Prognozowanie obejmuje generowanie liczb, zestaw liczb lub scenariuszy, które odpowiadają przyszłym zdarzeniom. Konieczne jest, aby planowanie krótkofalowe i długoterminowe Z definicji prognoza opiera się na danych z przeszłości, w przeciwieństwie do przewidywania, co jest bardziej subiektywne i oparte na instynktach, uczucie jelit lub na przykład na przykład w wieczornych wiadomościach daje prognozę pogody nie na prognozę pogody Niezależnie od tego, czy prognozy i prognozy terminów są często używane w sposób zmienny na przykład Na przykład definicje regresji czasami technika wykorzystywane w prognozowaniu ogólnie mówią, że jego celem jest wyjaśnienie lub przewidzenie. Prognozowanie opiera się na wielu założeniach. W przeszłości powtórzę się inaczej Innymi słowy, to, co wydarzyło się w przeszłości, powtórzy się ponownie w przyszłości. , dokładność prognozy wzrasta Na przykład prognoza na jutro będzie dokładniejsza niż prognoza na następny miesiąc prognoza na następny miesiąc będzie dokładniejsza niż prognoza f lub w przyszłym roku, a prognoza na przyszły rok będzie dokładniejsza niż przewidywana na dziesięć lat w przyszłości. Standaż danych w skali globalnej jest dokładniejszy niż prognozowanie pojedynczych elementów Oznacza to, że firma będzie w stanie prognozować całkowity popyt w całym spektrum produktów dokładniej niż będzie w stanie prognozować poszczególne jednostki magazynowych SKU Na przykład, General Motors może dokładniej prognozować całkowitą liczbę samochodów potrzebnych na przyszły rok niż całkowita liczba białych Chevrolet Impalas z pewnym pakietem opcji. rzadko są dokładne. Ponadto prognozy prawie nigdy nie są całkowicie dokładne. Niektóre są bardzo bliskie, niewiele osób ma rację w stosunku do pieniędzy. Dlatego warto zaoferować zakres prognoz. Jeśli miałbyś przewidzieć zapotrzebowanie na 100 000 jednostek na następny miesiąc, bardzo mało prawdopodobne, że popyt wynosiłby 100 000 dokładnie Jednak prognoza 90 000 do 110 000 zapewniłaby znacznie większy cel planowania. William J Stevenson wymienia numer ność cech, które są wspólne dla dobrej prognozy. Dokonaj określenia pewnego stopnia dokładności i podaj, aby można było porównać alternatywne prognozy. Niezawodność metody prognozy powinna konsekwentnie zapewniać dobrą prognozę, jeśli użytkownik ma ustanowić pewien stopień zaufanie. Tymczasem potrzebna jest pewna ilość czasu, aby odpowiedzieć na prognozę, więc horyzont prognozy musi pozwolić na czas niezbędny do wprowadzenia zmian. Z łatwiejszy w użyciu i zrozumieć użytkowników prognozy musi być pewny siebie i wygodny w pracy. koszty dokonywania prognozy nie powinny przeważyć nad korzyściami płynącymi z prognozy. Techniki projekcji obejmują od prostych do bardzo skomplikowanych. Techniki te są zazwyczaj klasyfikowane jako jakościowe lub ilościowe. TECHNIKI KWALITACYJNE. Techniki prognozowania jakościowego są na ogół bardziej subiektywne niż ich ilościowe odpowiedniki Techniki jakościowe są bardziej użyteczne w poprzednich etapach pr cykl życia produktu, w przypadku gdy istnieją mniej danych z przeszłości do wykorzystania w metodach ilościowych Metody jakościowe obejmują technikę Delphi, technikę Grupy Nominalnej NGT, opinie siły roboczej, opinie wykonawców i badania rynku. THE DELPHI TECHNIKA. Technika Delphi wykorzystuje zespół ekspertów do przygotuj prognozę Każdy ekspertów jest proszony o przygotowanie prognozy właściwej dla potrzeb, jakie należy podjąć Po przygotowaniu wstępnych prognoz każdy ekspert odczytuje to, co napisał każdy inny ekspert, i jest oczywiście zależny od ich opinii Następna prognoza jest następnie sporządzana przez każdego ekspert Każdy ekspert odczytuje to, co każdy inny ekspert napisał i ponownie wpływa na postrzeganie innych Proces ten powtarza się dopóki każdy ekspert nie zgodzi się na potrzebny scenariusz lub numery. TECHNIKA GRUPY NOMINALNEJ. Nominalna technika grupy jest podobna do techniki Delphi w tym, że wykorzystuje grupę uczestników, zazwyczaj ekspertów Po odpowiedzeniu uczestników na pytania związane z prognozą, oceniają ich respon ses w kolejności postrzegania względnego znaczenia Następnie rankingi są zbierane i agregowane Ostatecznie grupa powinna osiągnąć konsensus w kwestii priorytetów rankingowych. OPINIE DLA RYNKU. Personel sprzedaży często jest dobrym źródłem informacji o przyszłym zapotrzebowaniu Kierownik sprzedaży może poprosić o dane wejściowe od każdego sprzedającego i zagregować swoje odpowiedzi w złożoną prognozę sprzedaży. Ostrożnie należy zachować podczas korzystania z tej techniki, ponieważ członkowie zespołu sprzedaży mogą nie być w stanie rozróżnić tego, co klienci mówią i co właściwie robią , jeśli przewidywane prognozy zostaną wykorzystane do ustalenia kwot sprzedaży, siły sprzedaży mogą być skłonne do przedstawienia niższych szacunków. OPISY EKSPOZYCJI. Cztery razy szefowie wyższego szczebla spotykają się i opracowują prognozy w oparciu o wiedzę na temat obszarów odpowiedzialnych. Czasami określane są jako jury opinii wykonawczej. MARKET RESEARCH. W badaniach rynkowych badania konsumenckie są wykorzystywane do ustalenia potencjalnego zapotrzebowania Badania nad arketingiem zazwyczaj obejmują opracowanie kwestionariusza, w którym gromadzono informacje osobiste, demograficzne, ekonomiczne i marketingowe Z kolei osobom zajmującym się badaniami rynku zbiera się takie informacje osobiście w punktach sprzedaży detalicznej i centrach handlowych, gdzie konsument może doświadczać smaku, odczuwania, zapachu i zobaczyć konkretny produkt Badacz musi być ostrożny, aby próbka badanych osób była reprezentatywna dla pożądanego celu dla konsumentów. TECHNIKI KWESTII TECHNICZNEJ. Techniki prognozowania ilościowego są na ogół bardziej obiektywne niż ich odpowiedniki jakościowe Prognozy ilościowe mogą być prognozami dotyczącymi serii czasowej tj. Projekcji przeszłości w przyszłości lub prognozy oparte na modelach asocjacyjnych, czyli na podstawie jednej lub kilku zmiennych objaśniających Dane z serii czasowych mogą mieć podstawowe zachowania, które muszą zostać zidentyfikowane przez prezentera Ponadto prognoza może wymagać identyfikacji przyczyn zachowań Niektóre z tych zachowań mogą być wzorcami lub po prostu losowe odchylenia Wśród wzorców są które są długoterminowymi ruchami w górę lub w dół w danych. Seasonality, która generuje wahania krótkoterminowe, które są zwykle związane z pory roku, miesiąca, a nawet konkretnego dnia, co świadczy o sprzedaży detalicznej na Boże Narodzenie lub skoki w działalności bankowej na pierwszy dzień miesiąca i w piątki. Cykle, które są odmiennymi wariacjami, trwającymi od roku, które zwykle są związane z warunkami ekonomicznymi lub politycznymi. Typowymi zmianami, które nie odzwierciedlają typowych zachowań, takich jak okres ekstremalnych pogoda lub strajk strajkowy. Różnice losowe, obejmujące wszystkie nietypowe zachowania, których nie uwzględniono w innych klasyfikacjach. Wśród modeli serii czasowych, najprostszym jest prognoza naiwna. Na podstawie prognozy po prostu wykorzystuje rzeczywiste zapotrzebowanie na przeszłość okres jako prognozowany popyt na następny okres Oczywiście zakłada się, że przeszłość powtórzy Przyjęcie zakłada również, że wszelkie trendy, sezonowość lub cykle są odzwierciedlone w popycie w poprzednim okresie lub nie istnieją Przykłady prognoz naiwnych przedstawiono w tabeli 1. Tablica 1 Na ve Prognozowanie. Inna prosta technika polega na uśrednieniu. Aby prognozować przy uśrednianiu, wystarczy zwykła średnia pewnej liczby okresów przeszłych danych przez zsumowanie każdego okresu i podzielenie wyniku przez liczbę okresów Ta technika okazała się być bardzo skuteczna w prognozowaniu krótkoterminowych. Warianty uśredniania obejmują średnią ruchoma, średnią ważoną i ważoną średnią ruchoma Średnia ruchoma ma ustaloną z góry wartość liczba okresów, sumuje ich rzeczywisty popyt i dzieli się przez liczbę okresów, aby osiągnąć prognozę Dla każdego kolejnego okresu najstarszy okres danych upada i dodaje się ostatni okres Zakładając trzykomunową średnią ruchliwą i używając danych z W tabeli 1 po prostu dodać 45 stycznia, 60 lutego i 72 marca i podzielić przez trzy, aby osiągnąć prognozę na kwiecień 45 60 72 177 3 59. Aby osiągnąć prognozę na maj, spadnie styczeń s popyt z równania i dodać zapotrzebowanie od kwietnia Tabela 2 przedstawia przykład trójmianowej średniej ruchomej. Tabela 2 Prognoza średniej ruchomej trwa trzy miesiące. Zapotrzebowanie rzeczywiste 000 sA średnia ważona stosuje z góry ustaloną wagę do każdego miesiąca poprzednich danych, sumuje poprzednie dane z każdego okresu i dzieli się na całkowitą masę Jeśli prekursor dostosuje odważniki tak, aby ich suma wynosiła 1, to odważniki pomnożono przez rzeczywiste zapotrzebowanie każdego obowiązującego okresu. Wyniki są następnie sumowane do osiągnięcie ważonej prognozy Ogólnie rzecz biorąc, im dłużej dane, tym większa masa, a im starsze dane, tym mniejsza masa Przy użyciu przykładu popytu średnia ważona przy użyciu wag 4 3 2 i 1 przyniosłaby prognozę na czerwiec jako 60 1 72 2 58 3 40 4 53 8.Forecasters mogą również używać kombinacji średniej ważonej i średniej ruchomej prognozowanej ważonej średniej ruchomej, przypisuje wagi do z góry określonej liczby okresów rzeczywistych danych i kompresji przewiduje prognozę w taki sam sposób, jak opisano powyżej Podobnie jak w przypadku wszystkich prognoz ruchowych, w miarę dodawania każdego nowego okresu, dane z najstarszego okresu są odrzucane Tabela 3 przedstawia średnią ważoną średnią z trzech miesięcy ważoną 5,3 i 2. Tabela 3 Średnioroczna średnia ruchoma ważona przez trzy miesiące. Trwała zapotrzebowanie 000 sA bardziej złożona forma ważonej średniej ruchomej jest wygładzaniem wykładniczym, tak nazwanym, ponieważ masa upośledza wykładniczo, ponieważ dane są wygładzone Wyrażenie wygładzające przyjmuje prognozę z poprzedniego okresu i dostosowuje ją do z góry określonej stała wygładzająca, zwana alpha, wartość alfa jest mniejsza niż jedna pomnożona przez różnicę w poprzedniej prognozie i zapotrzebowanie, które wystąpiły w poprzednio przewidywanym okresie zwanym błędem prognozy Wyrównanie wykładnicze wyrażone jest formulaically jako takie Nowa prognoza poprzednia prognoza alfa rzeczywisty popyt poprzedni prognoza FFA F. Wyrównanie nieprzerwane wymaga od prekursora rozpoczęcia prognozy w minionym okresie a a także prace nad okresem, w którym potrzebna jest obecna prognoza Znaczna ilość dotychczasowych danych oraz początek lub wstępna prognoza są również konieczne Wstępna prognoza może być rzeczywistą prognozą z poprzedniego okresu, rzeczywistym popytem z poprzedniego okresu lub można oszacować przez uśrednienie całej lub części poprzednich danych Niektóre heurystyki istnieją do obliczania początkowej prognozy Na przykład heurystyczny N 2 1 i alfa 5 daje wynik N równy 3, wskazując, że użytkownik będzie średnio przez pierwsze trzy okresy danych, aby uzyskać wstępną prognozę Jednak dokładność pierwotnej prognozy nie jest istotna, jeśli używamy dużych ilości danych, ponieważ wygładzanie wykładnicze jest samoregulujące Zważywszy na wystarczające okresy przeszłych danych, wygładzenie wykładnicze ostatecznie spowoduje poprawne korekty w celu wyrównywania w przypadku racjonalnie niedokładnej początkowej prognozy Używając danych używanych w innych przykładach, wstępnej prognozie wynoszącej 50, a alfa 7, prognoza na luty jest obliczana jako taka Nowego oddany luty 50 7 45 50 41 5.Następna prognoza dla marca Nowa prognoza marzec 41 5 7 60 41 5 54 45 Proces ten trwa do czasu, kiedy prekursor osiągnie pożądany okres W tabeli 4 będzie to miesiąc czerwiec, faktyczny popyt na czerwiec nie jest znany. Rzeczywisty popyt 000 s. Rozszerzenie wygładzania wykładniczego może być użyte, gdy dane serii czasowej wykazują tendencję liniową Ta metoda jest znana pod kilkoma nazwami, wyrównywana potrójnie wygładzoną tendencją, w tym trend FIT i Holt s Model Bez korekty, proste efekty wyrównania wykładniczego będą opóźniały trend, tzn. prognoza będzie zawsze niska, jeśli trend się zwiększy lub będzie wysoki, jeśli trend się zmniejszy W tym modelu istnieją dwie stałe wygładzania i reprezentujące trend Składnik. Przedłużenie modelu Holt s Metoda Holt-Winter s uwzględnia tendencję i sezonowość. Istnieją dwie wersje: multiplikatywne i addytywne, przy czym mnożnik jest najbardziej powszechnym zastosowaniem d W modelu addytywnym sezonowość wyrażana jest jako ilość dodawana do lub odejmowana od średniej serii. Model multiplikatywny wyraża sezonowość jako procent znany jako sezonowy krewny lub indeksy sezonowe średniej lub trendu Poniższe wartości mnoży się w kolejności aby uwzględnić sezonowość Krewny 0 8 wskazywałoby popyt, który wynosi 80 procent średniej, podczas gdy 1 10 wskaże popyt, który jest o 10 procent wyższy od średniej Szczegółowe informacje dotyczące tej metody można znaleźć w większości podręczników zarządzania operacjami lub jednej z liczb książek na temat prognozowania. Techniki powiązaniowe lub przyczynowo-prawne obejmują identyfikację zmiennych, które można wykorzystać do przewidzenia innej zmiennej zainteresowania Na przykład, stopy procentowe mogą być wykorzystane do prognozowania zapotrzebowania na refinansowanie w domu Zazwyczaj wymaga to regresji liniowej, celem jest opracowanie równania, które podsumowuje wpływ niezależnych zmiennych predykcyjnych na th e przewidywana zmienna zależna Jeśli została wytyczona zmienna predykcyjna, celem byłoby uzyskanie równania prostej, która minimalizuje sumę kwadratowych odchyleń od linii z odchyleniem będącym odległością od każdego punktu do linii Równanie pojawi się jako ya bx, gdzie y jest przewidywaną zmienną zależną, x jest zmienną niezależną od predykucji, b jest nachyleniem linii, a jest równe wysokości linii na przechwytywaniu y Kiedy równanie zostanie określone, użytkownik może wstaw wartości bieżące dla zmiennej niezależnej od predykatu, aby uzyskać zmienną zależną od prognozy. Jeśli istnieje więcej niż jedna zmienna przewidywana lub jeśli relacja między predyktorem a prognozą nie jest liniowa, prosta regresja liniowa będzie niewystarczająca W sytuacjach z wieloma predyktorami, regresja wielokrotna , podczas gdy związki nielinearne wymagają zastosowania regresji krzywoliniowej. SPECYFIKACJA EKONOMICZNA. Metody ekonometryczne, takie jak autoregresywne zintegrowany średnioroczny model ARIMA, stosuj złożone równania matematyczne w celu wykazania wcześniejszych relacji między popytem a zmiennymi, które wpływają na zapotrzebowanie Równanie jest uzyskiwane, a następnie testowane i dostrojone, aby zapewnić jak największą reprezentację dotychczasowego związku odbywa się to, przewidywane wartości wpływających zmiennych dochodów, cen, itd. są wstawiane do równania w celu dokonania prognozy. OCENA PROGNOZA. Dokładność rzutu może być określona poprzez obliczenie stronniczości, średniego odchylenia bezwzględnego MAD, średniego błędu kwadratowego MSE lub średniej bezwzględny błąd procentowy MAPE dla prognozy przy użyciu różnych wartości dla alfa Bias jest sumą błędów prognozy FE Dla przykładu wyrównania wykładniczego powyżej, obliczone nastawienie byłoby 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Jeśli jeden zakłada, że niskie nastawienie wskazuje ogólny błąd o niskiej prognozie, można wyliczyć tendencję do szeregu potencjalnych wartości alfa i zakładać, że ta z najniższą stronniczością b e najbardziej dokładne Jednak należy zachować ostrożność, gdy dziko występujące prognozy mogą powodować niską stronniczość, jeśli mają tendencję do bycia zarówno nad prognozą, jak i prognozowanymi negatywnymi i pozytywnymi Na przykład w trzech okresach firma może wykorzystać określoną wartość alfa do ponad prognozę 75 000 jednostek 75 000, w prognozie 100 000 jednostek 100 000, a następnie ponad prognozę 25 000 jednostek 25 000, co daje złudzenie 75 000 100 000 25 000 0 Dla porównania, inna alfa dająca ponad 2000 jednostek, 1000 jednostek i 3000 jednostek mogłoby doprowadzić do stronniczości 5000 sztuk Jeśli normalny popyt wyniósł 100.000 jednostek na okres, pierwsza alfa dałaby prognozy, które wyniosły nawet o 100 procent, podczas gdy drugi alfa byłby wyłączony maksymalnie o 3 procent, mimo że nastawa w pierwszej prognozie była zerowa. Bezpieczniejszą miarą dokładności prognozy jest średnie bezwzględne odchylenie MAD Aby obliczyć MAD, prekursor sumuje wartość bezwzględną błędów prognozy, a następnie dzieli się liczba prognoz FE N Dzięki uwzględnieniu bezwzględnej wartości błędów prognozy pominięto rekompensatę wartości dodatnich i ujemnych Oznacza to, że zarówno prognoza 50, jak i prognoza 50 są wyłączone przez 50 Wykorzystując dane z wykładniczej Przykład wygładzania, MAD można obliczyć następująco: 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 W związku z tym prognozuje się średnio 16 35 jednostek na prognozę W porównaniu z wynikami innych alfów, prekursor będzie wiadomo, że alfa o najniższym MAD daje najbardziej dokładną prognozę. Mean błąd kwadratu MSE może być również wykorzystany w ten sam sposób MSE jest sumą prognozowanych błędów dzielonych przez N-1 FE N-1 Wyrównywanie błędów prognozy eliminuje możliwość wyrównywania liczb ujemnych, ponieważ żaden z wyników nie może być ujemny Wykorzystując te same dane jak powyżej, MSE wynosiłby 18 5 17 55 8 74 20 62 3 383 94 Podobnie jak w MAD, prekursor może porównywać MSE prognozowanych przy użyciu różnych VA lues z alfa i przyjmują alfa z najniższym MSE daje najdokładniejszą prognozę. Średni procentowy błąd procentowy MAPE to średni bezwzględny błąd procentowy Aby osiągnąć MAPE należy wziąć sumę wskaźników pomiędzy błędem prognozy a rzeczywistym czasem zapotrzebowania 100, aby uzyskać procent i podzielić przez N Rzeczywiste zapotrzebowanie na zapotrzebowanie Rzeczywiste zapotrzebowanie 100 N Korzystając z danych z przykładu wygładzania wykładniczego, MAPE można obliczyć następująco: 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Tak jak w MAD i MSE, im niższy jest błąd względny tym dokładniejsza jest prognoza. Należy zauważyć, że w niektórych przypadkach zdolność prognozowania do szybkiego reagowania na zmiany wzorców danych jest ważniejsza niż dokładność. Dlatego też jeden wybór metody prognozowania powinny odzwierciedlać relatywną wagę ważności między dokładnością i szybkością odpowiedzi, określoną przez prezentera. WYKONANIE PROGNOZA. William J Stevenson wymienia następujące elementy jako podstawowe etapy w forzece proces przewidywania celu. Określenie celu prognozy Czynniki takie jak: jak i kiedy przewidziana jest prognoza, wymagany stopień dokładności oraz wymagany poziom szczegółowości określają czas, pieniądze, pracowników, które mogą być przeznaczone na prognozę i rodzaj metody prognozowania, która ma być wykorzystana. Ustanowienie horyzontu czasowego To zdarza się po ustaleniu celu prognozy Prognozy długoterminowe wymagają dłuższych horyzontów czasowych i vice versa Dokładność jest ponownie rozważana. Wybierz technikę prognozowania Wybrana technika zależy od celu prognozy, wymaganego horyzontu czasowego i dozwolonego kosztu. Zbieranie i analizowanie danych Ilość i typ potrzebnych danych zależy od przewidywanego celu, wybranej techniki prognozowania oraz wszelkich rozważań o kosztach. Make prognozę. Monitor prognozy Oceniaj skuteczność prognozy i zmodyfikuj, jeśli to konieczne. KALNE CZYTANIE. Finch, Byron J Operacje teraz rentowność, procesy, wydajność 2 ed Boston McGraw-H Ill Irwin, 2006.Green, William H Analiza ekonometryczna 5 ed Górna Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion Technika Grupy Nominalnej Proces Badawczy dostępny od. Stevenson, William J. Operations Management 8 ed Boston McGraw-Hill Irwin , 2005. Przeczytaj także artykuł o prognozowaniu z Wikipedii. Przykłady prognozowania obliczeń. A 1 Metody obliczania prognozy. Dostępne są dwa sposoby obliczania prognoz Większość z tych metod zapewnia ograniczoną kontrolę nad użytkownikami Na przykład wagi umieszczonej na ostatnich danych historycznych lub zakres dat z danych historycznych stosowanych w obliczeniach może być określony Poniższe przykłady przedstawiają procedurę obliczania dla każdego z dostępnych metod prognozowania, biorąc pod uwagę identyczny zbiór danych historycznych. Poniższe przykłady wykorzystują takie same dane o sprzedaży w 2004 i 2005 roku, które umożliwiają uzyskanie 2006 Prognoza sprzedaży Poza obliczeniami prognozy, każdy przykład zawiera symulowaną prognozę na rok 2005 dla trzydziestopunktowego okresu optymalizacji przetwarzania n 19 3, które następnie stosuje się do procentowej dokładności i średnich bezwzględnych obliczeń odchylenia rzeczywistej sprzedaży w porównaniu z symulowaną prognozą. A 2 Prognoza Kryteria oceny wyników. W zależności od wyboru opcji przetwarzania oraz trendów i wzorców istniejących w danych o sprzedaży, niektóre metody prognozowania będą lepsze niż inne dla danego zbioru danych historycznych Metoda prognozowania odpowiednia dla jednego produktu może być nieodpowiednia dla innego produktu Jest mało prawdopodobne, aby metoda prognozowania zapewniała dobre wyniki w jednym etapie cyklu życia produktu pozostaną odpowiednie przez cały cykl życia. Można wybrać jedną z dwóch metod oceny bieżącej skuteczności metod prognozowania. Są to średnie odchylenia bezwzględne MAD i procent dokładności POA Obie te metody oceny skuteczności wymagają historycznych danych dotyczących sprzedaży dla określonego przez użytkownika okresu czasu Ten okres czasu nazywa się okresem holdout lub okresami najlepiej odpowiadającym PBF a w tym okresie jest podstawą do rekomendowania, które z metod prognozowania powinny być wykorzystane przy opracowywaniu kolejnej prognozy prognozy Ta rekomendacja jest specyficzna dla każdego produktu i może zmieniać się z jednego prognozowania na następny. na stronach następujących przykładów dwunastu metod prognozowania. A 3 Metoda 1 - Określony Procent W ciągu ostatniego roku. Ta metoda pomnożona przez dane z poprzedniego roku dane sprzedaży o określony przez użytkownika czynnik, na przykład 1 10 za 10 lub 0 97 za 3 zmniejszenia. Wymagana historia sprzedaży Jeden rok dla obliczenia prognozy plus liczba określona przez użytkownika dla okresów czasu dla oceny opcji przetwarzania prognozy wydajności 19.A 4 1 Prognoza Obliczenia. Rysactwo sprzedaży używane do obliczania opcji przetwarzania czynników wzrostu 2a 3 w tym przykładzie. Sp. ostatnie trzy miesiące 2005 114 119 137 370.So tych samych trzech miesiącach roku ubiegłego 123 139 133 395. obliczony współczynnik 370 3 95 0 9367.Zliczaj prognozy. January, sprzedaż w 2005 r. 128 0 9367 119 8036 lub około 120. Luty lutego 2005 r. Sprzedaż 117 0 9367 109 5939 lub około 110.March, sprzedaż w 2005 r. 115 0 9367 107 7205 lub około 108.A 4 2 Symulowane obliczenia prognozy. Zanotuj trzy miesiące 2005 r. Przed okresem utrzymywania rezerwy lipiec, sierpień, wrzesień 1986 r. 140 131 400. Z tym samym trzy miesiące roku poprzedniego.141 128 118 387. obliczony współczynnik 400 387 1 033591731. Obliczony symulowany prognoza. Otrzec, 2004 rok sprzedaży 123 1 033591731 127 13178.Niemcy 2004 rok sprzedaży 139 1 033591731 143 66925.Dzisiaj, 2004 r. sprzedaż 133 1 033591731 137 4677.A 4 3 Procent dokładności Obliczenia. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Średnia obliczalność odchylenia bezwzględnego. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metoda 3 - Ostatni rok do tego roku Metoda ta kopiuje dane dotyczące sprzedaŜy z poprzedniego roku na następny rok. Wymagana historia sprzedaŜy Rok do obliczenia prognozy plus liczba okresów czasu wyznaczonych do oceny opcji przetwarzania prognozy wydajności 19.A 6 1 Prognoza Obliczenia. Numina okresów uwzględnianych w średniej opcji przetwarzania 4a 3 w tym przykładzie. Dla każdego miesiąca prognozy średnie poprzednie trzy miesiące dane teleadresowe 114 119 137 370, 370 3 123 333 lub 123. Prognoza tygodnia 119 137 123 379, 379 3 126 333 lub 126. Prognoza makroekonomiczna 137 123 126 379, 386 3 128 667 lub 129.A 6 2 Symulowana prognoza Obliczenia. Ogodziny sprzedaży w 2005 r. 129 140 131 3 133 3333.November 2005 sprzedaż 140 131 114 3 128 3333 Sprzedaż w grudniu 2005 131 114 119 3 121 3333.A 6 3 Procent dokładności Obliczenia. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Średnia obliczalność odchylenia bezwzględnego. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metoda 5 - przybliżenie liniowe. Zbliżenie liniowe oblicza tendencję opartą na dwóch punktach historii sprzedaży. Te dwa punkty definiują prostą linię trendu, która jest wyświetlana w f uture Użyj tej metody z ostrożnością, ponieważ prognozy długoterminowe są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Wymagana historia sprzedaży Liczba okresów uwzględnienia w opcji przetwarzania regresji 5a, plus 1 plus liczba okresów czasu dla oceny prognozowania wydajności opcja 19.A 8 1 Prognoza Obliczanie. Nazwa okresów uwzględnienia w opcji przetwarzania regresji 6a 3 w tym przykładzie. Dla każdego miesiąca prognozy należy dodać wzrost lub spadek w określonych przedziałach czasowych przed okresem holdout poprzedniego okresu. poprzednie trzy miesiące 114 119 137 3 123 3333. Streszczenie z poprzednich trzech miesięcy z uwzględnieniem wagi. 114 1 119 2 137 3 763.Różnica pomiędzy wartościami. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 23 2 11 5. Wartość 2 Wartość średnia - wartość 123 3333 - 11 5 2 100 3333.Forecast 1 wartość n1 wartość2 4 11 5 100 3333 146 333 lub 146.Forecast 5 11 5 100 3333 157 8333 lub 158.Forecast 6 11 5 100 3333 169 3333 lub 169.A 8 2 Symulowana prognoza Prognoza sprzedaży na poziomie z października 2004 r. Z ubiegłych trzech miesięcy . 129 140 131 3 133 3333. Streszczenie z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 129 1 140 2 131 3 802.Między różnymi wartościami. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Rejestracja różniczkowa1 2 2 1. Wartość 2 Średnia wartość1 133 3333-1 2 131 3333.Forecast 1 n wartość1 wartość2 4 1 131 3333 135 3333. sprzeda yw 2004 r. Z caego okresu trzech miesi cy. 140 131 114 3 128 3333. Podsumowanie ostatnich trzech miesięcy z uwzględnieniem wagi. 140 1 131 2 114 3 744.Różnica pomiędzy wartościami 744 - 128 3333 1 2 3 -25 9999. Różnicę Różnicową Różnicę -25 9999 2 -12 9999. Wartość 2 Wartość średnia - wartość 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333. W grudniu 2004 r. Sprzedaż w ciągu ostatnich trzech miesięcy. 131 114 119 3 121 3333.Summary z poprzednich trzech miesięcy z uwzględnieniem ciężaru. 131 1 114 2 119 3 716.Różnica pomiędzy wartościami. 716 - 121 3333 1 2 3 -11 9999. Współczynnik różnicy w stosunku do wartości 1 -9 9999 2 -5 9999. Wartość 2 Średnia wartość 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent dokładności Obliczanie dokładności. POA 135 33 102 33 109 33 114 119 137 93 93 78.A 8 4 Średnia obliczalność odchylenia bezwzględnego. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metoda 7 - druga Przybliżenie stopnia. Regresja liniowa określa wartości dla a i b w projekcie prognozy Y a bX w celu dopasowania prostej do danych z historii sprzedaży. Drugi stopień zbliżenia jest podobny. Jednakże ta metoda określa wartości dla a, b i c w prognozowana formuła Y a bX cX2 w celu dopasowania krzywej do historii historii sprzedaży Ta metoda może być użyteczna, gdy produkt znajduje się w przejściu między etapami cyklu życiowego Na przykład, gdy nowy produkt przemieszcza się z etapu wprowadzania na wzrost , trend sprzedaży może przyspieszyć Ze względu na drugi termin zamówień, prognoza może szybko się zbliżać nieskończoność lub spadek do zera w zależności od tego, czy współczynnik c jest dodatni czy ujemny Dlatego też ta metoda jest użyteczna tylko w krótkim okresie czasu. Specyfikacja techniczna Forecasta Odnosi się do formuły a, b i c, aby dopasować krzywą do dokładnie trzech punktów. opcja przetwarzania 7a, liczba okresów danych zgromadzonych w każdym z trzech punktów W tym przykładzie n 3 Dlatego faktyczne dane o sprzedaży od kwietnia do czerwca są łączone w pierwszym punkcie od pierwszego kwartału do końca września, aby dodać Q2 , a od października do grudnia suma do Q3 Krzywa będzie dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży 3 n okresy obliczania prognozy plus liczba okresów potrzebnych do oceny prognozy PBF. Ilość okresy obejmujące opcję przetwarzania 7a 3 w tym przykładzie. Użyj poprzednich 3 n miesięcy w blokach trwających trzy miesiące. Q1 kwi - gru 125 122 137 384.q2 lip - wrz 129 140 131 400.q3 paź - gru 114 119 137 370. Następny etap obejmuje c przeliczając trzy współczynniki a, b i c do wzoru prognozowania Y a bX cX 2. 1 Q 1 a bX cX 2 gdzie X 1 a b c c 2, 2 Q 2 a bX cX 2 gdzie X 2 a 2b 4c. 3 Q3 a bX cX2 gdzie X3 a 3b 9c. Solve trzy równania równocześnie, aby znaleźć równanie b, a i c. Subtract 1 z równania 2 i rozwiązać dla b. Spodstaw tego równania dla b do równania 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ostatecznie zastąp te równania dla aib w równaniu 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. Metoda przybliżenia drugiego stopnia a, b i c w następujący sposób. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 - 23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2. stycznia do marca Prognoza marcowa X 4 322 340 - 368 3 294 3 98 za okres od kwietnia do czerwca prognoza X 5. 322 425 - 575 3 57 333 lub 57 za okres od lipca do września. X 6. 322 510 - 828 3 1 33 lub 1 za okres od października do grudnia X 7. 322 595 - 1127 3 -70.A 9 2 Symulowana prognoza Prognozy październik, listopad i sprzedaż w grudniu 2004.q1 sty - mar 360.q2 kwi - cze 384.q3 lip - wrzesień 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Procent dokładności Obliczenia. POA 136 136 136 114 119 137 100 110 27.A 9 4 Średnia obliczalność odchylenia bezwzględnego. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metoda 8 - Metoda elastyczna Metoda elastyczności Procent powyżej n miesięcy Poprzedni jest podobny do metody 1, w procentach w ubiegłym roku Obie metody pomnożają dane o sprzedaży z poprzedniego okresu przez określony przez użytkownika czynnik , a następnie projekt tego wyniku w przyszłość W metodzie Procent w ubiegłym roku projekcja oparta jest na danych z tego samego okresu czasu w roku poprzednim. Metoda elastyczna dodaje możliwość określania innego okresu poza tym samym okresem roku ubiegłego wykorzystanie jako podstawa obliczeń. Współczynnik korekcyjny Na przykład, określ opcję 1 15 w opcji przetwarzania 8b, aby zwiększyć poprzednie dane dotyczące historii sprzedaży o 15. Czas bazowy Na przykład n 3 spowoduje, że pierwsza prognoza zostanie oparta na danych o sprzedaży w Październik 2005. Minimalna historia sprzedaży Użytkownik podał numer o f okresy powrotu do okresu bazowego plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. A 10 4 Średnia obliczalność odchylenia bezwzględnego. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metoda 9 - Ważony przepływ Średnia Średnia ważona średnio Średnia metoda WMA jest podobna do metody 4, Moving Average MA Jednak przy średniej ważonej ruchomej można przypisać nierówne wagi do danych historycznych Metoda oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę dla krótkoterminowe Najnowsze dane są zazwyczaj przypisywane większej wagi niż starsze dane, co sprawia, że WMA reaguje na zmiany poziomu sprzedaży. Jednakże prognozowane nastawienia i systematyczne błędy występują nadal, gdy historia sprzedaży produktów wykazuje silną tendencję lub wzorce sezonowe metoda lepiej sprawdza się w przypadku krótkoterminowych prognoz produktów dojrzałych, a nie na produkty w fazie wzrostu lub starzenia się cyklu życia. należy podać liczbę okresów historii sprzedaży, kalkulacja prognozy Na przykład określić n 3 w opcji przetwarzania 9a, aby wykorzystać ostatnie trzy okresy jako podstawę projekcji do następnego okresu. Duża wartość dla n takich jak 12 wymaga większej historii sprzedaży. Stwarza stabilną prognozę , ale będzie powolna rozpoznawać zmiany poziomu sprzedaży Z drugiej strony mała wartość dla n np. 3 szybciej reaguje na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać odchylenia przypisane do każdego z historycznych okresów danych Przyporządkowane ciężary muszą wynosić 1 00 Na przykład, gdy n 3, przyporządkuj wagi 0 6, 0 3 i 0 1, przy czym najnowsze dane otrzymują największą wagę. Minimalna wyma gana historia sprzedaży plus liczba okresów potrzebnych do oceny prognozowanej wydajności PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metoda 10 - wygładzanie liniowe. Ta metoda jest podobna do Metoda 9, Ważona średnia ruchoma WMA Jak kiedykolwiek, zamiast arbitralnie przyporządkować wagi do danych historycznych, formuła jest używana do przypisywania odważników, które spadają liniowo i sumują do 1 00. Metoda następnie oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć projekcję na krótką metę. Jest to prawda wszystkich linearnych średnich kroczących technik prognozowania, przewidywanych stron i błędów systematycznych pojawiają się, gdy historia sprzedaży produktów wykazuje silny trend lub sezonowe wzorce Ta metoda działa lepiej w przypadku krótkich prognoz dotyczących produktów dojrzałych, a nie dla produktów w fazie wzrostu lub starzenia się życia cyklu. n liczby okresów historii sprzedaży do wykorzystania w obliczaniu prognozy Jest to określone w opcji przetwarzania 10a Na przykład określić n 3 w opcji przetwarzania 10b, aby wykorzystać trzy ostatnie okresy jako podstawę projekcji do następny okres System automatycznie przydzieli wagi do danych historycznych, które spadają liniowo i sumują do 1 00 Na przykład, gdy n 3, s ystem przypisuje wagi 0 5, 0 3333 i 0 1, przy czym najstarsze dane otrzymują największą wagę. Minimalna historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozy PBF. A 12 1 Prognoza Obliczenia. Liczba okresów uwzględnienia w opcji wygładzania średniej opcji przetwarzania 10a 3 w tym przykładzie. Ratio dla jednego okresu poprzedzającego 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio dla dwóch okresów poprzedzających 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio na trzy okresy poprzedzające 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. Prognoza styczności 137 0 5 119 1 3 114 1 6 127 16 lub 127. Prognoza dla lutego 127 0 5 137 1 3 119 1 6 129. Prognoza makroekonomiczna 129 0 5 127 1 3 137 1 6 129 666 lub 130.A 12 2 Symulowana prognoza Prognoza sprzedaży w październiku 2004 r. 129 1 6 140 2 6 131 3 6 133 6666.Niemcy 2004 r. Sprzedaż 140 1 6 131 2 6 114 3 6 124. Sprzedaż w grudniu 2004 r. 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent dokładności Obliczenia. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Średnie obliczenie odchylenia bezwzględnego. SZALONY 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metoda 11 - wyrównywanie wykładnicze Metoda ta jest podobna do metody 10, Wygładzanie liniowe W wyrównywaniu liniowym system przypisuje wagi do danych historycznych, które spadają liniowo W wyrównywaniu wykładniczym , system przypisuje odważniki, które uległy rozkładowi wykładniczo Równowaga prognozowania wyrównania wykładniczego to. Prognoza Poprzednia sprzedaż rzeczywista 1 - poprzednia prognoza. Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu, a prognozą z poprzedniego okresu a jest Waga zastosowana do rzeczywistej sprzedaży za poprzedni okres 1 - a jest wagą zastosowaną do prognozy dla poprzedniego okresu Okres ważności dla zakresu od 0 do 1 i zwykle mieści się w przedziale od 0 do 0 4 Suma wagi wynosi 1 00 a 1 - a 1. Powinieneś przypisać wartość dla stałej wygładzania, a Jeśli nie przypisujesz wartości dla stałej wygładzania, system oblicza założoną wartość w oparciu o liczbę okresów historii sprzedaży określoną d w opcji przetwarzania 11a. a stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży Ważne wartości w przedziale od 0 do 1.n zakresu danych historii sprzedaży, aby uwzględnić w obliczeniach Ogólnie rok danych dotyczących historii sprzedaży jest wystarczająca do oszacowania ogólnego poziomu sprzedaży W tym przykładzie wybrano małą wartość dla nn 3 w celu zredukowania ręcznych obliczeń wymaganych do sprawdzenia wyników Wyrównywanie wykładnicze może generować prognozę na podstawie zaledwie jednego historycznego punkt danych. Minimalna wymagana historia sprzedaży n plus liczba okresów potrzebnych do oceny prognozy PBF. A 13 1 Prognoza Obliczanie. Numer czasu uwzględnienia w opcji wygładzania średniej obróbki 11a 3 oraz opcji przetwarzania faktury alfa 11b w tym polu przykład. a współczynnik najstarszych danych handlowych 2 1 1 lub 1, gdy określony jest alfa. a współczynnik dla 2 najstarszych danych handlowych 2 1 2 lub alfa, gdy alfa jest określony. a współczynnik dla trzeciego najstarszego numeru sprzedaży 2 1 3 lub alfa po podaniu alfa. a współczynnika dla ostatnich danych dotyczących sprzedaży 2 1 n lub alfa, gdy alfa jest określony. Niemcy Sm Śr. do października Rzeczywisty 1 - Październik Śr. Śr. 1 114 0 0 114. Lipiec Śr. Śr. Śr. Listopad Rzeczywisty 1 - listopad Sm Śr. 2 3 119 1 3 114 117 3333.January Prognoza Grudnia Rzeczywisty 1 - Grudzień Śr. Śr. 2 4 137 2 4 117 3333 127 16665 lub 127. Prognoza lutego Prognoza styczniowa 127. Prognoza makroekonomiczna w styczniu Prognoza 127.A 13 2 Symulowana prognoza obliczania. July, 2004 Sm Śr. 2 2 129 129.August Sm Śr. 2 3 140 1 3 129 136 3333.September Sm śr. 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140 Wrzesień Sm Śr. Śr. 2 3 131 1 3 140 134.Prz. Śr. Śr. Śr. 2 4 114 2 4 134 124.Niemie 2004 r. Wrzesień wrz Średnia 124 Sierpnia 2004 Sm Średnia 2 2 131 131. Oktober Sm Śr. 2 3 114 1 3 131 119 6666.Niemcy Sm Śr. 2 4 119 2 4 119 6666 119 3333. Wczoraj 2004 r. Sprzedaż Wrz. Sm Śr. 119 3333.A 13 3 Procent Dokładności Calcula t. 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Średnia obliczalność odchylenia bezwzględnego. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metoda 12 - wyrównywanie wyrównawcze z tendencją i sezonowością Metoda ta jest podobna do metody 11 Wyrównywanie wykładnicze, w którym obliczana jest średnia wygładzona. Metoda 12 zawiera również wyrażenie w równaniu prognozowania do obliczania wygładzonej tendencji Prognoza składa się z wygładzonego uśrednionego dopasowanego do trendu liniowego w opcji przetwarzania prognoza jest również dostosowywana do sezonowości. a stała wygładzania używana do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży Ważna wartość dla alfa wynosi od 0 do 1.b stała wygładzania używana do obliczania wygładzonej średnia dla składnika tendencji prognozy Prawidłowe wartości dla zakresu beta od 0 do 1.Chociaż indeks sezonowy jest stosowany do prognozy. a i b są niezależne od siebie Nie muszą dodawać do 1 0.Min imum wymagał historii sprzedaży dwa lata oraz liczby okresów czasu potrzebnych do oceny prognozy PBF. Metoda 12 wykorzystuje dwa równania wyrównania wykładniczego i jedną prostą średnią do obliczenia średniej wygładzonej, wygładzonej tendencji i prostego średniego czynnika sezonowego. A 14 1 Prognoza Obliczenia. A Średnica wykładniczo wygładzona. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Ocena prognoz. Można wybrać metody prognozowania, aby wygenerować aż dwanaście prognoz dla każdego produktu. Każda prognoza metoda prawdopodobnie utworzy nieco inną projekcję Kiedy tysiące produktów jest prognozowane, niepraktyczne jest dokonanie subiektywnej decyzji dotyczącej tego, które z prognoz użyć w planach każdego z produktów. System automatycznie ocenia wydajność każdej z metod prognozowania które wybierzesz, a dla każdej z prognoz produktów Możesz wybrać jeden z dwóch kryteriów wydajności, średnie odchylenie bezwzględne MAD i procenty Accur acy POA MAD jest miarą błędu prognozowego POA jest miarą przewidywanej tendencji Obie te techniki oceny skuteczności wymagają rzeczywistych danych dotyczących historii sprzedaży dla określonego przez użytkownika okresu czasu Ten okres najnowszej historii nazwany jest okresem holdout lub okresami najlepiej odpowiadającymi PBF. Aby zmierzyć skuteczność metody prognozowania, użyj prognozowanych formuł do symulacji prognozy na historyczny okres holdoutu Zazwyczaj występują różnice między rzeczywistymi danymi dotyczącymi sprzedaży a symulowaną prognozą dla okresu utrzymywania rezerwy. Gdy wybrano wiele metod prognozy, ten sam proces występuje dla każdej metody Wielokrotne prognozy są obliczane dla okresu utrzymywania i porównywane do znanej historii sprzedaży w tym samym okresie czasu Zalecana jest metoda prognozowania, która najlepiej pasuje pomiędzy prognozą a rzeczywistą sprzedażą w okresie trzymiesięcznym w Twoich planach To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednego prognozowania na ne xt. A 16 Średnie odchylenie bezwzględne MAD. 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 dane historia Ponieważ wartości bezwzględne są stosowane w obliczeniach, pozytywne błędy nie eliminują negatywnych błędów Porównując kilka metod prognozowania, ten z najmniejszym MAD okazał się najbardziej niezawodny dla tego produktu w tym okresie utrzymywania rezerwy Kiedy prognoza jest bezstronna i błędy są zwykle rozłożone, istnieje prosty związek matematyczny pomiędzy MAD a dwoma innymi wspólnymi środkami rozkładu, odchyleniem standardowym i średnim błędem kwadratowym. A 16 1 Procent dokładności POA. Percent dokładności POA jest miarą przewidywanej tendencji Gdy prognozy są konsekwentnie zbyt wysokie zapasy gromadzą się i rosną koszty zapasów Kiedy prognozy są konsekwentnie dwa niskie, zapasy są konsumowane i spadek obsługi klienta s Prognoza, która wynosi 10 jednostek za niska, a następnie 8 jednostek za wysoka, a następnie 2 jednostki zbyt wysokie, byłoby nieprzewidywalną prognozą. Błąd dodatni równy 10 jest anulowany przez błędy ujemne 8 i 2. Rzeczywiste - prognoza. Kiedy produkt mogą być przechowywane w magazynie, a kiedy prognoza jest bezstronna, można wykorzystać małą ilość zapasów zabezpieczających do buforowania błędów W tej sytuacji nie jest tak ważne, aby wyeliminować błędy prognozy, ponieważ ma generować obiektywne prognozy. W przemyśle usługowym , powyŜsza sytuacja byłaby postrzegana jako trzy błędy SłuŜby byłyby za mało pracowników w pierwszym okresie, a następnie przepracowane przez następne dwa okresy W usługach, wielkość błędów prognozowych jest zazwyczaj większa niŜ przewidywana nastawa. Podsumowanie w okresie utrzymywania rezerwy pozwala na pozytywne błędy w celu wyeliminowania negatywnych błędów Jeśli łączna rzeczywista sprzedaż przekracza całkowitą prognozę sprzedaży, współczynnik jest większy niż 100 Oczywiście, niemożliwe jest dokładniejsze niż 100 Kiedy prognoza jest unbias ed, współczynnik POA wynosi 100 W związku z tym bardziej pożądane jest 95 dokładne, niż 110 dokładne Kryteria POA wybierają metodę prognozowania, która ma współczynnik POA najbliższy 100. Skryptowanie na tej stronie ulepsza nawigację treściową, ale nie w jakikolwiek sposób zmieniaj treść3 Zrozumienie poziomów i metod prognoz. Możesz wygenerować zarówno szczegółowe prognozy pojedynczych elementów, jak i podsumowanie prognoz 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 poziomie elementu i wyższej 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 dany zestaw danych historycznych Metoda prognozowania, która jest odpowiednia dla jednego produktu, może być nieodpowiednia dla innego produktu że metoda prognozowania, która zapewnia dobre wyniki w jednym etapie cyklu życia produktu, pozostaje w całym cyklu życiowym. Możesz wybrać jedną z dwóch metod oceny bieżącej skuteczności metod prognozowania. Szacowanie dokładności POA. Mean bezwzględne odchylenie MAD . Te dwie metody oceny skuteczności wymagają historycznych danych dotyczących sprzedaży dla okresu, który został określony Okres ten nazywany jest okresem utrzymywania lub okresem najlepszego dopasowania Dane w tym okresie są wykorzystywane jako podstawa do zalecania, która metoda prognozowania ma zostać użyta przy tworzeniu następnego Prognoza 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 najlepszą prognozę dopasowania, stosując wybrane metody prognozowania do przeszłej historii zleceń sprzedaży i porównując symulację prognozy do bieżąca historia Kiedy wygenerujesz prognozę najlepszego dopasowania, system porównuje aktualne historie zleceń sprzedaży z prognozami dla a określonym czasie i oblicza, jak dokładnie każda inna metoda prognozowania przewidywała sprzedaż. Następnie system zaleca najbardziej dokładną prognozę jako najlepszą dopasowaną. Ta grafika przedstawia najlepsze prognozy dopasowania. Ilustracja 3-1 Najlepsza prognoza dopasowania. System stosuje tę sekwencję kroków w celu określenia najlepiej dopasować. Użyj każdej określonej metody, aby symulować prognozę dla okresu holdoutu dokonać rzeczywistej sprzedaży na symulowanych prognozach na okres holdout. Kalkuluj POA lub MAD, aby ustalić, która metoda prognozowania najbardziej pasuje do poprzedniej rzeczywistej sprzedaży. System korzysta z obu POA lub MAD, w oparciu o wybrane opcje przetwarzania. Zalecamy najlepszą dopasowaną prognozę przy wykorzystaniu POA, która jest najbliżej 100 procent nad lub poniżej lub MAD, która jest najbliżej zera.3 2 Metody prognozowania. JD Edwards EnterpriseOne Forecast Management korzysta z 12 metody prognozowania ilościowego i wskazują, która metoda zapewnia najlepsze dopasowanie do sytuacji prognozowania. Ta sekcja omawia. Metoda 1 Procent nad La st Rok Metoda 2 Obliczona wartość procentowa w stosunku do ostatniego roku. Metoda 3 Ostatni rok do bieżącego roku. Metoda 4 Średnia przemieszczeniowa Metoda 5 Oszacowanie linioweMetoda 6 Najmniejsza regresja kwadratowa. Metoda 7 Drugie przybliżenie metody. Metoda 8 Metoda elastyczna Metoda 9 Ważenie Przeprowadzka Średnia metoda 10 wygładzanie liniowe Metoda 11 wygładzanie wykładnicze Metoda 12 wykładnicza wygładzanie z tendencją i sezonowość. Określ metodę, której chcesz używać w opcjach przetwarzania programu prognozowania R34650 Większość z tych metod zapewnia ograniczoną kontrolę Na przykład, wagi umieszczonej na podstawie najnowszych danych historycznych lub zakresu danych historycznych używanych w kalkulacjach. Przykłady w przewodniku wskazują procedurę obliczania dla każdej z dostępnych metod prognozowania, biorąc pod uwagę identyczny zestaw danych historycznych. Przykłady metod w części poświęconej zastosowaniu lub wszystkie te zestawy danych, które są historycznymi danymi z ostatnich dwóch lat Prognoza prognozy przechodzi w następny r. Te 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 nieaktualności.3 2 1 Metoda 1 Procent powyżej ostatniego roku. Ta metoda używa wzoru Procent nad ubiegłym rokiem pomnożyć każdy okres prognozy o określony procentowy wzrost lub spadek. Aby zapobiec prognozowaniu, metoda ta wymaga liczby okresów najlepiej dopasowanych oraz jednego roku sprzedaży Historia Ta metoda służy do prognozowania popytu na artykuły sezonowe ze wzrostem lub spadkiem.3 2 1 1 Przykład Metoda 1 Procent wyższy niż rok temu Proporcja procentowa w stosunku do ostatniego roku pomnożona została dane sprzedaŜy z ubiegłego roku według czynnika określonego przez użytkownika, a następnie projektuje go w ciągu następnego roku Ta metoda moŜe być przydatna w budŜetowaniu w celu symulacji wpływu określoną szybkość wzrostu lub kiedy historia sprzedaży ma znaczący składnik sezonowy. Każdy parametry rynku Mnożnik Na przykład określić 110 w opcji przetwarzania, aby zwiększyć e dane z historii sprzedaży sprzed roku poprzedniego o 10 procent. Wymagana historia sprzedaży Jeden rok obliczania prognozy oraz liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych do Twoich potrzeb. Ta tabela jest używana w historii obliczenia prognozy. Prognoza lutowa wynosi 117 1 1 128 7 zaokrąglona do 129. Prognoza główna wynosi 115 1 1 126 5 zaokrąglona do 127,3 2 2 Metoda 2 Obliczona wartość procentowa w stosunku do ostatniego roku. Ta metoda używa wzoru obliczonego w ujęciu rocznym do porównania wcześniejsza sprzedaż określonych okresów sprzedaży 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 zapobiec prognozowaniu, metoda ta wymaga liczby okresów sprzedaży historia zamówień plus rok sprzedaży Historia Ta metoda jest przydatna do prognozowania krótkoterminowego zapotrzebowania na produkty sezonowe ze wzrostem lub spadkiem.3 2 2 1 Przykład Metoda 2 Obliczony 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.
No comments:
Post a Comment