Prognose By Moving Average Methode

Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für deine nächste Testpartitur. Was denkst du, deine Eltern könnten für deinen nächsten Testbericht voraussagen. Unabhängig von all dem Blabbing, den du deinen Freunden und Eltern machen kannst, sind sie und dein Lehrer sehr wahrscheinlich, dass du etwas in der Gegend bekommst Von der 85 Sie gerade bekommen. Well, jetzt lassen Sie s davon ausgehen, dass trotz Ihrer Selbst-Förderung zu Ihren Freunden, Sie über-schätzen Sie sich selbst und Figur können Sie weniger für den zweiten Test zu studieren und so erhalten Sie eine 73.Now was sind Alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung zu entwickeln, unabhängig davon, ob sie es mit Ihnen teilen. Sie können sich selbst sagen, Dieser Kerl ist immer bläst Rauch Über seine smarts Er wird eine weitere 73 bekommen, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so weit haben Sie eine 85 und eine 73 bekommen, so vielleicht sollten Sie sich auf eine 85 73 2 79 Ich weiß es nicht, vielleicht, wenn du weniger feiern musstest und den Wiesel an der ganzen Stelle wedeln würdest und wenn du anfingst, viel mehr zu studieren, kannst du eine höhere Punktzahl bekommen. Von diesen Schätzungen werden tatsächlich durchschnittliche Prognosen getragen. Die erste ist nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose aber mit zwei Perioden von data. Let s davon ausgehen, dass alle diese Menschen Zerschlagung Auf deinem großen Verstand hast du dich verärgert und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen. Du nimmst den Test und dein Ergebnis ist eigentlich ein Allein, auch dich selbst , Ist beeindruckt. So jetzt haben Sie die endgültige Prüfung des Semesters kommen und wie üblich fühlen Sie sich die Notwendigkeit, goad jeder in die Herstellung ihrer Vorhersagen darüber, wie Sie tun, auf den letzten Test Nun, hoffentlich sehen Sie das Muster. Jetzt, hoffentlich Du siehst das Muster, das du glaubst, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von deiner entfremdeten Halbschwester namens Whistle angerufen wurde. Wir arbeiten, wir haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt dargestellt werden Kalkulationstabelle Wir stellen zunächst die Daten für eine dreiseitige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Nichts, wie sich der Durchschnitt über die aktuellsten historischen Daten bewegt Verwendet genau die drei letzten Perioden, die für jede Vorhersage zur Verfügung stehen Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um die Vorhersagegültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt können Sie diese Zelle Formel auf zu kopieren Die anderen Zellen C6 bis C11.Notice, wie jetzt nur die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden Wieder habe ich die Vergangenheit Vorhersagen für illustrative Zwecke und für spätere Verwendung in der Prognosevalidierung enthalten. Einige andere Dinge, die von Bedeutung sind Hinweis: Für eine m-Periode gleitende durchschnittliche Prognose nur die m aktuellsten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode M 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir den Code für die gleitende Durchschnittprognose entwickeln, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten und das Array von historischen Werten Sie können es in beliebiger Arbeitsmappe speichern, die Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item Als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden. Die einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und verwenden, um zu schätzen April s Umsatz. 129 134 122 3 128 333.Hier, auf der Grundlage der Verkäufe von Januar bis März, prognostizieren Sie, dass der Umsatz im April 128,333 Nach April s tatsächlichen Umsatz kommen, würden Sie dann berechnen die Prognose für Mai, diesmal mit Februar bis April Sie müssen mit der Anzahl der Perioden übereinstimmen, die Sie für die gleitende durchschnittliche Prognose verwenden. Die Anzahl der Perioden, die Sie in Ihren gleitenden Durchschnittsprognosen verwenden, sind willkürlich, Sie können nur zwei Perioden oder fünf oder sechs Perioden verwenden, was auch immer Sie Ihre Prognosen generieren möchten. Der Ansatz oben ist ein einfacher gleitender Durchschnitt Manchmal, in den letzten Monaten Verkäufe können stärkere Beeinflusser des kommenden Monats s Verkäufe sein, also möchten Sie diesen näheren Monaten mehr Gewicht in Ihrem Vorhersagemodell geben Dieses ist ein gewichteter gleitender Durchschnitt Und gerade wie die Zahl Von Perioden, die Gewichte, die Sie zuordnen sind rein willkürlich Lassen Sie uns sagen, Sie wollten März s Umsatz 50 Gewicht, Februar s 30 Gewicht und Januar s 20 Dann Ihre Prognose für April wird 127.000 122 50 134 30 129 20 127.Limitationen von Moving Average Methods Moving Mittelwerte gelten als eine Glättung Prognose Technik Weil Sie einen Durchschnitt im Laufe der Zeit nehmen, sind Sie erweichen oder Glättung der Auswirkungen von unregelmäßigen Vorkommnissen innerhalb der Daten Als Folge der Auswirkungen von Saisonalität, Konjunkturzyklen und andere zufällige Ereignisse Kann den Prognosefaktor drastisch erhöhen. Werfen Sie einen Blick auf ein ganzes Jahr im Wert von Daten und vergleichen Sie einen 3-Periode gleitenden Durchschnitt und einen 5-Periode gleitenden Durchschnitt. Notice, dass in diesem Fall, dass ich keine Prognosen, sondern eher zentriert die Bewegung Durchschnitte Der erste dreimonatige gleitende Durchschnitt ist für Februar, und es ist der Durchschnitt von Januar, Februar und März Ich habe auch ähnlich für die 5-Monats-Durchschnitt Nun werfen Sie einen Blick auf die folgende Chart. Was sehen Sie ist nicht die Dreimonatige gleitende durchschnittliche Serie viel glatter als die tatsächliche Umsatz-Serie Und wie wäre es mit dem Fünf-Monats-Gleitende Durchschnitt Es ist noch glatter Je mehr Perioden Sie in Ihrem gleitenden Durchschnitt verwenden, desto glatter Ihre Zeitreihe Daher für die Prognose, eine einfache Gleitender Durchschnitt kann nicht die genaueste Methode sein Bewegliche durchschnittliche Methoden erweisen sich als sehr wertvoll, wenn Sie versuchen, die saisonalen, unregelmäßigen und zyklischen Komponenten einer Zeitreihe für fortgeschrittenere Prognosemethoden, wie Regression und ARIMA, und die Verwendung von Umzug zu extrahieren Mittelwerte bei der Zerlegung einer Zeitreihe werden später in der Serie angesprochen. Bestimmung der Genauigkeit eines Moving Average Model. Generally, wollen Sie eine Prognosemethode, die den geringsten Fehler zwischen tatsächlichen und vorhergesagten Ergebnissen hat Eine der häufigsten Maßnahmen der Prognose Genauigkeit ist Die mittlere Absolute Abweichung MAD In diesem Ansatz, für jede Periode in der Zeitreihe, für die Sie eine Prognose erstellt haben, nehmen Sie den absoluten Wert der Differenz zwischen dieser Periode s tatsächlichen und prognostizierten Werte die Abweichung Dann beurteilen Sie diese absoluten Abweichungen und Sie erhalten Ein Maß für MAD MAD kann bei der Entscheidung über die Anzahl der Perioden, die Sie durchschnittlich, und oder die Menge an Gewicht, die Sie auf jeder Periode im Allgemeinen, wählen Sie diejenige, die Ergebnisse in der niedrigsten MAD Hier ist ein Beispiel, wie MAD berechnet wird. MAD ist einfach der Durchschnitt von 8, 1 und 3.Moving Averages Recap Bei Verwendung von gleitenden Durchschnitten für die Prognose, erinnern. Moving Mittelwerte können einfach oder gewichtet werden. Die Anzahl der Perioden, die Sie für Ihren Durchschnitt verwenden, und alle Gewichte, die Sie zuweisen Jeder ist streng willkürlich. Moving Mittelwerte glätten unregelmäßige Muster in Zeitreihen Daten umso größer die Anzahl der Perioden für jeden Datenpunkt verwendet, desto größer die Glättung Wirkung. Wegen der Glättung, Prognose nächsten Monat s Umsatz auf der letzten paar Monate s Verkäufe können zu großen Abweichungen aufgrund von Saisonalität, zyklischen und unregelmäßigen Mustern in den Daten führen. Die Glättung Fähigkeiten einer gleitenden durchschnittlichen Methode kann bei der Zerlegung einer Zeitreihe für fortgeschrittenere Prognosemethoden nützlich sein. Nächste Woche Exponentielle Glättung In der nächsten Woche s Prognose Freitag werden wir diskutieren exponentielle Glättung Methoden, und Sie werden sehen, dass sie weit überlegen, gleitende durchschnittliche Prognose Methoden. Still don t wissen, warum unsere Prognose Freitag Beiträge erscheinen am Donnerstag Finden Sie heraus, bei. Post Navigation. Leave eine Antwort Abbrechen Antwort. Ich hatte 2 Fragen.1 Können Sie die zentrierte MA-Ansatz zur Prognose oder nur für die Beseitigung der Saisonalität verwenden.2 Wenn Sie die einfache t t-1 t-2 tk k MA verwenden, um eine Periode voraus vorauszusagen, ist es möglich, mehr als zu prognostizieren 1 Periode voraus Ich denke, dann wäre Ihre Prognose einer der Punkte, die in die nächste. Thanks Liebe die Info und Ihre Erklärungen. Ich bin froh, dass Sie wie das Blog Ich bin sicher, dass mehrere Analysten haben die zentrierte MA-Ansatz für die Prognose verwendet, aber ich Persönlich würde nicht, da dieser Ansatz führt zu einem Verlust von Beobachtungen an beiden Enden Dies tatsächlich dann Bindungen in Ihre zweite Frage Im Allgemeinen wird einfach MA verwendet, um nur eine Periode voraus vorauszusagen, aber viele Analysten und ich auch manchmal wird meine Ein-Periode verwenden Vorhersage als einer der Inputs in die zweite Periode voraus Es ist wichtig, sich daran zu erinnern, dass die weiter in die Zukunft Sie versuchen zu prognostizieren, desto größer ist Ihr Risiko der Prognose Fehler Dies ist der Grund, warum ich nicht empfehlen, zentriert MA für die Vorhersage der Verlust von Beobachtungen am Ende bedeutet, dass man sich auf Prognosen für die verlorenen Beobachtungen, sowie die Periode s voraus, so gibt es größere Chance der Prognose Fehler. Reader Sie wieder eingeladen, um auf diese haben Sie haben keine Gedanken oder Anregungen auf diese. Brian, danke für Ihren Kommentar und Ihre Komplimente auf der blog. Nice Initiative und schöne Erklärung Es ist wirklich hilfreich. I prognostiziert benutzerdefinierte Leiterplatten für einen Kunden, der keine Prognosen gibt ich den gleitenden Durchschnitt, aber es ist nicht Sehr genau wie die Branche auf und ab gehen Wir sehen in der Mitte des Sommers bis zum Ende des Jahres, dass die Schifffahrt pcb s ist dann sehen wir zu Beginn des Jahres verlangsamt sich nach unten Wie kann ich genauer mit meinen data. Katrina , Von dem, was du mir gesagt hast, es scheint deine gedruckte Leiterplatte Verkäufe haben eine saisonale Komponente Ich nehme Saisonalität in einigen der anderen Forecast Freitag Beiträge Ein weiterer Ansatz, den Sie verwenden können, was ziemlich einfach ist, ist der Holt-Winters-Algorithmus, der dauert Zu berücksichtigen Saisonalität Sie können eine gute Erklärung hier finden Hier ist sicher zu bestimmen, ob Ihre saisonalen Muster sind multiplikativ oder additiv, weil der Algorithmus ist etwas anders für jeden Wenn Sie Ihre monatlichen Daten aus ein paar Jahren und sehen, dass die saisonalen Variationen bei Die gleichen Zeiten der Jahre scheinen konstant zu sein im Jahr, dann ist die Saisonalität additiv, wenn die saisonalen Variationen im Laufe der Zeit zu erhöhen scheinen, dann ist die Saisonalität multiplikativ Die meisten saisonalen Zeitreihen werden multiplikativ sein Wenn im Zweifel, multiplikativ viel Glück annehmen. Hi there, Zwischen diesen Methoden Nave Forecasting Aktualisieren der mittleren Verschiebung Durchschnitt der Länge k Entweder Weighted Moving Durchschnitt der Länge k ODER Exponentielle Glättung Welches einer dieser Aktualisierungsmodelle empfehlen Sie mir, die Daten zu prognostizieren. Meiner Meinung nach denke ich an Moving Durchschnittlich Aber ich weiß nicht, wie man es klar und strukturiert macht. Es hängt wirklich von der Quantität und Qualität der Daten ab, die Sie haben und Ihren Prognosehorizont langfristig, mittelfristig oder kurzfristig.3 Verstehen von Prognoseebenen und Methoden. Sie können sowohl Detail-Einzelprognosen als auch zusammenfassende Produktlinienprognosen generieren, die die Produktnachfragemuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über einen Zweig oder die Unternehmen als Ganzes.3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine für eine geeignete Vorhersagemethode Produkt möglicherweise nicht geeignet für ein anderes Produkt Sie können feststellen, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden auswählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Percent der Genauigkeit POA. Mean absolute Abweichung MAD. Bei dieser Performance-Evaluierung Methoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Diese Periode wird als Halteperiode oder Zeitraum der besten Anpassung Die Daten in diesem Zeitraum wird als Grundlage für verwendet Empfiehlt, welche Prognosemethode bei der Erstellung der nächsten Prognoseprojektion zu verwenden ist Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten ändern. 1 1 Best Fit. Das System empfiehlt die bestmögliche Vorhersage, indem Sie die ausgewählten Prognosemethoden anwenden Vergangene Verkaufsauftragsgeschichte und Vergleich der Prognosesimulation mit dem aktuellen Verlauf Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede einzelne Prognosemethode den Verkauf vorausgesagt hat. Dann empfiehlt das System die Genaueste Prognose als die beste Passform Diese Grafik veranschaulicht beste Passform Prognosen. Figure 3-1 Best Fit Prognose. Das System nutzt diese Sequenz von Schritten, um die beste fit. Use jede angegebene Methode zu simulieren eine Prognose für die Holdout-Periodpare tatsächlichen Umsatz zu Die simulierten Prognosen für die Holdout-Periode. Kalkulieren Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen tatsächlichen Umsatz übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Erstellen Sie eine Best-Fit-Prognose von Die POA, die am nächsten zu 100 Prozent über oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und zeigt, welche Methode bietet die beste Passform für die Prognose Situation. Dieser Abschnitt diskutiert. Method 1 Prozent über letztes Jahr. Method 2 berechnete Prozent über letztes Jahr. Method 3 Letztes Jahr zu diesem Jahr. Method 4 Moving Average. Method 5 Lineare Approximation. Method 6 Least Squares Regression. Method 7 Second Grad Approximation. Method 8 Flexible Methode. Method 9 Weighted Moving Average. Method 10 Lineare Glättung. Method 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Spezifizieren Sie die Methode, die Sie in den Verarbeitungsoptionen für die Prognoseerzeugung Programm verwenden möchten R34650 Die meisten dieser Methoden Eine begrenzte Kontrolle zur Verfügung stellen. Beispielsweise kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsmethode für jede der verfügbaren Prognosemethoden an Ein identischer Satz von historischen Daten. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle diese Datensätze, die historische Daten aus den vergangenen zwei Jahren sind. Die Prognoseprojektion geht in nächstes Jahr. Diese Erfolgsgeschichte ist mit kleinen saisonalen Zunahmen stabil Juli und Dezember Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte.3 2 1 Methode 1 Prozent über letztes Jahr. Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern Prognose Nachfrage, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang prognostizieren.3 2 1 1 Beispiel Methode 1 Prozent über letztes Jahr. The Prozent über Last-Jahr-Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente hat. Prognose-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Umsatzdaten des Vorjahres um 10 Prozent zu erhöhen. Benötigte Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind Perioden von bester Passform, die Sie angeben. Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird. Februarprognose entspricht 117 1 1 128 7 gerundet auf 129.Märzvorhersage entspricht 115 1 1 126 5 gerundet auf 127,3 2 2 Methode 2 Berechnetes Prozent über letztes Jahr Diese Methode verwendet die Berechnungsperiode über dem letzten Jahr, um die vergangenen Verkäufe bestimmter Perioden mit Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt einen prozentualen Anstieg oder Abbau und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die kurzfristige Nachfrage nach saisonalen Posten mit Wachstum oder Abnahme zu prognostizieren. 2 2 1 Beispiel Methode 2 Berechneter Prozentsatz über Letzt Jahr. Die berechnete Percent Over Last Year Formel multipliziert Umsatzdaten aus dem Vorjahr mit einem Faktor, der durch das System berechnet wird, und dann Projekte, die Ergebnisse für das nächste Jahr Diese Methode könnte bei der Projektion der Auswirkungen der Erweiterung der jüngsten Wachstum nützlich sein Rate für ein Produkt in das nächste Jahr unter Beibehaltung eines saisonalen Muster, das in der Verkaufsgeschichte vorhanden ist. Forecast Spezifikationen Bereich der Verkaufsgeschichte, um bei der Berechnung der Wachstumsrate verwenden Beispielsweise geben Sie n gleich 4 in der Verarbeitungsoption, um die Verkaufsgeschichte zu vergleichen Die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Benötigte Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind Perioden der besten fit. This Tabelle ist Geschichte in der Prognose Berechnung verwendet, gegeben n 4.Februar Prognose entspricht 117 0 9766 114 26 gerundet auf 114.März Prognose entspricht 115 0 9766 112 31 gerundet auf 112,3 2 3 Methode 3 Letztes Jahr zu diesem Jahr. Diese Methode nutzt im vergangenen Jahr s Umsatz für die nächste Jahr s Prognose. Zur Prognose Nachfrage erfordert diese Methode die Anzahl der Perioden am besten passt plus ein Jahr des Verkaufsauftrags Geschichte Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit Level-Nachfrage oder zu prognostizieren Saisonale Nachfrage ohne Trend.3 2 3 1 Beispiel Methode 3 Letztes Jahr in diesem Jahr. Das letzte Jahr in diesem Jahr formuliert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Diese Methode könnte bei der Budgetierung nützlich sein, um den Verkauf zu simulieren Level Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte vorhanden sein. Forecast-Spezifikationen Keine. Required Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Leistung erforderlich sind Perioden der besten fit. This Tabelle ist Geschichte in der Prognose Berechnung verwendet. Januar Prognose entspricht Januar des vergangenen Jahres mit einem Prognosewert von 128.Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117.März Prognose entspricht März des vergangenen Jahres Mit einem Prognosewert von 115,3 2 4 Methode 4 Moving Average. This Methode verwendet die Moving Average Formel, um die angegebene Anzahl von Perioden zu projizieren, um die nächste Periode zu projizieren Sie sollten es nur monatlich oder mindestens vierteljährlich neu berechnen, um den sich ändernden Bedarfsniveau zu reflektieren Prognose Nachfrage, diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten ohne Trend zu prognostizieren.3 2 4 1 Beispiel Methode 4 Moving Average. Moving Average MA ist ein Populäre Methode für die Mittelung der Ergebnisse der jüngsten Verkaufsgeschichte, um eine Projektion für die kurzfristige zu bestimmen Die MA-Prognose-Methode hinter den Trends Vorhersage Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend oder saisonale Muster Diese Methode funktioniert besser für kurze Reichweite Prognosen Von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Forecast-Spezifikationen n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die meisten zu verwenden Jüngsten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Es führt zu einer stabilen Prognose, aber ist langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Umgekehrt, ein kleiner Wert für N wie z. B. 3 ist schneller auf Verschiebungen in der Ebene der Verkäufe zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Bevorzugsgeschichte n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance erforderlich sind Von best fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Februar Prognose entspricht 114 119 137 125 4 123 75 gerundet auf 124.März Prognose entspricht 119 137 125 124 4 126 25 gerundet auf 126,3 2 5 Methode 5 Lineare Approximation. Dieses Verfahren Verwendet die lineare Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Passform plus der Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konsequenten positiven oder negativen Trends zu prognostizieren, die nicht auf saisonale Schwankungen zurückzuführen sind.3 2 5 1 Beispiel Methode 5 Lineare Approximation. Linear Approximation berechnet einen Trend Das basiert auf zwei Erfolgsgeschichte Datenpunkte Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden In der Verkaufsgeschichte, die mit dem jüngsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um den Unterschied zwischen Dezember-letzten Daten und August vier Perioden vor Dezember als Grundlage für die Berechnung des Trends zu verwenden. Minimum erforderliche Verkaufsgeschichte n Plus 1 plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose Dezember des vergangenen Jahres 1 Trend, die 137 1 2 139.Februar Prognose Dezember von Im vergangenen Jahr 1 Trend, der 137 2 2 141 entspricht. Märzvorhersage Dezember des vergangenen Jahres 1 Trend entspricht 137 3 2 143,3 2 6 Methode 6 Least Squares Regression Die Least Squares Regression LSR-Methode leitet eine Gleichung, die eine gerade Linie Beziehung zwischen den historischen Verkaufsdaten und der Ablauf der Zeit LSR passt eine Zeile auf den ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Future. This-Methode erfordert Umsatzdaten-Historie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, plus die angegebene Anzahl von historischen Datenperioden Die Mindestanforderung ist zwei historische Datenpunkte Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in ist Die Daten.3 2 6 1 Beispiel Methode 6 Least Squares Regression. Linear Regression oder Least Squares Regression LSR, ist die beliebteste Methode zur Identifizierung eines linearen Trends in historischen Verkaufsdaten Die Methode berechnet die Werte für a und b in verwendet werden Die Formel. Diese Gleichung beschreibt eine Gerade, wobei Y einen Verkauf darstellt und X die Zeit darstellt. Lineare Regression ist langsam, um Wendepunkte zu erkennen und Schritt-Funktions-Verschiebungen in der Nachfrage Lineare Regression passt eine Gerade zu den Daten, auch wenn die Daten saisonal oder besser sind Beschrieben durch eine Kurve Wenn die Verkaufsgeschichte Daten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, prognostizieren Vorhersagevorfälle und systematische Fehler. Forecast-Spezifikationen n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden N 4, um die Geschichte von September bis Dezember als Grundlage für die Berechnungen zu verwenden Wenn Daten verfügbar sind, würde ein größeres n wie n 24 gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte Für dieses Beispiel ein kleiner Wert Für nn 4 wurde gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Minimum erforderliche Verkaufsgeschichte n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung. Märzvorhersage entspricht 119 5 7 2 3 135 6 gerundet auf 136,3 2 7 Methode 7 Zweite Grad Approximation. Um die Prognose zu projizieren, verwendet diese Methode die Formel für den zweiten Grad, um eine Kurve zu zeichnen, die auf der Anzahl der Perioden basiert Verkäufe Geschichte. Diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte mal drei Diese Methode ist nicht sinnvoll, um die Nachfrage nach einem langfristigen Zeitraum zu prognostizieren.3 2 7 1 Beispiel Methode 7 Zweite Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y ab X mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich, aber diese Methode bestimmt Werte für a, b und c in dieser Prognoseformel. Das Ziel dieser Methode ist es, eine Kurve an die Verkaufsgeschichte Daten anzupassen Diese Methode ist nützlich, wenn ein Produkt im Übergang zwischen Lebenszyklusstadien ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit richten oder auf Null fallen, je nachdem, ob der Koeffizient c positiv oder negativ ist. Diese Methode ist nur kurzfristig nützlich. Forecast-Spezifikationen finden die Formel a, b und c zu passen Kurve auf genau drei Punkte Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel werden n 3 Aktuelle Verkaufsdaten für April bis Juni in den ersten Punkt zusammengefasst, Q1 Juli bis September werden hinzugefügt Zusammen, um Q2 zu erstellen, und Oktober bis Dezember Summe zu Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognose erforderlich sind Performance-Perioden der besten fit. This Tabelle ist Geschichte in der Prognose Berechnung verwendet. Q0 Jan Feb Mär. Q1 Apr Mai Jun, die gleich 125 122 137 384.Q2 Jul Aug Sep entspricht 140 129 131 400.Q3 Okt Nov Dez, die 114 entspricht 119 137 370. Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognosemethode Y ab X c X 2.Q1, Q2 und Q3 verwendet werden sollen, auf der Grafik dargestellt, wobei die Zeit auf der Zeit aufgetragen ist Horizontale Achse Q1 repräsentiert den gesamten historischen Umsatz für April, Mai und Juni und ist auf X 1 Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März Diese Grafik veranschaulicht das Plotten von Q1, Q2, Q3, Und Q4 für den zweiten Grad Näherung. Bild 3-2 Plotten Q1, Q2, Q3 und Q4 für die zweite Grad-Näherung. Drei Gleichungen beschreiben die drei Punkte auf dem Diagramm. 1 Q1 a bX cX 2 wobei X 1 Q1 a b c 2 Q2 a bX cX 2 wobei X 2 Q2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 Q3 a 3b 9c. Solve die drei Gleichungen gleichzeitig zu finden b, a und c. Subtract Gleichung 1 1 aus Gleichung 2 2 und lösen für b. Substitut diese Gleichung für b in Gleichung 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally ersetzen Sie diese Gleichungen für a und b in Gleichung 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.Das zweite Grad Approximation-Verfahren Berechnet a, b und c wie folgt. 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.Dieses Ist eine Berechnung des zweiten Grades Näherungsvorhersage. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 Die Prognose entspricht 294 3 98 pro Periode. Wenn X 5, Q5 322 425 575 172 Die Prognose entspricht 172 3 58 33 gerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 828 4 Die Prognose entspricht 4 3 1 33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr.3 2 8 Methode 8 Flexible Method. This-Methode ermöglicht es Ihnen, die bestmögliche Anzahl von Perioden des Verkaufsauftragsverlaufs auszuwählen, die n Monate vor dem voraussichtlichen Startdatum beginnen und einen prozentualen Anstieg oder Verringerung des Multiplikationsfaktors anwenden, um die Prognose zu ändern. Diese Methode ist ähnlich Zu Methode 1, Prozent über letztes Jahr, mit der Ausnahme, dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n auswählen, erfordert diese Methode Perioden am besten und plus die Anzahl der angegebenen Perioden der Verkaufsdaten Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren.3 2 8 1 Beispiel Methode 8 Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einem früheren Zeitraum Durch einen von Ihnen angegebenen Faktor und dann Projekt, das in die Zukunft führt In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben , Abgesehen von der gleichen Periode im letzten Jahr, als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichte-Daten um 10 Prozent zu erhöhen. Basisperiode Beispielsweise bedeutet n 4 die Erste Prognose auf Umsatzdaten im September des vergangenen Jahres basieren. Minimum erforderlich Umsatz Geschichte die Anzahl der Perioden zurück auf die Basis Zeitraum plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit. This Tabelle ist Geschichte In der Prognoseberechnung verwendet.3 2 9 Methode 9 Gewichteter beweglicher Durchschnitt. Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt des Verkaufsgeschäfts des Vormonats liegt, um die Verkaufsgeschichte des nächsten Monats zu projizieren Diese Formel können Sie Gewichte für jede der vorherigen Perioden zuordnen. Diese Methode erfordert die Anzahl der gewichteten Perioden ausgewählt plus die Anzahl der Perioden am besten passen Daten Ähnlich wie Moving Average, diese Methode hinter den Nachfrage Trends, so dass diese Methode ist nicht für Produkte empfohlen Mit starken Trends oder Saisonalität Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit einer Nachfrage zu veranschaulichen, die relativ gering ist.3 2 9 1 Beispiel Methode 9 Gewichteter bewegter Durchschnitt Die gewichtete bewegliche durchschnittliche WMA-Methode ähnelt Methode 4, Moving Average MA Jedoch, Sie können den historischen Daten bei der Verwendung von WMA ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher darauf ankommt Verschiebungen im Umsatzniveau Allerdings treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkäufe Geschichte starke Trends oder saisonale Muster aufweist. Diese Methode arbeitet besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte n, die in der Prognoseberechnung verwendet werden soll. Zum Beispiel geben Sie n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie zB 12 erfordert mehr Verkaufsgeschichte Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen im Verkaufsniveau zu erkennen. Umgekehrt reagiert ein kleiner Wert für n, wie z. B. 3, schneller auf Verschiebungen des Umsatzes, aber die Prognose Könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption 14 - Perioden, die einbezogen werden sollen, sollte 12 Monate nicht überschreiten. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen insgesamt sein 1 00 Zum Beispiel, wenn n 4, Gewichte von 0 50, 0 25, 0 15 und 0 10 mit den letzten Daten, die das größte Gewicht erhalten, zuordnen. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung erforderlich sind Die prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose entspricht 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 gerundet auf 128.Februar Prognose gleich ist 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 abgerundet auf 128.Märzvorhersage entspricht 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 gerundet auf 128,3 2 10 Methode 10 Lineare Glättung. Diese Methode berechnet Ein gewichteter Durchschnitt der vergangenen Verkaufsdaten Bei der Berechnung verwendet diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs von 1 bis 12, die in der Verarbeitungsoption angegeben ist. Das System verwendet eine mathematische Progression, um Daten im Bereich vom ersten geringsten Gewicht zu wiegen Auf das endgültigste Gewicht Dann projiziert das System diese Informationen zu jeder Periode in der Prognose. Diese Methode erfordert den Monat am besten passt plus den Kundenauftragsverlauf für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind. 2 10 1 Beispiel Methode 10 Lineare Glättung. Dieses Verfahren ähnelt Methode 9, WMA Jedoch, anstatt willkürlich Gewichte zu den historischen Daten zuzuordnen, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um kurzfristig eine Projektion zu erreichen Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierte Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte starken Trend oder saisonale Muster zeigt Diese Methode funktioniert besser für kurze Reichweite Prognosen von reifen Produkten als für Produkte in Die Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden soll. Beispielsweise ist n gleich 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion zu verwenden Die nächste Zeitperiode Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n gleich 4 ist, weist das System Gewichte von 0 4, 0 3, 0 2 und 0 1 mit der 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.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 Previous 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 nn 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 one 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 provides 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 MAD 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 forecasts 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 forecast, 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.