3 Perioden Vägda Glidande Medelvärde

Viktat rörande medelvärde Det vägda rörliga genomsnittet lägger större vikt vid de senaste prisökningarna, därför reagerar det vägda rörliga genomsnittet snabbare på prisförändringar än det vanliga enkla rörliga genomsnittet (se: Enkelt rörligt medelvärde). Ett grundläggande exempel (3-period) av hur det vägda rörliga genomsnittet beräknas presenteras nedan: Priserna för de senaste 3 dagarna har varit 5, 4 och 8. Eftersom det finns 3 perioder får den senaste dagen (8) en vikten av 3, den andra senaste dagen (4) får en vikt av 2, och den sista dagen av 3-perioderna (5) mottar en vikt av bara en. Beräkningen är enligt följande: (3 x 8) (2 x 4) (1 x 5) 6 6.17 Det vägda rörliga genomsnittsvärdet på 6,17 jämförs med den enkla rörliga genomsnittsberäkningen på 5,67. Observera hur den stora prisökningen på 8 som uppstod den senaste dagen återspeglades bättre i den vägda rörliga genomsnittsberäkningen. Schemat nedan för Wal-Mart lager illustrerar den visuella skillnaden mellan ett 10-dagars vägt rörande medelvärde och ett 10-dagars enkelt rörligt medelvärde: Potentiella köp - och säljsignaler för den viktade rörande medelindikatorn diskuteras djupt med indikatorn Simple Moving Average (se: Enkelt rörligt medelvärde). Vilken039s skillnaden mellan glidande medelvärde och vägat glidande medelvärde. Ett 5-års glidande medelvärde baserat på ovanstående priser skulle beräknas med följande formel: Med utgångspunkt i ekvationen ovan var genomsnittspriset över perioden som anges ovan var 90,66. Att använda glidande medelvärden är en effektiv metod för att eliminera starka prisfluktuationer. Huvudbegränsningen är att datapunkter från äldre data inte vägs något annorlunda än datapunkter nära början av datasatsen. Det är här viktiga glidande medelvärden kommer i spel. Viktiga medelvärden tilldelar tyngre viktning till mer aktuella datapunkter eftersom de är mer relevanta än datapunkter i det avlägsna förflutna. Summan av viktningen ska lägga till upp till 1 (eller 100). När det gäller det enkla glidande medlet fördelas viktningarna jämnt, varför de inte visas i tabellen ovan. Slutpriset för AAPLWeighted Moving Average Prognosmetoder: Fördelar och nackdelar Hej, ÄLSKAR din inlägg. Undrade om du kunde utveckla vidare. Vi använder SAP. I det finns ett urval som du kan välja innan du kör din prognos som kallas initialisering. Om du markerar det här alternativet får du ett prognosresultat, om du kör prognos igen, under samma period och inte kontrollerar initieringen ändras resultatet. Jag kan inte ta reda på vad den här initialiseringen gör. Jag menar matematiskt. Vilket prognosresultat är bäst att spara och använda till exempel. Förändringarna mellan de två är inte i den prognostiserade kvantiteten men i MAD och Error, säkerhetslager och ROP-kvantiteter. Inte säker på om du använder SAP. hej tack för att du förklarade så effektivt det var för gd. tack igen Jaspreet Lämna ett svar Avbryt svar Om Shmula Pete Abilla är grundaren av Shmula och tecknet Kanban Cody. Han har hjälpt företag som Amazon, Zappos, eBay, Backcountry och andra att minska kostnaderna och förbättra kundupplevelsen. Han gör det genom en systematisk metod för att identifiera smärtpunkter som påverkar kunden och verksamheten, och uppmuntrar ett brett deltagande från företagets medarbetare för att förbättra sina egna processer. Den här webbplatsen är en samling av sina erfarenheter som han vill dela med dig. Kom igång med gratis nedladdningar 3 Förstå prognosnivåer och metoder Du kan generera både prognoser för detaljinfo och sammanfattningar (produktlinje) som speglar produktbehovsmönster. Systemet analyserar tidigare försäljning för att beräkna prognoser genom att använda 12 prognosmetoder. Prognoserna innehåller detaljerad information på objektnivå och högre nivåinformation om en filial eller företaget som helhet. 3.1 Prognos för prestationsutvärderingskriterier Beroende på valet av bearbetningsalternativ och trender och mönster i försäljningsdata, utförs vissa prognosmetoder 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 kan hända att en prognosmetod som ger goda resultat i ett skede av en produkts livscykel är lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna: Procent av noggrannhet (POA). Medel absolut avvikelse (MAD). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en period du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Uppgifterna under denna period används som grund för att rekommendera vilken prognosmetod som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. 3.1.1 Bästa passform Systemet rekommenderar den bästa anpassningsprognosen genom att använda de valda prognosmetoderna till tidigare försäljningsorderhistorik och jämföra prognosimuleringen till den aktuella historiken. När du genererar en bästa anpassningsprognos jämförs systemet faktiska försäljningsorderhistorier med prognoser för en viss tidsperiod och beräknar hur exakt varje olika prognosmetod förutspådde försäljningen. Då rekommenderar systemet att den mest exakta prognosen är den bästa passformen. Denna grafik illustrerar bästa passformsprognoser: Figur 3-1 Bästa passformsprognos Systemet använder denna stegsekvens för att bestämma bästa passformen: Använd varje specificerad metod för att simulera en prognos för hållbarhetsperioden. Jämför den faktiska försäljningen till de simulerade prognoserna för hållbarhetsperioden. Beräkna POA eller MAD för att bestämma vilken prognosmetod som ligger närmast den tidigare faktiska försäljningen. Systemet använder antingen POA eller MAD, baserat på de behandlingsalternativ som du väljer. Rekommendera en lämplig prognos för POA som är närmast 100 procent (över eller under) eller MAD som är närmast noll. 3.2 Prognosmetoder JD Edwards EnterpriseOne Forecast Management använder 12 metoder för kvantitativ prognos och anger vilken metod som passar bäst för prognosläget. Det här avsnittet diskuterar: Metod 1: Procent under förra året. Metod 2: Beräknad procentsats under förra året. Metod 3: Förra året till det här året. Metod 4: Flyttande medelvärde. Metod 5: Linjär approximation. Metod 6: Minsta kvadratregression. Metod 7: Tillnärmning av andra graden. Metod 8: Flexibel metod. Metod 9: Viktat rörande medelvärde. Metod 10: Linjär utjämning. Metod 11: Exponentiell utjämning. Metod 12: Exponentiell utjämning med trend och säsonglighet. Ange den metod som du vill använda i behandlingsalternativen för prognosgenereringsprogrammet (R34650). De flesta av dessa metoder ger begränsad kontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna specificeras av dig. Exemplen i guiden anger beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Metodsexemplen i guiden använder en del eller alla dessa datasatser, vilket är historiska data från de senaste två åren. Prognosprojektionen går in i nästa år. Försäljningshistorikdata är stabila med små säsongsökningar i juli och december. Detta mönster är karakteristiskt för en mogen produkt som kan närma sig föryngring. 3.2.1 Metod 1: Procent under förra året Denna metod använder formeln Percent Over Last Year för att multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att prognostisera efterfrågan kräver denna metod antalet perioder för bästa passform plus ett års försäljningshistoria. Denna metod är användbar för att prognostisera efterfrågan på säsongsvaror med tillväxt eller minskning. 3.2.1.1 Exempel: Metod 1: Procent över fjolåret Procenten över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor du anger och sedan projekt som resulterar under nästa år. Denna metod kan vara användbar vid budgetering för att simulera påverkan av en viss tillväxttakt eller när försäljningshistoriken har en betydande säsongskomponent. Prognosspecifikationer: Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka de tidigare årens försäljningshistorikdata med 10 procent. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform) som du anger. Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar 117 gånger 1,1 128,7 avrundad till 129. Marsprognosen motsvarar 115 gånger 1,1 126,5 avrundad till 127. 3.2.2 Metod 2: Beräknad procentsats under förra året Denna metod använder den beräknade procentsatsen över Förra året formel för att jämföra den tidigare försäljningen av specificerade perioder till försäljning från samma perioder föregående år. Systemet bestämmer en procentuell ökning eller minskning, och multiplicerar sedan varje period med procentandelen för att bestämma prognosen. För att prognostisera efterfrågan kräver denna metod antalet perioder med orderorderhistorik plus ett års försäljningshistorik. Denna metod är användbar för att förutspå kortfristig efterfrågan på säsongsvaror med tillväxt eller nedgång. 3.2.2.1 Exempel: Metod 2: Beräknad procentsats under förra året Beräknad procentsats Över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor som beräknas av systemet och sedan projekterar det resultatet för nästa år. Den här metoden kan vara användbar för att projicera inverkan på att förlänga den senaste tillväxttakten för en produkt till nästa år, samtidigt som man behåller ett säsongsmönster som finns i försäljningshistoriken. Prognosspecifikationer: Omsättning av försäljningshistoria som ska användas vid beräkning av tillväxten. Till exempel, specificera n är lika med 4 i bearbetningsalternativet för att jämföra försäljningshistorik för de senaste fyra perioderna till samma fyra perioder föregående år. Använd det beräknade förhållandet för att göra projiceringen för nästa år. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen, givet n 4: Februari-prognosen motsvarar 117 gånger 0,9766 114,26 avrundad till 114. Marsprognosen motsvarar 115 gånger 0,9766 112,31 avrundad till 112. 3.2.3 Metod 3: Förra året till i år Denna metod använder Förra årets försäljning för nästa års prognos. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus ett års orderorderhistorik. Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med efterfrågan på efterfrågan eller säsongens efterfrågan utan en trend. 3.2.3.1 Exempel: Metod 3: Förra året till det här året Det senaste året till årets formel kopierar försäljningsdata från föregående år till nästa år. Denna metod kan vara användbar vid budgetering för att simulera försäljningen på nuvarande nivå. Produkten är mogen och har ingen trend på lång sikt, men det kan finnas ett betydande säsongsmönster. Prognosspecifikationer: Ingen. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januari-prognosen motsvarar januari förra året med ett prognosvärde på 128. Februari-prognosen motsvarar februari i fjol med ett prognosvärde på 117. Marsprognosen är samma som i mars i fjol med ett prognostiskt värde av 115. 3.2.4 Metod 4: Flyttande medelvärde Med denna metod används den rörliga genomsnittsformeln för att medge det angivna antalet perioder för att projicera nästa period. Du bör räkna om det ofta (månadsvis eller åtminstone kvartalsvis) för att återspegla förändrad efterfråganivå. För att prognostisera efterfrågan kräver denna metod att antalet perioder passar bäst, plus antalet perioder med orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter utan en trend. 3.2.4.1 Exempel: Metod 4: Flytta genomsnittligt rörligt medelvärde (MA) är en populär metod för att medelvärda resultaten av den senaste försäljningshistoriken för att bestämma en prognos på kort sikt. MA prognosmetoden ligger bakom trenderna. Prognosfel och systematiska fel uppstår när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter än för produkter som ligger i livscykelns tillväxt eller föråldrade stadier. Prognosspecifikationer: n motsvarar antalet försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som grund för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men är långsamt att känna igen skift i försäljningsnivån. Omvänt är ett litet värde för n (som 3) snabbare att svara på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Nödvändig försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Februari-prognosen är lika med (114 119 137 125) 4 123,75 avrundad till 124. Marsprognosen är lika med (119 137 125 124) 4 126.25 avrundad till 126. 3.2.5 Metod 5: Linjär approximation Denna metod använder den linjära approximationsformeln för att beräkna en trend från antalet perioder av orderorderhistorik och att projicera denna trend till prognosen. Du bör omräkna trenden månadsvis för att upptäcka förändringar i trender. Denna metod kräver antalet perioder med bäst passform plus antal specificerade perioder av orderorderhistorik. Denna metod är användbar för att prognostisera efterfrågan på nya produkter eller produkter med konsekventa positiva eller negativa trender som inte beror på säsongsvariationer. 3.2.5.1 Exempel: Metod 5: Linjär approximation Linjär approximation beräknar en trend som baseras på två försäljningshistoriska datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Prognosspecifikationer: n motsvarar datapunktet i försäljningshistorik som jämförs med den senaste datapunkten för att identifiera en trend. Ange till exempel n 4 för att använda skillnaden mellan december (senaste uppgifterna) och augusti (fyra perioder före december) som grund för beräkningen av trenden. Minimikrav på försäljningshistorik: n plus 1 plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januariprognos december förra året 1 (Trend), som är 137 (1 gånger 2) 139. Februari prognos december förra året 1 (Trend) vilket är 137 (2 gånger 2) 141. Marsprognos december förra året 1 (Trend), som är lika med 137 (3 gånger 2) 143. 3.2.6 Metod 6: Minsta kvadratregression Metoden för minsta kvadratregression (LSR) härleder en ekvation som beskriver ett raklinjeläge mellan historiska försäljningsdata och tidens gång. LSR passar en linje till det valda datamängden så att summan av kvadraterna för skillnaderna mellan de faktiska försäljningsdatapunkterna och regressionslinjen minimeras. Prognosen är en projicering av denna raka linje i framtiden. Denna metod kräver försäljningsdatahistorik för perioden som representeras av antalet perioder som passar bäst och det angivna antalet historiska datoperioder. Minimikravet är två historiska datapunkter. Denna metod är användbar för att förutse efterfrågan när en linjär trend är i data. 3.2.6.1 Exempel: Metod 6: Minsta kvadratregression Linjär regression eller LAST-kvadratregression (LSR) är den mest populära metoden för att identifiera en linjär trend i historiska försäljningsdata. Metoden beräknar värdena för a och b som ska användas i formeln: Denna ekvation beskriver en rak linje, där Y representerar försäljning och X representerar tid. Linjär regression är långsam att känna igen vändpunkter och stegfunktionsskift i efterfrågan. Linjär regression passar en rak linje till data, även om data är säsongsbetonad eller bättre beskrivs av en kurva. När försäljningshistorikdata följer en kurva eller har ett starkt säsongsmönster uppträder prognosfel och systematiska fel. Prognosspecifikationer: n är lika med försäljningshistorikperioderna som kommer att användas vid beräkning av värdena för a och b. Ange till exempel n 4 för att använda historiken från september till december som grund för beräkningarna. När data finns tillgängligt, skulle en större n (såsom n 24) normalt användas. LSR definierar en rad för så få som två datapunkter. För detta exempel valdes ett litet värde för n (n 4) för att minska de manuella beräkningarna som krävs för att verifiera resultaten. Minimikrav på försäljningshistorik: n perioder plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Marsprognosen motsvarar 119,5 (7 gånger 2,3) 135,6 avrundad till 136. 3.2.7 Metod 7: Andra grader Approximation För att projicera prognosen använder denna metod andra grader approximationsformeln för att plotta en kurva Det är baserat på antalet försäljningsperioder. Denna metod kräver antalet perioder som passar bäst, plus antalet perioder av försäljningsorderhistorik gånger tre. Denna metod är inte användbar för att prognostisera efterfrågan på en långsiktig period. 3.2.7.1 Exempel: Metod 7: Andra graden approximation Linjär regression bestämmer värdena för a och b i prognosformeln Y a b X med målet att anpassa en rak linje till försäljningshistorikdata. Andra grader Approximation är likartad, men den här metoden bestämmer värdena för a, b och c i den här prognosformeln: Y a b X c X 2 Syftet med denna metod är att passa en kurva till försäljningshistorikdata. Denna metod är användbar när en produkt är i övergången mellan livscykelstadier. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Denna metod är endast användbar på kort sikt. Prognosspecifikationer: Formeln hitta a, b och c för att passa en kurva till exakt tre punkter. Du anger n, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel, n 3. Faktiska försäljningsdata för april till juni kombineras till första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan är monterad på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 gånger n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Maj) (Jun), vilket motsvarar 125 122 137 384 Q2 (Jul) (Aug) (Sep) vilket motsvarar 140 129 131 400 Q3 (okt) (nov) (dec) vilket är lika med 114 119 137 370 Nästa steg innebär att de tre koefficienterna a, b och c används för att användas i prognosformeln Y ab X c X 2. Q1, Q2 och Q3 presenteras på grafiken, där tiden är planerad på den horisontella axeln. Q1 representerar total historisk försäljning för april, maj och juni och är plottad på X 1 Q2 motsvarar juli till september Q3 motsvarar oktober till december och Q4 representerar januari till mars. Figur 3-2 Plottning Q1, Q2, Q3 och Q4 för approximering av andra grader Tre ekvationer beskriver de tre punkterna på diagrammet: (1) Q1, Q2, Q3 och Q4 för andra graders approximation: Figur 3-2 en bX cX 2 där X 1 (Q1 abc) (2) Q2 en bX cX2 där X2 (Q2 a2b4c) (3) Q3 en bX cX2 där X3 (Q3 a 3b 9c) Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation 1 (1) från ekvation 2 (2) och lösa för b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersätt denna ekvation för b till ekvation (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Äntligen ersätt dessa ekvationer för a och b till ekvation (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1c (Q3 ndash Q2) (Q1 ndash Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: en Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 gånger ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Detta är en beräkning av approximationsprognos för andra graden: Y a bX cX 2 322 85X (ndash23) (X 2) När X 4, Q4 322 340 ndash 368 294. Prognosen motsvarar 294 3 98 per period. När X 5, Q5 322 425 ndash 575 172. Prognosen motsvarar 172 3 58,33 avrundad till 57 per period. När X 6, Q6 322 510 ndash 828 4. Prognosen är lika med 4 3 1,33 avrundad till 1 per period. Detta är prognosen för nästa år, förra året till det här året: 3.2.8 Metod 8: Flexibel metod Med den här metoden kan du välja det passande antal perioder av orderorderhistorik som börjar n månader före prognosens startdatum och till tillämpa en procentuell ökning eller minskning av multiplikationsfaktorn för att ändra prognosen. Denna metod liknar Metod 1, Procent över förra året, förutom att du kan ange antalet perioder som du använder som bas. Beroende på vad du väljer som n kräver denna metod perioder som passar bäst och antalet perioder med försäljningsdata som anges. Denna metod är användbar för att förutse efterfrågan på en planerad trend. 3.2.8.1 Exempel: Metod 8: Flexibel metod Den flexibla metoden (Procent över n månader tidigare) liknar Metod 1, Procent över förra året. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod med en faktor som specificeras av dig och sedan projekterar det resultatet i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Du kan också använda den flexibla metoden för att ange en tidsperiod, annan än samma period det senaste året, för att använda som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka tidigare försäljningshistorikdata med 10 procent. Basperiod Till exempel orsakar n 4 den första prognosen baseras på försäljningsdata i september förra året. Minimikrav på försäljningshistorik: Antalet perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Den här tabellen är historia som används i prognosberäkningen: 3.2.9 Metod 9: Viktad Flyttande Genomsnitt Den viktade Flytta genomsnittliga formeln liknar Metod 4, Flyttande medelformel, eftersom den genomsnittlig försäljningshistorik för föregående månader för att projicera nästa månads försäljningshistorik. Med denna formel kan du dock tilldela vikter för varje tidigare period. Denna metod kräver antalet viktiga perioder som valts plus antalet perioder som passar bäst i data. På samma sätt som rörande medelvärde ligger denna metod bakom efterfrågan trender, så den här metoden rekommenderas inte för produkter med starka trender eller säsongsmässiga egenskaper. Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med en efterfrågan som är relativt nivå. 3.2.9.1 Exempel: Metod 9: Vägt rörlig medelvärde Den viktade rörliga genomsnittsmetoden (WMA) liknar Metod 4, Flyttande medelvärde (MA). Du kan dock tilldela ojämna vikter till historiska data när du använder WMA. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så WMA är mer mottaglig för skift i försäljningsnivån. Men prognosfel och systematiska fel uppstår när produktförsäljningshistoriken uppvisar starka trender eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i livscykelns tillväxt eller föråldrade stadier. Antalet försäljningshistorikperioder (n) som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som grund för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Ett sådant värde resulterar i en stabil prognos, men det är långsamt att känna igen skift i försäljningsnivån. Omvänt svarar ett litet värde för n (som 3) snabbare till förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Det totala antalet perioder för behandlingsalternativet rdquo14 - perioder till includerdquo bör inte överstiga 12 månader. Den vikt som tilldelas var och en av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1,00. Till exempel när n 4 tilldelar vikter på 0,50, 0,25, 0,15 och 0,10 med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januari-prognosen motsvarar (131 gånger 0,10) (114 gånger 0,15) (119 gånger 0,25) (137 gånger 0,50) (0,10 0,15 0,25 0,50) 128,45 avrundad till 128. Februari-prognosen motsvarar (114 gånger 0,10) (119 gånger 0,15) (128 gånger 0,25) (128 gånger 0,25) (128 gånger 0,50) 1 128,45 avrundad till 128. 3.2.10 Metod 10: Linjär utjämning Denna metod beräknar ett vägt genomsnitt av tidigare försäljningsdata. I beräkningen använder denna metod antalet perioder av orderorderhistorik (från 1 till 12) som anges i behandlingsalternativet. Systemet använder en matematisk progression för att väga data i intervallet från den första (minsta vikten) till den slutliga (mest vikt). Då projicerar systemet denna information till varje period i prognosen. Denna metod kräver att månaderna bäst passar plus försäljningsorderhistoriken för antalet perioder som anges i behandlingsalternativet. 3.2.10.1 Exempel: Metod 10: Linjär utjämning Denna metod liknar Metod 9, WMA. I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Liksom alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i livscykelns tillväxt eller föråldrade stadier. n är det antal försäljningsperioder som ska användas i prognosberäkningen. Till exempel, specificera n är lika med 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Systemet tilldelar automatiskt vikterna till de historiska data som minskar linjärt och summerar till 1,00. Till exempel, när n är lika med 4, tilldelar systemet vikter av 0,4, 0,3, 0,2 och 0,1, med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: 3.2.11 Metod 11: Exponentiell utjämning Denna metod beräknar ett jämnt medelvärde som blir en uppskattning som representerar den allmänna försäljningsnivån över de valda historiska datoperioderna. Denna metod kräver försäljningsdatahistorik för den tidsperiod som representeras av antalet perioder som passar bäst och antalet historiska dataperioder som anges. Minimikravet är två historiska datoperioder. Denna metod är användbar för att förutse efterfrågan när ingen linjär trend är i data. 3.2.11.1 Exempel: Metod 11: Exponentiell utjämning Denna metod liknar metod 10, linjär utjämning. Vid linjär utjämning tilldelar systemet systemvikter som avviker linjärt till historiska data. Vid exponentiell utjämning tilldelar systemet vikter som exponentiellt sönderfall. Ekvationen för Exponentiell utjämningsprognos är: Prognos alfa (Tidigare verklig försäljning) (1 ndashalpha) (Tidigare prognos) Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period. Alpha är vikten som tillämpas på den faktiska försäljningen under föregående period. (1 ndash alfa) är den vikt som tillämpas på prognosen för föregående period. Värden för alfaintervallet är från 0 till 1 och faller vanligen mellan 0,1 och 0,4. Summan av vikterna är 1,00 (alfa (1 ndash alfa) 1). Du bör tilldela ett värde för utjämningskonstanten, alfa. Om du inte tilldelar ett värde för utjämningskonstanten beräknar systemet ett antaget värde som är baserat på antalet perioder av försäljningshistorik som anges i bearbetningsalternativet. alfa är lika med utjämningskonstanten som används för att beräkna det jämnde genomsnittet för den allmänna nivån eller storleken på försäljningen. Värdena för alfabetik från 0 till 1. n är lika med utbudet av försäljningshistorikdata som ingår i beräkningarna. I allmänhet är ett års försäljningshistorikdata tillräckligt för att uppskatta den allmänna försäljningsnivån. För detta exempel valdes ett litet värde för n (n 4) för att minska de manuella beräkningarna som krävs för att verifiera resultaten. Exponentiell utjämning kan generera en prognos som baseras på så lite som en historisk datapunkt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: 3.2.12 Metod 12: Exponentiell utjämning med trend och säsonglighet Denna metod beräknar en trend, ett säsongsindex och ett exponentiellt jämnt medelvärde från försäljningsorderhistoriken. Systemet tillämpar sedan en prognos av trenden mot prognosen och justerar för säsongsindex. Denna metod kräver antalet perioder som bäst passar plus två års försäljningsdata, och är användbar för objekt som har både trend och säsong i prognosen. Du kan ange alfa - och beta-faktorn, eller få systemet att beräkna dem. Alfa - och beta-faktorer är den utjämnade konstanten som systemet använder för att beräkna det jämnade genomsnittet för den allmänna nivån eller storleken på försäljningen (alfa) och trendkomponenten i prognosen (beta). 3.2.12.1 Exempel: Metod 12: Exponentiell utjämning med trend och säsonglighet Denna metod liknar Metod 11, Exponentiell utjämning, genom att ett jämnat medel beräknas. Metod 12 innehåller emellertid också en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av ett jämn genomsnitt som justeras för en linjär trend. När det anges i bearbetningsalternativet justeras prognosen också för säsongsmässigt. Alpha motsvarar utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Värden för alfabetik från 0 till 1. Beta är lika med utjämningskonstanten som används vid beräkning av det jämnvärda medelvärdet för trendkomponenten i prognosen. Värden för beta-intervall från 0 till 1. Om ett säsongsindex används för prognosen. Alfa och beta är oberoende av varandra. De behöver inte uppgå till 1,0. Minimikrav på försäljningshistorik: Ett år plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). När två eller flera års historisk data är tillgänglig använder systemet två års data i beräkningarna. Metod 12 använder två exponentiala utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och ett enkelt genomsnittligt säsongsindex. Ett exponentiellt slätat medelvärde: En exponentiellt jämn trend: Ett enkelt genomsnittligt säsongsindex: Figur 3-3 Enkelt medelstadsindex Indexet beräknas sedan med hjälp av resultaten av de tre ekvationerna: L är säsongens längd (L är 12 månader eller 52 veckor). t är den aktuella tidsperioden. m är antalet tidsperioder i prognosens framtid. S är den multiplikativa säsongsjusteringsfaktorn som indexeras till lämplig tidsperiod. Denna tabell visar historiken som används i prognosberäkningen: Det här avsnittet ger en översikt över prognosutvärderingar och diskuterar: Du kan välja prognosmetoder för att generera så många som 12 prognoser för varje produkt. Varje prognosmetod kan skapa en något annorlunda projicering. När tusentals produkter prognostiseras är ett subjektivt beslut opraktiskt med avseende på vilken prognos som ska användas i planerna för varje produkt. Systemet utvärderar automatiskt prestanda för varje prognosmetod som du väljer och för varje produkt som du förutspår. Du kan välja mellan två prestandakriterier: MAD och POA. MAD är ett mått på prognosfel. POA är ett mått på prognosförskjutning. Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata under en period som anges av dig. Perioden för den senaste historiken som används för utvärdering kallas en uthållningsperiod eller period med bästa passform. För att mäta prestanda för en prognosmetod, systemet: Använd prognosformulären för att simulera en prognos för historisk uthållighetsperiod. Gör en jämförelse mellan den faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När du väljer flera prognosmetoder, förekommer samma process för varje metod. Flera prognoser beräknas för hållbarhetsperioden och jämfört med den kända försäljningshistoriken för samma period. Prognosmetoden som ger den bästa matchningen (bästa passformen) mellan prognosen och den faktiska försäljningen under uthållningsperioden rekommenderas för användning i planerna. Denna rekommendation är specifik för varje produkt och kan ändras varje gång du genererar en prognos. 3.3.1 Genomsnittlig Absolut avvikelse Medel Absolut Avvikelse (MAD) är medelvärdet (eller genomsnittet) av de absoluta värdena (eller storleken) av avvikelserna (eller fel) mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleken på fel som kan förväntas, med en prognosmetod och datalogistik. Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel. När man jämför flera prognosmetoder är den med den minsta MAD den mest tillförlitliga för den produkten under den perioden som håller fast. När prognosen är opartisk och fel normalt distribueras finns det ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsfördelningar, som är standardavvikelse och Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 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. När prognoserna är konsekvent för höga ackumuleras lager och lagerkostnader stiger. 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) ndash (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. I tjänster är storleken på prognosfel vanligtvis viktigare än vad som är prognostiserad bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 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.