Etterspørselsprognoser Vektede Moving Average

3 Forstå prognostiseringsnivåer og - metoder. Du kan generere både detaljer for enkeltproduktprognoser og sammendrag av produktlinjeprognoser som reflekterer produktbehovsmønstre. Systemet analyserer siste salg for å beregne prognoser ved å bruke 12 prognosemetoder. Prognosene inkluderer detaljinformasjon på elementnivå og høyere nivå informasjon om en filial eller firmaet som helhet.3 1 Varsel om ytelsesvurderingskriterier. Avhengig av valg av behandlingsalternativer og trender og mønstre i salgsdata, utfører noen prognosemetoder bedre enn andre for et gitt historisk datasett. En prognose metode som passer for ett produkt, kan ikke være aktuelt for et annet produkt. Det kan hende du finner ut at en prognosemetode som gir gode resultater på et stadie av et produkts livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere nåværende ytelse av prognosemetodene. Percent av nøyaktighet POA. Mean absolut e avvik MAD. Both av disse ytelsesevalueringsmetodene krever historiske salgsdata for en periode du spesifiserer Denne perioden kalles en holdoutperiode eller periode med best egnethet. Dataene i denne perioden brukes som grunnlag for å anbefale hvilken prognosemetode som skal brukes i gjør neste projeksjonsprojeksjon Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til neste. 3 1 1 Best Fit. Systemet anbefaler den beste passformsprognosen ved å bruke de valgte prognosemetoder til tidligere salgsordrehistorie og sammenligne prognose simulering til den faktiske historien Når du genererer en best egnet prognose, sammenligner systemet faktiske salgsordrehistorier med prognoser for en bestemt tidsperiode og beregner hvor nøyaktig hver annen prognosemetode forutsetter salg. Systemet anbefaler derfor den mest nøyaktige prognosen som den beste passformen Denne grafikken illustrerer de beste passformsprognosene. Figur 3-1 Best egnet prognose. Systemet bruker denne trinns trinn t o bestemme den beste pasienten. Bruk hver spesifisert metode for å simulere en prognose for holdoutperioden, lagre det faktiske salget til de simulerte prognosene for holdoutperioden. Beregn POA eller MAD for å avgjøre hvilken prognosemetode som passer best med det siste faktiske salg. Systemet bruker enten POA eller MAD, basert på de behandlingsalternativene du velger. Anbefal en best egnet prognose av POA som er nærmest 100 prosent over eller under eller MAD som er nærmest null. 3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Ledelsen bruker 12 metoder for kvantitativ prognose og indikerer hvilken metode som passer best for prognosesituasjonen. Denne delen diskuterer. Metode 1 Prosent over fjorår. Metode 2 Beregnet Prosent Over Siste År. Metode 3 Siste År Til År. Metode 4 Flytting Gjennomsnittlig. Metode 5 Linear Approximation. Method 6 minste kvadrater Regression. Method 7 Second Degree Approximation. Method 8 Fleksibel Metode. Metode 9 Vektet Moving Average. Method 10 Linear Smoothing. Method 11 Exponential Smoothing. Method 12 Eksponensiell utjevning med trend og sesongmessighet. Spesifikere metoden du vil bruke i behandlingsalternativene for Forecast Generation programmet R34650 De fleste av disse metodene gir begrenset kontroll For eksempel vekten plassert på nyere historisk data eller datoperioden for historiske data som brukes i beregningene, kan spesifiseres av deg. Eksemplene i veiledningen angir beregningsprosedyren for hver av de tilgjengelige prognosemetoder, gitt et identisk sett med historiske data. Metodeeksemplene i guide bruk del eller alle disse datasettene, som er historiske data fra de siste to årene. Prognoseprosjektet går inn i neste år. Denne salgshistorikdataene er stabile med små sesongmessige økninger i juli og desember. Dette mønsteret er karakteristisk for et modent produkt som kan nærme seg forældelse.3 2 1 Metode 1 Prosent over fjorår. Denne metoden bruker prosentandelen over fjorårs formel for å multiplisere eac h prognoseperiode med spesifisert prosentvis økning eller reduksjon. For å prognose etterspørsel krever denne metoden antall perioder for best egnethet pluss ett år med salgshistorie. Denne metoden er nyttig for å prognose etterspørselen etter sesongelementer med vekst eller nedgang.3 2 1 1 Eksempelmetode 1 Prosent over fjoråret. Prosent over fjorårsformel multipliserer salgsdata fra foregående år med en faktor du angir og deretter prosjekter som resulterer i løpet av neste år Denne metoden kan være nyttig i budsjettering for å simulere effekten av en spesifisert vekstraten eller når salgshistorikken har en betydelig sesongkomponent. Forespørselsspesifikasjoner Multiplikasjonsfaktor For eksempel spesifiser 110 i behandlingsalternativet for å øke forrige års s salgshistorikkdata med 10 prosent. Forespurt salgshistorie Ett år for å beregne prognosen, pluss antall tidsperioder som kreves for å evaluere prognosperioder med best passform som du spesifiserer. Dette tabellen er historikk brukt i forgrunnen cast prognose. Februar prognose er 117 1 1 128 7 avrundet til 129.Mar prognose er 115 1 1 126 5 avrundet til 127,3 2 2 Metode 2 Beregnet prosent over siste år. Denne metoden bruker den beregnede prosenten over fjorårs formel for å sammenligne fortiden salg av spesifiserte perioder til salg fra samme perioder i forrige år Systemet bestemmer en prosentvis økning eller reduksjon, og deretter multipliserer hver periode med prosentandelen for å bestemme prognosen. For å prognose etterspørsel krever denne metoden antall perioder med salgsordre historie pluss ett år med salgshistorikk Denne metoden er nyttig for å prognose kortsiktig etterspørsel etter sesongelementer med vekst eller tilbakegang.3 2 2 1 Eksempel Metode 2 Beregnet prosent over siste år. Beregnet prosentandel over fjorårsformel multipliserer salgsdata fra forrige år med en faktor som beregnes av systemet, og så prosjekterer det resultatet for det neste året. Denne metoden kan være nyttig for å projisere effekten av å utvide den siste vekstraten for et produkt inn i det neste året mens du beholder et sesongmessig mønster som er til stede i salgshistorikken. Forespørselsspesifikasjoner Omfang av salgshistorie som skal brukes til å beregne vekstraten For eksempel angir n lik 4 i behandlingsalternativet for å sammenligne salgshistorie for de siste fire perioder til de samme fire perioder i forrige år Bruk beregningsforholdet til å gjøre projeksjonen for det neste året. Ønsket salgshistorie Ett år for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognosen ytelsesperioder som passer best. Denne tabellen er historien som brukes i prognoseberegningen, gitt n 4.Februari prognose er 117 0 9766 114 26 avrundet til 114.Mark prognose er 115 0 9766 112 31 avrundet til 112,3 2 3 Metode 3 Siste år til Dette året. Denne metoden bruker i fjor s salg for neste år s prognose. For å prognose etterspørsel, krever denne metoden antall perioder best egnet pluss ett år med salgsordre historie Dette meg thod er nyttig for å prognose etterspørselen etter modne produkter med behov for etterspørsel eller sesongbasert etterspørsel uten en trend.3 2 3 1 Eksempel Metode 3 Siste år til år. Det siste året til dette året formelen kopierer salgsdata fra forrige år til neste år Denne metoden kan være nyttig i budsjettering for å simulere salg på det nåværende nivået. Produktet er modent og har ingen trend i det lange løp, men et betydelig sesongmessig etterspørselsmønster kan eksistere. Forespørselssikkerhet Ingen. Forespurt salgshistorie Ett år for å beregne prognosen pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som brukes i prognosen. Januarprognosen er tilsvarende januar i fjor med en prognoseverdi på 128. Februarprognosen er like i februar i fjor med en prognoseverdi på 117.March prognose er lik i mars i fjor med en prognoseverdi på 115,3 2 4 Metode 4 Flytende gjennomsnitt. Denne metoden bruker den flytende gjennomsnittsformelen til gjennomsnittlig Det angitte antall perioder for å projisere neste periode Du må omregne det ofte hver måned eller minst kvartalsvis for å reflektere endring av etterspørselsnivå. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss antall perioder med salgsordrehistorikk Dette Metode er nyttig for å prognose etterspørselen etter modne produkter uten en trend.3 2 4 1 Eksempel Metode 4 Flytende Gjennomsnitt. Gjennomsnittlig Gjennomsnittlig MA er en populær metode for å gjennomsnittsføre resultatene av den siste salgshistorikken for å bestemme et projeksjon for kort sikt MA-prognosemetoden Lags bak trender Prognoseforstyrrelser og systematiske feil oppstår når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter som er i vekst - eller forløpsfasen av livssyklusen. Forespesifikasjoner n tilsvarer antall perioder med salgshistorikk som skal brukes i prognoseberegningen. For eksempel angi n 4 i behandlingsalternativet som skal brukes De siste fire perioder som grunnlag for projeksjonen i neste tidsperiode En stor verdi for n som 12 krever mer salgshistorie. Det resulterer i en stabil prognose, men er sakte å gjenkjenne skift i salgsnivå. Omvendt er en liten verdi for n som 3 er raskere å svare på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Forespurt salgshistorie n pluss antall tidsperioder som kreves for å vurdere prognosen ytelsesperioder med best passform. Dette tabellen er historien som brukes i prognoseberegningen. Februarprognosen er 114 114 137 125 4 123 75 avrundet til 124. Mars prognosen er lik 119 137 125 124 4 126 25 avrundet til 126,3 2 5 Metode 5 Lineær tilnærming. Denne metoden bruker Linear Approximation formel til å beregne en trend fra antall perioder med salgsordre historie og å projisere denne trenden til prognosen. Du bør omregne trenden månedlig for å oppdage endringer i t rends. Denne metoden krever antall perioder med best egnethet pluss antall spesifiserte perioder med salgsordrehistorikk Denne metoden er nyttig for å prognose etterspørselen etter nye produkter, eller produkter med konsekvente positive eller negative trender som ikke skyldes sesongvariasjoner.3 2 5 1 Eksempel Metode 5 Linjær tilnærming. Linjær tilnærming beregner en trend som er basert på to salgshistorikk datapunkter Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden Bruk denne metoden med forsiktighet fordi langdistanseprognosene utløses av små endringer i bare to datapunkter. Forespørselsspesifikasjoner n er lik datapunktet i salgshistorikken som sammenlignes med det nyeste datapunktet for å identifisere en trend. For eksempel angi n 4 for å bruke forskjellen mellom desember nyeste data og august fire perioder før Desember som grunnlag for beregning av trend. Minimum påkrevd salgshistorie n pluss 1 pluss antall tidsperioder som kreves for evaluering ng de prognose ytelsesperioder best egnet. Dette tabellen er historien som brukes i prognosen beregning. Januarprognose Desember foregående år 1 Trend som tilsvarer 137 1 2 139.Februari prognose Desember foregående år 1 Trend som tilsvarer 137 2 2 141.March prognose Desember forrige år 1 Trend som tilsvarer 137 3 2 143,3 2 6 Metode 6 Regimetrering av minste kvadrater. Den minste kvadrateregresjon LSR-metoden danner en ligning som beskriver et rettlinjet forhold mellom de historiske salgsdata og tidsforløpet. LSR passer til en linje til det valgte dataområdet slik at summen av kvadrater mellom forskjellene mellom de faktiske salgsdatapunktene og regresjonslinjen blir minimert. Prognosen er en projeksjon av denne rette linjen inn i fremtiden. Denne metoden krever salgsdatahistorikk for perioden som er representert av antall perioder best egnet pluss spesifisert antall historiske datoperioder Minimumskravet er to historiske datapunkter Denne metoden er nyttig for å forecere stor etterspørsel når en lineær trend er i dataene. 3 2 6 1 Eksempelmetode 6 Minste kvadratregressjon. Linær regresjon, eller minste kvadratregressjon LSR, er den mest populære metoden for å identifisere en lineær trend i historiske salgsdata Metoden beregner verdiene for a og b skal brukes i formelen. Denne ligningen beskriver en rett linje der Y representerer salg og X representerer tid. Linjær regresjon er sakte for å gjenkjenne vendepunkter og trinnfunksjonsskift i etterspørsel. Linjær regresjon passer til en rett linje til dataene, selv når dataene er sesongmessige eller bedre beskrevet av en kurve Når salgshistorikkdata følger en kurve eller har et sterkt sesongmessig mønster, oppstår prognoseforstyrrelser og systematiske feil. Forespesifikasjonsspesifikasjonene n er de perioder med salgshistorie som skal benyttes ved beregning av verdiene for a og b For eksempel, spesifiser n 4 for å bruke historien fra september til desember som grunnlag for beregningene Når data er tilgjengelig, ville en større n som n 24 ordinari brukes LSR definerer en linje for så få som to datapunkter For dette eksempelet ble en liten verdi for nn 4 valgt for å redusere de manuelle beregningene som kreves for å verifisere resultatene. Minste nødvendige salgshistorie n perioder pluss antall ganger perioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som brukes i prognoseberegningen. Markprognosen er lik 119 5 7 2 3 135 6 avrundet til 136,3 2 7 Metode 7 Second Degree Approximation. To projisere prognosen, denne metoden bruker den andre graden tilnærming formel for å plotte en kurve som er basert på antall perioder med salg historie. Denne metoden krever antall perioder best egnet pluss antall perioder med salgsordre historie ganger tre Denne metoden er ikke nyttig å prognose etterspørsel etter en langsiktig periode.3 2 7 1 Eksempel Metode 7 Second Degree Approximation. Linear Regression bestemmer verdier for a og b i prognosen formel Y ab X med sikte på å montere en rett linje til salgshistorikkdataene Second Degree Approximation er lik, men denne metoden bestemmer verdier for a, b og c i denne prognoseformelen. Målet med denne metoden er å tilpasse en kurve til salgshistorikkdataene. Denne metoden er nyttig når et produkt er i overgangen mellom livssyklusstrinnene. For eksempel når et nytt produkt flytter fra introduksjon til vekststadier, kan salgstrenden akselerere. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til null, avhengig av om koeffisienten c er positiv eller negativ Denne metoden er kun nyttig på kort sikt. Forespørselsspesifikasjoner formelen finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n, hvor mange tidsperioder data skal samles inn i hver av de tre punktene I dette eksemplet er n 3 Faktiske salgsdata for april til juni kombinert i første punkt, Q1 juli til september legges sammen for å skape Q2 og oktober til desember summen til Q3. Kurven e er montert på de tre verdiene Q1, Q2 og Q3.Required salgshistorie 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Denne tabellen er historien som brukes i prognose beregning. Q0 Jan Feb Mar. Q1 Apr Mai Juni som tilsvarer 125 122 137 384.Q2 Jul Aug Sep, som tilsvarer 140 129 131 400.Q3 Okt. Nov. desember, som tilsvarer 114 119 137 370. Det neste trinnet innebærer å beregne de tre koeffisientene a , b og c som skal brukes i prognosen formel Y ab X c X 2. Q1, Q2 og Q3 presenteres på grafikken, hvor tiden er tegnet på den horisontale aksen Q1 representerer totalt historisk salg i april, mai og Juni og er plottet på x 1 Q2 tilsvarer juli til september Q3 tilsvarer oktober til desember og fjerde kvartal representerer januar til mars Denne grafikken illustrerer plotting av Q1, Q2, Q3 og Q4 for andre graders tilnærming. Figur 3-2 Plotting Q1 , Q2, Q3 og Q4 for andre graders approximasjon tre likninger beskriver de tre punktene på grafen. 1 Q1 en bX cX 2 hvor X 1 Q1 a b c. 2 Q2 en bX cX2 hvor X2 Q2 en 2b 4c. 3 Q3 en bX cX 2 hvor X 3 Q3 a 3b 9c. Solve de tre ligningene samtidig for å finne b, a og c. Trekk ut ligning 1 1 fra ligning 2 2 og løse for b. Bytt denne ligningen for b inn i ligning 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finalt, erstatt disse likningene for a og b inn i ligning 1. 1 Q3 3 Q2 Q1 Q2 Q1 Q3 Q1 Q Q2 Q2 Q1 Q2 2.Den andre graden tilnærming metode beregner a, b og c som følger. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This er en beregning av tograds tilnærming prognose. En bX cX 2 322 85X 23 X 2. Når X 4, Q4 322 340 368 294 Prognosen er 294 3 98 per periode. Når X 5, Q5 322 425 575 172 Prognosen er like 172 3 58 33 avrundet til 57 per periode. Når X 6, Q6 322 510 828 4 Prognosen er lik 4 3 1 33 avrundet til 1 per periode. Dette er prognosen for neste år, Siste år til dette året.3 2 8 Metode 8 Fleksibel metode. Denne metoden lar deg velge det beste passformet antall per iod av salgsordrehistorikk som starter en måned før prognose-startdatoen, og å bruke en prosentvis økning eller reduksjon av multiplikasjonsfaktoren som kan endre prognosen Denne metoden ligner metode 1, prosentandel over fjorår, bortsett fra at du kan spesifisere antall perioder du bruker som base. Avhengig av hva du velger som n, krever denne metoden perioder best egnet pluss antall perioder med salgsdata som er indikert. Denne metoden er nyttig for å prognose etterspørselen etter en planlagt trend.3 2 8 1 Eksempel Metode 8 Fleksibel Metode. Fleksibel Metode Prosent Over N Måneder Tidligere ligner Metode 1, Prosent Over fjorår Begge metodene multipliserer salgsdata fra en tidligere tidsperiode med en faktor som er spesifisert av deg, og deretter prosjekterer dette resultatet i fremtiden I prosenten Prosent over fjorårmetoden er projeksjonen basert på data fra samme tidsperiode i forrige år. Du kan også bruke fleksibel metode for å angi en tidsperiode, unntatt samme periode i la st år for å bruke som grunnlag for beregningene. Multiplikasjonsfaktor For eksempel angi 110 i behandlingsalternativet for å øke tidligere salgshistorikkdata med 10 prosent. Baseperiode For eksempel forårsaker n 4 den første prognosen å være basert på salgsdata i september i fjor. Minste krevde salgshistorie antall perioder tilbake til baseperioden pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som ble brukt i prognoseberegningen.3 2 9 Metode 9 Vektet Flytende Gjennomsnitt. Vektet Flytende Gjennomsnittlig formel ligner Metode 4, Flytende gjennomsnittlig formel fordi den gjennomsnittlig forrige måned s salgshistorie for å projisere neste måned s salgshistorie. Med denne formelen kan du tildele vekter for hver av de tidligere periodene. Denne metoden krever antall vektede perioder valgt pluss antall perioder som passer best til data. I likhet med Moving Average, ligger denne metoden etter etterspørselstrendene, så dette Metoden anbefales ikke for produkter med sterke trender eller sesongmessige forhold. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med etterspørsel som er relativt nivå.3 2 9 1 Eksempel Metode 9 Veidende Flytende Gjennomsnitt. Vektet Flytende Gjennomsnittlig WMA-metode ligner Metode 4 , Flytende gjennomsnitt MA Du kan imidlertid tilordne ulik vekt til de historiske dataene når du bruker WMA. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til et projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, slik at WMA er mer lydhør overfor forandringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterke trender eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst eller forældelse stadier av livssyklusen. Antall perioder med salgshistorie n som skal brukes i prognoseberegningen. For eksempel angi n 4 i prosessen ssing mulighet til å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. En slik verdi gir en stabil prognose, men det er sakte å gjenkjenne skift i salgsnivå Omvendt svarer en liten verdi for n som 3 raskere til endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Totalt antall perioder for behandlingsalternativet 14 - Perioder som skal inkluderes, bør ikke overstige 12 måneder. Vekten som tilordnes hver av de historiske dataperiodene. De tildelte vekter må totalt 1 00 For eksempel når n 4 tilordner vekter på 0 50, 0 25, 0 15 og 0 10 med de nyeste dataene som mottar størst vekt. Minimum krevende salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Denne tabellen er historien som ble brukt i prognosen. January forec ast tilsvarer 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 avrundet til 128. Februarprognose er lik 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 avrundet til 128. Mars prognose er lik 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 avrundet til 128,3 2 10 Metode 10 Linjær utjevning. Denne metoden beregner et veid gjennomsnitt av tidligere salgsdata I beregningen bruker denne metoden antall perioder av salgsordrehistorikk fra 1 til 12 som er angitt i behandlingsalternativet Systemet bruker en matematisk progresjon for å veie data i området fra den første minstevekten til den endelige vekten. Systemet prosjekterer derfor denne informasjonen til hver periode i prognosen. Dette Metoden krever at måneden er best egnet pluss salgsordrehistorikken for antall perioder som er spesifisert i behandlingsalternativet. 3 2 10 1 Eksempel Metode 10 Linjær utjevning. Denne metoden ligner Metode 9, WMA. I stedet for å tilfeldigvis tildele Vekter til de historiske dataene, brukes en formel å tildele vekter som avtar lineært og summen til 1 00 Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som alle lineære glidende gjennomsnittlige prognoseteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken utviser sterk trend eller sesongmessige mønstre Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forfallsfasen av livssyklusen. n er det antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel spesifiser n er lik 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode Systemet tilordner automatisk vektene til de historiske dataene som avtar lineært og summen til 1 00 For eksempel når n er 4 , tilordner systemet vekten 0, 0 3, 0 2 og 0 1, med de nyeste dataene som mottar størst vekt. Minimum påkrevd salgshistorie np lus antall tidsperioder som kreves for å vurdere prognoseperiodene med best passform. Dette tabellen er historien som brukes i prognoseberegningen.3 2 11 Metode 11 Eksponensiell utjevning. Denne metoden beregner et glatt gjennomsnitt som blir et estimat som representerer generelt salgsnivå over de valgte historiske data-periodene. Denne metoden krever salgsdatahistorikk for tidsperioden som er representert av antall perioder som passer best, pluss antall historiske datoperioder som er spesifisert Minimumskravet er to historiske datoperioder Dette Metoden er nyttig for å prognose etterspørsel når ingen lineær trend er i dataene. 3 2 11 1 Eksempel Metode 11 Eksponensiell utjevning. Denne metoden ligner Metode 10, Linjær utjevning i lineær utjevning, tilordner systemet vekt som er lineært redusert til de historiske dataene Ved eksponentiell utjevning tilordner systemet vekter som eksponentielt forfall. Ligningen for eksponentiell utjevning er prognoser. Forespørsel P revious Actual Sales 1 Tidligere Forecast. Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra forrige periode. Alpha er vekten som brukes på det faktiske salget for den forrige perioden. 1 er vekten som er brukt til prognosen for forrige periode Verdier for alfaområdet fra 0 til 1 og faller vanligvis mellom 0 1 og 0 4 Summen av vektene er 1 00 1 1.Du bør tildele en verdi for utjevningskonstanten, alfa Hvis du ikke gjør det tilordne en verdi for utjevningskonstanten, beregner systemet en antatt verdi som er basert på antall perioder med salgshistorikk som er spesifisert i behandlingsalternativet, lik den utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivå eller størrelsen på sales. Values ​​for alfa-området fra 0 til 1.n er lik rekkevidden av salgshistorikkdata som skal inkluderes i beregningene. Generelt er ett års salgshistorikkdata tilstrekkelig til å estimere det generelle salgsnivået For dette eksempelet ble en liten verdi for nn 4 valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene Eksponensiell utjevning kan generere en prognose som er basert på så lite som et historisk datapunkt. Minst nødvendig salgshistorie n pluss tallet av tidsperioder som kreves for å vurdere prognoseperiodene som passer best. Dette tabellen er historien som brukes i prognoseberegningen.3 2 12 Metode 12 Eksponensiell utjevning med trend og sesongmessighet. Denne metoden beregner en trend, en sesongbestemt indeks og en eksponentielt glatt gjennomsnitt fra salgsordrehistorikken Systemet bruker deretter en projeksjon av trenden til prognosen og justerer for sesongens indeks. Denne metoden krever antall perioder som passer best, pluss to års salgsdata, og er nyttig for varer som har både trend og sesongmessighet i prognosen Du kan skrive inn alfa - og beta-faktoren, eller få systemet til å beregne dem Alpha og beta-faktorer er utjevningskonstanten som systemet bruker til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget alfa og trendkomponenten i prognosen beta.3 2 12 1 Eksempelmetode 12 Eksponensiell utjevning med trend og sesonglighet. Denne metoden ligner metode 11, eksponentiell utjevning , ved at et glatt gjennomsnitt beregnes. Metode 12 inkluderer også et uttrykk i prognosekvasjonen for å beregne en jevn trend. Prognosen er sammensatt av et glatt gjennomsnitt som justeres for en lineær trend. Når spesifisert i behandlingsalternativet, er prognosen også justert for seasonality. Alpha er lik utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Valver for alfaområdet fra 0 til 1.Beta er lik utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for Trendskomponenten i prognosen. Valider for beta rekkevidde fra 0 til 1.Whh en sesongbasert indeks er brukt på prognosen. Alpha og beta er uavhengige av på e et annet De trenger ikke å summe til 1 0. Minste nødvendige salgshistorie Ett år pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform Når to eller flere års historisk data er tilgjengelig, bruker systemet to års data i beregningene. Metode 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en glatt trend og en enkel gjennomsnittlig sesongbasert indeks. En eksponensielt jevnet gjennomsnitt. En eksponensielt jevn trend. En enkel gjennomsnittlig sesongmessig sesong index. Figur 3-3 Enkel Gjennomsnittlig Seasonal Index. Prognosen beregnes da ved å bruke resultatene av de tre ligningene. L er lengden på sesonglengde L er 12 måneder eller 52 uker. Det er den nåværende tidsperioden. m er tallet av tidsperioder i fremtiden for prognosen. S er den multiplikative sesongjusteringsfaktoren som er indeksert til riktig tidsperiode. Denne tabellen viser historien som ble benyttet i prognosen. Denne delen pr egger en oversikt over prognosevalueringer og diskuterer. Du kan velge prognosemetoder for å generere så mange som 12 prognoser for hvert produkt. Hver prognosemetode kan skape en litt annen projeksjon. Når tusenvis av produkter er prognostisert, er en subjektiv beslutning ubrukelig angående hvilken prognose som skal brukes i planene for hvert produkt. Systemet evaluerer automatisk ytelsen for hver prognosemetode du velger, og for hvert produkt du forutsier. Du kan velge mellom to ytelseskriterier MAD og POA MAD er et mål for prognosefeil POA er et mål for prognoseforstyrrelser Begge disse prestasjonsevalueringsteknikkene krever faktiske salgshistorikkdata i en periode som er spesifisert av deg. Perioden til den siste historien som brukes til evaluering kalles en holdoutperiode eller periode med best egnethet. For å måle resultatene av en prognosemetode, bruker systemet. prognoseformler for å simulere en prognose for den historiske holdoutperioden. Lag en sammenligning mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når du velger flere prognosemetoder, oppstår denne samme prosessen for hver metode. Flere prognoser beregnes for holdingsperioden og sammenlignet med den kjente salgshistorikken for samme periode. Prognosemetoden som produserer den beste matchen best passer mellom prognosen og det faktiske salget i holdoutperioden anbefales for bruk i planene Denne anbefalingen er spesifikk for hvert produkt og kan endres hver gang du genererer en prognose.3 3 1 Mean Absolute Deviation. Mean Absolute Avvik MAD er gjennomsnittet eller gjennomsnittet av absoluttverdiene eller størrelsen av avvikene eller feilene mellom faktiske og prognosedata. MAD er et mål på gjennomsnittlig størrelsesorden for feilene som kan forventes, gitt en prognosemetode og datalogging. Fordi absolutte verdier brukes i Beregning, positive feil avbryter ikke negative feil Når man sammenligner flere prognosemetoder, er den med den minste MA D er den mest pålitelige for det aktuelle produktet for denne holdoutperioden Når prognosen er upartisk og feil distribueres normalt, eksisterer det et enkelt matematisk forhold mellom MAD og to andre vanlige distribusjonsmålinger, som er standardavvik og Mean Squared Error For eksempel. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2. Dette eksemplet angir beregningen av MAD for to av prognosemetoder Dette eksemplet forutsetter at du har angitt i behandlingsalternativet at holdoutperiodens lengdeperioder best passer equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. Weighted Moving Average Forecasting Methods Pros and Cons. Hi, LOVE your Post Was wondering if you could elaborate futher We use SAP In it there is a selection you can choose before you run your forecast called initialization If you check this option you get a forecast result, if you run forecast again, in the same period, and do not check initialization the result changes I can not figure out what that initialization is doing I mean, mathmatically Which forecast result is best to save and use for example The changes between the two are not in the forecasted quantity but in the MAD and Error, safety stock and ROP quantities Not sure if you use SAP. hi thanks for explaining so effeciently its too gd thanks again Jaspreet. Leave a Reply Cancel reply. About Shmula. Pete Abilla is the founder of Shmula and the character, Kanban Cody He has helped companies like Amazon, Zappos, eBay, Backcountry, and others reduce costs and improve the customer experience He does this through a systematic method for identifying pain points that impact the customer and the business, and encourages broad participation from the company associates to improve their own processes This website is a collection of his experiences he wants to share with you Get started with free downloads. Quantitative Approaches of Forecasting. Most of the quantitative techniques calculate demand forecast as an average from the past demand The following are the important demand forecasting techniques. Simple average method A simple average of demands occurring in all previous time periods is taken as the demand forecast for the next time period in this method Example 1.Simple moving average method In this method, the average of the demands from several of the most recent periods is taken as the demand forecast for the next time period The number of past periods to be used in calculations is selected in the beginning and is kept constant such as 3-period moving average Example 2.Weighted moving average method In this method, unequal weights are assigned to the past demand data while calculating simple moving average as the demand forecast for next time period Usually most recent data is assigned the highest weight factor Example 3.Exponential smoothing method In this method, weights are assigned in exponential order The weights decrease exponentially from most recent demand data to older demand data Example 4.Regression analysis method In this method, past demand data is used to establish a functional relationship between two variables One variable is known or assumed to be known and used to forecast the value of other unknown variable i e demand Example 5.Error in Forecasting. Error in forecasting is nothing but the numeric difference in the forecasted demand a nd actual demand MAD Mean Absolute Deviation and Bias are two measures that are used to assess the accuracy of the forecasted demand It may be noted that MAD expresses the magnitude but not the direction of the error.