Przenosząca się średnia prognoza. Initrodukcja Jak można się spodziewać, patrzymy na niektóre z najbardziej prymitywnych podejść do prognozowania. Ale miejmy nadzieję, że są to przynajmniej warte wprowadzenia do niektórych zagadnień związanych z komputerem w związku z wdrażaniem prognoz w arkuszach kalkulacyjnych. W tej trosce będziemy kontynuować począwszy od początku i zacznij pracę z Prognozami Ruchoma Przeciętne Prognozy Wszyscy znają średnie ruchome prognozy niezależnie od tego, czy uważają, że są Wszyscy studenci czynią je przez cały czas Pomyśl o swoich punktach testowych w trakcie, w którym zamierzasz mają cztery testy w semestrze Załóżmy, że masz 85 lat na pierwszym testie. Jaki byłby przewidywany Twój drugi wynik testu. Jak myślisz, jaki byłby Twój nauczyciel przewidywał następny wynik testu. Jak myślisz, że Twoi przyjaciele mogą przewidzieć za kolejny wynik testu. Jak myślisz, że Twoi rodzice mogli przewidzieć następny wynik testu. Niezależnie od blabbingu, jaki możesz zrobić dla swojego jaja i rodzice, oni i nauczyciel bardzo oczekują, że dostaniesz coś w tej dziedzinie, którą właśnie dostałeś. Pozwól, że pomimo twojej samoobrony do swoich przyjaciół, oszacujesz siebie a rysunek można studiować mniej w drugim teście, a więc masz 73. Teraz co są wszystkie zainteresowane i nie przejmowane spodziewać się dostaniesz na swój trzeci test Istnieją dwa bardzo prawdopodobne podejścia do nich opracować szacunek niezależnie od czy będą się dzielić z tobą. Mogą powiedzieć sobie, Ten facet zawsze dmucha dymu o jego inteligencje On ma zamiar uzyskać kolejne 73, jeśli ma szczęście. Może rodzice będą starali się być bardziej wspierający i powiedz: "Cóż, więc doszedłeś do 85 i 73, więc może powinieneś się dowiedzieć na temat 85 73 2 79 nie wiem, może gdybyś się mniej bawił i nie żartował łasic w całym miejscu, a jeśli zaczniesz robić dużo więcej studiów można uzyskać wyższy score. Both tych szacunków są rzeczywiste średnie prognozy ruchu. Pierwszy wykorzystuje tylko swój najnowszy wynik, aby prognozować przyszłe wyniki. Nazywa się to ruchomą średnią prognozą przy użyciu jednego okresu danych. Druga to również prognoza średniej ruchomej, ale przy użyciu dwóch okresów danych. że wszyscy ci ludzie popychają do twojego wielkiego umysłu, wkurza cię i decydujesz się na trzecim testie z własnego powodu i położyć wyższy wynik przed swoimi sojusznikami Bierzesz test, a Twój wynik jest rzeczywiście 89 Wszyscy, łącznie z sobą, są pod wrażeniem. Teraz masz ostatni test semestru nadchodzącego i jak zwykle czujesz potrzebę szalenia wszystkich, aby ich prognozy dotyczące sposobu, w jaki zrobisz na ostatnim testie Cóż, miejmy nadzieję, że widzisz pattern. Now, miejmy nadzieję, że możesz zobaczyć wzór Który z Twoich opinii uważasz za najdokładniejszy. Podczas pracy Pracujemy teraz wracamy do naszej nowej firmy zajmującej się sprzątaniem, którą rozpoczęliśmy od twojej ukochanej siostry o nazwie Gwizdek Podczas pracy Pracujesz w przeszłości reprezentowane przez następującą sekcję z arkusza kalkulacyjnego Najpierw przedstawiamy dane dla trzech średnich okresów prognoz. Wpis w komórce C6 powinien być. Będzie można skopiować tę formułę komórki do innych komórek C7 do C11.Notice jak średnia przenosi w odniesieniu do najnowszych danych historycznych, ale wykorzystuje dokładnie trzy ostatnie okresy dostępne dla każdej prognozy. Należy również zauważyć, że nie musimy naprawdę przewidzieć ostatnich okresów w celu opracowania naszej najnowszej prognozy. To zdecydowanie różni się od model wygładzania wykładniczego I ve zawiera przeszłości prognozy, ponieważ będziemy używać ich na następnej stronie internetowej w celu pomiaru ważności przewidywania. Now chcę przedstawić analogiczne wyniki dla dwóch okres ruchomych średniej prognozy. Wpis dla komórki C5 powinno być. Będzie może skopiować tę formułę komórki do innych komórek C6 do C11.Notice jak teraz tylko dwa najnowsze dane historyczne są wykorzystywane do każdego przewidywania Ponownie mam dołączyć d poprzednie przepowiednie do celów ilustracyjnych i do późniejszego wykorzystania w walidacji prognozy. Masz inne rzeczy, które są istotne do zauważenia. Dla m-okresowej ruchomych średniej prognozy tylko m najnowocześniejszych wartości danych są wykorzystywane do przewidywania Nic innego jest konieczne Dla średniej prognozy średniej w okresie m, podczas dokonywania wcześniejszych prognoz, zauważ, że pierwsza przewidywania występują w okresie m 1. Wszystkie te kwestie będą bardzo istotne podczas opracowywania naszego kodu. Rozwijanie funkcji średniej ruchomej Teraz musimy rozwijać kod prognozy średniej ruchomej, którą można używać bardziej elastycznie Kod śledzić Zauważ, że dane wejściowe są dla liczby okresów, których chcesz użyć w prognozie i tablicę wartości historycznych Możesz je zapisać w dowolnej skoroszycie, którą chcesz. Funkcja MovingAverage Historyczne, NumberOfPeriods jako pojedynczy Deklarowanie i inicjowanie zmiennych Dim Item as Variant Dim Counter jako Integer Dim Accumulation jako Single Dim HistoricalSize Jako Integer. Inicjalizacja zmiennych Licznik 1 Akumulacja 0. Określenie rozmiaru historycznej tablicy HistoricalSize. For Counter 1 To NumberOfPeriods. Zbierając odpowiednią liczbę ostatnich poprzednio obserwowanych wartości. Kumulacja Akumulacja Historical HistoricalSize - licznik NumberOfPeriods. MovingAverage Akumulacja NumberOfPeriods. Kodeks zostanie wyjaśniony w klasie Chcesz umieścić funkcję w arkuszu kalkulacyjnym tak, aby wynik obliczeń pojawił się tam, gdzie powinien jak poniżej.3 Zrozumienie poziomów i metod prognozowania. Można tworzyć zarówno szczegółowe prognozy dotyczące pojedynczych elementów, jak i podsumowujące prognozy dotyczące linii produktów, które odzwierciedlają zapotrzebowanie na produkty System analizuje sprzedaż w przeszłości w celu obliczania prognoz przy użyciu 12 metod prognozowania Prognozy zawierają szczegółowe informacje na temat poziom i wyższy poziom informacji na temat oddziału lub firmy jako całości3. 1 Kryteria oceny prognozy wyników. W zależności od wyboru opcji przetwarzania oraz trendów i wzorców danych dotyczących sprzedaży, niektóre metody prognozowania osiągają lepsze wyniki niż inne dla danej historii zestaw danych Metoda prognozowania jest odpowiedni dla jednego produktu może być nieodpowiedni dla innego produktu Może się okazać, że metoda prognozowania, która zapewnia dobre wyniki w jednym etapie cyklu życia produktu pozostaje odpowiedni przez cały cykl życia. Możesz wybrać jedną z dwóch metod w celu oceny bieżącej wydajności metod prognozowania. Stałość dokładności POA. Mean bezwzględne odchylenie MAD. W obu tych metodach oceny skuteczności wymagają historycznych danych dotyczących sprzedaży w określonym okresie Okres ten nazywa się okresem trzymania lub najlepszym dopasowaniem Dane w tym okresie są wykorzystywane jako podstawę do zalecania, która metoda prognozowania powinna być wykorzystana przy opracowywaniu kolejnej prognozy prognozy Ta rekomendacja jest specyficzna dla każdego produktu i może zmieniać się z jednej generacji prognozy na następną. 1 1 Najlepszy system Fit. System zaleca prognozę najlepszego dopasowania, stosując wybranych metod prognozowania w stosunku do historii zlecenia sprzedaży sprzedaży i porównania prognozowanej symulacji z rzeczywistĘ ... historiĘ ... Po wygenerowaniu najlepiej porównuje rzeczywiste historie zleceń sprzedaży do prognoz dla określonego przedziału czasowego i oblicza, jak dokładnie każda inna metoda prognozowania przewidywała sprzedaż. Następnie system zaleca najbardziej dokładną prognozę, która najlepiej pasuje Ten obraz ilustruje najlepsze prognozy dopasowania. 1 Najlepsze dopasowanie. System korzysta z tej sekwencji kroków w celu określenia najlepszego dopasowania. Użyj każdej określonej metody w celu symulacji prognozy dla okresu utrzymywania rezerwy rzeczywistej sprzedaży na symulowane prognozy dla okresu holdout. Kalkuluj POA lub MAD, aby określić, które metoda prognozowania jest najbardziej zbliżona do poprzedniej rzeczywistej sprzedaży. System korzysta z zarówno POA, jak i MAD, w oparciu o wybrane opcje przetwarzania. Zalecamy najlepszą dopasowaną prognozę w oparciu o POA, która jest najbliżej 100 procent w stosunku do lub poniżej lub najbardziej zbliżona do MAD do zera.3 2 Metody prognozowania. Eddie EnterpriseOne Forecast Management wykorzystuje 12 metod prognozowania ilościowego i wskazuje, która metoda zapewnia najlepiej dopasować się do sytuacji prognozowej. Ta sekcja omówiono. Metoda 1 Procent powyżej ostatniego roku. Metoda 2 Obliczona wartość procentowa w stosunku do ostatniego roku. Metoda 3 Ostatni rok do bieżącego roku. Metoda 4 Średnia ŚredniaMedoda 5 Metodą liniową. Metoda 6 Najmniej regresji kwadratów. Metoda 7 Przybliżanie drugiego stopnia Metoda 8 Metoda elastyczna Metoda 9 Średnia ważona średnia ruchoma Metoda 10 wygładzanie liniowe Metoda 11 wygładzanie wykładnicze Metoda 12 wygładzanie wykładnicze z tendencją i sezonowość. Określ metodę, którą chcesz użyć w opcjach przetwarzania dla Program generowania prognozy R34650 Większość z tych metod zapewnia ograniczoną kontrolę Na przykład można określić ciężar umieszczony na ostatnich danych historycznych lub zakres danych daty wykorzystywanych w obliczeniach. Przykłady w przewodniku wskazują procedurę obliczania dla każdy z dostępnych metod prognozowania, biorąc pod uwagę identyczny zbiór danych historycznych. Przykłady metod w części przewodnika stanowią część lub wszystkie te zbiory danych, które h to dane historyczne z ostatnich dwóch lat Prognoza prognozy przebiega w przyszłym roku. Dane z historii sprzedaży są stabilne z niewielkimi sezonowymi wzrostami w lipcu i grudniu. Ten wzorzec jest charakterystyczny dla dojrzałego produktu, który może przybierać na obsłudze.3 2 1 Metoda 1 Procent w stosunku do ostatniego roku. Ta metoda używa wzoru Procent nad ubiegłym rokiem pomnożenia każdego okresu prognozy o określony procentowy wzrost lub spadek. Aby zapobiec prognozowaniu, metoda ta wymaga liczby okresów najlepiej dopasowanych oraz jednego roku sprzedaży Historia Ta metoda jest przydatny do prognozowania popytu na produkty sezonowe ze wzrostem lub spadkiem.3 2 1 1 Przykład Metoda 1 Procent powyżej ostatniego roku. procent w porównaniu z poprzednim rokiem pomnoży dane sprzedaży z poprzedniego roku przez określony czynnik, a następnie projekty, które skutkują w przyszłym roku Ta metoda może być użyteczna w budżetowaniu, aby symulować wpływ określonej dynamiki lub kiedy historia sprzedaży ma znaczący składnik sezonowy. jonowy Współczynnik korekcyjny Na przykład, określ opcję 110 w opcji przetwarzania, aby zwiększyć dane o historii sprzedaży w poprzednim roku o 10 procent. Wymagana historia sprzedaży Jeden rok obliczania prognozy, a także liczbę okresów potrzebnych do oceny przewidywanych okresów skuteczności o najlepszym dopasowaniu. Ta tabela jest historią wykorzystywaną do obliczania prognozy. Prognoza lutowa wynosi 117 1 1 128 7 zaokrąglona do 129. Prognoza marcowa wynosi 115 1 1 126 5 zaokrąglona do 127,3 2 2 Metoda 2 Obliczona wartość procentowa w stosunku do ostatniego roku. Ta metoda wykorzystuje wzorcowane obliczenia procentowe w stosunku do ostatniego roku w celu porównania sprzedaży poprzednich okresów do sprzedaży z tych samych okresów roku ubiegłego System ustala procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. Aby prognozować zapotrzebowanie, metoda ta wymaga liczby okresów historii zamówienia oraz jednego roku sprzedaży Historia Ta metoda jest przydatna do prognozowania krótkoterminowych oraz dla produktów sezonowych o wzroście lub spadku.3 2 2 1 Przykład Metoda 2 Obliczony odsetek w ciągu ostatniego roku. Obliczone Procenty w porównaniu z ostatnim rokiem pomnażają dane z roku poprzedniego o współczynnik obliczony przez system, a następnie projekty wynik tego na następny rok Metoda ta może być użyteczna w przewidywaniu wpływu przyszłej dynamiki wzrostu produktu na następny rok, przy jednoczesnym zachowaniu sezonowego wzorca, który jest obecny w historii sprzedaży. Specyfikacja techniczna Forecast Zakres historii sprzedaży do wykorzystania przy obliczaniu stopa wzrostu Na przykład określić n równe 4 w opcji przetwarzania, aby porównać historię sprzedaży z ostatnich czterech okresów do tych samych czterech okresów z poprzedniego roku Użyj obliczonego współczynnika, aby prognoza na następny rok. Wymagana historia sprzedaży Jeden rok na obliczanie prognozy wraz z liczbą okresów czasu potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela jest używana w historii i n prognozowane obliczenia, podane n 4. Prognoza lutowa wynosi 117 0 9766 114 26 zaokrąglona do 114. Prognoza główna wynosi 115 0 9766 112 31 zaokrąglona do 112,3 2 3 Metoda 3 Ostatni rok do tego roku. Ta metoda wykorzystuje sprzedaż w ubiegłym roku prognoza na przyszły rok. Aby prognozować zapotrzebowanie, ta metoda wymaga lepszego dopasowania okresów oraz jednego roku historii sprzedaży. Ta metoda jest użyteczna do prognozowania popytu na dojrzałych produktów o poziomie zapotrzebowania lub popytu sezonowego bez tendencji.3 2 3 1 Przykład Metoda 3 Ostatni rok do bieżącego roku. Na rok temu do roku bieżącego roku kopiuje dane sprzedaży z poprzedniego roku do następnego roku Ta metoda może być użyteczna w budżetowaniu do symulacji sprzedaży na obecnym poziomie Produkt jest dojrzały i nie ma tendencji do długi okres, ale może istnieć znaczny sezonowy popyt. Specyfikacja techniczna Brak. Zarządowa historia sprzedaży Jeden rok w celu obliczenia prognozy wraz z liczbą okresów potrzebnych do oceny przewidywanych okresów skuteczności najlepiej pasuje. Ta tabela to historia używana do obliczania prognozy. Prognoza styczności to styczeń ubiegłego roku o prognozowanej wartości 128. Prognoza lutowna równa lutym zeszłego roku z prognozą wartości 117. Prognoza makro jest równa marcu ubiegłego roku z prognoza wartości 115,3 2 4 Metoda 4 Średnia ruchoma Metoda ta wykorzystuje średnią Moving Average do przeciętnej określonej liczby okresów w celu zaprezentowania następnego okresu Należy regularnie przeliczyć ją co miesiąc lub co najmniej raz w miesiącu, aby odzwierciedlić zmieniający się poziom popytu. , metoda ta wymaga większej liczby okresów najlepiej pasujących oraz liczby okresów historii zleceń sprzedaży Metoda ta jest użyteczna do prognozowania popytu na produkty dojrzałe bez tendencji.3 2 4 1 Przykład Metoda 4 Przechodzenie Average. Moving Average MA jest popularną metodą dla uśrednienia wyników ostatnich historii sprzedaży w celu określenia projekcji w perspektywie krótkoterminowej Metoda prognozowania MA jest opóźniona Prognozy i błędy systematyczne występują w przypadku, gdy produkt sal historia wykazuje silny trend lub wzorce sezonowe Metoda ta lepiej sprawdza się w przypadku prognoz krótkoterminowych produktów dojrzałych niż w przypadku produktów, które znajdują się w fazie wzrostu lub starzenia się cyklu życia. Specyfikacja techniczna Forester n jest równa liczbie okresów historii sprzedaży, które mają być użyte w kalkulacja prognozy Na przykład, określ opcję n 4 w opcji przetwarzania, aby wykorzystać cztery ostatnie okresy jako podstawę projekcji do następnego okresu. Duża wartość dla n takich jak 12 wymaga większej historii sprzedaży. Stwarza stabilną prognozę, ale jest powolna rozpoznawać zmiany poziomu sprzedaży W przeciwieństwie do tego, mała wartość dla n np. 3 szybciej reaguje na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać na warianty. Wymagana historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela zawiera historię wykorzystywaną do obliczania prognozy. Prognoza lutowa równa 114 119 137 125 4 123 75 zaokrąglona do 124.Marchowa prognoza równa się 119 137 125 124 4 126 25 zaokrąglona do 126,3 2 5 Metoda 5 Zbliżenie liniowe. Ta metoda wykorzystuje wzorcową liniową przybliżenie do obliczania trendu od liczby okresów sprzedaży historia zamówień i przedstawienie tej tendencji do prognozy Powinieneś ponownie obliczyć tę tendencję w celu wykrycia zmian trendów. Metoda ta wymaga liczby okresów najlepiej dopasowanych, a także liczby określonych okresów sprzedaży historii zamówień. Ta metoda jest przydatna do prognozowania zapotrzebowania nowych produktów lub produktów o spójnych tendencjach pozytywnych lub negatywnych, które nie są związane z wahaniami sezonowymi.3 2 5 1 Przykład Metoda 5 Oszacowanie liniowe. Zbliżenie liniowe oblicza tendencję opartą na dwóch punktach danych dotyczących historii sprzedaży Te dwa punkty definiują prostą tendencję line, która jest przewidywana w przyszłości Użyj tej metody z ostrożnością, ponieważ długie prognozy są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. jest równy punktowi danych w historii sprzedaży porównywanym z najnowszym punktem danych w celu zidentyfikowania tendencji Na przykład podać n 4, aby wykorzystać różnicę pomiędzy grudniem ubiegłego roku a sierpniowymi okresami przed grudniem jako podstawę obliczania trendu. wymagana historia sprzedaży n plus 1 plus liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela zawiera historię używaną do obliczania prognozy. Prognoza styczności z grudnia ubiegłego roku 1 Trend, który wynosi 137 1 2 139. Prognoza lutowa w grudniu ubiegłego roku 1 Tendencja, która wynosi 137 2 2 141. Prognoza miesięczna Ostatni rok 1 Trend, który wynosi 137 3 2 143,3 2 6 Metoda 6 Regresja najmniejszych kwadratów Metoda regresji najmniejszych kwadratów LSR uzyskuje równanie opisujące linię prostą relacje pomiędzy historycznymi danymi dotyczącymi sprzedaży a upływem czasu LSR dopasowuje linię do wybranego zakresu danych, tak aby suma kwadratów różnic między rzeczywistymi punkty sprzedaży danych i linia regresji są zminimalizowane Prognoza jest projekcją tej prostej przyszłości. Metoda ta wymaga historii danych sprzedaży w okresie reprezentowanym przez liczbę okresów najlepiej dopasowanych oraz określoną liczbę okresów danych historycznych minimalny wymóg to dwa historyczne punkty danych Ta metoda jest użyteczna do prognozowania zapotrzebowania, gdy w danych podano tendencję liniową.3 2 6 1 Przykład Metoda 6 Regresja najmniejszych kwadratów. Powstała regresja liniowa lub najmniejsza regresja LSR jest najbardziej popularną metodą identyfikacji liniowa tendencja w danych historycznych sprzedaży Metoda oblicza wartości dla a i b, które mają być użyte w formule. To równanie przedstawia linię prostą, gdzie Y reprezentuje sprzedaż, a X oznacza czas. Regresja liniowa powoli rozpoznaje punkty zwrotne i przesunięcia funkcji kroku na żądanie Regresja liniowa dopasowuje linię prostą do danych, nawet jeśli dane są sezonowe lub lepiej opisane przez krzywą Gdy dane dotyczące historii sprzedaży są zgodne z danymi ve lub ma silny sezonowy wzór, prognozowane nastawienia i systematyczne błędy. Standardowa specyfikacja techniczna n równa się okresom historii sprzedaży, które będą używane przy obliczaniu wartości dla a i b Na przykład określić n 4, aby używać historii od września do grudnia jako podstawa obliczeń Jeśli dane są dostępne, zwykle n większa liczba n, taka jak n 24 LSR definiuje linię na dwa punkty danych W tym przykładzie wybrano małą wartość dla nn 4 w celu zredukowania ręcznych obliczeń które są wymagane do zweryfikowania wyników. Minimalna historia sprzedaży n okresów plus liczba okresów potrzebnych do oceny przewidywanych okresów najlepiej dopasowanych. Ta tabela zawiera historię używaną do obliczania prognozy. Marchowa prognoza równa się 119 5 7 2 3 135 6 zaokrąglone do 136,3 2 7 Metoda 7 Drugie przybliżenie stopnia. W celu prognozowania prognozy, ta metoda wykorzystuje wzór wzorcowania drugiego stopnia w celu wykreślenia krzywej opartej na liczbie okresów historia sprzedaży. Metoda ta wymaga liczby okresów najlepiej dopasowanych, a także liczby okresów sprzedaży historii zamówień w czasie trzech. Metoda ta nie jest przydatna w prognozowaniu zapotrzebowania na okres długoterminowy.3 2 7 1 Przykład Metoda 7 Podejście drugiego stopnia. Linear Regresja określa wartości dla aib w projekcie prognozy Y ab X w celu dopasowania prostej do danych z historii sprzedaży Drugi stopień zbliżenia jest podobny, ale ta metoda określa wartości dla a, b i c w tej prognozowanej formule . Celem tej metody jest dopasowanie krzywej do historii sprzedaŜy danych Ta metoda jest przydatna, gdy produkt znajduje się w okresie przejściowym między etapami cyklu Ŝycia Na przykład, gdy nowy produkt przechodzi od etapu wprowadzania do etapu wzrostu, tendencja wzrostowa moŜe przyspieszyć Z powodu drugiego rzędu, prognoza może szybko podchodzić do nieskończoności lub spada do zera w zależności od tego, czy współczynnik c jest dodatni czy ujemny Ta metoda jest użyteczna tylko w krótkim okresie. Forecast specificat j dla formuły znaleźć a, b i c, aby dopasować krzywą do dokładnie trzech punktów Określasz n, ilość okresów czasu gromadzonych w każdym z trzech punktów W tym przykładzie n 3 Rzeczywiste dane o sprzedaży od kwietnia do czerwca połączone są w pierwszym punkcie od 1 lipca do września, tworząc Q2 i od października do grudnia do Q3 Krzywa jest dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży 3 n okresy obliczania prognozy plus liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela zawiera historię wykorzystywaną do obliczania prognozy. Q0 Sty Lut Mar. Q1 Apr Apr Jun, czyli 125 122 137 384.Q2 Jul Aug Sep jest równe 140 129 131 400.Q3 paź listopada grudnia, co odpowiada 114 119 137 370. Następny krok polega na obliczeniu trzech współczynników a, b i c do wykorzystania w projekcie prognozowania Y ab X c X 2.Q1, Q2 i Q3 są przedstawione na grafice, gdzie czas jest wykreślony na poziomie poziomej a xis Q1 reprezentuje całkowitą sprzedaż historyczną na kwiecień, maj i czerwiec i jest przedstawiona na X 1 Q2 od lipca do września 3 kwartału od października do grudnia, a czwarty kwartał od stycznia do marca. Ta grafika ilustruje spisek Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia. Rysunek 3-2 Wykreślanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia. Trzy równania opisują trzy punkty na wykresie. 1 Q1 a bX cX2 gdzie X1Q1 a b c. 2 Q 2 a bX cX 2 gdzie X 2 Q 2 a 2 b 4c. 3 Q3 a bX cX 2 gdzie X3 Q3 a 3b 9c. Solve trzy równania jednocześnie znaleźć b, a i c. Subtract równanie 1 1 z równania 2 2 i rozwiązać dla b. Spodstaw tego równania dla b do równania 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.W końcu zastępujemy te równania dla a i b do równania 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2. Metoda przybliżenia drugiego stopnia oblicza a, b i c w następujący sposób. 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. jest obliczanie prognozy przybliżenia drugiego stopnia. A a bX cX 2 322 85X 23 X 2.Kiedy X 4, Q4 322 340 368 294 Prognoza wynosi 294 3 98 na okres. Kiedy X 5, Q5 322 425 575 172 Prognoza równa 172 3 58 33 zaokrąglone do 57 na okres. Kiedy X 6, Q6 322 510 828 4 Prognoza wynosi 4 3 1 33 zaokrąglone do 1 na okres. Jest to prognoza na następny rok, ostatni rok do tego roku.3 2 8 Metoda 8 Metoda elastyczna. Ta metoda umożliwia wybór najlepszej dopasowanej liczby jody historii zleceń sprzedaży, które zaczynają się na n miesięcy przed datą rozpoczęcia prognozy, a także aby zastosować procentowy wzrost lub zmniejszenie współczynnika mnożnikowego, który ma zmodyfikować prognozę Ta metoda jest podobna do metody 1, w procentach w stosunku do ostatniego roku, z tym że można określić liczba okresów używanych jako podstawa. W zależności od tego, co wybierzesz jako n, metoda ta wymaga okresów najlepiej dopasowanych oraz liczby wskazanych danych dotyczących okresu sprzedaży. Ta metoda jest przydatna do prognozowania zapotrzebowania na planowaną tendencję.3 2 8 1 Przykład Metoda 8 Metoda elastyczna Metoda elastyczna Procent powyżej n miesięcy Poprzedni jest podobny do metody 1, procent w porównaniu z poprzednim rokiem Obie metody pomnożają dane o sprzedaży z poprzedniego okresu przez określony przez Ciebie czynnik, a następnie rzutuj na ten wynik w przyszłość W metodzie Procent w ujęciu ostatnim rok projekcja oparta jest na danych z tego samego okresu w roku ubiegłym Można również użyć metody elastycznej, aby określić okres czasu inny niż ten sam okres w la rok, aby posłużyć jako podstawa do obliczeń. Współczynnik korekcyjny Na przykład, określ opcję 110 w opcji przetwarzania, aby zwiększyć poprzednie dane dotyczące historii sprzedaży o 10 procent. Czas bazowy Na przykład n 4 powoduje, że pierwsza prognoza opiera się na danych dotyczących sprzedaży we wrześniu ubiegłego roku. Najmniej wymagana historia sprzedaży liczba okresów z okresu bazowego plus liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela zawiera historię używaną do obliczania prognozy.3 2 9 Metoda 9 Średnia ważona średnia ruchoma Średnia ważona ruchoma Średnia metoda jest podobna do metody 4, Ruchomej średniej, ponieważ średnia z historii sprzedaży w poprzednim miesiącu jest przewidywana w przyszłym miesiącu, jednak przy użyciu tej formuły można przypisać wagi każdemu z poprzednich okresów. Metoda ta wymaga liczby wybranych okresów ważonych oraz liczby okresów najlepiej dopasowanych do danych Podobnie jak średnia ruchoma, ta metoda spowalnia trendy popytu, więc metoda nie jest zalecana dla produktów o silnych trendach lub sezonowości Ta metoda jest przydatna do prognozowania zapotrzebowania na produkty dojrzałe o popycie na stosunkowo wysokim poziomie.3 2 9 1 Przykład Metoda 9 Średnia ważona średnia ruchoma Średnia metoda przenoszenia WMA jest podobna do metody 4 , Moving Average MA Można jednak przypisać nierówne wagi do danych historycznych przy użyciu metody WMA Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby uzyskać prognozę dla krótkoterminowych danych. Bardziej aktualne dane są zwykle przypisywane większej wagi niż starsze dane, więc WMA jest bardziej wrażliwa na zmiany w poziomie sprzedaży Jednak przewidywana tendencja i błędy systematyczne występują, gdy historia sprzedaży produktów wykazuje silne trendy lub sezonowe wzorce Ta metoda działa lepiej w przypadku prognoz krótkoterminowych produktów dojrzałych niż w przypadku produktów w okresie wzrostu lub przestarzałości etapy cyklu ycia. Liczba okresów sprzedaŜy historii n do wykorzystania w kalkulacji prognozy. Na przykład podaj n 4 w proce ssing możliwość wykorzystania ostatnich czterech okresów jako podstawy projekcji do następnego okresu czasu Duża wartość dla n takich jak 12 wymaga większej historii sprzedaży Taka wartość powoduje stabilną prognozę, ale powolne uznaje zmiany w poziom sprzedaży W przeciwieństwie do tego, mała wartość dla takich jak 3 reaguje szybciej na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać na warianty. Całkowita liczba okresów dla opcji przetwarzania 14 - Okresy, które należy uwzględnić, nie powinny przekraczać 12 miesięcy. Waga, która jest przypisana do każdego z historycznych okresów danych. Ciężar przypisany musi wynosić 1 00 Na przykład, gdy n 4, przypisać wagi 0 50, 0 25, 0 15 i 0 10 z najświeższymi danymi otrzymującymi największą wagę. Minimalna wymagana historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela zawiera historię używaną do obliczania prognozy. January forec ast równa się 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 zaokrąglone do 128. Prognoza pogody w lutym wynosi 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 zaokrąglona do 128. Prognoza marcowa równa się 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 zaokrąglona do 128,3 2 10 Metoda 10 wygładzanie liniowe. Ta metoda oblicza średnią ważoną danych z przeszłych sprzedaży W obliczeniach metoda ta wykorzystuje liczbę okresów historia zleceń sprzedaży od 1 do 12 wskazana w opcji przetwarzania System używa postępu matematycznego w celu ważenia danych w zakresie od pierwszego najmniejszego ciężaru do ostatecznej wagi. Następnie system przekazuje te informacje do każdego okresu w prognozie. metoda wymaga dopasowania najlepiej dopasowanego miesiąca oraz historii zamówienia sprzedaży dla liczby okresów podanych w opcji przetwarzania.3 2 10 1 Przykład Metoda 10 Wygładzanie liniowe Metoda ta jest podobna do metody 9, WMA Jednakże zamiast arbitralnie przyporządkować wagi do danych historycznych, stosuje się formułę aby przypisać wagi, które spadają liniowo i sumują do 1 00 Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę na krótki okres Jak wszystkie liniowe średnie ruchome techniki prognozowania, prognozowane nastawienia i błędy systematyczne występują, gdy historia sprzedaży produktów wykazuje silny trend lub sezonowe wzorce Ta metoda działa lepiej w przypadku prognoz krótkoterminowych produktów dojrzałych niż w przypadku produktów w fazie wzrostu lub starzenia się cyklu życia. n równa liczbie okresów historii sprzedaży do wykorzystania w kalkulacji prognozy Na przykład określić n równa 4 w opcji przetwarzania, aby wykorzystać cztery ostatnie okresy jako podstawę projekcji do następnego okresu. System automatycznie przypisuje wagi do danych historycznych, które spadają liniowo i sumują się na 1 00. Na przykład gdy n równa się 4 , system przypisuje wagi 0 4, 0 3, 0 2 i 0 1, przy czym najnowsze dane otrzymują największą wagę. ile okresów czasu potrzebnych do oceny przewidywanych okresów najlepiej dopasowanych. Ta tabela zawiera historię wykorzystaną w kalkulacji prognozy.3 2 11 Metoda 11 Wyrównywanie wykładnicze Ta metoda oblicza średnią wygładzoną, która staje się estymatem reprezentującym ogólny poziom sprzedaży w wybranych okresach danych historycznych. Ta metoda wymaga historii danych sprzedaży w okresie czasu, która jest reprezentowana przez liczbę okresów najlepiej dopasowanych oraz liczbę okresów danych historycznych, które zostały określone. Wymaganie minimalne to dwa okresy danych historycznych metoda jest użyteczna do prognozowania zapotrzebowania, gdy w danych nie ma tendencji liniowej.3 2 11 1 Przykład Metoda 11 Wyrównywanie wykładnicze Metoda ta jest podobna do metody 10, Wygładzanie liniowe W wygładzaniu liniowym system przypisuje wagi, które spadają liniowo do danych historycznych W Wyrównywaniu Wykładniczym system przypisuje odważniki, które uległy rozkładowi wykładniczemu Równanie dla Wynalazek Wyrównywania Wyrównywania to. Forecast P rewelacyjna Aktualna sprzedaż 1 Poprzednia prognoza. Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu i prognozy z poprzedniego okresu Alpha jest wagą stosowaną do rzeczywistej sprzedaży w poprzednim okresie 1 jest waga, która jest stosowana do prognozy dla poprzedniego okresu Wartości alfa w zakresie od 0 do 1 i zwykle mieszczą się między 0 1 a 0 4 Suma wag wynosi 1 00 1 1.Należy podać wartość dla stałej wygładzania, alfa Jeśli nie przypisać wartość dla stałej wygładzania, system oblicza założoną wartość, która jest oparta na liczbie okresów historii sprzedaży określonej w opcji przetwarzania. równa jest stałej wygładzania, która jest używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkość sprzedaży. Wartości dla zakresu alfa wynoszą od 0 do 1.n równe zakresowi historii sprzedaży w celu uwzględnienia w obliczeniach. Ogólnie, jeden rok danych dotyczących historii sprzedaży jest wystarczający, aby oszacować ogólny poziom sprzedaży W tym przykładzie mała wartość dla nn 4 została wybrana w celu zmniejszenia liczby ręcznych obliczeń wymaganych do zweryfikowania wyników Wyrównywanie Wykładnicze może wygenerować prognozę, która opiera się na tak małym punkcie danych historycznych. Mniejsza wymagana historia sprzedaży n plus numer okresów, które są wymagane do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela zawiera historię wykorzystywaną do obliczania prognozy.3 2 12 Metoda 12 Wyrównywanie wykładnicze z tendencją i sezonem. Ta metoda oblicza tendencję, indeks sezonowy i średnio wyrównana wykładniczo ze sprzedaży historii zamówień System następnie stosuje prognozę tendencji do prognozy i dostosowuje do indeksu sezonowego. Metoda ta wymaga liczby okresów najlepiej dopasowanych plus dwa lata danych sprzedaży i jest użyteczna dla elementów, które mają zarówno trend, jak i sezonowość w prognozie Można wprowadzić współczynnik alfa i beta lub obliczyć ich współczynnik alfa i beta są stałą wygładzania, która system wykorzystuje do obliczenia średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży alfa i składnika tendencji prognozy beta.3 2 12 1 Przykład Metoda 12 Wyrównywanie wykładnicze z tendencją i sezonowością. Ta metoda jest podobna do metody 11, Exponential Smoothing , przy czym oblicza się średnią wygładzoną Jednak metoda 12 zawiera również wyrażenie w równaniu prognozowania do obliczania wygładzonej tendencji Prognoza składa się ze średniej wygładzonej, która jest dostosowywana do tendencji liniowej Jeśli określono w opcji przetwarzania prognoza jest również dostosowany do sezonowości. Alpha równa jest stała wygładzania, która jest używana do obliczania wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla alfa w zakresie od 0 do 1. Beta jest stałą wygładzania używaną do obliczania średniej wygładzonej dla składnik prognozy prognozy. Wartości dla zakresu beta od 0 do 1.Chociaż wskaźnik sezonowości jest stosowany do prognozy. Alpha i beta są niezależne od e inni Nie musimy sumować do 1 0.Minimalna historia sprzedaży Jeden rok plus liczba okresów potrzebnych do oceny przewidywanych okresów skuteczności najlepiej dopasowanych Jeśli dostępne są dwa lub więcej lat danych historycznych, system używa dwa lata danych w obliczeniach. Metoda 12 wykorzystuje dwa równania Wyrównanie Wyrównywania i jedną prostą średnią do wyliczenia średniej wygładzonej, wygładzonej tendencji i prostego przeciętnego indeksu sezonowego. Wyraźna gładka średnica. Wyraźna tendencja wyrównana. Prosta średnia sezonowa index. Figure 3-3 Simple Average Indeks sezonowy. Każona prognoza jest obliczana za pomocą wyników trzech równań. L jest długością sezonową L równą 12 miesięcy lub 52 tygodni. t jest aktualnym okresem m jest liczbą okresów czasowych w przyszłość prognozy. S jest multiplikatywnym współczynnikiem korekty sezonowej, który jest indeksowany do odpowiedniego przedziału czasowego. Ta tabela zawiera historię używaną do obliczania prognozy. przeglądać prognozy i omówić wyniki. Możesz wybrać metody prognozowania, aby wygenerować nawet 12 prognoz dla każdego produktu. Każda metoda prognozowania może stworzyć nieco inną projekcję. Gdy przewidywane są tysiące produktów, subiektywna decyzja jest niewykonalna, jeśli chodzi o prognozę w planach dla każdego produktu. System automatycznie ocenia wydajność dla każdej wybranej metody prognozowania i dla każdego produktu, który jest prognozowany Można wybrać jeden z dwóch kryteriów wydajności MAD i POA MAD jest miarą błędu prognozy POA jest miarą przewidywanej tendencji Obie te techniki oceny skuteczności wymagają rzeczywistych danych dotyczących historii sprzedaży w okresie określonym przez użytkownika Okres najnowszej historii użytej do oceny jest nazywany okresem trzymania lub najlepszym okresem dopasowania. Aby zmierzyć wydajność metody prognozowania, system prognozowane formuły do symulacji prognozy dla okresu historycznego holdout. Porównuje między rzeczywistych danych dotyczących sprzedaży oraz symulowanej prognozy okresu wycofania. Przy wyborze wielu metod prognozy taki sam proces występuje dla każdej metody. Wielokrotne prognozy są obliczane w okresie holdout i porównywane do znanej historii sprzedaży tego samego okresu. Metoda prognozowania, która generuje najlepiej dopasować się pomiędzy prognozą a rzeczywistą sprzedażą w okresie zawieszenia, zaleca się do wykorzystania w planach. Rekomendacja jest specyficzna dla każdego produktu i może się zmienić za każdym razem, gdy wygenerujesz prognozę.3 3 1 Średnia odchylenie bezwzględne. Mean Absolute Odchylenie MAD jest średnią lub średnią wartości bezwzględnych lub wielkości odchyleń lub błędów między rzeczywistymi a prognozowanymi danymi MAD jest miarą średniej wielkości błędów oczekiwanych, biorąc pod uwagę metodę prognozowania i historię danych Ponieważ wartości bezwzględne są stosowane w obliczenia, błędy pozytywne nie eliminują negatywnych błędów Porównując kilka metod prognozowania, które mają najmniejsze MA D jest najbardziej niezawodnym produktem dla tego okresu utrzymywania się w stanie spoczynku Jeśli prognoza jest bezstronna, a błędy są rozproszone, istnieje prosta zależność matematyczna między MAD a dwoma innymi wspólnymi środkami dystrybucji, które są odchyleniem standardowym i średnim błędem kwadratu Na przykład. 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. Demand Forecasting Techniques Moving Average We have over 79 college courses that prepare you to earn credit by exam that is accepted by over 2,000 colleges and universities You can test out of the first two years of college and save thousands off your degree Anyone can earn credit-by-exam regardless of age or education level. Transferring credit to the school of your choice. Not sure what college you want to attend yet has thousands of articles about every imaginable degree, area of study and career path that can help you find the school that s right for you. Research Schools, Degrees Careers. Get the unbiased info you need to find the right school. Browse Articles By Category.
No comments:
Post a Comment