Flyttande medelprognos Inledning. Som du kan gissa vi tittar på några av de mest primitiva tillvägagångssätten för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du ska ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare förväntas mycket sannolikt att du får något i området 85 du bara har. Nåväl, nu kan vi anta att trots din egen marknadsföring till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu är vad alla berörda och oroade kommer att Förutse att du kommer att få ditt tredje test Det finns två väldigt troliga metoder för att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, Quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fester och werent vaggar vassan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en glidande genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gett dig en puss och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta visselpipan medan vi arbetar. Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster, kallad Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Lägg märke till hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period rörande genomsnittlig prognos, när du gör quotpast predictionsquot, märka att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enstaka deklarering och initialisering av variabler Dim-objekt som variant Dim-räknare som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris Historisk storlek Historical. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (historicalSize - numberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska följa följande. Det enklaste sättet är att ta medeltalet januari till mars och använda det för att uppskatta April8217s försäljning: (129 134 122) 3 128.333 Baserat på försäljningen från januari till mars förutspår du att försäljningen i april blir 128 333. När April8217s faktiska försäljning kom in, skulle du då beräkna prognosen för maj, den här gången med februari till april. Du måste vara förenlig med antalet perioder du använder för att flytta genomsnittliga prognoser. Antalet perioder du använder i dina snabba medelprognoser är godtyckliga. Du får bara använda två perioder eller fem eller sex perioder oavsett vad du vill skapa dina prognoser. Tillvägagångssättet ovan är ett enkelt glidande medelvärde. Ibland kan den senaste försäljningen av months8217 vara starkare influenser av den kommande month8217s försäljningen, så du vill ge de närmare månaderna mer vikt i din prognosmodell. Detta är ett viktat glidande medelvärde. Och precis som antalet perioder är de vikter du tilldelar rent godtyckliga. Let8217s säger att du ville ge March8217s försäljning 50 vikt, februari8217s 30 vikt och januari8217s 20. Då blir din prognos för april 127,000 (122,50) (134,30) (129,20) 127. Begränsningar av rörliga genomsnittsmetoder Flyttande medelvärden betraktas som en 8220smoothing8221 prognosteknik. Eftersom du tar ett genomsnitt över tid, mjuker du (eller utjämnar) effekterna av oregelbundna händelser inom data. Som ett resultat kan effekterna av säsongsalder, konjunkturcykler och andra slumpmässiga händelser dramatiskt öka prognosfelet. Ta en titt på en fullständig information om året8217s, och jämför ett 3-års glidande medelvärde och ett 5-års glidande medelvärde: Observera att i det här fallet att jag inte skapade prognoser utan hellre centrerade de glidande medelvärdena. Det första 3 månaders glidande genomsnittet är för februari, och it8217s är medeltalet januari, februari och mars. Jag gjorde också liknande för 5-månaders genomsnittet. Ta en titt på följande diagram: Vad ser du Är inte den tremånadersrörande genomsnittsserien mycket mjukare än den faktiska försäljningsserien Och hur är det med det femmånaders glidande genomsnittet It8217s jämnare. Därför, ju fler perioder du använder i ditt glidande medelvärde, ju mjukare din tidsserie. För prognoser kan därför ett enkelt glidande medelvärde inte vara den mest exakta metoden. Flytta genomsnittliga metoder är ganska värdefulla när man försöker extrahera säsongs-, oregelbundna och cykliska komponenter i en tidsserie för mer avancerade prognosmetoder, som regression och ARIMA, och användningen av glidande medelvärden vid sönderdelning av en tidsserie kommer att behandlas senare i serien. Bestämning av en rörlig genomsnittsmodells noggrannhet Generellt vill du ha en prognosmetod som har minst fel mellan aktuella och förutsagda resultat. En av de vanligaste åtgärderna för prognosnoggrannhet är den genomsnittliga absoluta avvikelsen (MAD). I den här metoden tar du det absoluta värdet av skillnaden mellan period8217s faktiska och prognostiserade värden (avvikelsen) för varje period i tidsserierna som du genererade en prognos för. Då är du genomsnittliga de absoluta avvikelserna och du får ett mått på MAD. MAD kan vara till hjälp när du bestämmer hur mycket antal perioder du har, och hur stor vikt du lägger på varje period. I allmänhet väljer du den som resulterar i lägsta MAD. Here8217s ett exempel på hur MAD beräknas: MAD är helt enkelt genomsnittet av 8, 1 och 3. Flytta genomsnitt: Recap När du använder glidande medelvärden för prognoser, kom ihåg: Flytta medelvärden kan vara enkla eller viktade Antalet perioder du använder för din medelvärdet och alla vikter du tilldelar var och en är strängt godtyckligt. Flyttande medelvärden släpper ut oregelbundna mönster i tidsseriedata, desto större antal perioder som används för varje datapunkt desto större utjämningseffekt. På grund av utjämning prognostiseras nästa månad8217s försäljning baserat på senaste månaden8282s försäljning kan resultera i stora avvikelser på grund av säsongsmässiga, konjunkturella och oregelbundna mönster i data och utjämningsförmågan hos en glidande genomsnittsmetod kan vara användbar för att sönderdela en tidsserie för mer avancerade prognosmetoder. Nästa vecka: Exponentiell utjämning I nästa vecka8217s prognos fredag. vi kommer att diskutera exponentiella utjämningsmetoder, och du kommer att se att de kan vara långt överlägsen förskjutande medelprognosmetoder. Fortfarande don8217t vet varför våra prognos fredags inlägg visas på torsdag Hitta ut på: tinyurl26cm6ma Gilla detta: Postnavigering Lämna ett svar Avbryt svar Jag hade 2 frågor: 1) Kan du använda den centrerade MA-metoden för att prognostisera eller bara för att ta bort säsongsbetonat 2) När du använder den enkla t (t-1t-2t-k) k MA för att prognostisera en period framåt, är det möjligt att prognostisera mer än en period framåt Jag antar att din prognos skulle vara en av punkterna som matar in i nästa. Tack. Älska informationen och dina förklaringar I8217m glad att du gillar bloggen I8217 är säker på att flera analytiker har använt det centrerade MA-tillvägagångssättet för prognoser, men jag skulle inte personligen, eftersom den här metoden resulterar i en förlust av observationer i båda ändarna. Detta knyter i själva verket då till din andra fråga. I allmänhet används enkel MA för att endast prognosera en period framåt, men många analytiker 8211 och jag, ibland 8211, kommer att använda min framtidsprognos som en av ingångarna till andra perioden framöver. It8217 är viktigt att komma ihåg att ju längre in i framtiden du försöker att prognostisera desto större är risken för prognosfel. Det är därför jag inte rekommenderar centrerad MA för prognoser 8211 innebär förlusten av observationer i slutet att man måste förlita sig på prognoser för de förlorade observationerna, såväl som perioden (er) framåt, så det finns större risk för prognosfel. Läsare: you8217re inbjudna att väga in på detta. Har du några tankar eller förslag på denna Brian, tack för din kommentar och dina komplimanger på bloggen Trevligt initiativ och bra förklaring. It8217s är verkligen till hjälp. Jag förutser anpassade kretskort för en kund som inte ger några prognoser. Jag har använt det rörliga genomsnittet, men det är inte så mycket som industrin kan gå upp och ner. Vi ser till mitten av sommaren till slutet av året att frakt pcb8217s är uppe. Sedan ser vi i början av året sakta ner. Hur kan jag vara mer exakt med mina data Katrina, från vad du sa till mig, verkar det att din tryckta kretskortsförsäljning har en säsongskomponent. Jag tar upp säsongsbetonade i några av de andra prognoserna fredagens inlägg. En annan metod som du kan använda, vilket är ganska lätt, är Holt-Winters-algoritmen, som tar hänsyn till säsonglighet. Du kan hitta en bra förklaring av det här. Var noga med att avgöra om dina säsongsbetonade mönster är multiplikativa eller additiva eftersom algoritmen är lite annorlunda för varje. Om du plottar dina månadsdata från några år och ser till att säsongsvariationerna vid samma årstid verkar vara konstanta år över år, så är säsongsalden additiv om säsongsvariationerna över tiden verkar öka, då säsongsmässigheten är multiplikativ. De flesta säsongsbundna tidsserierna kommer att vara multiplicativa. Om du är osäker, antar du multiplikativ. Lycka till, Hej där, mellan den här metoden:. Nave Forecast. Uppdatering av medelvärdet. Flyttande medelvärdet av längden k. Varken Viktad Flytta Genomsnittlig längd k ELLER Exponentiell utjämning Vilken av de uppdaterande modellerna rekommenderar du att jag använder för att prognostisera data Enligt min åsikt tänker jag på Moving Average. Men jag vet inte hur man klargör och strukturerar det. Det beror verkligen på kvantiteten och kvaliteten på de data du har och din prognostiseringshorisont (långsiktig, medellång eller kort sikt). Kapitel fyra (MC och TF) Vad Två siffror finns i dagligrapporten till VD för Walt Disney Parks Amp Resorts om de sex Orlando parkerna a. yesterdays prognostiserad närvaro och dagens vardagsdag b. dagsdagens faktiska närvaro och dagens prognostiserade närvaro c. ysterdays prognostiserad närvaro och dagens prognostiserade närvaro d. gårdagens faktiska närvaro och sista års närvaro e. Yderdagens prognostiserade närvaro och det årliga genomsnittliga dagliga prognosfelet En sexmånaders rörlig genomsnittlig prognos är bättre än en tre månaders rörlig genomsnittlig prognos om efterfrågan a. är ganska stabil b. har förändrats på grund av de senaste kampanjerna c. följer en nedåtgående trend d. följer ett säsongsmönster som upprepar sig två gånger per år e. följer en uppåtgående trend För en viss produktfråga är tidsserieutvecklingsekvationen 53 - 4 X. Negativt tecken på lutningens lutning a. är en matematisk omöjlighet b. är en indikation på att prognosen är partisk, med prognosvärden lägre än de faktiska värdena c. är en indikation på att produktbehovet sjunker d. innebär att bestämningskoefficienten också kommer att vara negativ e. innebär att RSFE kommer att vara negativt Vilket av följande är sant med avseende på de två utjämningskonstanterna i Prognos Including Trend (FIT) - modellen a. En konstant är positiv, medan den andra är negativ. b. De kallas MAD och RSFE. c. Alpha är alltid mindre än beta. d. En konstant släpper regressionsavlyssningen, medan den andra släpper ut regressionshöjden. e. Deras värderingar bestäms oberoende. Efterfrågan på en viss produkt beräknas vara 800 enheter per månad, i genomsnitt över alla 12 månader av året. Produkten följer ett säsongsmönster, för vilket januari månadsindex är 1,25. Vad är den säsongrensade försäljningsprognosen för januari a. 640 enheter b. 798,75 enheter c. 800 enheter d. 1000 enheter e. kan inte beräknas med angivna uppgifter Ett säsongsindex för en månadserie beräknas på grundval av tre års ackumulering av data. De tre tidigare juli-värdena var 110, 150 och 130. Medeltalet över alla månader är 190. Det ungefärliga säsongsindexet för juli är a. 0,487 b. 0,684 c. 1,462 d. 2.053 e. kan inte beräknas med informationen givenA Prognosberäkningsexempel A.1 Prognosberäkningsmetoder Tolv metoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-prognos för försäljning. Utöver prognosberäkningen innehåller varje exempel en simulerad 2005-prognos för en tre månaders hållbarhetsperiod (bearbetningsalternativ 19 3) som sedan används för procent av noggrannhet och genomsnittliga absoluta avvikelsesberäkningar (faktisk försäljning jämfört med simulerad prognos). A.2 Prognos Prestationsutvärderingskriterier Beroende på ditt val av bearbetningsalternativ och de trender och mönster som finns i försäljningsdata, kommer vissa prognosmetoder att fungera bättre än andra för en given historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det är också osannolikt att en prognosmetod som ger goda resultat i ett skede av en livscykel för produkterna, fortsätter att vara lämpligt under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna. Dessa är genomsnittlig absolut avvikelse (MAD) och procent av noggrannhet (POA). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en användardefinierad tidsperiod. Denna tidsperiod kallas en uthållningsperiod eller perioder som passar bäst (PBF). Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. De två prognosutvärderingsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A.3 Metod 1 - Specificerad procentsats under förra året Denna metod multiplicerar försäljningsdata från föregående år med en användardefinierad faktor till exempel 1,10 för en 10 ökning eller 0,97 för en 3 minskning. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus användarens angivna antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.4.1 Beräkning Beräkningsområde Försäljningshistorik som ska användas vid beräkning av tillväxtfaktor (behandlingsalternativ 2a) 3 i detta exempel. Summa de sista tre månaderna 2005: 114 119 137 370 Summa samma tre månader för föregående år: 123 139 133 395 Den beräknade faktorn 370395 0,9367 Beräkna prognoserna: januari 2005 försäljning 128 0,9367 119,8036 eller cirka 120 februari 2005 försäljning 117 0,9367 109,5939 eller cirka 110 mars 2005 försäljning 115 0,9367 107,7205 eller cirka 108 A.4.2 Simulerad prognosberäkning Summan av tre månaderna 2005 före uthållningsperioden (juli, augusti, september): 129 140 131 400 Summa samma tre månader för föregående år: 141 128 118 387 Den beräknade faktorn 400387 1.033591731 Beräkna simulerad prognos: oktober 2004 försäljning 123 1.033591731 127.13178 november 2004 försäljning 139 1.033591731 143.66925 december 2004 försäljning 133 1.033591731 137.4677 A.4.3 Procent av beräkningsberäkning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (127,13178 - 114 143,66925 - 119 137,4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metod 3 - Förra året till det här året Denna metod kopierar försäljningsdata från föregående år till nästa år. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som anges för att utvärdera prognosprestanda (bearbetningsalternativ 19). A.6.1 Beräkning av prognos Antal perioder som ska ingå i genomsnittet (bearbetningsalternativ 4a) 3 i detta exempel För varje månad av prognosen, genomsnitt de tidigare tre månaderna data. Januari prognos: 114 119 137 370, 370 3 123 333 eller 123 februari prognos: 119 137 123 379, 379 3 126 333 eller 126 mars prognos: 137 123 126 379, 386 3 128 677 eller 129 A.6.2 Simulerad prognosberäkning Oktober 2005 försäljning 140 131) 3 133 33333 Försäljning i november 2005 (140 131 114) 3 128 33333 Försäljning i december 2005 (131 114 119) 3 121 33333 A.6.3 Procent av beräkningsberäkning POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Medel Absolut Avvikelse Beräkning MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metod 5 - Linjär approximation Linjär approximation beräknar en trend baserad på två försäljningshistorik datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet, eftersom prognoser för långa sträckor utnyttjas av små förändringar på bara två datapunkter. Erforderlig försäljningshistorik: Antalet perioder som ska inkluderas i regression (behandlingsalternativ 5a) plus 1 plus antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.8.1 Beräkning av prognos Antal perioder som ska inkluderas i regression (behandlingsalternativ 6a) 3 i det här exemplet För varje månad av prognosen, lägg till ökningen eller minskningen under de angivna perioderna före hållbarhetsperioden föregående period. Medelvärdet av de föregående tre månaderna (114 119 137) 3 123.3333 Sammanfattning av de föregående tre månaderna med hänsyn till (114 1) (119 2) (137 3) 763 Skillnad mellan värdena 763 - 123.3333 (1 2 3) 23 Förhållande 12 22 32) - 2 3 14 - 12 2 Värde1 SkillnadRatio 232 11,5 Värde2 Genomsnitt - värde1 förhållande 123.3333 - 11.5 2 100.3333 Prognos (1 n) värde1 värde2 4 11.5 100.3333 146.333 eller 146 Prognos 5 11.5 100.3333 157.8333 eller 158 Prognos 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulerad prognosberäkning Oktober 2004 Försäljning: Genomsnittet för de föregående tre månaderna (129 140 131) 3 133 3333 Sammanfattning av de föregående tre månaderna med hänsyn till (129 1) (140 2) (131 3) 802 Skillnad mellan värden 802 - 133.3333 (1 2 3) 2 Förhållande (12 22 32) - 2 3 14 - 12 2 Värde1 DifferenceRatio 22 1 Värde2 Genomsnitt - värde1 förhållande 133.3333 - 1 2 131.3333 Prognos (1 n) värde1 värde2 4 1 131.3333 135.3333 November 2004 försäljning Genomsnittet för de föregående tre månaderna (140 131 114) 3 128 3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen (140 1) (131 2) (114 3) 744 Skillnad mellan värdena 744 - 128 3333 (1 2 3) -25,9999 Värde1 DifferenceRatio -25.99992 -12.9999 Value2 Genomsnitt - värde1-förhållande 128.3333 - (-12.9999) 2 154.3333 Prognos 4 -12.9999 154.3333 102.3333 december 2004 Försäljning Genomsnitt av de föregående tre månaderna (131 114 119) 3 121.3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen ( 131 1) (114 2) (119 3) 716 Skillnad mellan värdena 716 - 121.3333 (1 2 3) -11.9999 Värde1 SkillnadRatio -11.99992 -5.9999 Värde2 Genomsnitt - värde1 förhållande 121.3333 - (-5.9999) 2 133.3333 Prognos 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Procent av noggrannhetsberäkning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A,9 Metod 7 - Secon d Grad approximation Linjär regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra graden Approximation är liknande. Denna metod bestämmer emellertid värdena för a, b och c i prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata. Denna metod kan vara användbar när en produkt är i övergången mellan stadierna i en livscykel. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Därför är denna metod endast användbar på kort sikt. Prognosspecifikationer: Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i bearbetningsalternativet 7a, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel n 3. Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan kommer att monteras på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestanda (PBF). Antal perioder som ska inkluderas (behandlingsalternativ 7a) 3 i detta exempel Använd de föregående (3 n) månaderna i tre månaders block: Q1 (april-juni) 125 122 137 384 Q2 (jul-september) 129 140 131 400 Q3 Okt - dec) 114 119 137 370 Nästa steg innefattar att beräkna de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX2 (1) Q1 en bX cX2 (där X1) abc (2) Q2 en bx cX2 (där X2) en 2b 4c (3) Q3 en bX cX2 (där X3) a 3b 9c Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation (1) från ekvation (2) och lösa för b (2) - (1) Q2 - Q1 b 3c Ersätt denna ekvation för b till ekvation (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Äntligen ersätt dessa ekvationer för a och b till ekvation (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: en Q3 - 3 (Q2-Q1) 370-3 (400-384) 322 c (Q3-Q2) (Q1-Q2) 2 (370-400) (384-400) 2 -23 b (Q2-Q1) - 3c (400-384) - (3-23) 85 Y a bX cX2 322 85X (-23) X2 januari till marsprognos (X4): (322 340 - 368) 3 2943 98 per period april till juni prognos (X5): (322 425 - 575) 3 57 333 eller 57 per period juli till september prognos (X6): (322 510 - 828) 3 1,33 eller 1 per period oktober till december (X7) 595 - 11273 -70 A.9.2 Simulerad prognosberäkning Oktober, november och december 2004 Försäljning: Q1 (jan-mar) 360 Q2 (april-juni) 384 Q3 (jul-sep) 400 a 400-3 (384-360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Procent av beräkningsberäkning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Metod 8 - Flexibel metod Den flexibla metoden (Procent över en månad före) liknar Metod 1, Procent över förra året. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor, och sedan projekterar det resultatet i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden lägger till möjligheten att ange en annan tidsperiod än samma period förra året för att användas som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 1,15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15. Basperiod. Till exempel kommer n 3 att göra att den första prognosen baseras på försäljningsdata i oktober 2005. Minimal försäljningshistorik: Användaren specificerade antal perioder tillbaka till basperioden plus antalet tidsperioder som krävs för att utvärdera prognosprestandan ( PBF). A.10.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metod 9 - Viktat Flyttande Medeltal Den Vägda Flyttande Genomsnittsmetoden (WMA) liknar Metod 4, Moving Average (MA). Men med det vägda rörliga genomsnittsvärdet kan du tilldela ojämna vikter till historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så det gör WMA mer mottaglig för skift i försäljningsnivån. Men prognosfel och systematiska fel uppstår fortfarande när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter i stället för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som grund för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men kommer att vara långsam för att känna igen skift i försäljningsnivån. Å andra sidan kommer ett litet värde för n (som 3) att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Den vikt som tilldelas var och en av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1,00. Till exempel, när n 3, tilldela vikter på 0,6, 0,3 och 0,1, med den senaste data som tar emot största vikt. Minsta obligatoriska försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metod 10 - Linjär utjämning Denna metod liknar Metod 9, Vägt rörande medelvärde (WMA). I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Såsom är sant för alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter i stället för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Detta anges i bearbetningsalternativet 10a. Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Systemet kommer automatiskt att tilldela vikterna till historiska data som minskar linjärt och summerar till 1,00. Till exempel, när n 3, kommer systemet att tilldela vikter på 0.5, 0.3333 och 0.1, med den senaste data som tar emot största vikt. Minsta obligatoriska försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.12.1 Prognosberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (behandlingsalternativ 10a) 3 i detta exempel Förhållande för en period före 3 (n2 n) 2 3 (32 3) 2 36 0,5 Förhållande för två perioder före 2 (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Förhållande för tre perioder före 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januari prognos: 137 0,5 119 13 114 16 127,16 eller 127 februari prognos: 127 0,5 137 13 119 16 129 Marsprognos: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulerad prognosberäkning Oktober 2004 Försäljning 129 16 140 26 131 36 133,6666 Försäljning november 2004 140 16 131 26 114 36 124 december 2004 Försäljning 131 16 114 26 119 36 119.3333 A.12.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Method 11 - Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing the system assigns weights to the historical data that decline linearly. In exponential smoothing, the system assigns weights that exponentially decay. The exponential smoothing forecasting equation is: Forecast a(Previous Actual Sales) (1 - a) Previous Forecast The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. a is the weight applied to the actual sales for the previous period. (1 - a) is the weight applied to the forecast for the previous period. Valid values for a range from 0 to 1, and usually fall between 0.1 and 0.4. The sum of the weights is 1.00. a (1 - a) 1 You should assign a value for the smoothing constant, a. If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specified in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for a range from 0 to 1. n 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 3) was chosen in order to reduce the manual calculations required to verify the results. Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.13.1 Forecast Calculation Number of periods to include in smoothing average (processing option 11a) 3, and alpha factor (processing option 11b) blank in this example a factor for the oldest sales data 2(11), or 1 when alpha is specified a factor for the 2nd oldest sales data 2(12), or alpha when alpha is specified a factor for the 3rd oldest sales data 2(13), or alpha when alpha is specified a factor for the most recent sales data 2(1n), or alpha when alpha is specified November Sm. Avg. a(October Actual) (1 - a)October Sm. Avg. 1 114 0 0 114 December Sm. Avg. a(November Actual) (1 - a)November Sm. Avg. 23 119 13 114 117.3333 January Forecast a(December Actual) (1 - a)December Sm. Avg. 24 137 24 117.3333 127.16665 or 127 February Forecast January Forecast 127 March Forecast January Forecast 127 A.13.2 Simulated Forecast Calculation July, 2004 Sm. Avg. 22 129 129 August Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136.3333 133.6666 October, 2004 sales Sep Sm. Avg. 133.6666 August, 2004 Sm. Avg. 22 140 140 September Sm. Avg. 23 131 13 140 134 October Sm. Avg. 24 114 24 134 124 November, 2004 sales Sep Sm. Avg. 124 September 2004 Sm. Avg. 22 131 131 October Sm. Avg. 23 114 13 131 119.6666 November Sm. Avg. 24 119 24 119.6666 119.3333 December 2004 sales Sep Sm. Avg. 119.3333 A.13.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 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 averaged adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for alpha range from 0 to 1. b the smoothing constant used in calculating the smoothed average for the trend component of the forecast. Valid values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast a and b are independent of each other. They do not have to add to 1.0. Minimum required sales history: two years plus the number of time periods required for evaluating the forecast performance (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Forecast Calculation A) An exponentially smoothed average MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Evaluating the Forecasts You can select forecasting methods to generate as many as twelve forecasts for each product. Each forecasting method will probably create a slightly different projection. When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. You can choose between two performance criteria, Mean Absolute Deviation (MAD) and Percent of Accuracy (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 user specified period of time. This period of recent history is called a holdout period or periods best fit (PBF). To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period. There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, 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 of time. The forecasting method producing the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in your plans. This recommendation is specific to each product, and might change from one forecast generation to the next. A.16 Mean Absolute Deviation (MAD) 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 has shown to be the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error: A.16.1 Percent of Accuracy (POA) 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 two 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, would be an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual - Forecast When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way.
No comments:
Post a Comment