Ennuste Demand Liikkuva Keskiarvo

Luku 11 - Kysyntäohjauksen vahvistin Ennuste 1. Täydellinen ennuste on käytännössä mahdotonta 2. Ennusteta täydellisen ennusteen sijaan on paljon tärkeämpää määrittää ennusteiden jatkuva tarkistaminen ja oppia elämään epätarkan ennusteen avulla. 3. Ennusteessa , hyvä strategia on käyttää 2 tai 3 menetelmiä ja katsoa niitä tavalliseen näkemykseen. 2. kysynnän peruslähteet 1. riippuvainen kysyntä - tuotteiden tai palvelujen kysyntä muiden tuotteiden tai palveluiden kysynnästä. Ei paljon yritys voi tehdä, se on täytettävä. 2. Riippumaton kysyntä - kysyntä, jota ei voida suoraan johtaa muiden tuotteiden kysyntään. Yritys voi a) vaikuttaa aktiivisesti kysyntään - painostaa myyntiyritystä b) ottaa passiivisen roolin kysyntään - jos yritys toimii täydellä kapasiteetilla, se ei välttämättä halua tehdä mitään kysyntään. Muut syyt ovat kilpailukykyiset, oikeudelliset, ympäristölliset, eettiset ja moraaliset. Yritä ennustaa tulevaisuutta aiempien tietojen perusteella. 1. Lyhytaikainen - alle 3 kuukautta - taktiset päätökset, kuten varastojen lisääminen tai aikataulutus EE: t lähitulevaisuudessa 2. Keskipitkä aikaväli - 3 M-2Y - kausittaiset vaikutukset, kuten asiakkaat reagoivat uuteen tuotteeseen 3. Pitkäaikainen - enemmän kuin 2 vuotta. Merkittävien käännekohtien tunnistaminen ja yleisten suuntausten havaitseminen. Lineaarinen regressio on erityinen regressiotyyppi, jossa muuttujan väliset suhteet muodostavat suoran Y abX. Y - riippuva muuttuja a - Y - leikkaus b - kaltevuus X - itsenäinen muuttuja Tätä käytetään pitkän aikavälin ennusteisiin suuria tapahtumia ja kokonaissuunnittelua varten. Sitä käytetään sekä aikasarjan ennusteisiin että satunnaisiin suhteisiin liittyviin ennusteisiin. Käytetään eniten ennustustekniikkaa. Viimeisimmät tapahtumat osoittavat enemmän tulevaisuutta (korkein ennakoitavissa oleva arvo) kuin kaukaisemmassa menneisyydessä. Meidän pitäisi antaa enemmän painoa malmin viimeaikaisille aikajaksoille, kun ennustetaan. Jokainen menneisyyden lisäys vähenee (1- alfa). Mitä korkeampi on alfa, sitä tarkemmin ennuste seuraa todellista. Viimeisin painotus alfa (1-alpha) na 0 Tiedot yhdestä aikajaksosta vanhempi alfa (1-alfa) na 1 Tiedot kaksi aikajaksoa vanhempi alfa (1-alfa) na 2 Mikä seuraavista ennusteista riippuu suuresti oikeita yksilöitä, joita arvioitaessa käytetään ennustearvon tosiasialliseen tuottamiseen, on oltava välillä 0 ja 1 1. 2 tai useampia ennalta määritettyjä Alpha-arvoja - riippuen virheasteesta käytetään Alpha-arvoja. Jos virhe on suuri, Alpha on 0,8, jos virhe on pieni, Alpha on 0,2 2. Alpha - eksponentiaalisesti tasoitetun todellisen virheen lasketut arvot jaettuna eksponentiaalisesti kuumennetulla absoluuttisella virheellä. Ennustamisen kvalitatiiviset tekniikat Asiantuntijoiden tuntemus ja paljon harkintaa (uusia tuotteita tai alueita) 1. Markkinatutkimus - etsii uusia tuotteita ja ideoita, tykkää ja kieltää olemassa olevista tuotteista. Ensisijaisesti SURVEYS amp INTERVIEWS 2. Paneeli Konsensus - ajatus siitä, että 2 päätä on parempi kuin yksi. Useiden eri asioiden henkilökunta voi kehittää luotettavamman ennusteen kuin kapeampi ryhmä. Ongelmana on, että alemmat EE-tasot pelkäävät korkeammat hallintotasot. Käytä tuomiota (korkeampi hallintotaso on mukana). 3. Historiallinen analogia - yritys, joka jo tuottaa leivänpaahtimet ja haluaa valmistaa kahviauhoja, voi käyttää leivänpaahdin historiaa todennäköisenä kasvumallina. 4. Delphi-menetelmä - hyvin riippuvainen oikeiden ihmisten valinnasta, joita tuomion avulla voidaan käyttää ennusteiden tuottamiseen. Jokaisella on sama paino (enemmän oikeudenmukaista). Tyydyttävä tulos saavutetaan yleensä kolmessa kierroksessa. TAVOITE - Yhteistoiminnallinen suunnittelu, ennustaminen ja täydennys (CPFR) Valitun sisäisen tiedon vaihtaminen jaetun web-palvelimen tarjoamiseksi luotettavien, pidemmän aikavälin tulevia näkymiä toimitusketjun kysyntään. Kysymys ennakointi tekniikoita: Moving Average Exponential Smoothing This Oppitunti käsittelee kysynnän ennustamista keskittymällä vakiintuneiden tavaroiden ja palveluiden myyntiin. Siinä otetaan käyttöön kvantitatiiviset tekniikat liukuvan keskiarvon ja eksponentiaalisen tasoituksen avulla myyntikysynnän määrittämiseksi. Mikä on kysynnän ennakointi Jälleen kerran on lomakautta. Lapset ovat valmiita vierailemaan Joulupukilta ja vanhempia korostetaan ostoksilla ja talouksilla. Yritykset viimeistelevät toimintansa kalenterivuodeksi ja valmistautuvat siirtymään eteenpäin. ABC Inc. valmistaa puhelinjohtoja. Niiden kirjanpito - ja toiminta-aikajaksot kuluvat kalenterivuoden aikana, joten vuoden loppuun mennessä he voivat lopettaa toimintansa ennen lomaa ja suunnitella uuden vuoden alkua. Aika johtajille on valmistaa ja toimittaa osastojen toimintasuunnitelmat ylimmälle johdolle, jotta he voivat luoda uuden vuoden organisaatiosuunnitelman. Myyntiosasto on korostunut mieltään. Puhelinkaapelin kysyntä laski vuonna 2015 ja yleiset taloudelliset tiedot viittaavat jatkuvaan laskusuhdanteeseen rakennusprojekteissa, jotka edellyttävät puhelinjohtoa. Bob, myyntipäällikkö, tietää, että ylimmän johdon, hallituksen ja sidosryhmien toivoo optimistisen myyntiennusteen, mutta hän tuntee jään teollisuuden taantuman lakkauttamista hänen takanaan puuttua häntä. Kysynnän ennakointi on tapa suunnitella asiakkaan kysyntää hyväksi tai palveluksi. Tämä prosessi on jatkuva, jossa johtajat käyttävät historiallisia tietoja laskemaan, mitä he odottavat myynnin kysynnän hyvän tai palvelun olevan. Bob käyttää tietoja yrityksestä aiemmin ja lisää sen markkinoiden taloudellisiin tietoihin nähdäksesi, onko myynti kasva tai lasku. Bob käyttää kysynnän ennusteen tuloksia asettamaan tavoitteita myyntiosastolle samalla, kun pyrkii pitämään yllä yrityksen tavoitteita. Bob voi arvioida myynnin osaston tuloksia ensi vuonna selvittääkseen hänen ennusteensa. Bob voi käyttää erilaisia ​​tekniikoita, jotka ovat sekä laadullisia että kvantitatiivisia myynnin kasvun tai laskun määrittämiseksi. Esimerkkejä kvalitatiivisista tekniikoista ovat: Koulutetut arvaukset Prediction market Peliteoria Delphi-tekniikka Esimerkkejä kvantitatiivisista tekniikoista ovat: Ekstrapolaatio Data-kaivaminen Syylliset mallit Box-Jenkins-mallit Edellä luetellut esimerkit kysynnän ennustustekniikoista ovat vain lyhyt luettelo Bobin käytettävissä olevista mahdollisuuksista käytäntöjen kysynnän ennustaminen. Tämä oppitunti keskittyy kahteen kvantitatiiviseen tekniikkaan, jotka ovat helppoja käyttää ja tarjoavat objektiivisen ja tarkan ennusteen. Liikkuva keskimääräinen kaava Liikkuva keskiarvo on tekniikka, joka laskee tietojoukon yleisen kehityksen. Toiminnanhallinnassa tietojoukko on yrityksen historiallisten tietojen myynnin määrä. Tämä tekniikka on erittäin hyödyllinen lyhytaikaisten suuntausten ennustamiseen. Se on yksinkertaisesti tietyn sarjan aikavälejä. Sen nimeltään siirrytään, koska uuden kysyntänumeron laskemiseksi tulevana ajanjaksona vanhin asetettu numero putoaa, pitämällä ajanjakso lukittuna. Katsokaa esimerkkiä siitä, miten ABC Inc: n myyntipäällikkö ennakoi kysyntää käyttäen liukuvan keskiarvon kaavaa. Kaava on havainnollistettu seuraavasti: Siirrä keskiarvo (n1 n2 n3.) N Jos n datajoukon aikajaksot. Ensimmäisen aikajakson ja kaikkien valittujen lisäaikajaksojen summa jaetaan ajanjaksojen määrällä. Bob päättää luoda kysyntäennusteen, joka perustuu viiden vuoden liukuvaan keskiarvoon. Tämä tarkoittaa sitä, että hän käyttää laskennassa käytettäviä tietoja myyntimääristä viimeisten 5 vuoden ajalta. Eksponentiaalinen tasoittaminen Eksponentiaalinen tasoitus on tekniikka, joka käyttää tasoitusvakion ennustamaan tulevaa ennustusta. Kun käytät ennusteiden määrää, joka on keskimäärin, se on tasoitettu. Tämä tekniikka vie historiallisia tietoja aikaisemmilta aikajaksoilta ja soveltaa eksponentiaalisen tasoituksen laskennan tulevien tietojen ennustamiseen. Tässä tapauksessa Bob soveltaa myös eksponentiaalisia tasoituksia vertailemaan aikaisempaa liukuvan keskiarvon laskentaa saadakseen toisen lausunnon. Eksponentiaalisen tasauksen kaava on seuraava. F (t) - ennuste vuodelle 2016 F (t-1) ennuste edellisvuodesta edellisvuoden todellisen myynnin alfa tasoitusvakio A (t-1) Tasoitusvakio on paino, jota sovelletaan yhtälöön sen perusteella, paikkoja uusimmissa tiedoissa. Tasoitusvakio on 0: n ja 1: n välinen luku. Tasoitusvakio 0,9 ilmoittaa, että johto asettaa paljon painotusta edellisimmille aikajaksoille historiallisista myyntitiedoista. Tasoitusvakio 0,1 merkitsee, että johto asettaa hyvin vähän huomiota edelliseen ajanjaksoon. Tasoitusvakion valinta on osuma tai puuttuu, ja sitä voidaan muuttaa, koska käytettävissä on enemmän tietoja. Käytämme kaaviota ylhäältä historiallisen myyntimäärän kanssa, jotta voimme laskea eksponentiaalisen tasoituksen ennusteen vuodelle 2016. On olemassa ylimääräinen sarake, johon sisältyy ennustettu myyntimäärä. Tämä laskelma on melko tehokas kaava ja melko tarkka verrattuna muihin kysynnän ennustamistekniikoihin. Oppitunnin yhteenveto Kysynnän ennakointi on olennainen osa yrityksen suunniteltuja suunnitelmia tuleville aikajaksoille. Eri tekniikoita voidaan käyttää sekä laadullisesti että kvantitatiivisesti, ja ne tarjoavat erilaiset datayhdistelmät johtajille, sillä he ennakoivat kysyntää, erityisesti myynnin määrässä. Liikkuva keskiarvo ja eksponentiaaliset tasoitustekniikat ovat molemmat hyviä esimerkkejä menetelmistä, joiden avulla voidaan ennakoida kysyntää. Tämän oppitunnin lukituksen avaamiseksi sinun tulee olla opiskelijajäsen. Luo tili Yrittäjäkoulutus Luototko Osaatko tietää? Meillä on yli 79 korkeakoulututkintoa, jotka valmistautuvat ansaitsemaan luottoa tentillä, joka on hyväksytty yli 2 000 korkeakoululla ja yliopistolla. Voit kokeilla kahden ensimmäisen vuoden opiskelua ja pelastaa tuhannet pois tutkinnoista. Jokainen voi ansaita luotto-tenttiin ikään tai koulutustasosta riippumatta. Luottamuksen siirtäminen valitsemallesi koululle Ei ole varmaa, minkä yliopiston haluat osallistua. Tutkimus sisältää tuhansia artikkeleita jokaisesta kuviteltavasta tutkinnoista, opintoalasta ja urapolusta, joka auttaa sinua löytämään koulun, joka sopii sinulle parhaiten. Tutkijakoulut, asteet ja ura-alueet Hanki puolueeton info, jota tarvitset löytää oikea koulu. Selaa artikkeleita luokkaan Käytännössä liikkuva keskiarvo antaa hyvän arvion aikasarjan keskiarvosta, jos keskiarvo on vakio tai hitaasti muuttuva. Vakaan keskiarvon tapauksessa m: n suurin arvo antaa parhaan estimaatin keskiarvosta. Pitempi havaintojakso keskittää vaihtelun vaikutukset keskimäärin. Pienemmän m: n tarjoamisen tarkoituksena on antaa ennuste reagoida taustalla olevan prosessin muutokseen. Havainnollistamiseksi ehdotamme tietojoukkoa, joka sisältää muutoksia aikasarjojen keskiarvoon. Kuvassa esitetään aikasarjat havainnollistamiseksi yhdessä keskimääräisen kysynnän kanssa, josta sarja on syntynyt. Keskimäärä alkaa vakiona 10 ° C: ssa. Alkamisajankohdasta 21 alkaen se kasvaa yhdellä yksiköllä jokaisessa jaksossa, kunnes se saavuttaa arvon 20 20 ° C: ssa. Sitten se muuttuu vakiona uudelleen. Tiedot simuloidaan lisäämällä keskimääräinen satunnaismelu Normal-jakaumasta, jossa on nolla keskiarvo ja keskihajonta 3. Simulointin tulokset pyöristetään lähimpään kokonaislukuun. Taulukko esittää esimerkille käytettyjä simuloituja havaintoja. Kun käytämme taulukkoa, meidän on muistettava, että tietyssä ajassa tiedetään vain aiemmat tiedot. Malliparametrin arviot kolmelle eri m: n arvolle esitetään yhdessä alla olevan kuvasarjan keskiarvon kanssa. Kuvassa näkyy keskimääräisen keskimääräisen keskiarvon kullakin hetkellä eikä ennuste. Ennusteet siirtäisivät liikkuvien keskimääräisten käyrät oikealle kausittain. Yksi johtopäätös on heti kuvasta. Kaikilla kolmella arvioinnilla liikkuva keskiarvo on lineaarisen kehityksen taakse, ja viive kasvaa m: lla. Viive on mallin ja aikamittauksen estimaatin välinen etäisyys. Viiveen vuoksi liukuva keskiarvo aliarvioi havaintoja, kun keskiarvo kasvaa. Estimaattorin esijännitys on erilainen aika mallin keskiarvossa ja keskimääräinen arvo, joka ennustaa liikkuva keskiarvo. Polariteetti, kun keskiarvo kasvaa, on negatiivinen. Vähemmän keskiarvon kohdalla esijännitys on positiivinen. Aikaviive ja arvioon esittämä bias ovat m: n funktioita. Mitä suurempi m. sitä suurempi on viiveen ja esijännitteen suuruus. Jatkuvasti kasvava sarja trendillä a. keskiarvon estimaattorin viive ja bias arvot on annettu alla olevissa yhtälöissä. Esimerkkikäyrät eivät vastaa näitä yhtälöitä, koska esimerkkimalli ei ole jatkuvasti kasvamassa, vaan se alkaa vakiona, muuttaa trendiä ja muuttuu taas vakiona. Myös melua aiheuttavat esimerkkikäyrät. Kausien liukuvaa keskimääräistä ennustetta tulevaisuuteen edustaa siirtämällä käyrät oikealle. Viive ja esijännitys lisääntyvät suhteellisesti. Alla olevat yhtälöt viittaavat ennustejaksojen myöhästymiseen ja ennakointiin tulevaisuuteen verrattuna malliparametreihin. Jälleen nämä kaavat ovat aikasarjalle, jolla on jatkuva lineaarinen suuntaus. Emme saa olla yllättyneitä tässä tuloksessa. Liikkuvan keskiarvon estimaattori perustuu vakioarvon olettamukseen, ja esimerkissä on lineaarinen kehitys keskimäärin tutkimusjakson osan aikana. Koska reaaliaikasarjat noudattavat harvoin tarkasti kaikkia mallin oletuksia, meidän pitäisi olla valmis tällaisiin tuloksiin. Voidaan myös päätellä, että melun vaihtelulla on suurin vaikutus pienemmille m. Arvio on huomattavasti epävakaampi liikkuvan keskiarvon ollessa viisi kuin 20: n liukuva keskiarvo. Meillä on ristiriitaiset toiveet lisätä m: n vähentää melun aiheuttaman vaihtelun vaikutusta ja pienentää m, jotta ennuste saadaan paremmin vastaamaan muutoksia keskimäärin. Virhe on todellisten tietojen ja ennustetun arvon välinen ero. Jos aikasarja on todella vakioarvo, virheen odotettu arvo on nolla ja virheen varianssi muodostuu termistä, joka on funktiona ja toinen termi, joka on melun varianssi,. Ensimmäinen termi on keskiarvon varianssi, joka on arvioitu otoksella m havaintoja, olettaen, että tiedot ovat peräisin väestöstä, jolla on vakio keskiarvo. Tämä termi minimoidaan tekemällä m niin suurelta kuin mahdollista. Suuri m tekee ennusteesta epäsuoran muutoksen taustalla olevaan aikasarjaan. Jotta ennuste olisi reagoiva muutoksiin, haluamme m mahdollisimman pienenä (1), mutta tämä lisää virhevirheitä. Käytännön ennuste vaatii väliarvon. Ennustaminen Excelin avulla Ennakoiva lisäosa toteuttaa liikkuvien keskimääräisten kaavojen. Alla oleva esimerkki näyttää analyysin, jonka lisäys antaa sarakkeen B näytteille. Ensimmäiset 10 havaintoa indeksoidaan -9 - 0. Verrattuna edellä olevaan taulukkoon ajanjaksoja siirretään -10: lla. Ensimmäiset kymmenen havaintoa antavat arvioinnin käynnistysarvot ja lasketaan liukuvasta keskiarvosta kaudelle 0. MA (10) sarake (C) esittää lasketut liukuvat keskiarvot. Liikkuva keskiarvo m on solussa C3. Fore (1) - pylväs (D) näyttää ennustuksen yhdeksi jaksoksi tulevaisuuteen. Ennuste-aikaväli on solussa D3. Kun ennustevälit muuttuvat suuremmiksi, Fore-sarakkeen numerot siirtyvät alaspäin. Err (1) - pylväs (E) esittää havainnon ja ennusteen välisen eron. Esimerkiksi havainto ajanhetkellä 1 on 6. Oletusarvo liikkuvasta keskiarvosta aikaan 0 on 11,1. Virhe on -5.1. Keskimääräinen poikkeama ja keskimääräinen keskihajonta (MAD) lasketaan vastaavasti soluissa E6 ja E7.3 Ennustasojen ja menetelmien ymmärtäminen Voit tuottaa sekä yksityiskohtia (yksittäiskohtia) että yhteenvetotauluja (tuotelinja) ennusteita, jotka vastaavat tuotteiden kysyntätekijöitä. Järjestelmä analysoi ennustettua myyntiä ennusteiden laskemiseksi käyttämällä 12 ennustemenetelmää. Ennusteissa on yksityiskohtaisia ​​tietoja kohteen tasolla ja korkeammat tiedot sivuliikkeestä tai yrityksestä kokonaisuutena. 3.1 Suorituskyvyn arviointiperusteet Tietojenkäsittelyvaihtoehtojen valinnasta ja myyntitiedon trendeistä ja kuvioista riippuen tietyt ennustemenetelmät toimivat paremmin kuin toiset tietylle historialliselle tietueelle. Yhdelle tuotteelle sopiva ennustemenetelmä ei ehkä ole sopiva toiselle tuotteelle. Saatat huomata, että ennustemenetelmä, joka tuottaa hyviä tuloksia tuotteen elinkaaren vaiheessa, säilyy koko elinkaaren ajan. Voit valita kahden menetelmän välillä arvioidaksesi ennusteiden nykyisen suorituskyvyn: Tarkkuuden prosentti (POA). Keskimääräinen absoluuttinen poikkeama (MAD). Molemmat suorituskyvyn arviointimenetelmät edellyttävät historiallisia myyntitietoja määrittämäsi ajan. Tätä ajanjaksoa kutsutaan pidättymisjaksoksi tai parhaiten sopivaksi ajaksi. Tämän jakson tietoja käytetään pohjana suositellaksemme ennustamismenetelmää seuraavan ennusteennusteen tekemisessä. Tämä suositus on jokaiselle tuotteelle ominaista ja voi muuttua ennustetusta sukupolvesta toiseen. 3.1.1 Paras sovitus Järjestelmä suosittelee parhaan mahdollisen ennusteen soveltamalla valittuja ennusteita menneeseen myyntitilaushistoriaan ja vertaamalla ennuste-simulointia todelliseen historiaan. Kun luot parhaan mahdollisen ennusteen, järjestelmä vertailee todellisia myyntitilaushistorioita ennusteisiin tiettynä ajanjaksona ja laskee kuinka tarkasti jokainen ennustemenetelmä ennustaa myynnin. Sitten järjestelmä suosittelee tarkimman ennusteen parhaaksi sovituksi. Tämä graafinen esitys kuvaa parhaita sovitustilastoja: Kuva 3-1 Paras sovitushuomautus Järjestelmä käyttää tätä vaihetta vaiheittain parhaimman sovituksen määrittämiseksi: Käytä jokaista määritettyä menetelmää jäljitellä ennustetta pidemmän ajanjakson ajan. Vertaa tosiasiallista myyntiä simuloiduille ennusteille pysyvyyden aikana. Laske POA tai MAD määrittääksesi mikä ennusteiden menetelmä vastaa parhaiten aikaisempaa todellista myyntiä. Järjestelmä käyttää joko POA: ta tai MAD: a valitsemiesi käsittelyvaihtoehtojen perusteella. Suosittele POA: n paras mahdollinen ennuste, joka on lähimpänä 100 prosenttia (yli tai alle) tai MAD, joka on lähimpänä nollaa. 3.2 Ennustemenetelmät JD Edwards EnterpriseOne Forecast Management käyttää 12 kvantitatiivista ennustemenetelmää ja ilmaisee, mikä menetelmä sopii paremmin ennustustilanteeseen. Tässä osassa käsitellään: Menetelmä 1: prosentti viime vuoteen verrattuna. Tapa 2: Laskettu prosentti viime vuoteen verrattuna. Menetelmä 3: viime vuoteen tälle vuodelle. Menetelmä 4: Keskimääräinen liikkuvuus. Menetelmä 5: Lineaarinen approksimaatio. Menetelmä 6: Pienimmän neliösumman regressio. Menetelmä 7: Toinen asteen lähentäminen. Menetelmä 8: Joustava menetelmä. Menetelmä 9: Painotettu liikkuva keskiarvo. Menetelmä 10: lineaarinen tasoittaminen. Menetelmä 11: Eksponentiaalinen tasoittaminen. Menetelmä 12: Eksponentiaalinen tasoittaminen trendin ja kausivaihtelun kanssa. Määritä menetelmä, jota haluat käyttää ennustetiedonanto-ohjelman käsittelyasetuksissa (R34650). Suurin osa näistä menetelmistä tarjoaa rajoitetun kontrollin. Voit esimerkiksi määrittää laskennassa käytetyt viimeisimmät historiatiedot tai historiallisten tietojen päivämäärän. Oppaan esimerkit osoittavat kunkin käytettävissä olevan ennustemenetelmän laskentamenetelmän, kun otetaan huomioon samanlaiset historiatiedot. Menetelmäesimerkkejä oppaan käyttöoperaatiossa osasta tai kaikista näistä tiedoista, mikä on historiallisia tietoja kahden viime vuoden aikana. Ennusteennuste menee seuraavalle vuodelle. Myyntihistoriatiedot ovat vakaina ja pienet kausivaihtelut nousevat heinä-ja joulukuussa. Tämä malli on ominaista kypsälle tuotteelle, joka saattaa lähestyä vanhentumista. 3.2.1 Menetelmä 1: Prosentti viime vuoteen verrattuna Tämä menetelmä käyttää yli viime vuoden kaavaa, joka kertoo kunkin ennustejakson määrätyllä prosenttiosuudella kasvavan tai laskevan määrän. Kysynnän ennakoimiseksi tämä menetelmä vaatii parhaiden sovitusten jaksoja ja yhden vuoden myyntihistoriaa. Tämä menetelmä on hyödyllinen ennakoimaan kausituotteiden kysyntää kasvulla tai laskulla. 3.2.1.1 Esimerkki: Menetelmä 1: Prosentti viime vuoteen Viime vuoden kaavan mukainen prosenttiosuus kertoo edellisvuoden myyntitiedot määrittämällä kertoimella ja sitten tuo tulos seuraaviin vuosiin. Tämä menetelmä voi olla hyödyllinen budjetoinnissa simuloida tietyn kasvuvauhdin vaikutusta tai kun myyntihistoria on merkittävä kausivaihtelu. Ennustetiedot: Kerroinkerroin. Esimerkiksi määritä 110 käsittelyvaihtoehdon lisätä edellisvuosien myyntihistorian tietoja 10 prosentilla. Tarvittava myyntihistoria: Yhden vuoden ennusteiden laskemiseen sekä aikataulut, jotka vaaditaan arvioidaksesi ennalta määritetyn suorituskyvyn (parhaiten sopivat ajanjaksot). Tämä taulukko on ennuste laskennassa: helmikuun ennuste on 117 kertaa 1,1 128,7 pyöristettynä 129. maaliskuun ennuste on 115 kertaa 1,1 126,5 pyöristettynä 127. 3.2.2 Menetelmä 2: Laskettu prosentti viime vuoteen Menetelmä käyttää laskettua prosenttiosuutta Viime vuoden kaava verrata aiemmin määriteltyjen kausien myyntiä samaan edelliseen vuoteen verrattuna. Järjestelmä määrittää prosenttiosuuden kasvun tai laskun ja sitten kertoo kunkin jakson prosenttimäärän ennusteen määrittämiseksi. Kysynnän ennakoimiseksi tämä menetelmä vaatii myyntitoimeksiantojen lukumäärien lukumäärää ja yhden vuoden myyntihistorian. Tämä menetelmä on hyödyllinen arvioimaan kausittaisten tuotteiden lyhytaikaista kysyntää kasvulla tai laskulla. 3.2.2.1 Esimerkki: Menetelmä 2: Laskettu prosentti viime vuoteen verrattuna Laskettu prosentti viime vuoteen verrattuna kertoo edellisen vuoden myyntitiedot järjestelmän laskemalla kertoimella ja sitten se esittelee seuraavan tuloksen seuraavalle vuodelle. Tämä menetelmä voi olla hyödyllinen suunniteltaessa vaikutusta tuotteen viimeisen kasvuvauhdin laajentamiseen seuraavaan vuoteen säilyttäen samalla myyntihistorian aikana kausiluonteisen mallin. Ennustetiedot: Myyntiaikaväli, jota käytetään laskettaessa kasvunopeutta. Esimerkiksi määritä jalostusvaihtoehdolla n yhtäsuuri 4, jotta voit verrata viimeisten neljän jakson myyntihistoriaa samaan neljään edellisvuoden jaksoon. Käytä laskettua suhdetta tehdäksesi projekti seuraavan vuoden aikana. Vaadittava myyntihistoria: Yhden vuoden ennustearvon laskemiseksi sekä ennusteiden suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärän (parhaat sovitukset). Tämä taulukko on ennakoidun laskelman historia, kun n: o 4: helmikuun ennuste on 117 kertaa 0,9766 114,26 pyöristettynä 114: een. Maaliskuussa ennuste on 115 kertaa 0,9766 112,31 pyöristettynä 112: een. 3.2.3 Menetelmä 3: viime vuoteen tänä vuonna Tämä menetelmä käyttää viime vuosina myynnin tulevina vuosina ennuste. Kysynnän ennakoimiseksi tämä menetelmä vaatii parempien jaksoiden lukumäärää plus yhden vuoden myynnin tilaushistorian. Tämä menetelmä on hyödyllinen ennakoimaan kypsille tuotteille kysyntää, joilla on kysyntä tai kausittainen kysyntä ilman trendiä. 3.2.3.1 Esimerkki: Menetelmä 3: Tämän vuoden viimeinen vuosi Vuoden viimeinen vuosi edustaa kahta vuotta edeltävältä vuodelta. Tämä menetelmä saattaa olla hyödyllinen budjetoinnissa simuloida myyntiä nykyisellä tasolla. Tuote on kypsä eikä sillä ole pitkällä aikavälillä suuntausta, mutta huomattava kausivaihtelu voi olla olemassa. Ennustetiedot: Ei mitään. Vaadittava myyntihistoria: Yhden vuoden ennustearvon laskemiseksi sekä ennusteiden suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärän (parhaat sovitukset). Tämä taulukko on ennustejulkaisussa käytetty ennuste: tammikuun ennuste on sama kuin viime vuoden tammikuussa ennustearvolla 128. Helmikuun ennuste on sama kuin edellisen vuoden helmikuun ennustearvon ollessa 117. Maaliskuun ennuste vastaa edellisen vuoden maaliskuussa ennustearvolla 115. 3.2.4 Menetelmä 4: Keskimääräinen siirto Tässä menetelmässä siirrettävän keskiarvon kaava keskimäärin määritellyn jaksojen lukumäärän seuraavan jakson projisoimiseksi. Sinun tulisi laskea se usein (kuukausittain tai vähintään neljännesvuosittain) vastaamaan muuttuvaa kysyntätasoa. Kysynnän ennakoimiseksi tämä menetelmä vaatii parempien jaksoiden lukumäärää sekä myyntitoimeksiantojen lukumäärien lukumäärää. Tämä menetelmä on hyödyllinen ennakoimaan kypsän tuotteen kysyntää ilman trendiä. 3.2.4.1 Esimerkki: Menetelmä 4: Keskimääräisen liikkuvan keskiarvon (MA) siirto on suosittu menetelmä viimeaikaisen myyntihistorian tulosten keskiarvon määrittämiseksi lyhyen aikavälin ennusteiden määrittämiseksi. MA-ennustejaksolla on jäljessä suuntauksia. Ennusteiden esijännitys ja systemaattiset virheet tapahtuvat, kun tuotemyyntihistoria näyttää voimakkaalta trendiltä tai kausivaihteluilta. Tämä menetelmä toimii paremmin lyhyen aikavälin ennusteiden kypsille tuotteille kuin tuotteille, jotka ovat elinkaaren kasvu - tai vanhentumisvaiheissa. Ennustetiedot: n on yhtä suuri kuin ennustalaskennassa käytettävien myyntihistorioiden määrä. Esimerkiksi määritä käsittelyvaihtoehdon n 4 käyttämällä viimeisintä neljää jaksoa, jotka perustuvat projektioon seuraavaan ajanjaksoon. Suuri arvo n: lle (kuten 12) vaatii lisää myyntihistoriaa. Se johtaa vakaaseen ennusteeseen, mutta se on hidas tunnistamaan myynnin tason muutoksia. Toisaalta pieni arvo n: lle (kuten 3) on nopeampi vastaamaan myynnin tason muutoksiin, mutta ennuste saattaa vaihdella niin laajasti, ettei tuotanto pysty vastaamaan muunnelmia. Vaadittava myyntihistoria: n sekä ennusteiden suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärät (parhaat sovitukset). Tämä taulukko on ennustejulkaisussa käytetty ennuste: helmikuun ennuste on sama (114 119 137 125) 4 123,75 pyöristettynä 124: een. Maaliskuun ennuste on 119 137 125 124 4 126,25 pyöristettynä 126: een. 3.2.5 Menetelmä 5: Lineaarinen approksimaatio Tämä menetelmä Linear Approximation - kaavan avulla lasketaan suuntaus myyntitoimeksiantojen lukumäärien lukumäärältä ja esittelee tämän kehityksen ennusteeksi. Sinun pitäisi laskea trendi kuukausittain trendien muutosten havaitsemiseksi. Tämä menetelmä vaatii parhaiten sovitettujen jaksoiden lukumäärää sekä määrätyn myyntitoimeksiantojaksojen määrää. Tämä menetelmä on hyödyllinen ennakoida uusien tuotteiden kysyntää tai tuotteita, joilla on jatkuvia positiivisia tai negatiivisia suuntauksia, jotka eivät johdu kausivaihteluista. 3.2.5.1 Esimerkki: Menetelmä 5: Lineaarinen approksimaatio Lineaarinen approksimaatio laskee trendin, joka perustuu kahteen myyntihistoriatietopisteeseen. Nämä kaksi pistettä muodostavat suoran trendilinjan, joka näkyy tulevaisuudessa. Käytä tätä menetelmää varoen, koska pitkän aikavälin ennusteita hyödynnetään pienillä muutoksilla vain kahdessa datapisteessä. Ennusteiden tiedot: n on sama kuin myyntihistorian tietopiste, joka verrataan viimeisimpään tietopisteeseen trendin tunnistamiseksi. Määritä esimerkiksi n 4, jos haluat käyttää eroa joulukuuhun (viimeisimmät tiedot) ja elokuun (neljä jaksoa ennen joulukuu) trendin laskennan perustana. Pienin vaadittu myyntihistoria: n plus 1 sekä ennusteiden suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärät (parhaat sovitukset). Tämä taulukko on ennustejulkaisussa käytetty ennuste: tammikuun ennuste edellisen vuoden joulukuusta 1 (trendi), joka on 137 (1 kertaa 2) 139. helmikuun ennuste edellisen vuoden joulukuussa 1 (trendi), joka on 137 (2 kertaa 2) 141. Maaliskuun ennuste edellisen vuoden joulukuussa 1 (trendi), joka on 137 (3 kertaa 2) 143. 3.2.6 Menetelmä 6: Pienimmän neliösumman regressiot Pienimmän neliösumman regressiosignaalin (LSR) menetelmä tuottaa yhtälön, joka kuvaa suoria viivoja historiallisten myyntitietojen ja ajan kuluminen. LSR sopii linjaan valitulle datavälille niin, että todellisten myyntitietopisteiden ja regressiolinjan välisten erojen neliöiden summa minimoidaan. Ennuste on tämän suoran linjan tulevaisuus. Tämä menetelmä vaatii myyntitietohistoriaa ajanjaksolle, jota edustaa parhaiten soveltuvien aikajaksojen määrä sekä määritetty historiallisten tietojen jaksojen määrä. Vähimmäisvaatimus on kaksi historiallista tietopistettä. Tämä menetelmä on hyödyllinen ennakoimaan kysyntää, kun datassa on lineaarinen suuntaus. 3.2.6.1 Esimerkki: Menetelmä 6: Pienimmän neliösumman regressio Lineaarinen regressio tai pienimmän neliösumman regressio (LSR) on suosituin menetelmä historiallisten myyntitietojen lineaarisen kehityksen tunnistamiseksi. Menetelmä laskee a ja b: n arvot kaavassa: Tämä yhtälö kuvaa suoraa linjaa, jossa Y edustaa myyntiä ja X edustaa aikaa. Lineaarinen regressio hidastaa hidastumista kääntöpisteiden ja askeltoimintojen muutosten vuoksi. Lineaarinen regressio sopii suoraviivaiseen dataan, vaikka tiedot olisivatkin kausittaisia ​​tai paremmin kuvattu käyrällä. Kun myyntihistoriatiedot seuraavat käyrää tai joilla on voimakas kausivaihtelu, ennustetaan ennaltaehkäisyä ja järjestelmällisiä virheitä. Ennustetiedot: n on yhtä kuin myyntihistorian jaksot, joita käytetään a ja b arvojen laskemisessa. Anna esimerkiksi n 4 käyttää historiaa syyskuusta joulukuuhun laskelmien perustana. Kun tietoja on saatavilla, yleensä käytetään suurempaa n (kuten n 24). LSR määrittelee linjan peräti kaksi datapistettä. Tässä esimerkissä valittiin pieni arvo n (n 4), joka vähentää manuaalisia laskelmia, jotka tarvitaan tulosten tarkistamiseksi. Pienin vaadittu myyntihistoria: n ajanjaksot sekä ennustetun suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärät (parhaat sovitukset). Tämä taulukko on ennuste laskennassa käytetty ennuste: maaliskuun ennuste on 119,5 (7 kertaa 2,3) 135,6 pyöristettynä arvoon 136. 3.2.7 Menetelmä 7: Toinen asteen lähentäminen Ennusteennusteen arvioimiseksi tämä menetelmä käyttää toisen asteen approksimaatio-kaavaa käyrän piirtämiseksi joka perustuu myyntihistorian aikamääriin. Tämä menetelmä vaatii parempien jaksoiden lukumäärää sekä myyntitoimeksiannon historia-aikoja kolme kertaa. Tämä menetelmä ei ole hyödyllinen ennakoimaan pitkän aikavälin kysyntää. 3.2.7.1 Esimerkki: Menetelmä 7: Toisen asteen approksimaatio Lineaarinen regressio määrittää a ja b arvot ennuste kaavassa Y a b X, jonka tavoitteena on sovittaa suora viiva myyntihistoriatietoihin. Toisen asteen lähentäminen on samanlainen, mutta tämä menetelmä määrittää arvot a, b ja c tässä ennustekaavassa: Y a b X c X 2 Tämän menetelmän tavoite on sovittaa käyrä myyntihistoriatietoihin. Tämä menetelmä on hyödyllinen, kun tuote on siirtymässä elinkaaren vaiheiden välillä. Esimerkiksi kun uusi tuote siirtyy johdannosta kasvuvaiheisiin, myyntikehitys saattaa kiihtyä. Toisen tilauksen aikavälin vuoksi ennuste voi nopeasti lähestyä äärettömyyttä tai pudota nollaan (riippuen siitä, kertoo c on positiivinen tai negatiivinen). Tämä menetelmä on hyödyllinen vain lyhyellä aikavälillä. Ennustetiedot: kaava löytää a, b ja c, jotka sopivat käyrään täsmälleen kolmeen pisteeseen. Määrität n, kerrytettävien tietojen aikajaksojen määrä jokaiseen näistä kolmesta pisteestä. Tässä esimerkissä n 3. Huhti-kesäkuun todelliset myyntitiedot yhdistetään ensimmäiseen pisteeseen Q1. Heinä-syyskuussa lisätään yhteen Q2: n ja lokakuun ja joulukuun välinen summa Q3: een. Käyrä on sovitettu kolmeen arvoon Q1, Q2 ja Q3. Vaadittava myyntihistoria: ennusteiden laskemiseksi kolme kertaa n jaksot sekä ennusteiden suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärät (parhaat sovitukset). Tämä taulukko on ennuste laskennassa: Q0 (Jan) (helmikuu) (maaliskuu) Q1 (huhti) (toukokuu) (kesäkuu), joka vastaa 125 122 137 384 Q2 (heinäkuu) (elokuu) (syyskuu) 131 400 Q3 (lokakuu) (joulukuu), joka vastaa 114 119 137 370 Seuraavassa vaiheessa lasketaan kolme ennustejärjestelmässä Y ab X c X 2 käytettyä kolmesta kertoimesta a, b ja c. Q1, Q2 ja Q3 on esitetty graafisesti, jolloin aika on piirretty vaakasuoralle akselille. Q1 edustaa huhtikuun, toukokuun ja kesäkuun historiallisia kokonaismyyntiä, ja se esitetään kaaviossa X 1 Q2 vastaa heinäkuusta syyskuuhun Q3 vastaa lokakuuhun joulukuuhun ja Q4 edustaa tammi-maaliskuussa. Tämä graafi kuvaa Q1: n, Q2: n, Q3: n ja Q4: n kuvaamista toisen asteen approksimaatioon. Kuva 3-2 Piirtäminen Q1, Q2, Q3 ja Q4 toisen asteen approksimaatioon Kolme yhtälö kuvaa kaaviossa kolme pistettä: (1) Q1 bX cX 2 jossa X2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 jossa X3 (Q3 a 3b 9c) Ratkaise kolme yhtälöä samanaikaisesti löytää b, a ja c: vähennä yhtälön 1 (1) yhtälöstä 2 (2) ja ratkaise b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Korvaa tämä yhtälö b yhtälöön (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Lopuksi korvataan nämä a ja b yhtälöt yhtälöön (1): (1) Q3 ndash (Q2 ndash Q2) (Q2 ndash Q2) 2 Toisen asteen approksimaatiomenetelmä laskee a, b ja c seuraavasti: Q3 ndash 3 (Q2 ndash Q1) Q3 ndash Q2 ) 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.