W praktyce średnia ruchoma daje dobre oszacowanie średniej serii czasowej, jeśli średnia jest stała lub powoli zmienia się. W przypadku średniej stałej największa wartość m daje najlepsze oszacowania średniej średniej dłuższej obserwacji A okres będzie wynosił średnie skutki zmienności. Celem zapewnienia mniejszej m jest umożliwienie prognozowania reakcji na zmianę procesu bazowego W celu zilustrowania proponujemy zestaw danych zawierający zmiany w podstawowej wartości średniej serii czasowej rysunek pokazuje serie czasów używane do ilustracji wraz ze średnim zapotrzebowaniem, z którego powstała seria Średnia zaczyna się jako stała w punkcie 10 Uruchomienie w czasie 21 wzrasta o jedną jednostkę w każdym okresie, aż osiągnie wartość 20 w czasie 30 Następnie staje się stały Dane są symulowane poprzez dodanie do średniej, losowego szumu z rozkładu normalnego z zerowym i średnim odchyleniem 3 Wyniki symulacji są zaokrąglane do ne arest integer. The tabela przedstawia symulowane obserwacje używane w przykładzie Kiedy używamy tabeli, musimy pamiętać, że w danym momencie znane są tylko poprzednie dane. Szacunki modelu parametru, dla trzech różnych wartości m są pokazane razem ze średnią szeregu czasowego na rysunku poniżej Rysunek przedstawia ruchome średnie oszacowanie średniej w każdym czasie, a nie prognoza Prognozy przesuną średnie ruchome krzywe na prawo w poszczególnych okresach. Jeden z wniosków jest natychmiast widoczny z dla wszystkich trzech szacunków średnia ruchoma opóźnia się w stosunku do liniowego trendu, przy czym opóźnienie wzrasta z m Opóźnienie to odległość pomiędzy modelem a szacunkiem w wymiarze czasu Ze względu na opóźnienie, średnia ruchoma nie docenia obserwacji jako średniej wzrasta Odchylenie estymatora jest różnicą w określonym czasie w średniej wartości modelu i średniej wartości przewidywanej przez średnią ruchoma Odchylenie, gdy średnia rośnie jest ujemna W przypadku średniej malejącej, nastawienie jest pozytywne Z opóźnieniem w czasie i stronniczością wprowadzoną w oszacowaniu są funkcje m Im większa wartość m, tym większa jest wielkość opóźnienia i stronniczości. Dla ciągle rosnącej serii z tendencją a wartości opóźnień i stronniczości estymatora średniej podane są w poniższych równaniach. Przykładowe krzywe nie odpowiadają tym równym, ponieważ przykładowy model nie stale wzrasta, a raczej zaczyna się jako stała, zmienia tendencję, a następnie staje się stały znowu Również przykładowe krzywe mają wpływ na hałas. Ruchome przeciętne prognozy okresów w przyszłości są reprezentowane przez przesuwanie krzywych w prawo Czas opóźnienia i stronniczości wzrastają proporcjonalnie Poniższe równania wskazują na opóźnienie i nastawienie prognozowanych okresów w przyszłości w porównaniu do parametrów modelu Ponownie, te wzory są dla serii czasowych o stałej tendencji liniowej. Nie należy się dziwić temu wynikowi Ruchome średnie estymator opiera się na przy założeniu stałej średniej, a przykład ma tendencję liniową w średniej podczas części okresu studiów Ponieważ serie czasu rzeczywistego rzadko będą dokładnie zgodne z założeniami dowolnego modelu, powinniśmy być przygotowani na takie rezultaty. Możemy również wnioskować z rysunku, że zmienność szumu ma największy wpływ na m m m Szacowanie jest znacznie bardziej niestabilne dla średniej ruchomej 5 niż średnia ruchoma 20 Mamy sprzeczne pragnienia, aby zwiększyć m, aby zmniejszyć wpływ zmienności spowodowanej hałasu i zmniejszyć m, aby prognoza była bardziej wrażliwa na zmiany średnie. Błąd jest różnicą między rzeczywistymi danymi a przewidywaną wartością. Jeśli seria czasów jest rzeczywiście stałą wartością, oczekiwana wartość błędu wynosi zero, a wariancja błędu składa się z terminu, który jest funkcją, a drugą, czyli wariancją szumu. Pierwszy wariant jest wariancją średniej oszacowanej próbką m obserwacji, zakładając, że dane pochodzą z populacji o stałej średniej Termin ten jest zminimalizowany poprzez uczynienie m jak największej wielkości Duża m sprawia, że prognoza nie reaguje na zmianę szeregu czasów bazowych Aby prognoza odpowiadała na zmiany, chcemy, aby m tak małe, jak to możliwe 1, ale zwiększa to wariancję błędów Praktyczne prognozy wymagają wartości pośredniej. Prognozowanie w programie Excel. Dodatek prognozujący implementuje średnie ruchome wzory Poniższy przykład przedstawia analizę dostarczoną przez dodatek dla przykładowych danych w kolumnie B Pierwszy 10 obserwacji jest indeksowanych od -9 do 0 W porównaniu z powyższą tabelą, indeksy okresu są przesuwane o -10. Pierwsze dziesięć obserwacji dostarcza wartości początkowe dla oszacowania i służy do obliczania średniej ruchomej dla okresu 0. Kolumna MA 10 C pokazuje średnie ruchome średnie ruchome parametr m znajduje się w komórce C3 kolumna 1 z przodu 1 pokazuje prognozę dla jednego okresu w przyszłości przedział czasowy prognozy znajduje się w komórce D3 Kiedy foreca st przedziału zostaje zmieniona na większą liczbę, liczba w kolumnie Fore zostanie przesunięta w dół. Err 1 kolumna E pokazuje różnicę pomiędzy obserwacją a prognozą Na przykład, obserwacja w czasie 1 to 6 Prognozowana wartość wykonana z średniej ruchomej w czasie 0 wynosi 11 1 Błąd wynosi -5 1 Odchylenie standardowe i średnie odchylenie średnie MAD oblicza się odpowiednio w komórkach E6 i E7. Obliczyć prognozę powyższego zapotrzebowania przy użyciu średniej ruchomej 3- i 5-dniowej. Żądany popyt 1 200 2 134 3 157 4 165 5 177 6 125 7 146 8 150 9 182 10 197 11 136 Opracowanie arkusza kalkulacyjnego, aby odpowiedzieć na następujące pytania 12 163 Obliczyć prognozę powyższego zapotrzebowania przy użyciu średniej ruchomej 3- i 5-tej okresu 157 Wykresuj te prognozy i oryginalne dane za pomocą programu Excel Co oznacza ten wykres 14 169 Który z powyższych prognoz jest najlepszy Dlaczego. Zlicz oblicz prognozę powyższego zapotrzebowania, używając 3- i 5-dniowej średniej ruchomej. Post navigation.3 Understanding Forecast Poziomy i metody. Możesz wygenerować 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 poziomie przedmiotu oraz informacje o wyższym poziomie dotyczące oddziału lub firmy jako całości .3 1 Kryteria oceny wyników prognozy. W zależności od wyboru opcji przetwarzania oraz trendów i wzorców danych dotyczących sprzedaży, niektóre metody prognozowania osiągają lepsze wyniki niż dane dla danego zbioru danych historycznych Metoda prognozowania, która jest odpowiednia dla jednego produktu, może nie być odpowiednie dla innego produktu Możesz zauważyć, 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 aktualnej skuteczności metod prognozowania. POA. Mean absolutne odchylenie MAD. Both tych metod oceny wyników wymagają historycznych danych sprzedażowych na określony przez Ciebie okres Okres ten nazywa się okresem utrzymywania lub okresem najbardziej odpowiednim Dane w tym okresie są wykorzystywane jako podstawa do zalecania, która metoda prognozowania ma być wykorzystana przy przygotowaniu kolejnej prognozy prognozy Ta zalecenie jest specyficzne dla każdy produkt i może zmieniać się z jednego generowania prognozy do następnego.3 1 1 Najlepszy system Fit. System zaleca najlepszą prognozę dopasowania, stosując wybrane metody prognozowania do przeszłej historii zamówienia sprzedaży i porównując symulację prognozy z rzeczywistą historią Kiedy wygenerujesz 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. Ta grafika ilustruje najlepsze prognozy dopasowania. 1 Najlepsze dopasowanie forecast. The system używa tej sekwencji kroków w celu ustalenia najlepszego dopasowania. Użyj każdej określonej metody do symulatu ea prognozy dla okresu utrzymywania rezerwy umożliwiają rzeczywistą sprzedaż do symulowanych prognoz na okres utrzymywania rezerwy. Obliczyć POA lub MAD, aby określić, która metoda prognozowania najbardziej odpowiada rzeczywistej sprzedaży w przeszłości. System korzysta z POA lub MAD, w oparciu o opcje przetwarzania, które wybiera się. Zalecamy najlepszą dopasowaną prognozę w oparciu o POA, która jest najbliżej 100 procent w stosunku do lub poniżej lub MAD najbliższy zeru.3 2 Metody prognozowania. Edwards EnterpriseOne Forecast Management wykorzystuje 12 metod prognozowania ilościowego i wskazuje, która metoda zapewnia najlepiej dopasować się do sytuacji prognozowej. Ta sekcja omawia się. 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 przemieszczeniowa. Metoda 5 Oszacowanie liniowe. Metoda 6 Najmniej regresji regresji Metoda 7 Podejście drugiego stopnia Metoda 8 Metoda elastyczna Metoda 9 Średnia ważona średnia ruchoma Metoda 10 wygładzanie liniowe Metoda 11 wygładzanie wykładnicze Metoda 12 wykładniczka ial Wygładzanie z trendem i sezonowością. Określ metodę, która ma być używana w opcjach przetwarzania programu prognozowania R34650 Większość z tych metod zapewnia ograniczoną kontrolę Na przykład ciężar umieszczony na ostatnich danych historycznych lub w zakresie dat danych historycznych jest używany w kalkulacjach można określić przez Ciebie. 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 , czyli dane historyczne z ostatnich dwóch lat Prognoza prognozy przechodzi w przyszły rok. 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 procenta w stosunku do ostatniego roku. Ta metoda używa wzoru Procent nad ubiegłym rokiem pomnożenia każdego okresu prognozy o określony procentowy wzrost lub dec W celu prognozowania zapotrzebowania metoda ta wymaga liczby okresów najlepiej dopasowanych oraz jednego roku sprzedaży Historia Ta metoda jest przydatna do prognozowania popytu na artykuły sezonowe ze wzrostem lub spadkiem.3 2 1 1 Przykład Metoda 1 Procent powyżej ostatniego roku. Procent w stosunku do ostatniego roku wzbogaca dane o sprzedaży z ubiegłego roku o wyznaczony przez Ciebie czynnik, a następnie projektuje jego wynik w ciągu następnego roku Ta metoda może być użyteczna w budżetowaniu, aby symulować wpływ określonej dynamiki lub kiedy historia sprzedaży ma znaczący składnik sezonowy. Każdy współczynnik mnożnika Na przykład określić wartość 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 prognozowane okresy najlepszego dopasowania, które określasz. Ta tabela zawiera historię wykorzystywaną do obliczania prognozy. Prognoza na luty wynosi 117 1 1 128 7 rund ed do 129.Marchowa prognoza 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 Obliczona procenta w stosunku do ostatniego roku, aby porównać wcześniejszą sprzedaż określonych okresów z sprzedażą z tych samych okresów poprzedni rok System ustala procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. W przypadku zapotrzebowania na prognozę ta metoda wymaga liczby okresów historii zamówienia sprzedaży plus jednego roku sprzedaży Historia Ta metoda jest użyteczna prognozowanie krótkoterminowego zapotrzebowania na produkty sezonowe ze wzrostem lub spadkiem.3 2 2 1 Przykład Metoda 2 Obliczony procent w stosunku do ubiegłego roku. Obliczone Procenty w stosunku do ostatniego roku wzbogacają dane o sprzedaży za poprzedni rok według współczynnika obliczanego przez system, a następnie projekty, które doprowadzą do następnego roku Ta metoda może być użyteczna w przewidywaniu wpływu rozszerzenia ostatniego tempa wzrostu produktu na następny rok, przy jednoczesnym zachowaniu ga wzorzec sezonowy, który jest obecny w historii sprzedaży. Specyfikacja techniczna Wydajność magazynowa Zakres historii sprzedaży używany przy obliczaniu tempa wzrostu Na przykład, określenie n równe 4 w opcji przetwarzania, aby porównać historię sprzedaży z ostatnich czterech okresów na te same cztery okresy z poprzedniego roku Użyj obliczonego współczynnika, aby przedstawić prognozę na następny rok. Wymagana historia sprzedaży Jeden rok na obliczanie prognozy plus ilość okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela jest używana w historii w prognozie obliczonej, podanej n 4. Prognoza lutowa wynosi 117 0 9766 114 26 zaokrąglona do 114. Prognoza miesięczna 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 przyszłorocznych prognoz. W celu prognozowania zapotrzebowania ta metoda wymaga lepszego dopasowania okresów oraz jednego roku historii sprzedaży. Ta metoda służy do prognozowania zapotrzebowania na produkty dojrzałe z le popyt lub popyt sezonowy bez tendencji.3 2 3 1 Przykład Metoda 3 Ostatni rok do bieżącego roku. Na rok temu formuła 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 na dłuższą metę, ale może istnieć znaczny sezonowy popyt. Specyfikacja techniczna Brak. Zarządowa historia sprzedaży Jeden rok na obliczanie prognozy wraz z liczbą okresów potrzebnych do oceny prognozowane okresy najlepszego dopasowania. Ta tabela zawiera historię wykorzystaną w kalkulacji prognozy. Prognoza styczności to styczeń z ubiegłego roku o prognozowanej wartości 128. Prognoza lutowna równa się lutym zeszłego roku z prognozą wartości 117.March prognoza to marzec z ubiegłego roku o prognozowanej wartości 115,3 2 4 Metoda 4 Średnia ruchoma Metoda ta wykorzystuje średnioroczną średnią rutynową średnią dla określonej liczby okresów, aby przewidzieć następny okres Yo u powinien ponownie obliczyć to miesięcznie lub co najmniej raz w miesiącu w celu odzwierciedlenia zmieniającego się poziomu zapotrzebowania. Aby zapobiec prognozowaniu, ta metoda wymaga lepszego dopasowania okresów oraz liczby okresów sprzedaży historii zamówień Ta metoda służy do prognozowania zapotrzebowania na produkty dojrzałe bez trend.3 2 4 1 Przykład Metoda 4 Przechodzenie Average. Moving Average MA jest popularną metodą uśredniania wyników ostatnich historii sprzedaży w celu określenia projekcji krótkoterminowej Metoda prognozowania MA spóźnia się za trendami Prognoza stronniczości i błędów systematycznych 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, które są w fazie wzrostu lub starzenia się cyklu życia. Specyfikacja techniczna Forester n jest równa liczbie okresów sprzedaży w kalkulacji prognozy Na przykład określić n 4 w opcji przetwarzania, aby wykorzystać cztery ostatnie okresy jako podstawę projekcji w następnym okresie Duża wartość dla n takich jak 12 wymaga większej historii sprzedaży Prowadzi to do stabilnej prognozy, ale jest powolna rozpoznawać zmiany poziomu sprzedaży Odwrotnie, mała wartość dla n takich jak 3 szybciej reaguje przesunięcie 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 jest używana w historii w obliczeniu prognozy. Następna prognoza wynosi 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 Oszustwo liniowe. Ta metoda wykorzystuje wzór liniowy przybliżenia do obliczania trendu od liczby okresów historii zamówień sprzedaży i prognozowania tej tendencji do prognozy Powinieneś ponownie obliczyć tę tendencję w celu wykrycia zmian trendów. Metoda ta wymaga liczby okresów najlepiej dopasowanych plus liczba określo - nych okresów historii zleceń sprzedaży Ta metoda jest przydatna do prognozowania zapotrzebowania na nowe produkty lub produkty o spójnych trendach dodatnich lub ujemnych, które nie są związane z wahaniami sezonowymi.3 2 5 1 Przykład Metoda 5 Oszacowanie liniowe. Kosztowanie przybliżenia liniowego trend, który opiera się na dwóch punktach danych dotyczących historii sprzedaży Te dwa punkty definiują prostą linię trendu przewidzianą w przyszłości Użyj tej metody z ostrożnością, ponieważ długie prognozy są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. punkt danych w historii sprzedaży porównany z najnowszym punktem danych w celu zidentyfikowania trendu Na przykład podać n 4, aby zastosować różnicę pomiędzy grudniem ubiegłego roku a sierpniowymi okresami przed grudniem jako podstawę obliczania trendu. Minimalna wymagana sprzedaż historia n plus 1 plus liczba okresów, które są wymagane do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela jest historia używana do obliczania prognozy. Prognoza styczności z grudnia ubiegłego roku 1 Trend, który wynosi 137 1 2 139. Prognoza lutowna Grudzień poprzedniego roku 1 Trend, który wynosi 137 2 2 141.March prognoza grudzień ubiegłego roku 1 Trend, który wynosi 137 3 2 143,3 2 6 Metoda 6 Regresja najmniejszych kwadratów Metoda LSR o najmniejszych kwadratach uzyskuje równanie opisujące zależność linii prostej między historycznymi danymi dotyczącymi sprzedaży a upływem czasu LSR dopasowuje linię do wybranego zakresu danych, tak aby suma kwadratów różnic między rzeczywistymi punktami sprzedaży danych a linią regresji są zminimalizowane Prognoza jest projekcją tej prostej w przyszłości. Ta metoda wymaga historii danych sprzedaży w okresie, który jest reprezentowany przez liczbę okresów najlepiej dopasowanych plus określony liczba okresów historycznych Minimalny wymóg to dwa historyczne punkty danych Ta metoda jest użyteczna do prognozowania zapotrzebowania, gdy w danych występuje tendencja liniowa.3 2 6 1 Przykład Metoda 6 Regresy najmniejszej kwadraty. Jest najmniejsza regresja lub najmniej regresja regresja LSR jest najbardziej popularną metodą identyfikacji liniowego trendu w danych historycznych sprzedaży Metoda oblicza wartości a i b, które mają być stosowane w formule. To równanie opisuje prostą line, gdzie Y oznacza sprzedaż, a X oznacza czas. Regresja liniowa jest powolnym rozpoznawaniem punktów zwrotnych i przesunięciami funkcji krokowej. Regresja liniowa dopasowuje linię prostą do danych, nawet jeśli dane są sezonowe lub lepiej opisywane przez krzywą. ma krzywą lub ma silny sezonowy wzór, przewidywana tendencja i błędy systematyczne. Specyfikacja Forecast n równa się okresom historii sprzedaży, które będą używane przy obliczaniu wartości dla a i b Na przykład określ n 4, aby użyć historii od września do grudnia jako podstawa do obliczeń Gdy dane są dostępne, to większy n, taki jak n 24, zwykle używany LSR definiuje linię dla zaledwie dwóch punktów danych F lub w tym przykładzie wybrano małą wartość dla nn4, aby zmniejszyć obliczenia ręczne wymagane do zweryfikowania wyników. Minimalna historia sprzedaży n okresów plus liczba okresów potrzebnych do oceny prognozowanych okresów najlepiej dopasowanych. Ta tabela jest używana do obliczania prognozy. Średnia prognoza wynosi 119 5 7 2 3 135 6 zaokrąglona do 136,3 2 7 Metoda 7 Drugie przybliżenie stopnia. W celu prognozowania prognozy ta metoda wykorzystuje wzorcowanie przybliżenia drugiego stopnia, aby wykreślić krzywą w oparciu o liczbę okresów sprzedaży. Ta metoda wymaga lepszego dopasowania liczby okresów oraz 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. Rejestracja liniowa określa wartości dla a i b w projekcie prognozy Y ab X w celu dopasowania prostej do danych z historii sprzedaży Drugi stopień przybliżenia i s, ale ta metoda określa wartości dla a, b i c w tej prognozowanej formule. Celem tej metody jest dopasowanie krzywej do danych historii sprzedaży Ta metoda jest użyteczna, gdy produkt znajduje się w okresie przejściowym pomiędzy cyklem życia etapy Na przykład, gdy nowy produkt przemieszcza się z etapu wprowadzania do etapu wzrostu, tendencja sprzedaży może przyspieszyć Ze względu na drugi termin zamówienia, prognoza może szybko podejść do nieskończoności lub spada do zera, w zależności od tego, czy współczynnik c jest dodatni czy ujemny Metoda ta jest użyteczna tylko w krótkim okresie czasu. Specyfikacja Forecasta znajdź a, b i c, aby dopasować krzywą do dokładnie trzech punktów. Określ n, liczba okresów danych zgromadzonych w każdym z trzech punktów. W tym przykładzie n 3 Rzeczywiste dane o sprzedaży od kwietnia do czerwca są łączone w pierwszym punkcie, od pierwszego kwartału do września, w celu utworzenia Q2 i od października do grudnia do trzeciego kwartału. Krzywa jest dopasowana do trzech wartości Q1, Q2 i Q3. Wymagana sprzedaż historia 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 kwi maj cze cześć równa 125 122 137 384.Q2 lip Sie Wrz., Czyli 140 129 131 400.Q3 paź listopada grudnia, czyli 114 119 137 370. Następny krok polega na obliczeniu trzech współczynników a, b i c do wykorzystania w projekcie predykcyjnym Y ab X c X 2.Q1, Q2 i Q3 są prezentowane na grafice, w której czas jest wykreślony na osi poziomej Q1 oznacza całkowitą sprzedaż historyczną na kwiecień, maj i czerwiec i jest naniesiony na X 1 Q2 od lipca do września Q3 odpowiada Od października do grudnia i czwartego kwartału od stycznia do marca ta grafika ilustruje wykreślenie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia. Rysunek 3-2 Plotowanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia. 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 ubiegłym 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 użyteczna do prognozowania zapotrzebowania na zaplanowaną 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, że wynik w przyszłości 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%. Czas bazowy Na przykład n 4 powoduje, że pierwsza prognoza opiera się na danych o 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 średniej ruchomej 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 w celu uzyskania prognozy dla krótkoterminowych danych. Bardziej aktualne dane są zazwyczaj 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 Odwrotnie, 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 wahania. 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 użyć ostatnich czterech okresów jako podstawy 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 wykładniczo Równanie dla prognoz Wyrównywania Wygładzającego jest. 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 i 0 4 Sumą wagi jest 1 00 1 1.Należy podać wartość dla stałej wygładzania, alfa Jeśli nie 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