Für die 3. ältesten Verkaufsdaten 2 1 3 oder alpha, wenn alpha angegeben ist. ein Faktor für die letzten Verkaufsdaten 2 1 n oder alpha, wenn alpha angegeben ist. November Sm Avg a Oktober Tatsächlich 1 - ein Oktober Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - ein November Sm Avg 2 3 119 1 3 114 117 3333.Januar Prognose a Dezember Tatsächlich 1 - ein Dezember Sm Avg 2 4 137 2 4 117 3333 127 16665 oder 127.Februarprognose Januar Vorhersage 127.März Prognose Januar Vorhersage 127.A 13 2 Simulierte Prognose Berechnung. Juli 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.Oktober, 2004 Umsatz Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.Oktober Sm Avg 2 4 114 2 4 134 124.November 2004 Verkauf Sep Sm Durchschn. 124.September 2004 Sm Avg 2 2 131 131.Oktober Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 Umsatz Sep Sm Avg 119 3333.A 13 3 Prozent Der Genauigkeitskalkula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mittlere Absolutabweichungsberechnung. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Methode 12 - Exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung, da ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Term in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen In der Verarbeitungsoption wird die Prognose auch für die Saisonalität angepasst. a die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1.b die Glättungskonstante, die bei der Berechnung des geglätteten verwendet wird Durchschnitt für die Trendkomponente der Prognose Gültige Werte für Beta-Bereich von 0 bis 1.Wenn ein saisonaler Index auf die Prognose angewendet wird. a und b unabhängig voneinander sind, müssen sie nicht zu 1 0.Min hinzufügen Imum erforderliche Verkaufsgeschichte zwei Jahre plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. Method 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen 1 Prognoseberechnung A. Ein exponentiell geglätteter Durchschnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Auswertung der Prognosen. Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu erzeugen. Jede Prognose Methode wird wahrscheinlich eine etwas andere Projektion verursachen Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung darüber zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet automatisch die Leistung für jede der Prognosemethoden aus Dass Sie wählen, und für jede der Produkte prognostiziert Sie können zwischen zwei Leistungskriterien wählen, Mean Absolute Deviation MAD und Prozent von Accur Acy POA MAD ist ein Maß für den Prognosefehler POA ist ein Maß für die Prognose-Bias Beide dieser Performance-Evaluationstechniken erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten passt PBF. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es gibt normalerweise Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Holdout-Zeitraum. Wenn mehrere Prognosemethoden ausgewählt werden, Tritt für jede Methode auf Mehrere Prognosen werden für die Halteperiode berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum Die Vorhersagemethode, die die beste Übereinstimmung liefert, die am besten zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums passt, wird zur Verwendung empfohlen In Ihren Plänen Diese Empfehlung ist für jedes Produkt spezifisch und könnte von einer Prognoseerzeugung auf die ne ändern Xt. A 16 Mittlere Absolute Abweichung MAD. MAD ist der Mittelwert oder Durchschnitt der Absolutwerte oder Größe der Abweichungen oder Fehler zwischen Ist - und Prognosedaten MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und Daten Historie Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler aufgehoben. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler sind normal verteilt, es gibt eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error. A 16 1 Prozent der Genauigkeit POA. Percent der Genauigkeit POA ist ein Maß für die Prognose Bias Wenn Prognosen konsequent sind Zu hoch, Vorräte sammeln und Inventar Kosten steigen Wenn Prognosen konsequent zwei niedrig sind, werden Vorräte verbraucht und Kundendienst sinken S Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 aufgehoben. Error Actual - Forecast. Wenn ein Produkt Kann im Inventar gespeichert werden, und wenn die Prognose ist unparteiisch, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, wie es ist, um unvoreingenommene Prognosen zu generieren Aber in Dienstleistungsindustrien , Würde die obige Situation als drei Fehler angesehen werden Der Dienst würde in der ersten Periode unterbesetzt sein, dann überstaffed für die nächsten zwei Perioden In Dienstleistungen ist die Größe der Prognosefehler in der Regel wichtiger als die Vorhersage Bias. Die Summation über die Holdout Zeitraum Ermöglicht positive Fehler, um negative Fehler zu annullieren Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100 Natürlich ist es unmöglich, mehr als 100 genau zu sein Wenn eine Prognose unbias ist Ed, das POA-Verhältnis wird 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100.Scripting auf dieser Seite ist, verbessert die Inhaltsnavigation, aber nicht Ändern Sie den Inhalt in irgendeiner Weise.3 Verstehen von Prognoseebenen und Methoden. Sie können sowohl Detail-Einzelpostenprognosen als auch zusammenfassende Produktlinienprognosen generieren, die Produktnachfragemuster widerspiegeln. Das System analysiert vergangene Verkäufe, um Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen Auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes.3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere Ein gegebener historischer Datensatz Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet Dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Genauigkeit der Genauigkeit POA. Mean absolute Abweichung MAD. Bei dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Dieser Zeitraum wird als Haltezeit oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der Herstellung verwendet wird Prognoseprojektion Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten ändern.3 1 1 Best Fit. Das System empfiehlt die bestmögliche Vorhersage, indem es die ausgewählten Prognosemethoden auf die vergangene Verkaufsauftragsgeschichte anwendet und die Prognosesimulation vergleicht Der eigentliche Verlauf Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für ein Spezifische Zeitspanne und berechnet, wie genau jede andere Prognosemethode den Verkauf vorausgesagt hat. Dann empfiehlt das System die genaueste Prognose als die beste Passform Diese Grafik veranschaulicht die besten Anpassungsprognosen. Figure 3-1 Beste Passformvorhersage. Das System verwendet diese Abfolge von Schritten, um das zu bestimmen Am besten fit. Use jede spezifizierte Methode, um eine Prognose für die Holdout-Periodpare tatsächlichen Umsatz zu den simulierten Prognosen für die Holdout-Periode zu simulieren. Kalkulieren Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen tatsächlichen Umsatz übereinstimmt. Das System verwendet entweder POA Oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Erstellen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent über oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und zeigt an, welche Methode für die Prognosesituation am besten geeignet ist. In diesem Abschnitt wird diskutiert. Method 1 Percent Over La St Jahr. Method 2 Berechnete Prozent über letztes Jahr. Method 3 Letztes Jahr zu diesem Jahr. Method 4 Moving Average. Method 5 Linear Approximation. Method 6 Least Squares Regression. Method 7 Second Grad Approximation. Method 8 Flexible Methode. Method 9 Weighted Moving Durchschnitt. Method 10 Linear Smoothing. Method 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Specify die Methode, die Sie in den Verarbeitungsoptionen für die Prognoseerzeugung Programm R34650 verwenden möchten Die meisten dieser Methoden bieten eine begrenzte Kontrolle Zum Beispiel die Gewicht, der auf aktuelle historische Daten gelegt wird, oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, kann von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsprozedur für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz historischer Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle diese Datensätze, die historische Daten aus den letzten zwei Jahren sind. Die Prognoseprojektion geht in nächstes Jahr R. Diese Handelsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte.3 2 1 Methode 1 Prozent über letztes Jahr. Diese Methode verwendet die Percent Over Last Year Formel zu Multiplizieren Sie jeden Prognosezeitraum mit der angegebenen prozentualen Zunahme oder Abnahme. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach Saisonartikeln mit Wachstum oder Rückgang zu prognostizieren 1 1 Beispiel Methode 1 Prozent über letztes Jahr Die Percent Over Last Year Formel multipliziert die Verkaufsdaten aus dem Vorjahr mit einem Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss von a zu simulieren Spezifizierte Wachstumsrate oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente hat. Forecast-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um zu erhöhen E des Vorjahres s Verkaufsgeschichte Daten um 10 Prozent. Required Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose, plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit, die Sie angeben erforderlich. Diese Tabelle ist Geschichte verwendet in Die Prognoseberechnung. Februarprognose entspricht 117 1 1 128 7 gerundet auf 129.Märzvorhersage entspricht 115 1 1 126 5 gerundet auf 127,3 2 2 Methode 2 Berechnetes Prozent über letztes Jahr. Diese Methode verwendet die Berechnete Percent Over Last Year Formel, um die zu vergleichen Vergangene Verkäufe von bestimmten Perioden zu Verkäufen von den gleichen Perioden des Vorjahres Das System bestimmt eine prozentuale Zunahme oder Abnahme und multipliziert dann jede Periode um den Prozentsatz, um die Prognose zu bestimmen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Umsatzes Auftragsverlauf plus ein Jahr Verkaufsgeschichte Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Abnahme zu prognostizieren. 2 2 1 Beispiel Methode 2 Berechnete 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.