Flyttande genomsnittlig prognostisering. Introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten för prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med Börja i början och börja arbeta med Moving Average Forecasts. Moving Average Prognoser Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är Alla studenter gör dem hela tiden Tänk på dina testresultat i en kurs där du ska Har fyra tester under terminen Låt oss anta att du fick 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för nästa testresultat. Vad tycker du att dina vänner kan förutsäga för din nästa testpoäng. Vad tycker du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om du blabbar kan du göra din fr Älskar och föräldrar, de och din lärare förväntar mycket sannolikt att du får något i det område du bara har fått. Väl, nu låt oss anta att trots din självbefrämjande till dina vänner överskattar du dig själv Och figur du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för att utveckla en uppskattning oavsett Om de kommer att dela den med dig. De kan säga till sig själva: Den här killen sprider alltid rök om hans smarts. Han kommer att få ytterligare 73 om han är lycklig. Måste föräldrarna försöker vara mer stödjande och säga, ja, så Långt har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fester och inte vågade väsen överallt och om du började göra en mycket mer studerar du kan få en högre poäng. Båda dessa uppskattningar är faktiska Långa rörliga genomsnittliga prognoser. Den första använder endast din senaste poäng för att prognostisera din framtida prestation. Detta kallas en glidande genomsnittlig prognos med en dataperiod. Den andra är också en glidande genomsnittlig prognos men använder två dataperioder. Låt oss anta Att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga en högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89 Allting, inklusive dig själv, är imponerad. Så nu har du det sista provet på terminen som kommer upp och som vanligt känns det som om du behöver göra alla förutspåringar om hur du ska göra det sista testet. Förhoppningsvis ser du mönster. Nu kan du förhoppningsvis se mönstret. Vad tror du är det mest exakta. Hälsa medan vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster kallas Whistle medan vi arbetar. Du har några tidigare försäljningsdata Representeras av följande avsnitt från ett kalkylblad Vi presenterar först data för en treårs glidande medelprognos. Inträdet för cell C6 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Notera hur genomsnittet rör sig Över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte behöver verkligen göra förutsägelserna för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än Exponentiell utjämningsmodell I ve inkluderade tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta prediktionsgiltighet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara. Nu kan kopiera den här cellformeln ner till de andra cellerna C6 till och med C11.Notice hur nu används bara de två senaste bitarna av historiska data för varje förutsägelse igen jag har med D de senaste förutsägelserna för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att notera. För en m-periods rörlig genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. . För en m-period glidande medelprognos när du gör tidigare förutsägelser märker du att den första förutsägelsen sker i period m 1.But av dessa problem kommer att vara väldigt signifikant när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla Koden för det glidande medelprognosen som kan användas mer flexibelt Koden följer Observera att ingångarna är för antalet perioder du vill använda i prognosen och i rad historiska värden. Du kan lagra den i vilken arbetsbok du vill. Funktion MovingAverage Historical, NumberOfPeriods As Single Declaration och initialisering av variabler Dim Item Som variant Dim Counter som integer Dim ackumulering som Single Dim HistoricalSize som heltal. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsaccumulering Historisk Historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska som följande. Prognosberäkningsexempel. A 1 Prognosberäkningsmetoder. Växlingsmetoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis är vikten placerad på tidigare historiska data eller datumintervallet för historiska data som används i Beräkningarna kan anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-försäljningsprognos Utöver prognosen Beräkning innehåller varje exempel en simulerad 2005 fo omarbetning för en tre månaders bearbetningsoptionsalternativ 19 3 som då används för procent av noggrannhet och genomsnittlig absolut avvikelse beräknar den faktiska försäljningen jämfört med simulerad prognos. A 2 Prognos Prestationsutvärderingskriterier. Beroende på ditt urval av bearbetningsalternativ och om trenderna och mönster som finns i försäljningsdata kommer vissa prognosmetoder att fungera bättre än andra för en viss historisk dataset En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt Det är också osannolikt att en prognosmetod som ger bra resultat på en etapp i en produkts livscykel kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognostiseringsmetoderna. Dessa är medelvärden för absolut avvikelse MAD och procent av noggrannhet POA Båda dessa prestationsbedömningsmetoder kräver Historisk försäljningsdata för en användardefinierad tidsperiod Denna tidsperiod är kallad en uthållningsperiod eller perioder som passar bäst PBF Data i denna period används som grund för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa De två prognosprestationsbedömningsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A 3 Metod 1 - Specificerad procentsats under förra året. Denna metod multiplicerar försäljningsdata från föregående år av en användardefinierad faktor till exempel, 1 10 för en 10 ökning eller 0 97 för en 3 minskning. Förfrågad försäljningshistoria Ett år för beräkning av prognosen plus det användardefinierade antalet tidsperioder för utvärdering av prognosresultatbehandlingsalternativet 19.A 4 1 Prognosberäkning. att använda vid beräkning av tillväxtfaktorbehandling alternativ 2a 3 i detta exempel. Som de sista tre månaderna 2005 114 119 137 370.Som samma tre månader för p förnuftigt år 123 139 133 395. Beräknad faktor 370 395 0 9367.Räkna prognoserna. January, 2005 års försäljning 128 0 9367 119 8036 eller cirka 120.Februari, 2005 försäljning 117 0 9367 109 5939 eller ca 110.March, 2005 försäljning 115 0 9367 107 7205 eller ca 108.A 4 2 Simulerad Prognos Beräkning. Som de tre månaderna 2005 före hållbarhetsperioden juli, aug, sept.129 140 131 400.Som samma tre månader för föregående år.141 128 118 387.Den beräknade faktorn 400 387 1 033591731.Räkna simulerad prognos. October 2004 försäljning 123 1 033591731 127 13178.November 2004 försäljning 139 1 033591731 143 66925.December 2004 försäljning 133 1 033591731 137 4677.A 4 3 Procent av beräkningsberäkning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metod 3 - Förra året till This Year. This metod kopierar försäljningsdata från föregående år till nästa år. Räqu ägt försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som anges för utvärdering av prognosförädlingsalternativ 19.A 6 1 Prognosberäkning. Antal perioder som ska ingå i det genomsnittliga bearbetningsalternativet 4a 3 i detta exempel. För varje månad Av prognosen, genomsnittet för de föregående tre månaderna s. Januaryprognos 114 119 137 370, 370 3 123 333 eller 123.Februari prognos 119 137 123 379, 379 3 126 333 eller 126.March prognos 137 123 126 379, 386 3 128 667 eller 129.A 6 2 Simulerad prognosberäkning. October 2005 Försäljning 129 140 131 3 133 3333.November 2005 Försäljning 140 131 114 3 128 3333.Deember 2005 Försäljning 131 114 119 3 121 3333.A 6 3 Procent av beräkning av noggrannhet. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Genomsnittlig avvikelseberäkning. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metod 5 - Linjär approximation. Linear Approximation beräknar en Trend baserat på två försäljningshistoriska datapunkter. Dessa två punkter d efine en rak trendlinje som projiceras in i framtiden Använd den här metoden med försiktighet, eftersom prognoser för långa sträckor utnyttjas av små förändringar på bara två datapunkter. Förfrågad försäljningshistorik Antalet perioder som ska inkluderas i regressionsbehandlingsalternativ 5a plus 1 plus Antalet tidsperioder för utvärdering av prognosresultatbehandlingsalternativ 19.A 8 1 Prognosberäkning. Antal perioder som ska inkluderas i regressionsbehandlingsalternativ 6a 3 i detta exempel. För varje månad av prognosen lägger du till ökningen eller minskningen under de angivna perioderna Före hållbarhetsperiod föregående period. Andel av de föregående tre månaderna 114 119 137 3 123 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 114 1 119 2 137 3 763. Skillnaden mellan värdena. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 23 2 11 5.Value2 Genomsnittlig-värde1-förhållande 123 3333 - 11 5 2 100 3333.Visa 1 n-värde1 Value2 4 11 5 100 3333 146 333 eller 146.Förecast 5 11 5 100 3333 157 8333 eller 158.Förutsägande 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulerad prognosberäkning. October 2004 försäljning. Medel av de föregående tre månaderna . 129 140 131 3 133 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 129 1 140 2 131 3 802. Skillnaden mellan värdena. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 2 2 1.Value2 Genomsnitt - värde1-förhållande 133 3333 - 1 2 131 3333.Förecast 1 n värde1 värde2 4 1 131 3333 135 3333.November 2004 Försäljning. Medel av de föregående tre månaderna. 140 131 114 3 128 3333.Sammanfattning av de föregående tre månaderna med hänsyn tagen. 140 1 131 2 114 3 744. Skillnaden mellan värdena 744 - 128 3333 1 2 3 -25 9999.Value1 Skillnadsförhållande -25 9999 2 -12 9999.Value2 Genomsnitt - värde1 förhållande 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de föregående tre månaderna. 131 114 119 3 121 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 131 1 114 2 119 3 716. Skillnaden mellan värdena. 716 - 121 3333 1 2 3 -11 9999.Value1 Skillnadsförhållande -11 9999 2 -5 9999.Value2 Genomsnitt - värde1-förhållande 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent av beräkning av noggrannhet. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metod 7 - Andra Graden Approximation. Linear Regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra graden Approximation är likvärdig. Denna metod bestämmer emellertid värdena för a, b och c i Prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata Denna metod kan vara användbar när en produkt befinner sig i övergången mellan en livscykelstadium Till exempel när en ny produkt flyttar från introduktion till tillväxtstadier , Försäljningsutvecklingen kan accelerera På grund av den andra orderperioden kan prognosen snabbt närma sig Oändlighet eller fall till noll beroende på om koefficienten c är positiv eller negativ. Därför är denna metod endast användbar på kort sikt. Förutsägningsformulär Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i Bearbetningsalternativ 7a, antalet tidsperioder av data som ackumuleras i var och en av de tre punkterna I detta exempel n 3 Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1 juli till september läggs samman för att skapa Q2 , och oktober till december summa till Q3 Kurvan kommer att anpassas till de tre värdena Q1, Q2 och Q3.Required sales history 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. Number of Perioder för att inkludera bearbetningsalternativ 7a 3 i detta exempel. Använd de föregående 3 n månaderna i tre månader block. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Nästa steg innefattar c Alculating de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX 2. 1 Q1 en bX cX2 där X 1 a b c. 2 Q2 en bX cX2 där X2 a 2b 4c. 3 Q3 en bX cX 2 där X 3 a 3b 9c. Solve de tre ekvationerna samtidigt för att hitta b, a och c. Ta bort ekvation 1 från ekvation 2 och lösa för b. Ställ in denna ekvation för b i ekvation 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ändra i stället dessa ekvationer för a och b till ekvation 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andra graden approximationsmetoden beräknar A, b och c som följer. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y en bX cX 2 322 85 X -23 X 2.January till mars prognos X 4. 322 340 - 368 3 294 3 98 per period. April till juni prognos X 5. 322 425 - 575 3 57 333 eller 57 per period. Juli till septemberprognos X 6. 322 510 - 828 3 1 33 eller 1 per period. Oktober till december X 7. 322 595 - 1127 3 -70.A 9 2 Simulerad prognosberäkning. Oktober november Och december 2004 försäljning. Q1 jan - mar 360.Q2 apr - jun 384.Q3 jul - sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Procent av beräkning av noggrannhet. POA 136 136 136 114 119 137 100 110 27.A 9 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metod 8 - Flexibel metod. Flexibel metodprocent Över n månader Tidigare liknar Metod 1, Procent över förra året Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor , Sedan projicera resultatet i framtiden I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden ger möjlighet att ange en annan tidsperiod än samma period förra året till Använd som grund för beräkningarna. Multiplikationsfaktor Ange exempelvis 1 15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15.Basperiod Exempelvis kommer n 3 att göra att den första prognosen baseras på försäljningsdata i Oktober 2005. Minsta försäljningshistorik Användarens angivna nummer o F perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. A 10 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metod 9 - Viktad Flyttning Genomsnittet. Den viktade rörliga genomsnittliga WMA-metoden liknar Metod 4, Flyttande medelvärde MA. Med det Viktade Flyttningsgenomsnittet kan du emellertid fördela ojämna vikter till de historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering för kort sikt Senare data tilldelas vanligtvis större vikt än äldre data, vilket gör att WMA reagerar på skift i försäljningsnivån. Dock uppstår prognoser och systematiska fel när produktförsäljningshistoriken uppvisar starka trend - eller säsongsmönster. Metoden fungerar bättre för korta prognoser för mogna produkter i stället för för produkter i livscykelns tillväxt eller föråldrade stadier. Det antal perioder av försäljningshistoria som ska användas i prognosberäkningen Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som grund för projiceringen till nästa tidsperiod. Ett stort värde för n som 12 kräver mer försäljningshistorik. Det resulterar i en stabil prognos , Men kommer att vara långsam för att känna igen skift i försäljningsnivån Å andra sidan kommer ett litet värde för n som 3 att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på Variationerna. Vikten som tilldelas vart och ett av de historiska datoperioderna De tilldelade vikterna måste uppgå till 1 00 Till exempel, när n 3 tilldelar vikter av 0 6, 0 3 och 0 1, med den senaste data som får största vikt . Minsta nödvändiga försäljningshistorik n plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metod 10 - Linjär utjämning. Denna metod liknar Metod 9, Viktad Flyttande Genomsnittlig WMA Hur I stället för att i godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summa till 1 00 Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering på kort sikt. sant för alla linjära glidande medelprognostekniker förekommer prognosförskjutning och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsbetonade mönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter i stället för för produkter i livets tillväxt eller förälskelse cycle. n antalet försäljningsperioder som ska användas i prognosberäkningen Detta anges i bearbetningsalternativet 10a Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som grund för projiceringen i Nästa tidsperiod Systemet kommer automatiskt att tilldela vikterna till historiska data som faller linjärt och summa till 1 00 Till exempel när n 3, s ystem kommer att tilldela vikter av 0 5, 0 3333 och 0 1, med den senaste data som tar emot största vikt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestanda PBF. A 12 1 Forecast Calculation. Antal perioder som ska inkluderas vid utjämning av genomsnittlig bearbetningsalternativ 10a 3 i detta exempel. Rata för en period före 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i två perioder före 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder före 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januärprognos 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognos 127 0 5 137 1 3 119 1 6 129.March prognos 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulerad prognosberäkning. October 2004 försäljning 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Försäljning 140 1 6 131 2 6 114 3 6 124.December 2004 försäljning 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent av beräkning av noggrannhet. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metod 11 - Exponentiell utjämning. Denna metod liknar Metod 10, Linjär utjämning Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt Vid exponentiell utjämning , Systemet tilldelar vikter som exponentiellt sönderfallas Exponential utjämning prognos ekvation är. Förutse en tidigare verklig försäljning 1 - a tidigare prognos. Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period a är vikt applicerad på den faktiska försäljningen för föregående period 1 - a är vikten applicerad på prognosen för föregående period Giltiga värden för ett intervall från 0 till 1 och faller oftast mellan 0 1 och 0 4 Summan av vikterna är 1 00 a 1 - a 1.Du bör tilldela ett värde för utjämningskonstanten, a Om du inte tilldelar värden för utjämningskonstanten beräknar systemet ett antaget värde baserat på antalet perioder med försäljningshistorik d i bearbetningsalternativet 11a. a utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den generella nivån eller storleken på försäljningen Giltiga värden för ett intervall från 0 till 1.n omfånget av försäljningshistorikdata som ingår i beräkningarna Generellt ett år av försäljningshistorikdata är tillräckliga för att uppskatta den allmänna försäljningsnivån För detta exempel valdes ett litet värde för nn 3 för att minska de manuella beräkningar som krävs för att verifiera resultaten Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk Datapunkt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. A 13 1 Prognosberäkning. Number av perioder som ska inkluderas i utjämning av genomsnittlig bearbetningsalternativ 11a 3 och alfa-faktorbehandlingsalternativ 11b tom i detta Example. a faktor för den äldsta försäljningsdata 2 1 1 eller 1 när alpha är specificerad. En faktor för den 2: e äldsta försäljningsdata 2 1 2, eller alf när alpha anges. En faktor För den 3: e äldsta försäljningsdata 2 1 3, eller alf när alpha anges. En faktor för den senaste försäljningsdata 2 1 n eller alf när alpha är specificerad. November Sm Avg a oktober Aktuell 1 - en oktober Sm Gem 1 114 0 0 114.December Avg. Avg. November Aktuell 1 - a november Sm Gem 2 3 119 1 3 114 117 3333.January Prognos december December 1 - a december Sm Gem 2 4 137 2 4 117 3333 127 16665 eller 127.Februari prognos Januari-prognos 127.Marchprognos Januariprognos 127.A 13 2 Simulerad prognosberäkning. Juli 2004 Sm Avg 2 2 129 129.August Sm Gem 2 3 140 1 3 129 136 3333.September Sm Genomsnittspris 2 4 131 2 4 136 3333 133 6666.October 2004 Försäljning Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Gem 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November 2004 Försäljning Sep Sm Gem 124.September 2004 Sm Avg 2 2 131 131. oktober Sm Gem 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Deember 2004 Försäljning Sep Sm Avg 119 3333.A 13 3 Procent av noggrannhet Calcula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Genomsnittlig absolut avvikelseberäkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metod 12 - Exponentiell utjämning med trend och säsonglighet . Denna metod liknar Metod 11 Exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av en jämn medelvärde justerad för en linjär trend När specificerat I bearbetningsalternativet justeras prognosen också för säsongens kvalitet. En utjämningskonstant som används för att beräkna det jämnde genomsnittet för den generella nivån eller storleken på försäljningen. Giltiga värden för alfabetikområde från 0 till 1.b utjämningskonstanten som används vid beräkning av det jämnformade Medelvärdet för trendkomponenten i prognosen Giltiga värden för beta-intervallet från 0 till 1.Vår ett säsongsindex tillämpas på prognosen. a och b är oberoende av varandra De behöver inte lägga till 1 0.Min Imum krävs försäljningshistoria två år plus antal tidsperioder som krävs för att utvärdera prognosprestandan PBF. Method 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A 14 1 Prognos Beräkning. A Ett exponentiellt jämnt medel. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Utvärdering av prognoserna. Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognos Metoden kommer sannolikt att skapa en något annorlunda projicering När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut angående vilka prognoser som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för varje prognosmetod Som du väljer och för var och en av prognoserna Du kan välja mellan två prestandakriterier, Mean Absolute Deviation MAD och Procent of Accur Acy POA MAD är ett mått på prognosfel POA är ett mått på prognosförskjutning Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Denna period av senaste historiken kallas en uthållningsperiod eller perioder som passar bäst PBF. För att mäta resultatet av en prognosmetod använder du prognosformlerna för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process Sker för varje metod Flera prognoser beräknas för hållbarhetsperioden och jämfört med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen som passar bäst mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning I dina planer Denna rekommendation är specifik för varje produkt, och kan ändras från en prognosproduktion till nej xt. A 16 Medel Absolut avvikelse MAD. MAD är medelvärdet eller medelvärdet av de absoluta värdena eller storleken på avvikelserna eller fel mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas med tanke på en prognosmetod och data Historia Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel Vid jämförelse av flera prognosmetoder har den som har den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den hållningsperioden När prognosen är objektiv och Fel distribueras normalt, det finns ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och Mean Squared Error. A 16 1 Procent av noggrannhet POA. Percent of Accuracy POA är ett mått på prognostisk bias När prognoserna är konsekventa För högt, lager ackumuleras och lagerkostnader stiger När prognoserna är konsekvent två låga förbrukas lagren och nedgången av kundservice s En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbröts av negativa fel på 8 och 2.Error Actual - Forecast. When en produkt kan lagras i lager och när prognosen är opartisk kan en liten mängd säkerhetslager användas för att buffra felen. I denna situation är det inte så viktigt att eliminera prognosfel för att skapa objektiva prognoser. , skulle ovanstående situation betraktas som tre fel Tjänsten skulle vara underbemannad under den första perioden och sedan överbemannade för de följande två perioderna. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som prognostiseras. Sammanfattningen över hållbarhetsperioden Tillåter positiva fel att avbryta negativa fel När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 korrekt. När en prognos är unbias ed, POA-förhållandet blir 100 Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriterierna väljer prognosmetoden som har ett POA-förhållande närmast 100. Skript på denna sida förstärker innehållsnavigering, men ändra innehållet på något sätt. Tidsseriemetoder. Tidsseriemetoder är statistiska tekniker som utnyttjar historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namnet tidsserier föreslår, dessa metoder relaterar prognosen till endast en faktor - tid. De innefattar glidande medelvärde, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för kortdistansprognoser bland service - och tillverkningsföretag. Dessa metoder förutsätter att identifierbara historiska mönster eller trender för efterfrågan över tiden kommer att upprepa sig. Möjlig medelvärde. En tidsserieprognos kan vara så enkel som att använda efterfrågan i den nuvarande p Eriod för att förutsäga efterfrågan under nästa period Detta kallas ibland en naiv eller intuitiv prognos 4 Till exempel, om efterfrågan är 100 enheter i veckan, är prognosen för nästa veckans efterfrågan 100 enheter om det visar sig vara 90 enheter istället, då Den efterföljande veckans efterfrågan är 90 enheter osv. Denna typ av prognostiseringsmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Det enkla glidande genomsnittet Metoden använder flera efterfrågningsvärden under det senaste förflutet för att utveckla en prognos. Detta tenderar att dämpa eller släta ut de slumpmässiga ökningarna och minskningarna av en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och inte visa något uttalat efterfrågan beteende, såsom en trend eller säsongsmönster. Flyttmedelvärdena beräknas för specifika perioder, till exempel tre månader eller fem månader, beroende på hur mycket prognosen desi res för att släta efterfrågningsdata Ju längre den glidande genomsnittstiden, ju mjukare blir den. Formeln för att beräkna det enkla rörliga genomsnittet betecknar ett enkelt rörligt medel. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor och Byråer inom en 50-mils radie av sitt lager Kontorsleveransverksamheten är konkurrenskraftig och förmågan att leverera order snabbt är en faktor för att få nya kunder och att hålla gamla kontor. Normalt beställer de inte när de har låga leveranser men när de är helt Rinna ut Som ett resultat behöver de sina beställningar omedelbart. Företagets chef vill vara säker på att förare och fordon är tillgängliga för att snabbt kunna leverera order och de har tillräcklig lagerförvaring. Därför vill chefen kunna förutse antalet order som kommer att inträffa under nästa månad, dvs att förutse efterfrågan på leveranser. Från register över leveransorder har ledningen ackumulerat followi Ng data för de senaste 10 månaderna, från vilken den vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt För nästa månad i sekvensen, vilket i det här fallet är november Det glidande medlet beräknas från efterfrågan på order för de föregående 3 månaderna i sekvensen enligt följande formel. 5-månaders glidande medelvärde beräknas från tidigare 5 Månader av efterfrågan data enligt följande. De 3- och 5-månaders rörliga genomsnittliga prognoserna för alla månader av efterfrågadata visas i följande tabell Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen De tidigare prognoserna för tidigare månader tillåter oss emellertid att jämföra prognosen med den faktiska efterfrågan för att se hur exakt prognosmetoden är - det vill säga hur bra det gör. Tre och fem månadersmedelvärden. Både glidande genomsnittliga prognoser i tabellen Ovan tenderar att släta ut variabiliteten som förekommer i de faktiska dataen Denna utjämningseffekt kan observeras i följande figur där 3-månads - och 5-månadsgenomsnittet har överlagts på en graf av de ursprungliga data. 5-månaders glidande medelvärde i föregående figur Utjämnar fluktuationerna i större utsträckning än 3 månaders glidande medelvärdet. 3-månadersgenomsnittet återspeglar emellertid de senaste uppgifterna som finns tillgängliga för kontorsleverantörssekreteraren. Generellt är prognoser som använder det längre glidande genomsnittet långsammare att reagera på senaste förändringar i efterfrågan än skulle de som gjordes med hjälp av kortare glidmedelvärden De extra datauppgifterna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i en glidande medelprognos kräver ofta en viss mängd test-och-fel nackdelen med den glidande medelmetoden är att den inte reagerar på variationer som uppstår av en orsak, såsom cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras i allmänhet Det är i grunden en mekanisk metod som speglar historiska data på ett konsekvent sätt Men den glidande medelmetoden har fördelen att det är lätt att använda, snabbt och relativt billigt. Generellt kan denna metod ge en bra prognos på kort sikt, men det bör inte skjutas för långt in i framtiden. Vägt rörligt medelvärde. Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande medelvärdenen tilldelas vikter till de senaste Data enligt följande formel. Efterfrågningsdata för PM Computer Services som visas i tabellen för Exempel 10 3 verkar följa en ökande linjär trend. Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiell utjämning och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10 3 och 10 4. De värden som krävs för minsta kvadratberäkning är följande. Med dessa värden är pa rammetrar för linjär trendlinje beräknas enligt följande. Därför är linjär trendlinjekvation. För att beräkna en prognos för period 13, låt x 13 i linjär trendlinje. Följande diagram visar linjär trendlinje jämfört med den faktiska data Trendlinjen verkar tydligt reflektera de faktiska dataen - det vill säga vara en bra passform - och skulle därmed vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är att den inte kommer att anpassas till en förändring i trenden, eftersom exponentiella utjämningsprognosmetoder kommer att det är det antas att alla framtida prognoser kommer att följa en rak linje. Detta begränsar användningen av denna metod till en kortare tidsram där man kan vara relativt säker på att trenden kommer att Inte förändras. Säsongsjusteringar. Ett säsongsmönster är en repetitiv ökning och minskning av efterfrågan. Många efterfrågade föremål uppvisar säsongsbeteende. Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern Och minskar på våren och sommaren då efterfrågan på kallare kläder ökar Efterfrågan på många detaljhandelsvaror, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinka, kalkoner, vin och frukt, ökar under semesterperioden. Sammanfogning med speciella dagar som Alla hjärtans dag och mors dag Säsongsmönster kan också ske varje månad, veckovis eller till och med dagligen. Vissa restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar Trafik - därmed försäljning - på köpcentra hämtar på fredag och lördag. Det finns flera metoder för att reflektera säsongsbetonade mönster i en tidsserieprognos Vi beskriver en av de enklare metoderna med en säsongsfaktor En säsongsfaktor är ett numeriskt värde som multipliceras med normal prognos för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsmässiga faktorer är att dela efterfrågan på varje säsongsperiod med totalt årligt antal nd enligt följande formel. De resulterande säsongsfaktorerna mellan 0 och 1 0 är i själva verket den del av den totala årliga efterfrågan som tilldelas varje säsong. Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge beräknade prognoser för varje seasonputing a Prognos med säsongsjusteringar. Wishbone Farms växer kalkoner att sälja till köttbearbetningsföretag under hela året. Men högsäsongen är uppenbarligen under fjärde kvartalet, från oktober till december har Wishbone Farms upplevt efterfrågan på kalkoner för det förflutna tre år som visas i följande tabell. Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år. Nästan vi vill multiplicera den prognostiserade efterfrågan på nästa år 2000, för varje säsongsfaktor för att få den prognostiserade efterfrågan på varje kvartal För att uppnå detta behöver vi en efterfrågan för 2000 i t Hans fall, eftersom efterfrågadata i tabellen tycks uppvisa en generellt ökande trend beräknar vi en linjär trendlinje för de tre år av data i tabellen för att få en grov prognos. Därför är prognosen för 2000 58 17, Eller 58,170 kalkoner. Genom att använda denna årliga prognosen för efterfrågan sänker de säsongrensade prognoserna SF i för år 2000 dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognostiseringsberäkningar som återspeglar både säsongsvariationerna i Data och den allmänna uppåtgående trenden.10-12 Hur är den glidande medelmetoden lik exponentiell utjämning.10-13 Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har.10-14 Hur skiljer sig den justerade exponentiella utjämningen från exponentiell utjämning.10-15 Vad bestämmer valet av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell.10-16 I kapitelexemplen för tidsseriemetoder, startprognosen wa s antas alltid vara detsamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan härledas vid faktisk användning.10-17 Hur skiljer linjen för prognosmodell för linjär trend från en linjär regressionsmodell för prognos.10. 18 Av de tidsseriemodeller som presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du det bästa Why.10-19 Vilka fördelar anpassas exponentiell utjämning har över en linjär trendlinje för prognostiserad efterfrågan som uppvisar en trend.4 KB Kahn och JT Mentzer, prognos på konsument - och industrimarknaderna, tidningen för affärsplanering 14, nr 2 sommar 1995 21-28.
No comments:
Post a Comment