In der Praxis wird der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihen liefern, wenn der Mittelwert konstant oder langsam verändert ist. Im Falle eines konstanten Mittels wird der größte Wert von m die besten Schätzungen des zugrunde liegenden Mittels geben. Eine längere Beobachtung Periode wird die Effekte der Variabilität ausgleichen. Der Zweck der Bereitstellung einer kleineren m ist es, die Prognose auf eine Änderung in der zugrunde liegenden Prozess zu reagieren Um zu veranschaulichen, schlagen wir einen Datensatz, der Änderungen in der zugrunde liegenden Mittel der Zeitreihe enthält Figur zeigt die Zeitreihen, die für die Illustration zusammen mit der mittleren Nachfrage verwendet wurden, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als Konstante bei 10 Ab dem Zeitpunkt 21 erhöht er sich in jeder Periode um eine Einheit, bis er zum Zeitpunkt 30 den Wert von 20 erreicht Dann wird es wieder konstant. Die Daten werden durch Hinzufügen zum Mittelwert, ein zufälliges Rauschen aus einer Normalverteilung mit Nullmittelwert und Standardabweichung simuliert. 3 Die Ergebnisse der Simulation werden auf die nächste Ganzzahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für die Beispiel Wenn wir die Tabelle verwenden, müssen wir uns daran erinnern, dass zu einem gegebenen Zeitpunkt nur die vergangenen Daten bekannt sind. Die Schätzungen des Modellparameters sind für drei verschiedene Werte von m zusammen mit dem Mittelwert der Zeitreihen in der Figur dargestellt Unten Die Abbildung zeigt die gleitende durchschnittliche Schätzung des Mittelwertes zu jeder Zeit und nicht die Prognose Die Prognosen würden die gleitenden Mittelkurven nach Perioden nach rechts verschieben. Eine Schlussfolgerung ist sofort aus der Figur ersichtlich. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem Lineare Tendenz, wobei die Verzögerung mit m beginnt Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, wenn der Mittelwert zunimmt. Die Vorspannung des Schätzers ist der Unterschied bei a Spezifische Zeit im Mittelwert des Modells und der Mittelwert, der durch den gleitenden Durchschnitt vorhergesagt wird. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ Für einen abnehmenden Mittelwert ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Vorspannung, die in der Schätzung eingeführt werden, sind Funktionen von M Je größer der Wert von m ist, desto größer ist die Größe der Verzögerung und der Vorspannung. Für eine stetig ansteigende Reihe mit dem Trend sind die Werte der Verzögerung und der Vorspannung des Schätzers des Mittels in den folgenden Gleichungen angegeben. Die Beispielkurven stimmen nicht mit diesen überein Gleichungen, weil das Beispielmodell nicht kontinuierlich zunimmt, sondern es beginnt als Konstante, ändert sich zu einem Trend und wird dann wieder konstant Auch die Beispielkurven werden durch das Rauschen beeinflusst. Die gleitende durchschnittliche Prognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts Die Verzögerung und die Vorspannung steigen proportional Die nachstehenden Gleichungen zeigen die Verzögerung und die Vorspannung einer Prognoseperioden in die Zukunft im Vergleich zu den Modellparametern. Diese Formeln sind für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten nicht sein Überrascht über dieses Ergebnis Der gleitende durchschnittliche Schätzer basiert auf der Annahme eines konstanten Mittels, und das Beispiel hat einen linearen Trend im Mittel während eines Teils der Studienperiode Da Realzeitreihen selten genau die Annahmen eines Modells befolgen, wir Sollte für solche Ergebnisse vorbereitet werden. Wir können auch aus der Figur, dass die Variabilität des Lärms hat die größte Wirkung für kleinere m Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20 Wir haben die widersprüchlichen Wünsche Um m zu reduzieren, um den Effekt der Variabilität aufgrund des Rauschens zu reduzieren und m zu verringern, um die Prognose besser auf die Änderungen des Mittelwerts zu reagieren. Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert Wenn die Zeitreihe wirklich konstant ist Wert der erwartete Wert des Fehlers ist Null und die Varianz des Fehlers besteht aus einem Begriff, der eine Funktion von und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des mit einem Sample geschätzten Mittels Von m Beobachtungen, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Eine große m macht die Prognose nicht mehr auf eine Veränderung der zugrunde liegenden Zeitreihe, um die Prognose auf Veränderungen zu reagieren Wünscht m so klein wie möglich 1, aber das erhöht die Fehlervarianz Die praktische Prognose erfordert einen Zwischenwert. Forecasting mit Excel. Das Prognose-Add-In implementiert die gleitenden durchschnittlichen Formeln Das folgende Beispiel zeigt die Analyse, die durch das Add-In für das Sample bereitgestellt wird Daten in Spalte B Die ersten 10 Beobachtungen sind indiziert -9 bis 0 Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für den Zeitraum zu berechnen 0 Die MA 10 Spalte C zeigt die berechneten Bewegungsdurchschnitte Der gleitende Mittelwert m ist in Zelle C3 Die Spalte Fore 1 zeigt eine Prognose für einen Zeitraum in die Zukunft Das Prognoseintervall befindet sich in Zelle D3 Wenn das Prognoseintervall zu einem größeren geändert wird Nummer die Zahlen in der Spalte Fore werden verschoben. Die Err 1 Spalte E zeigt den Unterschied zwischen der Beobachtung und der Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 6 Der prognostizierte Wert aus dem gleitenden Durchschnitt zum Zeitpunkt 0 ist 11 1 Fehler ist dann -5 1 Die Standardabweichung und mittlere mittlere Abweichung MAD werden in den Zellen E6 bzw. E7 berechnet. Berechnen Sie eine Prognose der oben genannten Nachfrage mit einem 3- und 5-Periode gleitenden Durchschnitt. Day Demand 1 200 2 134 3 157 4 165 5 177 6 125 7 146 8 150 9 182 10 197 11 136 Entwickeln Sie eine Tabellenkalkulation, um die folgenden Fragen zu beantworten 12 163 Berechnen Sie eine Prognose der oben genannten Nachfrage mit einem 3- und 5-Periode gleitenden Durchschnitt 13 157 Diagramm diese Prognosen und das Original Daten mit Excel Was zeigt die Grafik 14 169 Welche der oben genannten Prognosen ist am besten Warum. Calculate eine Prognose der oben genannten Nachfrage mit einem 3- und 5-Periode gleitenden Durchschnitt. Post Navigation.3 Verständnis Prognose Ebenen und Methoden. Sie können generieren Sowohl detaillierte Einzelpostenprognosen als auch zusammenfassende Produktlinienprognosen, die Produktnachfragemuster widerspiegeln Das System analysiert vergangene Verkäufe, um Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Filiale oder das Unternehmen als Ganzes .3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht Passend 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 wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Genauigkeit der Genauigkeit POA. Mean absolute Abweichung MAD. Bei dieser Performance-Evaluation Methoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Dieser Zeitraum wird als Halteperiode oder Periode der besten Passung Die Daten in diesem Zeitraum dient als Grundlage für die Empfehlung, welche Prognosemethode Bei der Erstellung der nächsten Prognoseprojektion zu verwenden 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 es die ausgewählten Prognosemethoden auf den vergangenen Bestellauftragsverlauf anwendet 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 andere Prognosemethode den Verkauf vorausgesagt hat. Dann empfiehlt das System die genaueste Prognose als Die beste Passform Diese Grafik veranschaulicht beste fit Prognosen. Figure 3-1 Best Fit Prognose. Das System nutzt diese Sequenz von Schritten, um die besten fit. Use jede spezifizierte Methode zu simulieren eine Prognose für die Holdout Periodpare tatsächlichen Umsatz zu den simulierten Prognosen für Die Holdout-Periode. Kalkulieren Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem vergangenen tatsächlichen Umsatz übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Erstellen Sie eine Best-Fit-Prognose durch die POA, die ist Am nächsten zu 100 Prozent über oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und zeigt an, welche Methode die beste Passform für die Prognosesituation bietet. 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 Linear Approximation. Method 6 Least Squares Regression. Method 7 Second Degree Approximation. Method 8 Flexible Method. Method 9 Weighted Moving Average. Method 10 Linear Smoothing. Method 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Specify die Methode, die Sie in den Verarbeitungsoptionen für die Prognoseerzeugung Programm R34650 verwenden möchten Die meisten dieser Methoden bieten begrenzte Kontrolle für 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 Berechnungsprozedur für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz von Historische 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 im Juli und Dezember stabil 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 mit dem angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren Methode erfordert 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 Die Prozent über dem letzten Jahr Formel multipliziert Verkaufsdaten aus dem Vorjahr um einen Faktor, den Sie angeben und dann Projekte, die sich im Laufe des nächsten Jahres 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. Forecast-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Verkaufsgeschichte des Vorjahres um 10 Prozent zu erhöhen. Erforderliche Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der voraussichtlichen Leistungsperioden der besten Anpassung erforderlich sind Dass Sie spezifizieren. Diese Tabelle ist Geschichte verwendet in der Prognose Berechnung. Februar Prognose entspricht 117 1 1 128 7 gerundet auf 129.März Prognose entspricht 115 1 1 126 5 gerundet auf 127,3 2 2 Methode 2 Berechnet Prozent über letztes Jahr. Dieses Verfahren verwendet Die Berechnungsperiode über letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen Das System bestimmt eine prozentuale Zunahme oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu bestimmen , Erfordert diese Methode die Anzahl der Perioden der Kundenauftragsgeschichte plus ein Jahr der Verkaufsgeschichte Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Abnahme prognostizieren.3 2 2 1 Beispiel Methode 2 Berechnete Prozent über letztes Jahr. Berechnet Percent Over Last Year Formel multipliziert Umsatzdaten aus dem Vorjahr mit einem Faktor, der durch das System berechnet wird, und dann Projekte, die für das nächste Jahr resultieren Diese Methode könnte nützlich sein, um den Einfluss der Erweiterung der jüngsten Wachstumsrate für ein Produkt zu projizieren In das nächste Jahr unter Beibehaltung eines saisonalen Muster, das in der Verkaufsgeschichte vorhanden ist. Forecast Spezifikationen Bereich der Verkaufsgeschichte bei der Berechnung der Wachstumsrate verwenden Zum Beispiel geben n gleich 4 in der Verarbeitungsoption, um die Verkaufsgeschichte für die letzten vier zu vergleichen 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 prognostizierten Leistungsperioden der besten fit erforderlich sind. Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird, gegeben n 4.Februarprognose entspricht 117 0 9766 114 26 gerundet auf 114.Märzvorhersage 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 fit plus ein Jahr des Verkaufsauftrags Geschichte Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend.3 2 3 1 Beispiel Methode 3 Letztes Jahr zu 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 Umsatz auf dem aktuellen Niveau zu simulieren. Das Produkt ist Reif und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte existieren. Forecast-Spezifikationen Keine. Required Verkaufs-Geschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit erforderlich sind. Diese Tabelle ist Geschichte verwendet in der Prognose Berechnung. 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 letzten 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 den nächsten Zeitraum zu projizieren. Du solltest es nur monatlich oder mindestens vierteljährlich neu berechnen, um dem sich ändernden Bedarfsniveau zu entsprechen Methode erfordert die Anzahl der Perioden am besten passt zuzüglich der Anzahl der Perioden des Kundenauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren.3 2 4 1 Beispiel Methode 4 Moving Average. Moving Average MA ist eine beliebte Methode zur Mittelung Die Ergebnisse der jüngsten Verkaufsgeschichte, um eine Projektion für kurzfristig zu bestimmen Die MA-Prognosemethode verzichtet hinter 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 der Wachstums - oder Obsoleszenzstufe des Lebenszyklus befinden. Forecast-Spezifikationen n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden sollen. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden zu verwenden Die Basis für die Projektion in den nächsten Zeitraum Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Umgekehrt, ein kleiner Wert für n wie 3 Ist schneller auf Verschiebungen in der Ebene des Umsatzes 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 Prognose Performance Perioden der besten fit erforderlich sind. Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird. Februarprognose entspricht 114 119 137 125 4 123 75 gerundet auf 124.Marchprognose entspricht 119 137 125 124 4 126 25 gerundet auf 126,3 2 5 Methode 5 Lineare Approximation. Diese Methode 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 angegebenen Perioden Des Verkaufsauftragsverlaufs 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, der auf basiert 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. Forecast-Spezifikationen n entspricht dem Datenpunkt im Verkaufsverlauf Wird mit dem jüngsten Datenpunkt verglichen, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um den Unterschied zwischen den letzten Daten des letzten Jahres und dem 4. August vor Dezember als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderliche Verkaufsgeschichte n plus 1 plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden 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 des vergangenen Jahres 1 Trend Das entspricht 137 2 2 141.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 ergibt eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten und der Zeitübergang LSR passt auf eine Zeile zum 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 Zukunft. Diese Methode Erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, plus die angegebene Anzahl der historischen Datenperioden Die Mindestanforderung ist zwei historische Datenpunkte Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt.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 Trend in historischen Verkaufsdaten Die Methode berechnet die Werte für a und b in der formula. This verwendet werden Gleichung beschreibt eine Gerade, wobei Y einen Umsatz darstellt und X für die Zeit steht. Lineare Regression ist langsam, um Wendepunkte zu erkennen und Schritt-Funktions-Verschiebungen in der Nachfrage Eine lineare Regression passt zu einer geraden Linie zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden Wenn die Verkaufsverlaufsdaten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, werden prognostizierte Vorurteile und systematische Fehler aufgetreten. Forecast-Spezifikationen n entspricht den Perioden des Verkaufsverlaufs, die bei der Berechnung der Werte für a und b verwendet werden. Beispielsweise geben Sie n 4 an Die Geschichte von September bis Dezember als Grundlage für die Berechnungen Wenn Daten verfügbar sind, wird ein größeres n wie n 24 gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte Für dieses Beispiel war ein kleiner Wert für nn 4 Gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu überprüfen. Minimum erforderliche Verkaufsgeschichte n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung. März Prognose entspricht 119 5 7 2 3 135 6 abgerundet auf 136,3 2 7 Methode 7 Zweite Grad Approximation. Um die Prognose zu projizieren, verwendet diese Methode die zweite Grad-Approximation-Formel, um eine Kurve zu zeichnen, die auf der Anzahl der Perioden der Verkaufshistorie basiert Methode erfordert die Anzahl der Perioden am besten passt zuzüglich der Anzahl der Perioden der Kundenauftragsgeschichte mal drei Diese Methode ist nicht sinnvoll, um die Nachfrage nach einer langfristigen Periode 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 von Diese Methode ist, eine Kurve zu den Verkaufsgeschichte Daten passen Diese Methode ist nützlich, wenn ein Produkt ist im Übergang zwischen Lebenszyklus-Stufen Zum Beispiel, wenn ein neues Produkt bewegt sich von der Einführung in Wachstumsstadien, könnte der Umsatz Trend beschleunigen Wegen der zweiten Auftragslaufzeit kann die Prognose schnell unendlich anfangen 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, um eine Kurve auf genau drei zu passen 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 zusammen addiert, um Q2 zu erstellen Und Oktober bis Dezember Summe zu Q3 Die Kurve ist 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 voraussichtlichen Leistungsperioden am besten erforderlich sind Fit. This Tabelle ist Geschichte in der Prognose Berechnung verwendet. Q0 Jan Feb Mär. Q1 Apr Mai Jun, die 125 122 137 384.Q2 Jul Aug Sep entspricht, entspricht 140 129 131 400.Q3 Okt Nov Dez, was 114 119 137 370 entspricht. 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 horizontalen Achse Q1 dargestellt ist Summe historische Verkäufe 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 zeigt die Plotten von Q1, Q2, Q3 und Q4 für die zweite Grad-Näherung. Bild 3-2 Plotten Q1, Q2, Q3 und Q4 für den zweiten 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 dem Die jüngsten Daten, die das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der prognostizierten Leistungsperioden der besten fit. This Tabelle verwendet werden, wird die Geschichte in der Prognoseberechnung verwendet.3 2 11 Methode 11 Exponentielle Glättung. Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird, die das allgemeine Umsatzniveau über die ausgewählten historischen Datenperioden repräsentiert. Diese Methode erfordert eine Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die Anzahl der historischen Daten Perioden, die spezifiziert werden Die Mindestanforderung ist zwei historische Datenperioden Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten vorliegt.3 2 11 1 Beispiel Methode 11 Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung in Linear Glättung, das System weist Gewichte zu, die linear zu den historischen Daten abfallen In der Exponential-Glättung weist das System Gewichte auf, die exponentiell abklingen. Die Gleichung für die Exponential-Glättungsvorhersage ist. Forecast Vorherige Tatsächliche Verkäufe 1 Vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes Aus der vorherigen Periode und der Prognose aus der vorherigen Periode Alpha ist das Gewicht, das auf den tatsächlichen Umsatz für die vorherige Periode 1 angewendet wird, ist das Gewicht, das auf die Prognose für die vorherige Periode angewendet wird Werte für Alpha-Bereich von 0 bis 1 und in der Regel Fallen zwischen 0 1 und 0 4 Die Summe der Gewichte beträgt 1 00 1 1. Sie sollten einen Wert für die Glättungskonstante zuweisen, alpha Wenn Sie keinen Wert für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert 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.
Comments
Post a Comment