Prognos demand glidande medelvärde

Kapitel 11 - Efterfrågan Management amp Prognoser 1. Perfekt prognos är praktiskt taget omöjligt 2. Istället för att söka efter den perfekta prognosen är det mycket viktigare att fastställa praxis för kontinuerlig översyn av prognos och att lära sig att leva med felaktig prognos 3. När prognoser , En bra strategi är att använda 2 eller 3 metoder och se dem för kommonsens syn. 2. Grundkällor för efterfrågan 1. Beroende efterfrågan - Efterfrågan på produkter eller tjänster som orsakas av efterfrågan på andra produkter eller tjänster. Inte mycket företaget kan göra, det måste uppfyllas. 2. Oberoende efterfrågan - efterfrågan som inte direkt kan härledas från efterfrågan på andra produkter. Fast kan: a) Ta en aktiv roll för att påverka efterfrågan - tillämpa påtryckningar på din försäljningskraft b) Ta en passiv roll för att påverka efterfrågan - om ett företag kör på full kapacitet, kanske det inte vill göra något för efterfrågan. Andra skäl är konkurrenskraftiga, juridiska, miljömässiga, etiska och moraliska. Försök att förutse framtiden utifrån en tidigare data. 1. Kort sikt - Under 3 månader - Taktiska beslut som att fylla i inventarier eller planera EEs inom kort. 2. Medellång sikt - 3 M-2Y - Fånga säsongseffekter som kunder svarar på en ny produkt 3. Lång sikt - mer än 2 år. Att identifiera stora vändpunkter och upptäcka allmänna trender. Linjär regression är en speciell typ av regression där relationerna mellan variabel bildar en rak linje Y abX. Y - beroende variabel a - Y avlyssning b - sluttning X - oberoende variabel Det används för långsiktig prognos av större händelser och aggregerad planering. Den används för både prognoser för tidsserier och prognoser för tillfälliga förhållanden. Är den mest använda prognostekniken. De senaste händelserna är mer vägledande för framtiden (högst förutsägbart värde) än de i det avlägsna förflutna. Vi bör ge mer vikt åt malmens senaste tidsperioder när vi prognoserar. Varje inkrement i det förflutna minskar med (1 alfa). Ju högre alfa, desto närmare följer prognosen. Senaste viktning alfa (1-alfa) na 0 Data en tidsperiod äldre alfa (1-alfa) na 1 Data två tidsperiod äldre alfa (1-alfa) na 2 Vilken av följande prognosmetoder är mycket beroende av val av Rätt personer som diktigt kommer att användas för att faktiskt generera prognosvärdet måste vara mellan 0 och 1 1. 2 eller flera förutbestämda värden för Alpha - beroende på graden av fel används olika värden för Alpha. Om felet är stort, är Alpha 0,8, om felet är litet, Alpha är 0,2. 2. Beräknade värden för Alpha - exponentiellt jämnade faktiska fel dividerat med det exponentiellt kvävda absoluta felet. Kvalitativa tekniker i prognoser Kunskap om experter och kräver stor bedömning (nya produkter eller regioner) 1. Marknadsundersökning - letar efter nya produkter och idéer, gillar och ogillar om befintliga produkter. Primärt tittar på förstärkare 2. Panel Consensus - tanken att 2 huvuden är bättre än en. Panel av personer från olika positioner kan utveckla en mer tillförlitlig prognos än en smalare grupp. Problemet är att lägre EE-nivåer hotas av högre nivåer av förvaltning. Verkställande dom används (högre ledningsnivå är inblandad). 3. Historisk Analogi - ett företag som redan tillverkar brödrostar och vill producera kaffekrukor skulle kunna använda brödrosthistoriken som en sannolik tillväxtmodell. 4. Delphi Metod - mycket beroende av urval av rätt personer som diktigt kommer att användas för att faktiskt generera prognosen. Alla har samma vikt (mer rättvis). Tillfredsställande resultat uppnås vanligtvis i 3 rundor. MÅL - Samarbetsplanering, prognos och efterfyllning (CPFR) Att utbyta utvald intern information på en gemensam webbserver för att tillhandahålla tillförlitliga och långsiktiga framtida synpunkter på efterfrågan i supply chain. Demand Forecasting Techniques: Flytta genomsnittlig exponentiell utjämning Detta Lektion kommer att diskutera efterfrågan prognos med fokus på försäljning av etablerade varor och tjänster. Det kommer att introducera kvantitativa tekniker för att flytta genomsnittlig och exponentiell utjämning för att bestämma försäljningsbehovet. Vad är efterfrågan på prognoser Återigen är det semesterperioden. Barnen är redo för ett besök från Santa, och föräldrarna stressas över shopping och ekonomi. Företagen slutar sin verksamhet för kalenderåret och förbereder sig för att flytta in i vad som ligger framöver. ABC Inc. tillverkar telefontråd. Deras bokförings - och verksamhetsperioder löper på ett kalenderår, så i slutet av året kan de sätta igång verksamheten före semestern och planera till början av ett nytt år. Det är dags för cheferna att förbereda och skicka in sina avtalsoperationsplaner till ledande befattningshavare så att de kan skapa en organisationsplan för det nya året. Försäljningsavdelningen är stressad ur sina sinnen. Efterfrågan på telefontråd var nere under 2015 och de allmänna ekonomiska uppgifterna tyder på en fortsatt nedgång i byggprojekt som kräver telefonledning. Bob, försäljningschefen, vet att ledningen, styrelsen och intressenterna hoppas på en optimistisk försäljningsprognos, men han känner att industrins lågkonjunktur kryper upp bakom honom för att ta itu med honom. Efterfrågan på prognoser är metoden att prospektera kundens efterfrågan på ett bra eller en tjänst. Denna process är en kontinuerlig en där chefer använder historiska data för att beräkna vad de förväntar sig att efterfrågan på en vara eller tjänst ska vara. Bob använder information från företagets förflutna och lägger den till ekonomiska data från marknaden för att se om försäljningen kommer att öka eller minska. Bob använder resultaten av efterfrågan prognos för att sätta mål för försäljningsavdelningen, samtidigt som man försöker hålla sig i linje med företagets mål. Bob kommer att kunna utvärdera resultatet av försäljningsavdelningen nästa år för att bestämma hur hans prognos kom ut. Bob kan använda olika tekniker som är både kvalitativa och kvantitativa för att bestämma tillväxten eller minskningen av försäljningen. Exempel på kvalitativa tekniker är: Utbildade gissningar Prediktionsmarknad Spelteori Delphi-teknik Exempel på kvantitativa tekniker är: Extrapolering Data mining Orsaksmodeller Box-Jenkins-modeller Ovanstående listade exempel på efterfrågan prognostekniker är bara en kort lista över de möjligheter som Bob har som han Praxis kräver prognoser. Denna lektion kommer att fokusera på ytterligare två kvantitativa tekniker som är enkla att använda och ger en objektiv och korrekt prognos. Flyttande medelformel Ett rörligt medelvärde är en teknik som beräknar den övergripande trenden i en dataset. I operationshanteringen är datamängden försäljningsvolym från historiska data från företaget. Denna teknik är mycket användbar för prognoser för kortsiktiga trender. Det är helt enkelt genomsnittet av en vald uppsättning tidsperioder. Den kallas flyttning eftersom det som ett nytt efterfråganummer beräknas för en kommande tidsperiod, faller det äldsta numret i uppsättningen och håller tidsperioden låst. Låt oss titta på ett exempel på hur försäljningschefen hos ABC Inc. kommer att förutse efterfrågan med hjälp av den glidande medelformeln. Formeln illustreras enligt följande: Flyttande medelvärde (n1 n2 n3.) N Där n antalet tidsperioder i datasatsen. Summan av första tidsperioden och alla ytterligare tidsperioder som valts delas med antalet tidsperioder. Bob bestämmer sig för att skapa sin efterfrågan prognos baserat på ett 5 års glidande medelvärde. Det innebär att han kommer att använda försäljningsvolymen från de senaste 5 åren som data för beräkningen. Exponentiell utjämning Exponentiell utjämning är en teknik som använder en utjämningskonstant som en förutsägare för framtida prognoser. När du använder ett antal i prognos som är ett genomsnitt, har det blivit jämna. Denna teknik tar historiska data från tidigare tidsperioder och tillämpade beräkningen för exponentiell utjämning för att prognostisera framtida data. I det här fallet kommer Bob också att tillämpa exponentiell utjämning för att jämföra mot tidigare beräkning av ett glidande medelvärde för att få en andra åsikt. Formeln för exponentiell utjämning är som följer. F (t) prognos för 2016 F (t-1) prognos för föregående år alfa utjämning konstant A (t-1) verklig försäljning från föregående år Utjämningskonstanten är en vikt som tillämpas på ekvationen baserat på hur mycket betoning företaget Platser på de senaste uppgifterna. Utjämningskonstanten är ett tal mellan 0 och 1. En utjämningskonstant på 0,9 skulle indikera att ledningen lägger stor vikt vid de senaste tidsperioderna historiska försäljningsdata. En utjämningskonstant på 0,1 skulle signalera att hanteringen lägger mycket liten tonvikt på föregående tidsperiod. Valet av en utjämningskonstant är hit eller miss och kan modifieras eftersom mer data finns tillgänglig. Vi använder diagrammet ovanifrån med den historiska försäljningsvolymen för att beräkna exponentialutjämningsprognosen för 2016. Det finns en extra kolumn för att inkludera prognostiserad försäljningsvolym. Denna beräkning är en ganska effektiv formel och ganska korrekt jämfört med andra tekniker för efterfrågan prognos. Lektion Sammanfattning Efterfrågan på prognoser är en väsentlig del av en planeras planerade planer för framtida tidsperioder. Olika tekniker kan användas, både kvalitativa och kvantitativa, och ge olika uppsättningar data till chefer som de förutsätter efterfrågan, särskilt i försäljningsvolymen. De glidande medel - och exponentiella utjämningsteknikerna är båda rättvisa exempel på metoder som kan användas för att förutse efterfrågan. För att låsa upp den här lektionen måste du vara en studiemedlem. Skapa ditt konto Earning College Credit Visste du att vi har över 79 högskolekurser som förbereder dig för att tjäna krediter genom examen som accepteras av över 2.000 högskolor och universitet. Du kan testa ut de första två åren av college och spara tusentals av din examen. Vem som helst kan tjäna pengar genom examen oavsett ålder eller utbildningsnivå. Överföring av kredit till skolan efter eget val Det är inte säkert vilket college du vill delta i än. Studien har tusentals artiklar om varje tänkbar examen, studieområde och karriärväg som kan hjälpa dig att hitta skolan som passar dig. Forskningsskolor, Högskolans karriärer Få den objektiva informationen du behöver för att hitta rätt skola. Bläddra Artiklar Enligt Kategori I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändrat. I händelse av ett konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande genomsnittet. En längre observationsperiod kommer att medeltala effekterna av variationen. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring av den underliggande processen. För att illustrera, föreslår vi en dataset som innehåller förändringar i underliggande medelvärden av tidsserierna. Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades. Medelvärdet börjar som en konstant vid 10. Börjar vid tid 21 ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30. Sedan blir det konstant igen. Uppgifterna simuleras genom att lägga till i genomsnitt ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3. Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationer som används för exemplet. När vi använder bordet, måste vi komma ihåg att vid varje given tidpunkt endast endast tidigare data är kända. Uppskattningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger av perioder. En slutsats framgår omedelbart av figuren. För alla tre uppskattningar ligger det rörliga genomsnittet bakom den linjära trenden, med att lagret ökar med m. Lagen är avståndet mellan modellen och uppskattningen i tidsdimensionen. På grund av fördröjningen underskattar det rörliga genomsnittet observationerna när medelvärdet ökar. Estimatorns förskjutning är skillnaden vid en viss tid i modellens medelvärde och medelvärdet förutspått av det rörliga genomsnittet. Förspänningen när medelvärdet ökar är negativt. För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och den bias som införs i uppskattningen är funktionerna i m. Ju större värdet av m. Desto större är storleken på fördröjning och förspänning. För en ständigt ökande serie med trend a. Värdena för fördröjning och förspänning av estimatorn för medelvärdet ges i ekvationerna nedan. Exempelkurvorna stämmer inte överens med dessa ekvationer eftersom exemplet modellen inte ständigt ökar, utan det börjar som en konstant, ändras till en trend och blir sedan konstant igen. Även kurvorna påverkas av bruset. Den glidande genomsnittliga prognosen för perioder i framtiden representeras genom att man ändrar kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjning och förspänning av prognosperioder i framtiden jämfört med modellparametrarna. Återigen är dessa formler för en tidsserie med en konstant linjär trend. Vi borde inte bli förvånad över resultatet. Den rörliga genomsnittliga beräkningen baseras på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena till en modell, borde vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det glidande medlet på 5 än det glidande medlet på 20. Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer mottaglig för förändringar I medelvärdet. Felet är skillnaden mellan den faktiska data och det prognostiserade värdet. Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är brusets varians. Den första termen är medelvärdet av det medelvärde som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen inte svarande mot en förändring i underliggande tidsserier. För att prognosen ska kunna reagera på förändringar vill vi ha m så liten som möjligt (1), men detta ökar felvarianansen. Praktisk prognos kräver ett mellanvärde. Prognoser med Excel Prognostillägget implementerar de glidande medelformlerna. Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B. De första 10 observationerna indexeras -9 till 0. Jämfört med tabellen ovan förskjuts periodens index med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0. MA (10) kolumnen (C) visar beräknade rörliga medelvärden. Den rörliga genomsnittsparametern m är i cell C3. Fore (1) kolumnen (D) visar en prognos för en period framåt. Prognosintervallet finns i cell D3. När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen nedåt. Err-kolumnen (E) visar skillnaden mellan observationen och prognosen. Till exempel är observationen vid tidpunkten 1 6. Det prognostiserade värdet som gjorts från det glidande medlet vid tidpunkten 0 är 11,1. Felet är då -5,1. Standardavvikelsen och genomsnittlig avvikelse (MAD) beräknas i cellerna E6 respektive E7.3. Förstå prognosnivåer och metoder Du kan generera både detaljprognoser och sammanfattningar (produktlinje) prognoser 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 Prognosutvärderingskriterier för prognos 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 under en period som du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Uppgifterna under denna period används som utgångspunkt 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 den mest exakta prognosen som passar bäst. 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 Formuläret Procent Över fjolårets formel för att multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att kunna förutse 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 under 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 tillväxt eller när försäljningshistoriken har en betydande säsongskomponent. Prognosspecifikationer: Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka tidigare års 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 är 115 gånger 1,1 126,5 avrundad till 127. 3.2.2 Metod 2: Beräknad procentsats under förra året Denna metod använder beräknad procentsats 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 kunna förutse efterfrågan kräver denna metod antalet perioder av 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 år till 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 Förra året till årets formel kopieras 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 ett betydande säsongsmässigt efterfrågan kan existera. 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 i fjol 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 det antal perioder som passar bäst, plus antalet perioder med orderorderhistorik. Denna metod är användbar för att prognostisera 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 korta prognoser för mogna produkter än för produkter som ligger i livscykelens tillväxt eller föråldring. Prognosspecifikationer: n är det antal försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt 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 månatligen för att upptäcka förändringar i trender. Denna metod kräver antal 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 beräkning 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), vilket är 137 (1 gånger 2) 139. Februari prognos december förra året 1 (Trend), vilket är 137 (2 gånger 2) 141. Marsprognos december av föregående år 1 (Trend), som är 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 den period 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 prognostisera efterfrågan när en linjär trend är i data. 3.2.6.1 Exempel: Metod 6: Minsta kvadratregression Linjär regression eller LAST-kvadratregression (LRR) 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 är tillgängligt skulle en större n (såsom n 24) vanligtvis 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 beräkningar 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: Tillnärmning av andra graden 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 denna metod 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 befinner sig i övergången mellan livscykelstadier. Till exempel, när en ny produkt flyttar från introduktion till tillväxtsteg, kan försäljningsutvecklingen accelereras. På grund av den andra ordningsperioden 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 till 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 prognosens prestanda (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 är lika med 140 129 131 400 Q3 (okt) (nov) (dec) vilket motsvarar 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. Denna grafik illustrerar plottningen av Q1, Q2, Q3 och Q4 för approximering av andra grader: Figur 3-2 Plottning Q1, Q2, Q3 och Q4 för approximering av andra grader Tre ekvationer beskriver de tre punkterna på grafen: (1) Q1 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 i ekvation (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c en 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 Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a 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 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Multiplication factor. For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. The method calculates a weighted average of recent sales history to arrive at a projection for the short term. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. A large value for n (such as 12) requires more sales history. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1.00. The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend. The forecast is composed of a smoothed average that is adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD is a measure of forecast error. POA is a measure of forecast bias. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (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. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) 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. In services, the magnitude of forecast errors is usually more important than is forecast 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.